人工神经网络—感知器算法

在这一讲中，我们将重点介绍美国科学家Frank Rosenblatt(1928-1971)如何对神经元的MP模型进行改造，用于解决二分类的问题。

图1 Frank Rosenblatt(1928-1971)

1. 回顾

回顾上一讲的内容，神经元的MP模型：

图2 神经元生理结构示意图

图3 神经元的数学模型示意图

它的输出

2. 感知器算法

1957年，Frank Rosenblatt从纯数学的度重新考察这一模型，指出能够从一些输入输出对(X,y)中通过机器学习算法自动获得权重W和偏置b，以此，他提出感知器算法(Perceptron Algorithm)。

2.1 感知器算法的实现步骤

这里我们仍然假设输入的样本表示为给定一些输入输出对($X_i$,$y_i$)，$i$=1~N，这是一个二分类问题，其中，$X_i$是训练数据；$y_i=\pm 1$，分别代表相应的类别。

我们的任务是要找一个向量W和一个常数b，使得对$i=1\cdot \cdot \cdot N$，有
（1）$y_i=+1$，则$W^T{X}_i+b>0$
（2）$y_i=-1$，则$W^T{X}_i+b<0$
把某个训练数据$X_i$满足上述的条件，叫作这个数据获得了平衡，否则没有获得平衡。可见，一个数据$X_i$没有获得平衡也有两种情况：
（1）$y_i=+1$，则$W^T{X}_i+b<0$
（2）$y_i=-1$，则$W^T{X}_i+b>0$
可以看到，这个任务与前面支持向量机的任务完全一致。

我们已经学习过，当且仅当在训练数据集线性可分的情况下，才能找到W和b满足使所有的$n$个训练样本都达到平衡，感知器算法给出了另一种不同于支持向量机寻找W和b的方法，其做法包含如下四个步骤：
（1）随机选择W和b。
（2）取一个训练样本(X,y)
  (i) 若$W^{T}X+b>0$且$y=-1$，则：
   $w=W-X,b=b-1$
  (ii) 若$W^{T}X+b<0$且$y=+1$，则：
  $w=W+X,b=b+1$
（3）再取另一个(X,y) ，回到（2）
（4）终止条件：直到所有输入输出对都不满足（2）中(i)和(ii)之一，退出循环

从第二步（2）可以看出，这是一个没有达到平衡状态的情况，因此，我们需要对W和b进行调整。

分析第二步（2）的第一种情形，即当$y=-1$时，调整方式如下：
$W(新)=W(旧)-X，b(新)=b(旧)-1$

将上式代入下式

$W(新{)}^{T}X+b(新)=(W(旧)-X{)}^{T}X+b(旧)-1=[W(旧{)}^{T}X+b(旧)]-(X^{T}X+$