2-입력 퍼셉트론을 사용한 분류

4개의 입력 벡터를 2개의 범주로 분류하도록 2-입력 하드 리밋 뉴런을 훈련시킵니다.

X의 열 벡터 4개는 각각 요소를 2개 가진 입력 벡터를 정의하고, 행 벡터 T는 벡터의 목표 범주를 정의합니다. PLOTPV를 사용하여 이러한 벡터를 플로팅할 수 있습니다.

X = [ -0.5 -0.5 +0.3 -0.1;  ...
      -0.5 +0.5 -0.5 +1.0];
T = [1 1 0 0];
plotpv(X,T);

퍼셉트론은 X의 4개 입력 벡터를 T로 정의되는 2개의 범주로 올바르게 분류해야 합니다. 퍼셉트론은 HARDLIM 뉴런을 갖습니다. 이 뉴런은 직선을 사용해서 입력 공간을 2개의 범주(0과 1)로 분리할 수 있습니다.

다음은 PERCEPTRON이 하나의 뉴런을 가지는 새 신경망을 만듭니다. 그런 다음 신경망이 데이터에 맞춰 구성되어 초기 가중치 및 편향 값을 살펴볼 수 있습니다. (구성 단계는 ADAPT 또는 TRAIN에 의해 자동으로 수행되므로 일반적으로 건너뛰어도 됩니다.)

net = perceptron;
net = configure(net,X,T);

입력 벡터는 뉴런이 최초 분류를 시도할 때 다시 플로팅됩니다.

초기 가중치가 0으로 설정되어 있으므로 모든 입력값이 동일한 출력값을 생성하며 분류 선이 플롯에 나타나지도 않습니다. 걱정하지 마십시오. 신경망을 훈련시키면 됩니다.

plotpv(X,T);
plotpc(net.IW{1},net.b{1});

입력 데이터와 목표 데이터가 순차 데이터(각 열이 하나의 시간 스텝을 나타내는 셀형 배열)로 변환되고 세 번 복사되어 시계열 XX와 TT를 형성합니다.

ADAPT는 시계열의 각 시간 스텝에 대해 신경망을 업데이트하고, 더 나은 분류기로 동작하는 새 network 객체를 반환합니다.

XX = repmat(con2seq(X),1,3);
TT = repmat(con2seq(T),1,3);
net = adapt(net,XX,TT);
plotpc(net.IW{1},net.b{1});

이제 [0.7; 1.2]와 같은 다른 입력 벡터를 분류하기 위해 SIM이 사용됩니다. 이 새 점을 원본 훈련 세트와 함께 플로팅하면 신경망의 성능을 볼 수 있습니다. 훈련 세트에서 새 점을 구분하려면 빨간색으로 색칠하십시오.

x = [0.7; 1.2];
y = net(x);
plotpv(x,y);
point = findobj(gca,'type','line');
point.Color = 'red';

직전 플롯이 지워지지 않도록 "hold"를 켜고, 훈련 세트와 분류 선을 플로팅합니다.

퍼셉트론이 새 점(빨간색)을 범주 "1"(+로 표시)이 아닌 범주 "0"(원으로 표시)으로 올바르게 분류했습니다.

hold on;
plotpv(X,T);
plotpc(net.IW{1},net.b{1});
hold off;