单个感知器无法解决非线性问题，如XOR，但通过多层感知器（MLP）的组合，可以实现非线性分类。MLP是神经网络的基础模型，其通过多层感知器的结构实现复杂空间的分割。每个节点是一个感知器，学习过程中，最初的方案是固定除最后一层外的所有权值，仅学习最后一层的权重，将原始特征空间转换到新特征空间并构造线性分类器。然而，如何设计第一层神经元参数是个挑战。
由前面介绍看到，单个感知器能够完成线性可分数据的分类问题，是一种最简单的可以“学习”的机器。但他无法解决非线性问题。比如下图中的XOR问题：即（1,1）（-1,-1）属于同一类，而（1,-1）（-1,1）属于第二类的问题，不能由单个感知器正确分类。
即在Minsky和Papert的专著《感知器》所分析的：感知器只能解决所谓一阶谓词逻辑问题：与（AND），或（OR）等，而不能解决异或（XOR）等高阶谓词罗辑问题。
用多个感知器实现非线性
单个感知器虽然无法解决异或问题，但却可以通过将多个感知器组合，实现复杂空间的分割。如下图：
将两层感知器按照一定的结构和系数进行组合，第一层感知器实现两个线性分类器，把特征空间分割，而在这两个感知器的输出之上再加一层感知器，就可以实现异或运算。
也就是，由多个感知器组合：
来实现非线性分类面，其中θ(·)表示阶跃函数或符号函数。
多层感知器神经网络
实际上，上述模型就是多层感知器神经网络（
最低0.47元/天 解锁文章
扫一扫
545
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
