Primjer učenja TLU perceptrona logičkoj funkciji I, pri čemu je nisko stanje označeno sa -1 a visoko sa 1.
Očito je da je dimenzija ulaznog prostora 2. Koristi se metoda učenja "Basic". Koristi se TLU sa izlazima -1 i 1.

// AND logička funkcija; -1=L, 1=H
Perceptron p (
 SampleDimension(2),
 Samples((-1,-1,-1),(-1, 1,-1),( 1,-1,-1),( 1, 1, 1)),
 Type("TLU:-1,1"),
 LearnMethod("Basic"),
 InputWeights(0.3,0.2,0.1),
 Options(
  IterationLimit=5, LearningRate=0.5, ProduceRaport=true, LearnNow=true
 )
);

Primjer učenja TLU perceptrona logičkoj funkciji XOR, pri čemu je nisko stanje označeno sa -1 a visoko sa 1. Treba se prisjetiti da je perceptron linearni klasifikator pa kao takav direktno ne može naučiti XOR funkciju. Zbog toga dimenziju ulaznog uzorka umjetno povećavamo nadajući se da ćemo tako uspjeti naučiti perceptron - što u ovom slučaju radi. Koristi se metoda učenja "Basic". Koristi se TLU sa izlazima -1 i 1 (što nije navedeno u deklaraciji tipa perceptrona jer je to default).

// XOR logička funkcija rješiva je perceptronom uz
// prethodno proširenje dimenzije ulaznih uzoraka
Perceptron p (
 SampleDimension(2),
 Expansion(
  *(elem(2),elem(2)),
  *(elem(1),elem(1)),
  *(elem(2),elem(1)),
  elem(2),
  elem(1)
 ),
 Samples((-1,-1,-1),(-1, 1,1),( 1,-1,1),( 1, 1, -1)),
 Type("TLU"),
 LearnMethod("Basic"),
 InputWeights(0.3,0.2,0.1,-0.2,-0.4,-0.3),
 Options(
  IterationLimit=5, LearningRate=0.5, ProduceRaport=true, LearnNow=true
 )
);

Primjer učenja ADALINE_R perceptrona u kojem se izvodi linearna regresija. Zadan je ulazni skup podataka koji poprilici odgovara pravcu y=2x. Metodom učenja "OnLine" želi se naučiti perceptron da što bolje aproksimira ovu funkciju.

// y = 2x
Perceptron p (
 SampleDimension(1),
 Samples( (0,-0.1), (1,2.1), (2,3.9), (3,6.1), (4,8) ),
 Type("ADALINE_R"),
 LearnMethod("OnLine"),
 InputWeights(0.0),
 Options(
  IterationLimit=1, LearningRate=0.1, ProduceRaport=true, LearnNow=true
 )
);

Primjer učenja ADALINE perceptrona u kojem se izvodi linearna regresija. Zadan je ulazni skup podataka koji poprilici odgovara pravcu y=2x+5. Metodom učenja "OnLine" želi se naučiti perceptron da što bolje aproksimira ovu funkciju.

// y = 2x + 5
Perceptron p (
 SampleDimension(1),
 Samples( (0,4.9), (1,7.1), (2,8.9), (3,11.1), (4,13) ),
 Type("ADALINE"),
 LearnMethod("OnLine"),
 InputWeights(0.0,0.0),
 Options(
  IterationLimit=1, LearningRate=0.1, ProduceRaport=true, LearnNow=true
 )
);

Primjer učenja ADALINE_R perceptrona u kojem se izvodi linearna regresija. Zadan je ulazni skup podataka koji poprilici odgovara pravcu y=2x. Metodom učenja "Batch" želi se naučiti perceptron da što bolje aproksimira ovu funkciju.

// y = 2x
Perceptron p (
 SampleDimension(1),
 Samples( (0,-0.1), (1,2.1), (2,3.9), (3,6.1), (4,8) ),
 Type("ADALINE_R"),
 LearnMethod("Batch"),
 InputWeights(0.0),
 Options(
  IterationLimit=6, LearningRate=0.02, ProduceRaport=true, LearnNow=true
 )
);

Primjer učenja ADALINE perceptrona u kojem se izvodi linearna regresija. Zadan je ulazni skup podataka koji poprilici odgovara pravcu y=2x+5. Metodom učenja "Batch" želi se naučiti perceptron da što bolje aproksimira ovu funkciju.

// y = 2x + 5
Perceptron p (
 SampleDimension(1),
 Samples( (0,4.9), (1,7.1), (2,8.9), (3,11.1), (4,13) ),
 Type("ADALINE"),
 LearnMethod("Batch"),
 InputWeights(0.0,0.0),
 Options(
  IterationLimit=50, LearningRate=0.057, ProduceRaport=true, LearnNow=true
 )
);