Rosenblatt感知器

感知器作为第一个算法上完整描述的神经网络，有很重要的学习必要。

感知器是用于线性可分模式分类的最简单的神经网络模型。

Rosenblatt证明了当用来训练感知器的模式来自两个线性可分的类时，感知器的算法是收敛的，并且决策面是位于两类之间的超平面。

对于基本感知器的权值向量自适应算法可以由以下表示：

1、假设某个成员x的第n次迭代，x(n)的权值为w(n)并且该权值能正确分类那么下面的规则就不做更改

w(n+1)=w(n);//假如w转置x(n)＞x(n)且x(n)属于类1

w(n+1)=w(n);//假如w转置x(n)≤x(n)且x(n)属于类2

2、若不满足上述规则，那么权值向量做如下更改

w(n+1)=w(n)-n(n)x(n);//假如w转置x(n)＞x(n)且x(n)属于类2，其中n(n)为学习率参数，与迭代次数无关

w(n+1)=w(n)+n(n)x(n);//假如w转置x(n)＞x(n)且x(n)属于类1

以上方法称为感知器的收敛定理

对于学习效率来讲，有一个相互冲突的需求，首先需要一个较为稳定的权值估计，所以需要较小的n；

但是对于效率来讲，n越大收敛速度越快。

此文为读后感《神经网络与机器学习》