感知机应用
实 验 报 告
实验名称：感知机应用
一、需求分析
本实验为了解和测试多层感知机。
- 对于感知机的原理，进行设计。
- 自己设计数据进行感知机的测试,并进行一个小实验一，测试提取的图片是生的还是熟的，进行数据分类。
- 自己设计数据进行感知机的测试,并进行一个小实验二，测试上课是否迟到，设计数据，在trainData.txt中读入测试数据，进行数据分类（迟到与不迟到）。
二、概要设计
小实验一：分析水果是生是熟
1. 感知器神经网络的构建
1.1 生成网络
net=newp([-1 1],1) %单输入，输入值为[-1,1]之间的数
1.2 网络仿真
net.IW{1,1}
net.b{1}
%权重，net.IW{i,j}表示第i层网络第j个神经元的权重向量
PS：此处也有其他方式
% 改变权值和阈值为随机数
net.inputweights{1,1}.initFcn=‘rands’;
net.biases{1}.initFcn=‘rands’;
2. 感知器神经网络的学习和训练
2.1 网络学习
样本值大于0，标记为0；样本值小于0，标记为1
P=[1 -3 0.9 -0.1];
T=[0 1 0 1]; %训练数据
net=adapt(net,P,T); %利用输入样本调节神经网net
2.2 网络训练
net.adaptParam.passes=3; %在训练过程中重复次数为3
net.adaptParam.passes=6; %在训练过程中重复次数为6
%passes决定在训练过程中训练值重复的次数。
net=adapt(net,P,T);
- 二输入感知器分类可视化问题
3.1 画出分类线
net.IW{1,1}
net.b{1}
plotpc(net.IW{1,1},net.b{1})
3.1仿真
%a=sim(net,p);
%plotpv(p,a)
p=[0.5;1.0];
a=sim(net,p);
plotpv(p,a);
hold on;
plotpv(P,T);
plotpc(net.IW{1},net.b{1})
4.读取图片颜色
4.1提取红分量，不满足阈值的变为白色
a=imread(‘D:\workspace\Matlab workspace\人工智能\sy1\test\芒果\熟的\2.jpg’);%读取彩图
[m,n,d]=size(a);
b=uint8(a);%转为uint8数据类型，计算图像像素
imshow(b);
level=0;%设置阈值
figure(5);
subplot(2,2,1);imshow(a);title(‘原图’);%显示原图
%提取红分量，不满足阈值的变为白色
for i=1:m
for j=1:n
if((a(i,j,1)-a(i,j,2)>level)&&(a(i,j,1)-a(i,j,3)>level))
b(i,j,1)=a(i,j,1);
b(i,j,2)=a(i,j,2);
b(i,j,3)=a(i,j,3);
else b(i,j,1)=255;
b(i,j,2)=255;
b(i,j,3)=255;
end
end
end
subplot(2,2,2);imshow(b);title(‘提取红分量后’);%显示提取红分量后的图
4.2将修改后的图片与原图相比较，如果差别较大，判断为生的，差别不大，判断为熟的
sum1=sum(sum(b));
sum2=255mn;
if(sum1>0.8*sum2)
pp=[-0.5];%负数对应生的
else
pp=[0.5];%正数对应熟的
end
因为网络相对比较简单，所以改变参数无法看到比较明显的效果。
参数设置方面在“测试上课是否迟到”小实验中体现。
小实验二：测试上课是否迟到
- 感知器神经网络的构建
%读取训练数据
[f1,f2,class] = textread(‘test/trainData.txt’ , ‘%f%f%f’,10);
P=[f1 f2];
T=[class];
P=P’;
T=T’;
disp§;
disp(T);
net=newp([-1 1;-1 1],1);
net.b{1}=[0];
w=[0.5 -0.6];
plotpc(net.IW{1,1},net.b{1}) %%画分类线
plotpv(P,T); % plotpv函数利用感知器的输入向量和目标向量来画输入向量的图像
发现数据与分类线相隔太远，没有联系
换成随机的权重与阈值
net.inputweights{1,1}.initFcn=‘rands’;
net.biases{1}.initFcn=‘rands’;
也是没有联系
2.1 网络学习
net=adapt(net,P,T); %利用输入样本调节神经网net
net.IW{1,1}
net.b{1}
plotpc(net.IW{1,1},net.b{1}) %重新画分类线
