.＾ \\ / .\\ ./ kron ， ； 点幂 左除 详细说明help slash 右除 点左除 点右除 张量积 详细说明help kron 作分隔用，如把矩阵元素、向量参数、函数参数、几个表达式分隔开来 (a)写在一个表达式后面时，运算后命令窗口中不显示表达式的计算结果 (b)在创建矩阵的语句中指示一行元素的结束，例如m=[x y z;i j k] ： (a)创建向量的表达式分隔符，如x=a:b:c (b)a(:,j)表示j列的所有行元素；a(i,:)表示i行的所有列元素；a(1:3,4)表示第四列的第1行至第3行元素 （） ［］ ｛｝ % ' .' ... ＝ ＝＝ ＜,＞ & | ~ xor 圆括号 创建数组、向量、矩阵或字符串（字母型） 创建单元矩阵(cell array)或结构(struct) 注释符,特别当编写自定义函数文件时，紧跟function后的注释语句，在你使用help函数名时会显示出来。 (a)一般转置符 表示MATLAB表达式继续到下一行，增强代码可读性 赋值符号 等于关系运算符 小于，大于关系运算符 详细说明help relop 逻辑与 逻辑或 逻辑非 逻辑异或 定义字符串用 (b)向量或矩阵的共轭转置符 MATLAB所定义的特殊变量及其意义 变量名 help who ans eps pi inf NaN 意义 在线帮助命令, 如用help plot调用命令函数plot的帮助说明。 列出所有定义过的变量名称 最近的计算结果的变量名 MATLAB定义的正的极小值=2.2204e-16 π值3.14159265... ∞值，无限大 非数
特殊矩阵生成函数 函数命令 compan(a) 说明 生成伴随矩阵,a须为向量,即行数为1或列数为1的矩阵。 4
magic(a) pascal(a) pascal(a,k) 生成a阶魔方阵, 生成a阶Pascal矩阵(向右上的斜列方向为对应的二项式(x+y)i
实验一 感知器算法实验
一、实验目的
掌握感知器算法聚类原理。
二、实验原理
感知器算法：
（1）已知两个训练模式集共N个模式，它们分别属于?1和?2类，权向量初始值为w(1)；
（2）在用全部训练模式集进行第一轮迭代中，第k次训练步骤为：
如Xk??1 且wT(k)?Xk?0 且分类器对第k个模式Xk做错误分类，应校正权向量，使
w(k?1)?w(k)?C?Xk （C为一校正常数）
如Xk??2 且wT(k)?Xk?0 且分类器对第k个模式Xk做错误分类，应校正权向量，使
w(k?1)?w(k)?C?Xk
如不合以上情况，表明该模式样本在第k部中分类正确，权向量不变，即
w(k?1)?w(k)
（3）重复第2部，一直到某轮训练中所有的模式都有：
?wT(k)?Xk?0如Xk??1 ?T?w(k)?Xk?0如Xk??2
三、使用仪器、材料
计算机
四、实验步骤
1.实验步骤
利用MATLAB编程实现感知器分类算法，并对实验一中图1实验数据进行分类（左下角 8点属于第一类，右上角点属于第二类），求出判别函数，画出判别界面。
6
1）20个模式样本点，分别属于?1和?2类，取权向量初始值为w(1)＝[0 0 0]’,校正系数C=1；并对?2类样本取增广向量后乘（-1）；
2）在用全部训练模式集进行第一轮迭代中，第k次训练步骤为：如
wT(k)?Xk?0 ，则分类器对Xk做错误分类，应校正权向量，使W(k+1)=W(k)+Xk；否则权向量不变，即W(k+1)＝W(k)；
（3）重复第2步，直到某轮训练中所有的模式都有：WT(k)*Xk>0为止，算法收敛，记录数据。 2. 实验程序示例
%感知器算法
% 20个分类点集合
x=[0 0 1;1 0 1;0 1 1;1 1 1;2 1 1;1 2 1;2 2 1;3 2 1;-6 -6 -1;-7 -6 -1;-8 -6 -1;-6 -7 -1;-7 -7 -1;-8 -7 -1;-9 -7 -1;-7 -8 -1;-8 -8 -1;-9 -8 -1;-8 -9 -1;-9 -9 -1]; x=x';
sx=size(x);%=(2,20) w=[0 0 0]'; f=1; k=0;
while f==1 k=k+1 f=0;
for i=1:sx(2)
if w'*x(:,i)<=0 i
w=w+x(:,i) f=1;
%else h(i)=w'*x(:,i); end end end
五、实验过程原始记录
六、实验结果及分析
7
实验二 模式聚类算法实验
一、实验目的
掌握K－均值模式聚类原理。
二、实验原理
K－均值聚类法是先行选择K个样本点作为初始聚类中心，再按照最小距离原则使各个样本点向各个中心聚集，从而得到初始分类。然后判断初始分类是否合理（即为判断聚类前后聚类中心是否改变），如果不合理（即为聚类中心改变），就修改分类。以此反复进行修改聚类的迭代运算，知道合理为止。 K－均值聚类法步骤：
第一：选K个初始聚类中心：Z1(1)，Z2(1)，??，Zk(1)；
第二：逐个将需要分类的模式样本{xi, i=1,2,3,??,N}按最小距离原则分配给K
个聚类中心中的某一个；
第三：计算各个聚类中心的新的向量值：
Zj(k?1)?1Njx?Sj(k)?X j=1,2,??,K
Nj为第j个聚类域Sj所包含样本个数；
第四：如果Zj(k?1)?Zj(k) ，j=1,2,??,K，则回到第二步，将模式样本逐个
重新分类，重复迭代计算。如果Zj(k?1)?Zj(k) ，j=1,2,??,K，算法收敛，计算完毕。
X2 10 9 8 7 6 5 4 3 2 1 X1 0 1 2 3 4 5 6 7 8 9 10 图1 8