感知机H-K算法matlab代码+数据集，对真实数据进行分类，可直接运行

感知机H-K算法实例，对真实数据进行分类，matlab代码+数据都在里面，可直接运行.m文件，错误率0.04。

clc
clear

%% 读取数据
%读取excel数据sheet2中的所有数据，num是所读取的数据
[numtxtraw] = xlsread（‘DATASETS_Cork Stoppers_Cork Stoppers.xls‘2）;
%第二列是标签
label=num（:2）;
%第3到12列是特征
tz=num（:3:12）;
%mn为特征的行数和列数
[mn]=size（tz）;
tz = [tz ones（m1）];%增广矩阵
X = tz;
 
%% 将多分类标签转换为2分类标签
for i=1:m
    if（label（i）==1）
        label1（i）=1;
    else
        label1（i）=-1;
        X（i:） = -X（i:）;
    end
end
label1=label1‘;
 
%% H-K算法
%初始化
b = ones（size（X1）1）; %初始化b=[1;1;1;...1]与数据个数相同
c = 1; %步长
flag = 0; %表示是否线性可分
xx=inv（X‘*X）*X‘; %求X的伪逆
w=xx*b; %初始权向量w
e=X*w-b; %初始误差向量
t=0; %当前迭代次数
Iteration=20;

%迭代求解
while （1）
    temp=min（e）;
    temp1=max（e）;
    if temp>-1e-4 && temp<0 %【当误差稍小于0时，看做0，结束】
        temp=0;
    end
    if temp>1e-3 %【误差较大时，继续】   
        deltab=e+abs（e）;
        b=b+c.*deltab; %更新松弛向量
        w=w+c.*xx*abs（e）; %更新权向量
        e=X*w-b; %计算误差向量
    else
        if temp>=0 && temp1<1e-4 %【相当于误差=0，结束】
            break;
        else
            if temp1<0 %线性不可分
                flag=1;
                fprintf（‘非线性可分\n‘）;
                break;
            else %【误差小于1e-3大于1e-4，趋近时迭代】
                deltab=e+abs（e）;
                b=b+c.*deltab;
                w=w+c.*xx*abs（e）;
                e=X*w-b;
                t=t+1;
                if t>=Iteration %超过最大迭代次数
                    break;
                end
            end
        end
    end
end

%% 计算错误率
a = tz*w; %%权值和特征的乘积，150*1
%初始化错误个数为0 
err_cou=0;
%统计错误个数，计算错误率
for i = 1:m
    if a（i）>=0
        h1（i） = 1;
    else
        h1（i） = -1;
    end
    if（h1（i）~=label1（i））
        err_cou=err_cou+1;
    end
end

err_rate = err_cou/m;  %错误率 = 错误个数/样本个数
fprintf（‘总样本数:%d\n‘‘分类错误个数%d\n‘‘错误率%f\n‘merr_couerr_rate）

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件       38400  2020-04-03 03:28  DATASETS_Cork Stoppers_Cork Stoppers.xls
     文件        2032  2020-04-03 09:57  H_K_2.m