前言():
{
个人感觉翻译版翻译的有些生硬,现在看回了原版《Neural Networks and Learning Machines (3rd Edition),Simon kaykin》,遇到困难时再参考翻译版。
第一章主要有两个内容,一个是Rosenblatt感知器,另一个是正态环境下的Bayes分类器。
}
正文():
{
线性可分():
{
两类向量线性可分是指存在一个超平面(如果这两类向量是3维的,那么就是平面,2维的话就是一条值线)可以将这两类完全分开。
比如说两类二维向量,类型为男和女,二维分别为身高和头发平均长度。虽然身高和头发平均长度与男女有关系,但无法直接只靠设置身高和头发平均长度的阈值就把它们分开。这种情况就叫线性不可分。
}
Rosenblatt感知器(初步了解):
{
Rosenblatt感知器是只有一个节点的神经网络(或就是个节点不是网络),即是输入节点又是输出节点,其激活函是Heaviside阈值函数(或是别的,书上给的是这个)。
学习算法():
{
每输入Bs个样本向量之后进行一次权值更新,如下:
其中w(n)是第n次(本次)权值更新后的权值向量;M是本次Bs个样本向量中被错误分类的样本向量集合;η(n)是第n次权值更新的学习率;x(i)是M中被错误分类的样本向量;当w(n-1)·x(i)>0时d(i)取-1&#x