Matlab自定义感知机实现：不同激活函数及特殊拓扑的算法求解

阿华AIGC实验室

2026-5-15

我仔细看了你的问题和代码，核心是你现在的激活函数应用逻辑虽然看似正确，但缺乏一个通用的、严格基于神经网络数学原理的更新框架，导致引入非线性激活函数后出现结果偏差。下面我一步步帮你拆解问题，给出符合要求的通用解决方案和修正后的代码：

核心问题分析

你当前的代码在全恒等激活时结果正确，但给神经元6、7加logistic后出错，本质是：

虽然你手动修改了6、7的输出，但没有形成模块化的激活函数管理机制，后续扩展其他激活函数会非常麻烦
没有严格遵循同步更新原则（虽然当前代码是同步，但逻辑不够清晰，容易在复杂连接场景下出错）
代码逻辑和神经网络的数学定义绑定过紧，无法灵活适配跨层连接、反馈连接等特殊场景

通用基于数学的神经网络更新框架

不管是跨层连接、反馈连接还是混合激活函数，核心要遵循同步更新机制（这是大多数静态神经网络的标准数学模型），具体步骤如下：

定义神经元属性：为每个神经元分配唯一ID，绑定对应的激活函数（比如恒等、logistic、ReLU等）
定义权重矩阵：W[j][k]表示从神经元j到神经元k的连接权重（无连接则为0）
同步更新流程：
1. 保存当前所有神经元的输出副本（确保所有神经元的净输入都基于同一轮的状态）
2. 逐个计算每个神经元的净输入（上一轮输出 × 对应权重的加权和）
3. 对每个神经元的净输入应用其绑定的激活函数，得到新输出
4. 更新输出向量，按需求累加结果

这个框架天然支持所有你提到的特殊场景：

任意激活函数：只需为神经元绑定对应的函数即可
跨层连接：权重矩阵直接定义跨层的连接权重
反馈连接：同步更新机制会自动用前一轮的输出计算净输入，不会出现数据混乱

修正后的代码示例

按照上面的框架，我修改了你的代码，确保逻辑清晰、可扩展，完全符合数学原理：

clear; 
% --------------------------
% 1. 模块化配置激活函数
% 为每个神经元(1-8)绑定对应的激活函数，后续修改只需改这里
% --------------------------
activation_funcs = {
    @(x) x,       % 神经元1: 恒等激活
    @(x) x,       % 神经元2: 恒等激活
    @(x) x,       % 神经元3: 恒等激活
    @(x) x,       % 神经元4: 恒等激活
    @(x) x,       % 神经元5: 恒等激活
    @(x) 1/(1+exp(-x)), % 神经元6: Logistic激活
    @(x) 1/(1+exp(-x)), % 神经元7: Logistic激活
    @(x) x        % 神经元8: 恒等激活
};

% --------------------------
% 2. 初始化网络状态
% --------------------------
O = [1, 1, 1, 0, 0, 0, 0, 0]; % 神经元1-8的初始输出
C = 0; % 结果累加变量

% --------------------------
% 3. 定义权重矩阵
% W[j][k] = 从神经元j到神经元k的连接权重
% --------------------------
W = [
    0,0,0,1,1,1,0,0; % 神经元1 → 4,5,6
    0,0,0,1,1,0,0,1 ; % 神经元2 → 4,5,8
    0,0,0,1,1,0,0,0 ; % 神经元3 → 4,5
    0,0,0,0,0,1,1,0 ; % 神经元4 → 6,7
    0,0,0,0,0,1,1,0 ; % 神经元5 → 6,7
    0,0,0,0,0,0,0,1 ; % 神经元6 → 8
    0,0,0,0,0,0,0,1 ; % 神经元7 → 8
    0,0,0,0,0,0,0,0  % 神经元8无输出连接
];

% --------------------------
% 4. 通用同步更新循环
% --------------------------
num_iterations = 3; % 迭代次数，可根据需求调整
for c = 1:num_iterations 
    O_prev = O; % 保存上一轮输出，确保净输入计算基于同一状态
    O_new = zeros(1, 8); % 初始化新输出向量
    
    % 逐个计算每个神经元的新输出
    for k = 1:8
        net_k = O_prev * W(:, k); % 计算神经元k的净输入
        O_new(k) = activation_funcs{k}(net_k); % 应用激活函数
    end
    
    O = O_new; % 更新输出向量
    C = C + O; % 累加结果
end

% 输出最终结果
disp('最终累加结果C:');
disp(C);
disp('最终神经元输出O:');
disp(O);