假设输入数据集为表示是n个训练数据样本。输出y只有两个值(-1,+1)两个分类。那么感知机模型可以表示为以下函数:
其中sign是符号函数，意义如下。w表示权值，b表示偏置。我们就是需要通过一定的策略和算法求出其w和b，就可以得到相关的感知机模型。
援引网上参考代码如下：
package sk.ann; import java.util.ArrayList; import java.util.Arrays; public class PerceptronClassifier { /* 分类器参数 */ private double[] w;//权值向量组 private double b = 0;//阈值 private double eta = 1; ArrayList<Point> arrayList; /** * 初始化分类器，传入需要分组的数据 * @param arrayList 需要分类的点 */ public PerceptronClassifier(ArrayList<Point> arrayList, double eta) { // 分类器初始化 this.arrayList = arrayList; w = new double[arrayList.get(0).x.length]; this.eta = eta; } public PerceptronClassifier(ArrayList<Point> arrayList) { // 分类器初始化 this.arrayList = arrayList; w = new double[arrayList.get(0).x.length]; this.eta = 1; } /** * 进行分类计算 * @return 是否分类成功 */ public boolean Classify() { boolean flag = false; while (!flag) { for (int i = 0; i < arrayList.size(); i++) {//所有训练集 if (LearnAnswer(arrayList.get(i)) <= 0) { UpdateWAndB(arrayList.get(i)); break; } if (i == (arrayList.size() - 1)) { flag = true; } } } System.out.println(Arrays.toString(w)); System.out.println(b); return true; } /** * 进行学习得到的结果 * @param point 需要进行学习的点，训练样本 * @return */ private double LearnAnswer(Point point) { System.out.println(Arrays.toString(w)); System.out.println(b); return point.y * (DotProduct(w, point.x) + b); } /** * 进行w更新 * @param point 需要根据样本来随机梯度下降来进行w和b更新 * @return 不需要返回值 */ private void UpdateWAndB(Point point) { for (int i = 0; i < w.length; i++) { w[i] += eta * point.y * point.x[i]; } b += eta * point.y; return; } /** * 进行点乘 * @param x1 乘数 * @param x2 乘数 * @return 点乘的积 */ private double DotProduct(double[] x1, double[] x2) { int len = x1.length; double sum = 0; for (int i = 0; i < len; i++) { sum += x1[i] * x2[i]; } return sum; } /** * 主程序进行检测 * @param args */ public static void main(String[] args) { Point p1 = new Point(new double[] { 0,0,0,1 }, -1); Point p2 = new Point(new double[] { 1,0,0,0 }, 1); Point p3 = new Point(new double[] { 2,1,0,0 }, 1); Point p4 = new Point(new double[] { 2,1,0,1 }, -1); ArrayList<Point> list = new ArrayList<Point>(); list.add(p1); list.add(p2); list.add(p3); list.add(p4); PerceptronClassifier classifier = new PerceptronClassifier(list); classifier.Classify(); } } /** * 定义一个Point,里面包含两个部分，用来分类。x表示输入R维空间向量，y表示分类值，只有-1和+1两类 */ class Point { double[] x = new double[2]; double y = 0; Point(double[] x, double y) { this.x = x; this.y = y; } public Point() { } } 执行结果如下：
[0.0, 0.0, 0.0, 0.0] 0.0 [0.0, 0.0, 0.0, -1.0] -1.0 [0.0, 0.0, 0.0, -1.0] -1.0 [1.0, 0.0, 0.0, -1.0] 0.0 [1.0, 0.0, 0.0, -1.0] 0.0 [1.0, 0.0, 0.0, -1.0] 0.0 [1.0, 0.0, 0.0, -1.0] 0.0 [-1.0, -1.0, 0.0, -2.0] -1.0 [-1.0, -1.0, 0.0, -2.0] -1.0 [0.0, -1.0, 0.0, -2.0] 0.0 [0.0, -1.0, 0.0, -2.0] 0.0 [1.0, -1.0, 0.0, -2.0] 1.0 [1.0, -1.0, 0.0, -2.0] 1.0 [1.0, -1.0, 0.0, -2.0] 1.0 [1.0, -1.0, 0.0, -2.0] 1.0 [-1.0, -2.0, 0.0, -3.0] 0.0 [-1.0, -2.0, 0.0, -3.0] 0.0 [0.0, -2.0, 0.0, -3.0] 1.0 [0.0, -2.0, 0.0, -3.0] 1.0 [0.0, -2.0, 0.0, -3.0] 1.0 [2.0, -1.0, 0.0, -3.0] 2.0 [2.0, -1.0, 0.0, -3.0] 2.0 [2.0, -1.0, 0.0, -3.0] 2.0 [2.0, -1.0, 0.0, -3.0] 2.0 [0.0, -2.0, 0.0, -4.0] 1.0 [0.0, -2.0, 0.0, -4.0] 1.0 [0.0, -2.0, 0.0, -4.0] 1.0 [2.0, -1.0, 0.0, -4.0] 2.0 [2.0, -1.0, 0.0, -4.0] 2.0 [2.0, -1.0, 0.0, -4.0] 2.0 [2.0, -1.0, 0.0, -4.0] 2.0 [0.0, -2.0, 0.0, -5.0] 1.0 [0.0, -2.0, 0.0, -5.0] 1.0 [0.0, -2.0, 0.0, -5.0] 1.0 [2.0, -1.0, 0.0, -5.0] 2.0 [2.0, -1.0, 0.0, -5.0] 2.0 [2.0, -1.0, 0.0, -5.0] 2.0 [2.0, -1.0, 0.0, -5.0] 2.0 [0.0, -2.0, 0.0, -6.0] 1.0 [0.0, -2.0, 0.0, -6.0] 1.0 [0.0, -2.0, 0.0, -6.0] 1.0 [2.0, -1.0, 0.0, -6.0] 2.0 [2.0, -1.0, 0.0, -6.0] 2.0 [2.0, -1.0, 0.0, -6.0] 2.0 [2.0, -1.0, 0.0, -6.0] 2.0 [2.0, -1.0, 0.0, -6.0] 2.0这个代码实现具有特定分类标记，如1和-1。
