智能计算-单层感知器实验教学内容

1、能计算-单层感知器 实验精品文档敕耀撷出20182019 学年第二学期实验课程智能计算实验学生姓名*实验项目单层感知器学 院计算机学院实验性质方向选修实验课班级学号*实验地点同组人数第组实验日期第 1 周星期9第_9.1。节成 绩环境参数window7 , python一、实验目的及要求二、实验原理、实验内容三、实验仪器设备及材料四、操作方法与实验步骤五、实验数据记录及处理六、实验结果分析实验一：单层感知器1、单层感知器结构图(1)输入节点：x1,x2,x3(2)输出节点：y(3)权向量：w1,w2,w3,w0=1(4)偏执因子：b (x0)(5)定义激活函数：f(x) 11xx 002.主要

2、代码(1)单层感知器实现逻辑“或”import numpy as np# 输入数据 d,x1,x2d:偏置心x1:第一个输入x2:第二个输入 x = np.array(1,1,1, 1,1,0, 1,0,1, 1,0,0)# 标签(期望值)y = np.array(1, 1, 1,卜1)# 权值随机初始化# w = (np.random.random(2,1)-0.5)*2# 通过改变学习率观察收敛速度(迭代次数)w = np.array(0, 0, 0)# 激活函数 def sgn(x_w):for i in range(len(x_w):if(x_wi=0)： -x_wi = -1 els

3、e:x_wi = 1 return x_w# 学习率设置(手动改变观察迭代次数变化) lr = 0.1# 神经网络输出o = 0# 更新权重函数 def update():global x,y,w,lro = sgn(np.dot(x,w) # shape:(3,1)w_c = lr*(x.t.dot(y-o)/int(x.shape0) # 这里除int(x.shape0)=4是为了取误差的平均 值，%输入节点多的时候要用w = w + w_c i = 0 while(true):o = sgn(np.dot(x,w)if(o = y).all(): print(finished) prin

4、t(最后权值二w.t) print(迭代次数:,i) breakupdate() i = i+1# 画图import matplotlib.pyplot as plt# 正样本 x1 = 1,1,0 y1 = 1,0,1#负样本x2 = 0 y2 = 0#计算分界线的斜率以及截距 k = -w1/w2 d = -w0/w2 print(斜率 k=,k) print(截距 d=,d) xdata = (-1,2)plt.figure()plt.plot(xdata,xdata*k+d,r) plt.scatter(x1,y1,c=b) plt.scatter(x2,y2,c=y) plt.sho

5、w()(2)线性神经网络引入非线性输入实现逻辑“异或”import numpy as np# 输入数据x1 = np.array(1,1,1, 1,0,0, 1,0,1)x2 = np.array(1,1,1, 1,0,0, 1,1,0)# 标签# 1 = np.array(-1, -1, 1)# 为了区分 我写成y1,y2其实他们相等# 2 = np.array(-1, -1, 1)# 权值随机初始化w1 = (np.random.random(3,1)-0.5)*2w2 = (np.random.random(3,1)-0.5)*2# 学习率设置(手动改变观察迭代次数变化) lr = 0.

6、1# 神经网络输出o = 0# 更新权重函数def update(x,y,w): global lro = np.dot(x,w) # shape:(3,1)w_c = lr*(x.t.dot(y-o)/int(x.shape0) w = w + w_c return wdef solve(x,y,w,s):for i in range(100):w = update(x,y,w) print(finished) print(s+的最后权值:,w.t)# print(s+的迭代次数:,i)return ww1 = solve(x1,y1,w1, 一号分类器)w2 = solve(x2,y2,w

7、2,二号分类器)# 画图收集于网络，如有侵权请联系管理员删除import matplotlib.pyplot as plt# 正样本x1 = 1,0yi = 0,1# 负样本x2 = 0,1y2 = 0,1# 计算分界线的斜率以及截距k1 = -w11/w12d1 = -w10/w12k2 = -w21/w22d2 = -w20/w22xdata = (-1,2)plt.figure()plt.plot(xdata,xdata*k1+d1,r) plt.plot(xdata,xdata*k2+d2,r) plt.scatter(x1,y1,c=b) plt.scatter(x2,y2,c=y)

8、 plt.show()3.实验步骤和实验结果(1)实验步骤流程如下图：临人数据和 期望值设置学习率和期里初俏定义权市更新函数迭代更新求出证终收敛结果(3)实验结果:单层感知器可以实现逻辑“或”；单层感知器不能实现逻辑“异或”。4、分类线单层感知器实现逻辑“或”结果:费率k= -1. 破距d= o, s单层感知器实现逻辑“异或”，通过实验发现，发现逻辑“异或”不可以用单层感知器实现, 因为找不到一条直线可以将两类点分开，如下图：所以我采用另一种方法一一线性神经网络引入非线性输入实现逻辑“异或”，结果如下图:5.调节参数后实验数据逻辑“或”的实现简单，几次迭代就能得到:finished 最后极值：匚-0, 050.1 送代次数：5逻辑“异或”需要迭代一定次数finished以权值：h-0.999州招3 0,999169纪 0.9991