基于Python的Rosenblatt感知器模型

最新推荐文章于 2024-01-26 17:12:56 发布

原创

最新推荐文章于 2024-01-26 17:12:56 发布 · 669 阅读

2 ·

CC 4.0 BY-SA版权

本文介绍了Rosenblatt感知器的基本原理和Python实现。通过使用有监督学习，感知器在双月数据集上进行训练，最终能够有效地划分出半月区域。代码展示了如何构建和训练感知器，并通过可视化结果展示学习效果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Rosenblatt感知器

Rosenblatt感知器是一种最简单的感知器模型，即输出值为输入与对应权值相乘后取和再累加并加上偏置后通过符号函数的结果，即：Output = sgn(w0 * x0 + w1 * x1 + ... + wn * xn + bias)。
训练时，使用有监督学习，当输出值与真实值不同时，对应的weight与该次输入数据与真实值和学习率的乘积相加，或可以描述为weight += input * (d - o) * n其中，input为输入值，d为真实值，o为输出值，n为学习率

Python实现

Rosenblatt神经元的实现

通过Rosenblatt感知器的数学模型，可以很简单的使用numpy库实现感知机功能

import numpy as np


class Rosenblatt(object):
    """docstring for Rosenblatt"""

    def __init__(self, InputNum):
        super(Rosenblatt, self).__init__()
        self.Weight = np.zeros([InputNum + 1, 1])
        self.TrainRaito = 1
    
    //激活函数（符号函数）
    def ActivitionFunction(self, InputData):
        # print(InputData, np.zeros(InputData.shape))
        # print((InputData > np.zeros(InputData.shape)).all())
        if (InputData > np.zeros(InputData.shape)).all() == True:
            # print("1")
            return