单层感知器

单层感知器是神经网络的入门常识，基本的单层感知器可以解决线性分类问题。这里我们通过实例体验感知器是如何运作的。本次实例参照教材《MATLAB神经网络原理与实例精解》。

单层感知器的基本结构

如图，单层感知器可以有多个输入，它们通过与权值相乘，再相加（即加权求和）后，经过一定的偏置，再由激活函数处理，最后输出得到预测结果。这里面存在两种变化：线性变化与非线性变化。其中，加权求和属于线性变化，激活函数做的是非线性变化。通过上述两种变化 ，可以把输入的数据空间扭曲，使得只需要一个超平面就可以将其分开（线性可分），从而达到分类的目的。

单层感知器的工作原理

与其他的优化算法一样，感知器做的工作就是不断的调整权值，使得输入的数据空间扭曲到适当的程度，然后再利用超平面一刀切开，达到二分类的效果。所有的算法都会有一个迭代终止指标，对于单层感知器来说，当输出的预测值与期望值之间的误差达到一定的精度要求，或者迭代次数超过一定的次数时（计算机也不可以无限的运行下去），算法结束。

单层感知器解决坐标的二分类问题

我们给出6个点的坐标，并给每个点的坐标设置分类，标签为0（第一类）和1（第二类）。利用单层感知器，找到一个超平面（就是一根直线）将两类坐标分开（即两类坐标分别处在直线的两边）。

代码实现

Python代码

import numpy as np
import matplotlib.pyplot as plt

# 参数初始化
n = 0.2  # 学习率
w = np.array([0, 0, 0])  # 权值
p = np.array([[-9,  1, -12, -4,  0, 5],
              [15, -8,   4,  5, 11, 9]])   # 坐标
d = np.array([0, 1, 0, 0, 0, 1])  # 坐标分类标签
P = np.vstack((np.ones((1, 6)), p))  # 输入矩阵
MAX = 20    # 最大迭代次数
ee = []    # 误差
i = 0  # 记录迭代次数


# 定义激活函数
def hardlim(a):
    for i in range(len(a)):
        if a[i] >= 0:
            a[i] = 1
        else:
            a[i] = 0
    return a


# 定义平均绝对误差
def mae(a):
    return sum(abs(a))/len(a)


while 1:
    v = np.matmul(w, P)
    y = hardlim(v)  # 实际输出
    # 更新
    e = (d - y)
    ee.append(mae(e))
    if ee[i] < 0.001:
        print('we have got it:')
        print(w)
        break
    w = w + n*np.matmul(d-y,P.T)
    i = i + 1
    if i >= MAX:
        print('MAX times loop')
        print(w)
        print(ee[i])
        break

# 画图
plt.figure()
plt.rcParams['font.sans-serif'] = ['Simhei']
plt.rcParams['axes.unicode_minus'] = False
plt.subplot(211)
plt.xlim(-13, 6)
plt.ylim(-10, 16)
plt.plot([-9, -12, -4, 0], [15, 4, 5, 11], 'o', label='第一类')
plt.plot([1, 5], [-8, 9], '*', label='第二类')
plt.legend(loc='lower right')
plt.title('6个坐标点的二分类')
x = np.arange(-13, 6, 0.2)
y = x * (-w[1]/w[2]) - w[0]/w[2]
plt.plot(x, y)

plt.subplot(212)
x = np.arange(0,len(ee))
plt.plot(x, ee, 'o-')
plt.title('mae的值（迭代次数：%.0f)'%len(ee))
plt.subplots_adjust(wspace =0, hspace =0.5)
plt.show()

输出画面

Matlab代码

% perception_hand.m
%% 清理
clear,clc
close all

%%
n=0.2;                  % 学习率
w=[0,0,0]; 
P=[ -9,  1, -12, -4,   0, 5;...
   15,  -8,   4,  5,  11, 9];
d=[0,1,0,0,0,1];        % 期望输出

P=[ones(1,6);P];
MAX=20;                 % 最大迭代次数为20次
%% 训练
i=0;
while 1
    v=w*P; 
    y=hardlim(v);       % 实际输出
    %更新
    e=(d-y);
    ee(i+1)=mae(e);
    if (ee(i+1)<0.001)   % 判断
        disp('we have got it:');
        disp(w);
        break;
    end
    % 更新权值和偏置
    w=w+n*(d-y)*P';
    
    if (i>=MAX)         % 达到最大迭代次数，退出
        disp('MAX times loop');
        disp(w);
        disp(ee(i+1));
       break; 
    end
    i= i+1;
end


%% 显示
figure;
subplot(2,1,1);         % 显示待分类的点和分类结果
plot([-9 ,  -12  -4    0],[15, 4   5   11],'o');
hold on;
plot([1,5],[-8,9],'*');
axis([-13,6,-10,16]);
legend('第一类','第二类');
title('6个坐标点的二分类');
x=-13:.2:6;
y=x*(-w(2)/w(3))-w(1)/w(3);
plot(x,y);
hold off;

subplot(2,1,2);         % 显示mae值的变化
x=0:i;
plot(x,ee,'o-');
s=sprintf('mae的值(迭代次数:%d)', i+1);
title(s);

输出画面