利用matlab随机函数产生两类二维训练数据，代替案例中的两类数据，来训练感知器； 感知器训练完成后，在利用matlab随机函数产生测试数据进行测试；

在MATLAB中，你可以通过以下步骤生成二维训练数据并训练感知器：

1. **生成训练数据**：
使用`randn`函数可以生成正态分布的数据，假设我们有两类数据，可以这样做：

   % 设置类别数和样本数量
   num_classes = 2;
   num_samples_per_class = 50;

   % 创建中心点
   class_centers = [0; 1]; % 例如，对于两个正态分布，它们的均值分别为(0,0)和(1,1)

   % 生成每个类别的数据
   train_data = zeros(num_samples_per_class * num_classes, 2);
   for i = 1:num_classes
       train_data(i*num_samples_per_class+1:(i+1)*num_samples_per_class,:) = class_centers + randn(num_samples_per_class, 2); % 每个类别的数据围绕其中心点随机分布
   end

这里假设数据在二维空间内，并且正负类别之间有一定间隔。

2. **训练感知器**：
MATLAB的Perceptron学习器可以在`perceptron`函数中找到，但请注意，MATLAB库可能会过时或不包含此功能。如果需要使用更现代的工具，如神经网络，你可以考虑`fitcsvm`或`trainNetwork`等函数。

   if isToolboxAvailable('Statistics and Machine Learning Toolbox')
       model = fitcsvm(train_data', ones(size(train_data, 1), 1)); % 使用支持向量机(SVM)，因为感知器可能不够强大处理复杂分类任务
   else
       % 如果没有SVM工具箱，你可以尝试使用其他机器学习算法，如KNN或者线性回归
   end

3. **生成测试数据**：
测试数据的生成方式与训练数据类似，只需保持数据独立即可：

   test_data = class_centers + randn(num_samples_per_class, 2); % 同样围绕类别中心随机分布

4. **评估模型**：
对于训练好的模型，你可以使用`predict`函数对测试数据进行预测：

   predictions = predict(model, test_data');

然后计算准确率或其他性能指标。

   correct_predictions = sum(predictions == ones(size(test_data, 1), 1));
   accuracy = correct_predictions / size(test_data, 1);