这里是Matlab自带的感知机工具箱介绍
1、生成
newp生成
net=newp(P,T,TF,LF)%
P=[-1 1;-1 1];%输入向量的范围，是一个R*2矩阵，R表示向量维度
T=1; %输出节点个数
TF='hardlim'; %传输函数，可取值为hardlim(默认),hardlims
LF='learnp'; %学习函数，可取值为learnp(默认)或learnpn; learnpn比learp对输入量大小的变化不敏感，
hardlim(x)=1(x≥0),0(x<0)
hardlims(x)=1(x≥0),-1(x<0)
init：初始化
net=init(net)
2、训练
train：会出图
[net,tr]=train(net,P,T,Pi,Ai)
P：网络输入
T：网络期望输出
Pi：初始输入延迟
Ai：初始层延迟
tr：训练记录，包括部数epoch和性能perf
adapt:神经网络的自适应
[net,Y,E,Pf,Af,tr]=adapt(net,P,T,Pi,Ai)
3、仿真:sim
[Y,Pf,Af,E,perf]=sim(net,P,Pi,Ai)
Pf：最终输出延迟
Af：最终层延迟
E：网络的误差
perf：网络的性能（Performance）
4、评价
mae：平均绝对误差性能函数 Mean Absolute Error
net.performFcn
net.performParam
perf=mae(E)
计算公式：
mae：MAE=Σ|e|NMAE=Σ|e|N
mse:均方误差，Σe2NΣe2N
sse:误差平方和SSE=Σe2
放上一个动图
最后放上一个动图，演示神经网络学习的动态过程
%感知机动图
%%
%数据生成：与main3完全相同
clear;clc;close;
s = rng(5,'v5normal')%随机种子
%生成数据点
m1=20;m2=20;
p1=random('norm',0,1,2,m1);p2=random('norm',2,1,2,m2);p=[p1,p2];
t=[zeros(1,m1),ones(1,m2)];%分类标志
plotpv(p,t)
%%
net=newp([-1 1;-1 1],1)%???参数是p的范围，神经元数量
hold on
linehandle=plotpc(net.iw{1},net.b{1})
%%
net.adaptparam.passes=10;%？？？显示步数
for a=1:30%训练次数
[net,Y,E]=adapt(net,p,t);
linehandle=plotpc(net.iw{1},net.b{1},linehandle);%更新handle
pause(0.1)
end
