使用matlab1、充分理解感知器的基本原理，然后根据求解方法（见实验原理），求解判别函数，并对新样本进行分类（可以考虑绘制分类面和样本点）。

感知器是一种简单的人工神经网络模型，用于二分类问题。它的基本原理是通过迭代更新权值，不断调整判别函数，使其能够更好地对训练数据进行分类。下面是一个使用 MATLAB 实现感知器求解判别函数和进行分类的示例代码：

% 定义训练数据
x = [0.4 0.3; 0.3 0.5; 0.6 0.4; 0.2 0.8; 0.7 0.9; 0.8 0.5];
y = [1; 1; 1; -1; -1; -1];

% 初始化权值和偏置
w = [0.2; 0.3];
b = -0.4;

% 定义学习率和迭代次数
alpha = 0.1;
max_iter = 100;

% 迭代更新权值和偏置
for iter = 1:max_iter
    for i = 1:size(x, 1)
        if y(i)*(w'*x(i,:)' + b) <= 0
            w = w + alpha*y(i)*x(i,:)';
            b = b + alpha*y(i);
        end
    end
end

% 绘制分类面和样本点
figure;
hold on;
plot(x(1:3,1), x(1:3,2), 'ro');
plot(x(4:6,1), x(4:6,2), 'bx');
x1 = 0:0.1:1;
x2 = -(w(1)*x1 + b)/w(2);
plot(x1, x2, 'g');
xlabel('x1');
ylabel('x2');
legend('positive', 'negative', 'decision boundary');

在上面的代码中，训练数据 `x` 和标签 `y` 是事先定义好的，权值 `w` 和偏置 `b` 初始化为一定的值，学习率 `alpha` 和最大迭代次数 `max_iter` 也是固定的。然后使用两层循环进行迭代，不断更新权值和偏置，直到达到最大迭代次数或者训练数据全部分类正确。

最后，使用绘图函数 `plot` 绘制分类面和样本点，其中红色点代表正样本，蓝色点代表负样本，绿色线代表分类面。您可以根据自己的训练数据进行修改和调整。