分类线效果很不好
2.2 网络训练
net.adaptParam.passes=30; %在训练过程中重复次数为30
net=adapt(net,P,T);
net.IW{1,1}
net.b{1}
plotpc(net.IW{1},net.b{1})
训练30次后，效果不是很理想
net.adaptParam.passes=60;
训练60次后，效果比较理想
可以看到三次变化。
3.仿真
figure(2);
p=[19;5];
a=sim(net,p);
plotpv(p,a);
hold on;
plotpv(P,T);
plotpc(net.IW{1},net.b{1});
三、详细设计
代码2：测试水果是生是熟
% 水果是生是熟
P=[1 -3 0.9 -0.1];
T=[0 1 0 1];
net=newp([-1 1],1);
figure(1);
plotpc(net.IW{1,1},net.b{1}) %%画分类线
plotpv(P,T); % plotpv函数利用感知器的输入向量和目标向量来画输入向量的图像
net=adapt(net,P,T); %利用输入样本调节神经网net
net.IW{1,1}
net.b{1}
plotpc(net.IW{1,1},net.b{1}) %重新画分类线
net.adaptParam.passes=3; %在训练过程中重复次数为3
net=adapt(net,P,T);
net.IW{1,1}
net.b{1}
plotpc(net.IW{1},net.b{1})
net.adaptParam.passes=6;
net=adapt(net,P,T);
net.IW{1,1}
net.b{1}
plotpc(net.IW{1},net.b{1})
% %仿真
% a=sim(net,p);
% plotpv(p,a)
figure(1);
p=[0.5];
a=sim(net,p);
plotpv(p,a);
hold on;
plotpv(P,T);
plotpc(net.IW{1},net.b{1})
%感知器能够正确分类，从而网络可行)
figure(3);
a=imread('D:\workspace\Matlab workspace\人工智能\sy1\test\芒果\熟的\2.jpg');%读取彩图
[m,n,d]=size(a);
b=uint8(a);%转为uint8数据类型，计算图像像素
imshow(b);
level=0;%设置阈值
figure(5);
subplot(2,2,1);imshow(a);title('原图');%显示原图
%提取红分量，不满足阈值的变为白色
for i=1:m
for j=1:n
if((a(i,j,1)-a(i,j,2)>level)&&(a(i,j,1)-a(i,j,3)>level))
b(i,j,1)=a(i,j,1);
b(i,j,2)=a(i,j,2);
b(i,j,3)=a(i,j,3);
else b(i,j,1)=255;
b(i,j,2)=255;
b(i,j,3)=255;
end
end
end
subplot(2,2,2);imshow(b);title('提取红分量后');%显示提取红分量后的图
sum1=sum(sum(b));
sum2=255*m*n;
if(sum1>0.8*sum2)
pp=[-0.5];
else
pp=[0.5];
end
figure(4);
b=sim(net,pp);
plotpv(pp,b);
hold on;
plotpv(P,T);
plotpc(net.IW{1},net.b{1})
代码3：测试上课是否迟到
%读取训练数据
[f1,f2,class] = textread('test/trainData.txt' , '%f%f%f',10);
P=[f1 f2];
T=[class];
P=P';
T=T';
disp(P);
disp(T);
net=newp([-1 1;-1 1],1);
plotpc(net.IW{1,1},net.b{1}) %%画分类线
plotpv(P,T); % plotpv函数利用感知器的输入向量和目标向量来画输入向量的图像
net=adapt(net,P,T); %利用输入样本调节神经网net
net.IW{1,1}
net.b{1}
plotpc(net.IW{1,1},net.b{1}) %重新画分类线
net.adaptParam.passes=30; %在训练过程中重复次数为30
net=adapt(net,P,T);
net.IW{1,1}
net.b{1}
plotpc(net.IW{1},net.b{1})
net.adaptParam.passes=60;
