感知器训练算法----离散多输出

与离散单输出相似，不同在于若j层输出与期望输入不同，则调整j层的所有权值W（ij）i=1,2,...n，调整方法与离散单输出相同，多输出的本质就多个单输出：

1.初始化权矩阵W；
2.重复下列过程，直到训练完成：
     2.1 对每个样本（X，Y），重复如下过程：
    2.1.1 输入X；
    2.1.2 计算O=F（XW）；
    2.1.3 for j=1 to m do 执行如下操作：
            if  oj ≠ yj then
                   if oi = 0 then for i = 1 to n
                        wij=wij+xi
                            else for i= 1 to n do
                        wij=wij-xi

算法思想：将单输出感知器的处理逐个地用于多输出感知器输出层的每一个神经元的处理。
第1步，权矩阵的初始化：一系列小伪随机数。

第2步，循环控制。
方法1：循环次数控制法：对样本集执行规定次数的迭代
改进——分阶段迭代控制：设定一个基本的迭代次数N，每当训练完成N次迭代后，就给出一个中间结果

方法2：精度控制法：给定一个精度控制参数
精度度量：实际输出向量与理想输出向量的对应分量的差的绝对值之和；

实际输出向量与理想输出向量的欧氏距离的和

 “死循环”：网络无法表示样本所代表的问题

方法3：综合控制法：将这两种方法结合起来使用
注意：精度参数的设置。根据实际问题选定；初始测试阶段，精度要求低，测试完成后，再给出实际的精度要求。