%Ho-Kashyap算法，分類器訓練
%該算法仍然使用平方誤差準則函數J，視作w和b的函數，在迭代過程中修正w的同時，也對矢量b進行
%調整，運用最優化技術求得準則函數J關于w和b的極小值點
%課本p68,例3.6.1,增加兩個樣本，x1，x2和x3屬于w1類，x4，x5和x6屬于w2類，用H-K算法進行分類器訓練
%--------以下是該例的樣本-----------%
%x1=[0,0];
%x2=[0,1];
%x3=[0.3,2];
%x4=[1,0];
%x5=[1,1];
%x6=[1.4,0.1];
%---------------------------------%

clear all;clc;
X1=[[0,0];[0,1];[0.3,2]];%第一類樣本
X1r=size(X1,1);%X1的行數
X2=[[1,0];[1,1];[1.4,0.1]];%第二類樣本
X2r=size(X2,1);%X2的行數

zenglie1=ones(X1r,1);%為構造X的增廣矩陣作準備
zenglie2=-ones(X2r,1);%為構造X的增廣矩陣作準備
X=[X1,zenglie1;-X2,zenglie2];%由訓練模式集構造增廣矩陣X
Xc=size(X,1);%求X行數
b=ones(Xc,1);%余量矢量
p=1;
n=100;
[W,k]=HK(X,b,p,n);%調用HK函數進行分類器訓練
disp('第一類樣本為：');
disp(X1);
disp('第二類樣本為：');
disp(X2);
disp('解權矢量W=');
disp(W);
disp('迭代次數k=');
disp(k);