HNU_多传感器（专选）_作业4（构建单层感知器实现分类）

前言

        由于“初始化权值w0,w1,w2取-1到1的随机数；”，在代码中体现为

W = np.random.uniform(-1, 1, 3)  # 权值初始化

        所以，答案并不唯一；建议自己运行一下程序，避免结果雷同。

1. (论述题)（共1题，100分）

假设平面坐标系上有四个点，要求构建单层感知器实现分类。

(3,3),(4,3) 两个点的标签为1；

(1,1),(0,2) 两个点的标签为-1。  

思路：要分类的数据是2维数据，需要2个输入节点，把神经元的偏置值也设置成一个节点（偏置也是一个输入，恒等于1），总共有3个输入节点。

输入数据有4组：

(1,3,3),(1,4,3),(1,1,1),(1,0,2)

对应的标签为(1,1,-1,-1) 

初始化权值w0,w1,w2取-1到1的随机数；

学习率设为0.11；

激活函数为sign函数。

我的答案：

1. 初始化：

• （1）输入数据：X=[[1,3,3],[1,4,3],[1,1,1],[1,0,2]]；
• （2）标签：Y=[1,1,-1,-1]
• （3）权值向量：W=[w0,w1,w2]，随机在[-1,1]中；
• （4）学习率：η= 0.11

2.激活函数：

• sign(x) = 1 if x > 0 else -1

3.训练过程

• （1）前向传播：神经元输出：

• （2）计算误差：

• （3）更新权值：

• （4）若未达到“所有样本均正确分类/达到最大迭代次数”，则重复（1）~（3）

4.迭代过程：

可通过程序代码，进行迭代：（其中一次迭代如下）：

---

初始权值: [ 0.58717924 -0.64675996  0.79238846]

=== 第 1 轮迭代 ===

样本: [1 1 1], 标签: -1, 预测: 1

权值更新量（eta * (Y[i] - y_pred) * X[i]）: [-0.22 -0.22 -0.22]

更新后的权值: [ 0.36717924 -0.86675996  0.57238846]

样本: [1 0 2], 标签: -1, 预测: 1

权值更新量（eta * (Y[i] - y_pred) * X[i]）: [-0.22 -0.   -0.44]

更新后的权值: [ 0.14717924 -0.86675996  0.13238846]

=== 第 2 轮迭代 ===

样本: [1 3 3], 标签: 1, 预测: -1

权值更新量（eta * (Y[i] - y_pred) * X[i]）: [0.22 0.66 0.66]

更新后的权值: [ 0.36717924 -0.20675996  0.79238846]

样本: [1 1 1], 标签: -1, 预测: 1

权值更新量（eta * (Y[i] - y_pred) * X[i]）: [-0.22 -0.22 -0.22]

更新后的权值: [ 0.14717924 -0.42675996  0.57238846]

样本: [1 0 2], 标签: -1, 预测: 1

权值更新量（eta * (Y[i] - y_pred) * X[i]）: [-0.22 -0.   -0.44]

更新后的权值: [-0.07282076 -0.42675996  0.13238846]

=== 第 3 轮迭代 ===

样本: [1 3 3], 标签: 1, 预测: -1

权值更新量（eta * (Y[i] - y_pred) * X[i]）: [0.22 0.66 0.66]

更新后的权值: [0.14717924 0.23324004 0.79238846]

样本: [1 1 1], 标签: -1, 预测: 1

权值更新量（eta * (Y[i] - y_pred) * X[i]）: [-0.22 -0.22 -0.22]

更新后的权值: [-0.07282076  0.01324004  0.57238846]

样本: [1 0 2], 标签: -1, 预测: 1

权值更新量（eta * (Y[i] - y_pred) * X[i]）: [-0.22 -0.   -0.44]

更新后的权值: [-0.29282076  0.01324004  0.13238846]

=== 第 4 轮迭代 ===

训练在第 4 轮收敛

训练后的权值: [-0.29282076  0.01324004  0.13238846]

程序：

---

import numpy as np

# 数据
X = np.array([
    [1, 3, 3],
    [1, 4, 3],
    [1, 1, 1],
    [1, 0, 2]
])
Y = np.array([1, 1, -1, -1])

# 初始化权值和参数
W = np.random.uniform(-1, 1, 3)  # 权值初始化
eta = 0.11  # 学习率
max_epochs = 100  # 最大迭代次数


# 激活函数
def sign(x):
    return 1 if x > 0 else -1


# 训练
print("初始权值:", W)
for epoch in range(max_epochs):
    print(f"\n=== 第 {epoch + 1} 轮迭代 ===")
    errors = 0
    for i in range(len(X)):
        # 前向传播
        y_pred = sign(np.dot(X[i], W))
        # 检查预测是否正确
        if y_pred != Y[i]:
            errors += 1
            delta_W = eta * (Y[i] - y_pred) * X[i]  # 计算权值更新量
            W += delta_W  # 更新权值

            # 打印更新信息
            print(f"样本: {X[i]}, 标签: {Y[i]}, 预测: {y_pred}")
            print(f"权值更新量（eta * (Y[i] - y_pred) * X[i]）: {delta_W}")
            print(f"更新后的权值: {W}")
    if errors == 0:  # 如果没有错误分类
        print(f"训练在第 {epoch + 1} 轮收敛")
        break
else:
    print("未在最大迭代次数内收敛")

print("\n训练后的权值:", W)