matlab下编写的单层感知器，测试无误。

BP多层感知器 源代码 神经网络 tic; %计时开始 clc; %清屏 clear all; %清除所有变量 disp('输入层神经元个数： 16'); %显示输入层神经元个数 input=16; disp('中间层神经元个数： 8'); %显示中间层神经元个数 middle=8; disp('输出层神经元个数： 3'); %显示输出层神经元个数 output=3; disp('输入模式1 2 3及其对应的输出：'); x1=[1;1;1;1;1;0;0;1;1;1;1;1;1;0;0;1]; %x1(16,1) y1=[1;0;0]; %y1(3,1) x2=[0;1;0;0;0;1;0;0;0;1;0;0;0;1;0;0]; %x2(16,1) y2=[0;1;0]; %y2(3,1) x3=[1;1;1;1;1;0;0;1;1;0;0;1;1;1;1;1]; %x3(16,1) y3=[0;0;1]; %y3(3,1) disp('形成一张供调用的样本向量表：'); disp('X_sample向量表:x1,x2,x3'); X_sample=[x1,x2,x3] %x1,x2,x3向量表>>>X(16,3) disp('X_sample向量表:y1,y2,y3'); Y_sample=[y1,y2,y3] %y1,y2,y3向量表>>>Yo(3,3) disp('初始化连接权矩阵：'); disp('显示初始化连接权矩阵v(16,8):v(i,j):v(input,middle)：'); v=rands(input,middle); %初始化连接权矩阵v(i,j) :输入层与中间层的连接权>>>v(16,8) disp(v); %显示初始化连接权矩阵v(i,j) disp('显示初始化连接权矩阵w(8,3):w(j,k):w(middle,output)：'); w=rands(middle,output); %初始化连接权矩阵w(j,t) :中间层与输出层的连接权>>>w(8,3) disp(w); %显示初始化连接权矩阵w(j,t) disp('初始化阈值矩阵：'); disp('中间层阈值矩阵th1(8,1):th1(j,1):th1(middle,1)：'); th1=rands(middle,1); %初始化中间层阈值矩阵th1 :中间层的阈值>>>th1(8,1) disp(th1); %显示中间层阈值矩阵th1 disp('输出层阈值矩阵th2(3,1)：th2(k,1):th2

机器学习，神经网络多层感知器实现，稍事修改即可实现手写数字识别，鸢尾花识别实验等

适合在校大学生初步实验使用，将此程序直接粘贴到Matlab的m文件中，便可直接运行，得到结果，本人已在博客中发表“与”运算实验，神经网络网址如https://blog.csdn.net/weixin_41529093/article/details/86713335，建议学有余力的同学不要下载，通过看我的博文，自己编出“异或”运算代码

里面有MATLAB感知器算法的实现 以及鸢尾花UCI数据集，可以对鸢尾花实行两分类。

使用单层感知器网络解决与逻辑问题，也是很简单的神经网络程序，帮助大家理解算法。有问题的话希望和大家一起讨论。

用多层感知器解决异或分类问题，用plot函数绘出向量分布和分类线。

基于matlab的Iris、乳腺癌数据集的模式识别分类算法，含有 遗传算法+SVM、isodata、感知器算法、LMSE、神经网络等算法的实现代码，用于聚类效果良好，是模式识别大作业的参考资料 网盘链接：https://pan.baidu.com/s/1gQ_BHGWOGpmYv86gyv6EuQ 提取码：xigi

1. 给出了该神经网络结构图 2. 比较了单样本训练和批处理训练的区别 3. 改变不同参数的 BP 网络运行情况及结果，并给予相应的结果分析（根据不同问题，思 考选择最合适的结果表示方法）

适合在校大学生初步实验使用，将此程序直接粘贴到Matlab的m文件中，便可直接运行，得到结果，本人已在博客中发表“与”运算实验，神经网络网址如下https://blog.csdn.net/weixin_41529093/article/details/86713335建议学有余力的同学不要下载，通过看我的博文，自己编出“或”运算代码，