lms演算法跟Rosenblatt感知器相比，主要區別就是權值修正方法不一樣。lms採用的是批量修正演算法，Rosenblatt感知器使用的

是單樣本修正演算法。兩種演算法都是單層感知器，也只適用於線性可分的情況。

      詳細程式碼及說明如下：

'''
   演算法：最小均方演算法(lms)
   均方誤差：樣本預測輸出值與實際輸出值之差平方的期望值，記為MES
   設:observed 為樣本真值,predicted為樣本預測值,則計算公式:
   (轉換為容易書寫的方式，非數學標準寫法,因為數學符號在這裡不好寫)
   MES=[(observed[0]-pridicted[0])*(observed[0]-pridicted[0])+....
         (observed[n]-pridicted[n])*(observed[n]-pridicted[n])]/n
 
'''

'''
   變數約定：大寫表示矩陣或陣列，小寫表示數字
   X：表示陣列或者矩陣
   x:表示對應陣列或矩陣的某個值
'''

'''
     關於學習效率（也叫步長：控制著第n次迭代中作用於權值向量的調節）。(下面的引數a)：
     學習效率過大：收斂速度提高，穩定性降低，即出結果快，但是結果準確性較差
     學習效率過小：穩定性提高，收斂速度降低，即出結果慢，準確性高，耗費資源
     對於學習效率的確定，有專門的演算法，這裡不做研究。僅僅按照大多數情況下的選擇：折中值
'''
import numpy as np
a=0.1  ##學習率 0<a<1
X=np.array([[1,1],[1,0],[0,1],[0,0]]) #
 
#輸入矩陣
D=np.array([1,1,1,0])  ##期望輸出結果矩陣
W=np.array([0,0])   ##權重向量
expect_e=0.005 ##期望誤差
maxtrycount=20 ##最大嘗試次數

##硬限幅函式(即標準,這個比較簡單：輸入v大於0，返回1.小於等於0返回-1)
'''
    最後的權重為W([0.1,0.1]),則:0.1x+0.1y=0 ==>y=-x
    即：分類線方程為:y=-x
'''
def sgn(v):
    if v>0:
        return 1
    else:
        return 0 ##跟上篇感知器單樣本訓練的-1比調整成了0，為了測試需要。-1訓練不出結果
 

    
##讀取實際輸出   
'''
    這裡是兩個向量相乘，對應的數學公式：
    a(m,n)*b(p,q)=m*p+n*q
    在下面的函式中，當迴圈中xn=1時(此時W=([0.1,0.1]))：
    np.dot(W.T,x)=(1,1)*(0.1,0.1)=1*0.1+1*0.1=0.2>0 ==>sgn 返回1
'''
def get_v(W,x):
    return sgn(np.dot(W.T,x))##dot表示兩個矩陣相乘


##讀取誤差值
def get_e(W,x,d):
    return d-get_v(W,x)

##權重計算函式(批量修正)
'''
  對應數學公式: w(n+1)=w(n)+a*x(n)*e
  對應下列變數的解釋：
  w(n+1) <= neww 的返回值
  w(n)   <=oldw(舊的權重向量)
  a      <= a(學習率，範圍：0<a<1)
  x(n)   <= x(輸入值)
  e      <= 誤差值或者誤差訊號
'''
def neww(oldW,d,x,a):
    e=get_e(oldW,x,d)
    return (oldW+a*x*e,e)


##修正權值
'''
    此迴圈的原理：
    權值修正原理(批量修正)==>神經網路每次讀入一個樣本，進行修正，
        達到預期誤差值或者最大嘗試次數結束，修正過程結束   
'''
cnt=0
while True:
    err=0
    i=0
    for xn in X:        
        W,e=neww(W,D[i],xn,a)
        i+=1
        err+=pow(e,2)  ##lms演算法的核心步驟，即：MES
    err/=float(i)
    cnt+=1
    print(u"第 %d 次調整後的權值："%cnt)
    print(W)
    print(u"誤差：%f"%err)
    if err<expect_e or cnt>=maxtrycount:
        break

print("最後的權值：",W.T)

##輸出結果
print("開始驗證結果...")
for xn in X:
    print("D%s and W%s =>%d"%(xn,W.T,get_v(W,xn)))


##測試準確性：
'''
   由上面的說明可知：分類線方程為y=-x,從座標軸上可以看出：
   (2,3)屬於+1分類,(-2,-1)屬於0分類
'''

print("開始測試...")
test=np.array([2,3])
print("D%s and W%s =>%d"%(test,W.T,get_v(W,test)))
test=np.array([-2,-1])
print("D%s and W%s =>%d"%(test,W.T,get_v(W,test)))

    輸出結果：

第 1 次調整後的權值：
[ 0.1  0.1]
誤差：0.250000
第 2 次調整後的權值：
[ 0.1  0.1]
誤差：0.000000
最後的權值： [ 0.1  0.1]
開始驗證結果...
D[1 1] and W[ 0.1  0.1] =>1
D[1 0] and W[ 0.1  0.1] =>1
D[0 1] and W[ 0.1  0.1] =>1
D[0 0] and W[ 0.1  0.1] =>0
開始測試...
D[2 3] and W[ 0.1  0.1] =>1
D[-2 -1] and W[ 0.1  0.1] =>0

     從結果看出，經過2次訓練，就得出了最優結果。

    補充說明：經過多次調整樣本或者權重，在20次迴圈中有時候出結果，有時候找不到最優解。所以在實驗過程中，沒有達到

預期結果，除了迴圈次數不夠之外，最大的可能就是樣本或者權值設定的問題。