神经网络学习笔记（一）感知器神经网络

       感知器（Perceptron）是由美国科学家F.Rosenblatt于1957年提出的，是一种模仿生物感知机制，用于模式识别的简单神经网络。感知器模型如图1.

图1. 单个感知器模型

       感知器的传递函数为

       单个感知器的运算关系为

a=hardlim(wp+b)

       若令权重向量为：

       则样本x对应的实际输出为

其中d为样本空间的维数。

 

感知器学习算法：两分类问题

 

(k=1,2,…,n)分别属于+类和—类，感知器学习的目的在于寻找到合适的W使得感知器能够对样本进行正确的分类。

（1）   初始化：k=1,j=0, W赋予较小的随机值，给c赋值（学习速率）；

（2）   输入训练样本；

（3）   计算   ；

（4）   修正权值向量，修正规则为：

其中为期望输出，为实际输出。（新的权重值为旧的加上误差值乘以输入，思想很简单。即用误差调整w和b，显然误差为0，就无调整。不为0，就朝着使误差减小的方向调整，即负反馈的思想。） 

            （期望输出为1，结果输出了0，所以误差为1）

             （期望输出为0，结果输出了1，所以误差为-1）

          其他情况W(j+1)=W(j)；

（5）   j=j+1；k=j-j/n*n+1（k=1,2,…,n往复循环），返回（2），直到W对所有的训练样本均稳定不变结束。

自己就先看了这点，还没有去实现。