net=adapt(net,P,T);
net.IW{1,1}
net.b{1}
figure(1);
plotpc(net.IW{1},net.b{1})
%仿真
%a=sim(net,p);
%plotpv(p,a)
figure(2);
p=[19;5];
a=sim(net,p);
plotpv(p,a);
hold on;
plotpv(P,T);
plotpc(net.IW{1},net.b{1});
%感知器能够正确分类，从而网络可行
四、实验结果总结
代码运行结果：
代码2：
训练后的网络：
放入生的芒果的图片：
仿真结果：
可视化分类：
放入熟的芒果的图片：
仿真结果：
可视化分类：
代码3：
测试数据：
数据解释：
第一项为距离点名所剩的时间；
第二项为当前距离上课地点的路程；
假设一个时间单位可以走完一个路程单位的路程。
第三项为标记，0代表成功点名，1代表点名失败（迟到）。
p=[19;5];
点名成功
p=[10;25];
点名失败。
分析：
代码1：
得到正确的输出。
代码2：
读取已有图片，根据图片中是否可以提取出红色色素，设非红色的像素点为白色，将得出的图片与全白的图片进行比较，如果得到的值太小，说明没有提取到红色像素；则结果为水果是生的，pp=[-0.5]；如果值数合理，则结果为水果是熟的，pp=[0.5]。结果输出正确。
代码3：
数据解释：
第一项为距离点名所剩的时间；第二项为当前距离上课地点的路程；假设一个时间单位可以走完一个路程单位的路程。第三项为标记，0代表成功点名，1代表点名失败（迟到）。
如果第一项大于第二项，代表成功点名；如果第一项小于第二项，代表成功失败。
结果输出正确。
实验总结：
在开始时我对与神经网络的工具包不是很了解，于是先到网上取查阅相关资料，进行初步了解，然后才初步运行分析实验。
在做第二个小实验的时候，我曾尝试做出苹果和梨子的差别，但是实验效果不理想，在从图片中提取像素时我曾采取了很多办法，最后才采用上述的方法，实验也修改为水果的生和熟。因为我发现梨子的黄色好像会归为红色素的提取，直接取像素的大小也只能得到图片的灰度，导致图片中的黄色与红色不能很好的区别，所以换来比较简单的，苹果和梨的问题我会再思考有什么其他的解决方法。
第三个小实验进行时，再开始时遇到不少的小错误，主要还是我对调用的函数理解不深的原因，比如出现了索引超过了矩阵长度的问题，后来才发现是flag的大小有问题，应为[0 1],而我不小心写成了[1 2]；开始无法正确的显示分类线，后来发现是我的测试数据的值不够多，但是数值大小又写的太过相近导致。
通过这次实验，我学到的很多，也明白自己经验不足，有不少知识盲点，以后会继续学习的。
附录：
实验主要是用到了Matlab工具包，下面粗略介绍：
Neural Network Toolbox为各种复杂的非线性系统的建模提供多种函数和应用程序。该工具箱提供各种监督学习模型：前向反馈，径向基核函数和动态网络等模型。同时也提供自组织图和竞争层结构（competitive layers）的非监督学习模型。该工具箱具有设计、训练、可视化与仿真神经网络的功能。基于该工具箱可以进行数据拟合、模式识别、分类和时间序列预测及其动态系统的建模和控制。
-
网络创建函数
newp 创建感知器网络 -
网络应用函数
sim 仿真一个神经网络
init 初始化一个神经网络
adapt 神经网络的自适应化
train 训练一个神经网络 -
学习函数
learnp 感知器学习函数 -
绘图函数
plotec 用于显示最后出来的分类线
plotev 用于显示感知器(绘制点)
神经网络训练参数解释
1．训练参数.trainParam
trainParam.goal=0.1 % 训练目标最小误差，这里设置为0.1
trainParam.epochs=300; % 训练次数，这里设置为300次
trainParam.show=20; % 现实频率，这里设置为没训练20次显示一次
trainParam.mc=0.95; % 附加动量因子
trainParam.lr=0.05; % 学习速率，这里设置为0.05
trainParam.min_grad=1e-6; % 最小性能梯度
trainParam.min_fail=5; % 最大确认失败次数
2．设置网络的训练参数
net.trainParam.epochs―最大收敛次数；
net.trainParam.goal―收敛误差；
net.trainParam.show―显示间隔；
3．权值/阈值
net.iw
% 权值元包：net.iw{1}——当网络只有一层时，net.iw是一个1x1的cell；net.iw{1,1}——当网络有多层时，net.iw是一个元包矩阵。
net.b % 阈值/偏置值，也是一个元包
本文为原创。
转载请注明出处。