clear all;
close all;
P=[-0.4 -0.4 0.5 -0.2 -0.7;-0.6 0.6 -0.4 0.3 0.8];  %输入变量
T=[1 1 0 0 1];                                      %输入向量 
plotpv(P,T);                                        %绘制样本
net=newp(minmax(P),1,\'hardlim\',\'learnpn\');          %建立神经网络
hold on;
linehandle=plot(net.IW{1},net.b{1});
E=1;
net.adaptParam.passes=10;
while mae(E)                                        %误差达到要求才停止训练
    [net,Y,E]=adapt(net,P,T);                       %进行感知器神经网络的训练
    linehanle=plotpc(net.IW{1},net.b{1},linehandle);
    drawnow;
end 
save net1 net;
set(gcf,\'position\',[60,60,300,300]);                %将训练好的神经网络进行保存

clear all;
close all;
P=[-0.4 -0.4 0.5 -0.2 -0.7;-0.6 0.6 -0.4 0.3 0.8];  %输入变量
T=[1 1 0 0 1];                                      %输入向量 
plotpv(P,T);                                        %绘制样本
net=newp(minmax(P),1,\'hardlim\',\'learnpn\');          %建立神经网络
hold on;
linehandle=plot(net.IW{1},net.b{1});
E=1;
net.adaptParam.passes=10;
while mae(E)                                        %误差达到要求才停止训练
    [net,Y,E]=adapt(net,P,T);                       %进行感知器神经网络的训练
    linehanle=plotpc(net.IW{1},net.b{1},linehandle);
    drawnow;
end 
save net1 net;
set(gcf,\'position\',[60,60,300,300]);                %将训练好的神经网络进行保存

%%用刚才建立的神经网络进行分类
clear all;
close all;
load net1.mat;                                      %加载上次训练好的神经网络
X=[-0.3 0.3 0.9;-0.6 0.2 0.8];                      %输入向量
Y=sim(net,X);                                       %对输入进行仿真
figure;
plotpv(X,Y);                                        %绘制样本点
plotpc(net.IW{1},net.b{1});                         %绘制分类线  
set(gcf,\'position\',[60,60,300,300]);