训练数据集，其正实例点是x1=(3,3)T，x2 =(4,3)r,负实例点是x3=(1,1)T，试用感知机学习算法的原始形式求感知机模型f(x)= sign(w·x+b)。这里，w =(w(1)T,w(2))T ,x=(x(1),x(2))T.代码

在感知机学习算法中，我们的目标是找到一个线性决策边界，使得正样本（在这个例子中是x1和x2）被正确分类为正值，而负样本（x3）被分类为负值。感知机的权重向量w和偏置b可以通过迭代调整来适应这些样本。

感知机的学习规则是，如果当前预测错误，就更新权重向量。初始时，我们通常选择一个随机的w和b，然后检查每个样本，根据预测结果调整它们。这个过程可能不会立即收敛，但通过重复迭代，直到所有样本都被正确分类或无法再进行有效的更新为止。

以下是一个简单的感知机算法的伪代码示例，使用了梯度上升法来更新参数：

% 初始化
w = randn(2, 1); % 随机初始化权重向量
b = 0; % 初始偏置
eta = 0.01; % 学习率
max_iterations = 100; % 最大迭代次数

% 训练数据
X = [3 3; 4 3; 1 1]; % 特征矩阵
y = [1; 1; -1]; % 标签向量（+1 for positive, -1 for negative）

% 感知机学习
for iter = 1:max_iterations
    for i = 1:size(X, 1)
        prediction = sign(w' * X(i,:) + b);
        if y(i) * prediction < 1 % 如果预测错误
            w = w + eta * y(i) * X(i,:); % 更新权重
            b = b + eta * y(i); % 更新偏置
        end
    end
end

% 感知机模型
model_function = @(x) sign(w' * x + b);

% 输出最终的感知机模型
disp(['Perceptron model: f(x) = ' num2str(model_function([3, 3]))]);

请注意，这个简单实现没有考虑算法的停止条件，实际应用中可能会添加如早停、最大迭代数限制等机制。此外，如果数据不线性可分，这会导致陷入局部最优解，这时可能需要采用其他算法，如支持向量机（SVM）。