对2输入硬限制神经元进行了训练，将5个输入向量分为两类。但是，由于1个输入向量比其他所有输入矢量大得多，因此培训需要很长时间。

X中的五列向量中的每个向量都定义了2个元素输入向量，并且一个行向量t定义了向量的目标类别。用plotPV绘制这些向量。

x = [-0.5 -0.5 +0.3 -0.1 -40;-0.5 +0.5 -0.5 +1.0 50];t = [1 1 0 0 1];plotPV（x，t）;

请注意，4个输入矢量的幅度比图的左上方的第五载体小得多。感知器必须将X中的5个输入向量正确分类为T。

perceptron创建了一个新的网络，然后使用输入和目标数据配置，从而导致其权重和偏置的初始值。（通常不需要配置，因为它是通过适应和火车自动完成的）。

net = perceptron;net = configure（net，x，t）;

将神经元的最初尝试分类添加到图中。

初始权重设置为零，因此任何输入都会给出相同的输出，并且分类线甚至不会出现在图上。不要害怕...我们要训练它！

抓住上lineHandle = plotpc（net.iw {1}，net.b {1}）;

Adapt返回一个新的网络对象，该对象作为更好的分类器，网络输出和错误。此循环调整网络并绘制分类线，直到误差为零。

E = 1;尽管（sse（e））[net，y，e] = apapt（net，x，t）;lineHandle = plotpc（net.iw {1}，net.b {1}，lineHandle）;drawnow;结尾

请注意，这需要三个通行证才能使它正确。这是一个简单的问题，这很长时间。进行长期训练时间的原因是离群值矢量。尽管训练时间很长，但感知器仍然可以正确学习，可以用来对其他输入进行分类。

现在，SIM可以用于对任何其他输入向量进行分类。例如，将输入向量分类为[0.7;1.2]。

原始训练集的这个新点的图显示了网络的性能。要将其与训练组区分开，请颜色为红色。

x = [0.7;1.2];y = net（x）;plotPV（x，y）;circle = findobj（gca，'类型'，，，，'线'）；Circle.Color ='红色的';

打开“ hold”，因此没有消除先前的情节。将训练集和分类线添加到图中。

抓住上;plotPV（x，t）;plotpc（net.iw {1}，net.b {1}）;抓住离开;

最后，放大了感兴趣的领域。

感知器将我们的新观点（红色）正确分类为“零”类别（由圆圈表示），而不是“一个”（由加号表示）。尽管训练时间很长，但感知者仍然可以正确学习。要查看如何减少与异常值相关的训练时间，请参见“归一化感知器规则”示例。

轴（[ -  2 2 -2 2]）;