智能计算-单层感知器实验

1、精选优质文档-倾情为你奉上实 验 报 告 2018 2019 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 九 周 星期 五 第 9.10 节成 绩环 境 参 数Window7，python1、 实验目的及要求2、 实验原理、实验内容3、 实验仪器设备及材料4、 操作方法与实验步骤5、 实验数据记录及处理6、 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,

2、w0=1（4）偏执因子：b (x0)（5）定义激活函数：2主要代码（1）单层感知器实现逻辑“或”import numpy as np# 输入数据 d,x1,x2 d: 偏置值 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, -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 rang

3、e(len(X_W): if(X_Wi=0): X_Wi = -1 else: 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,lr O = 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，当输入节点多的时候要用 W = W + W_Ci = 0while(True): O = sgn(np.dot(

4、X,W) if(O = Y).all(): print(Finished) print(最后权值:,W.T) print(迭代次数:,i) break update() i = i+1 # 画图import matplotlib.pyplot as plt# 正样本x1 = 1,1,0y1 = 1,0,1# 负样本x2 = 0y2 = 0# 计算分界线的斜率以及截距k = -W1/W2d = -W0/W2print(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

5、,c=b)plt.scatter(x2,y2,c=y)plt.show()（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Y1 = np.array(-1, -1, 1)# 为了区分 我写成Y1,Y2 其实他们相等Y2 = 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

6、.5)*2# 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(X,Y,W): global lr O = 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 = so

7、lve(X1,Y1,W1,一号分类器)W2 = solve(X2,Y2,W2,二号分类器)# 画图import matplotlib.pyplot as plt# 正样本x1 = 1,0y1 = 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)plt.show()3 实验步骤和实验结果（1）实验步骤流程如下图：（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：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