Rețele Neuronale

1. Să se implementeze algoritmul perceptron pentru clasificarea datelor provenite din două clase şi să se realizeze un studiu comparativ privind performanţele de recunoaştere cu algoritmul de clasificare kmeans. Să se pună în evidenţă (grafic) procentele de corect clasificare obţinute atât pentru perceptron cât şi pentru kmeans în cazurile în care datele au o repartiţie normală şi, respectiv, uniformă.

%perceptron 1-neuron

%2D input

clf;

%initializarea si antrenarea perceptronului

P = [0.0 1.0 -0.5 0.0 ;1.0 0.3 -0.5 -1.0];

T = [1 1 0 0];

subplot(1,4,1);

[W,b] = initp(P,T);

[W,b,epochs,errors] = trainp(W,b,P,T,-1);

plotpv(P,T);

plotpc(W,b);

%vectorii erorilor CPerceptron CKmeans

CP=[];

CK=[];

for k=10:50:210

%data rapartizare uniform

X=rand(1,k)-0.5;

Y=rand(1,k)-0.5;

%data rapartizare normal

%X=randn(1,k)-0.5;

%Y=randn(1,k)-0.5;

%matricea cu date de test

testData=[X;Y];

%simulare perceptron

a = simup(testData,W,b)

plotpv(testData,a);

plotpc(W,b);

%vectorul repartizarilor corect in clase

corect=[];

for i=1:1:size(X,2)

if((X(1,i)+Y(1,i))>0) corect=[corect; 1]

else corect=[corect; 0]

end

end

td=testData';

subplot(1,4,2);

plot(td(corect==0,1),td(corect==0,2),'r.', td(corect==1,1),td(corect==1,2),'b.');

a = simup(testData,W,b);

subplot(1,4,3);

plotpv(testData,a);

plotpc(W,b);

%calcul erori perceptron

cp=0;

for i=1:1:size(a,2)

if(double(a(1,i))~=corect(i,1)) cp=cp+1;

end

end

disp(cp);

CP=[CP cp];

%antrenare algoritm kmeans

[cidx, ctrs] = kmeans(td, 2,'Start',[0.0 -1.0;1.0 0.3]);

subplot(1,4,4);

plot(td(cidx==1,1),td(cidx==1,2),'r.', td(cidx==2,1),td(cidx==2,2),'b.', ctrs(:,1),ctrs(:,2),'kx');

%calcul erori kmeans

ck=0;

for i=1:1:size(cidx,1)

if(cidx(i,1)~=(corect(i,1)+1)) ck=ck+1;

end

end

disp(ck);

CK=[CK ck];

end

bar([CP;CK],'group');