如何在NetLogo中实现感知器神经网络奇偶数字识别模型

没问题！这个奇偶判断任务其实特别适合用单层感知器来做——毕竟奇偶是线性可分的问题，根本不需要复杂的多层网络。下面我一步步给你拆解怎么在NetLogo里实现：

核心思路先理清楚 #

我们的目标是让感知器接收0-9的数字，输出它是偶数（Pair）还是奇数（Impair）。方案很直接：

• 输入：0-9之间的单个整数
• 输出：1代表偶数，0代表奇数
• 感知器结构：单个输入节点 + 权重 + 偏置 + 阶跃激活函数

具体代码实现 #

1. 定义全局变量 #

先声明感知器的核心参数：

globals [
  weight       ; 感知器的输入权重
  bias         ; 偏置项，用来调整决策边界
  learning-rate ; 学习率，控制参数更新的步长
]

2. 初始化感知器 #

启动时随机初始化权重和偏置，设置合适的学习率：

to setup
  set learning-rate 0.1
  ; 随机初始化权重和偏置（范围-1到1），让模型从随机状态开始学习
  set weight random-float 2 - 1
  set bias random-float 2 - 1
  print "感知器参数已初始化，准备开始训练！"
end

3. 定义激活函数 #

用阶跃函数做二分类判断，超过阈值（0）输出1，否则输出0：

to-report activate [net-input]
  ; 阶跃函数：输入>0返回1（偶数），否则返回0（奇数）
  ifelse net-input > 0
    [ report 1 ]
    [ report 0 ]
end

4. 预测函数（前向传播） #

计算输入的加权和加偏置，再经过激活函数得到预测结果：

to-report predict [number]
  let net-input (number * weight) + bias
  report activate net-input
end

5. 训练过程（反向更新） #

用监督学习的方式，遍历0-9的所有数字，根据误差调整权重和偏置：

to train
  repeat 100 [ ; 训练100轮，足够让模型收敛到正确的参数
    ; 遍历所有训练样本（0-9）
    foreach [0 1 2 3 4 5 6 7 8 9] [
      let current-num ?
      ; 确定当前数字的真实标签：偶数=1，奇数=0
      let true-label ifelse-value (current-num mod 2 = 0) [1] [0]
      ; 获取模型的预测结果
      let pred-label predict current-num
      ; 计算误差：真实值 - 预测值
      let error true-label - pred-label
      ; 根据感知器学习规则更新权重和偏置
      set weight weight + (learning-rate * error * current-num)
      set bias bias + (learning-rate * error)
    ]
  ]
  print "训练完成！现在可以测试模型啦～"
end

6. 测试模型 #

写一个测试函数，输入0-9的数字，输出预测结果和真实结果对比：

to test [input-number]
  ; 先校验输入范围
  if input-number < 0 or input-number > 9 [
    print "请输入0-9之间的整数哦！"
    stop
  ]
  let pred-result predict input-number
  let pred-label ifelse-value (pred-result = 1) ["偶数（Pair）" "奇数（Impair）"]
  let true-label ifelse-value (input-number mod 2 = 0) ["偶数（Pair）" "奇数（Impair）"]
  print (word "输入数字：" input-number)
  print (word "模型预测：" pred-label)
  print (word "真实结果：" true-label)
  print "------------------------"
end

界面设置建议 #

在NetLogo的界面里添加以下控件：

• 一个setup按钮，绑定到setup过程
• 一个train按钮，绑定到train过程
• 一个输入框（类型为数字），命名为test-number
• 一个test按钮，绑定到test test-number过程

这样你就能点击按钮初始化、训练，然后输入数字测试啦！

额外小优化（可选） #

如果想模拟更贴近真实手写数字的输入场景，可以把数字转换成二进制特征（比如4位二进制）作为输入。比如数字5是101，对应输入列表[1,0,1,0]，这时候权重需要改成列表类型，计算加权和的时候用sum map * input-list weight-list就行，训练逻辑和单输入版本基本一致，只是输入维度变多了。

内容的提问来源于stack exchange，提问作者joekim