感知神经网络

---

1. 感知器

感知器：用于线性可分模式分类的最简单的神经网络模型。其由一个具有可调树突权值和偏置的神经元组成。

单层神经网络模型：

• 本质是一个非线性前馈网络。
• 同层内无互连，不同层间无反馈，由上层向下层传递。
• 其输入输出均为离散值，神经元对输入加权求和后，由阈值函数决定其输出。
• 感知器实际上是一个简单的单层神经网络模型，单节点感知器就是MP模型。

学习过程：给定一个有输入输出实例的训练集，感知机（学习）一个函数：对每个例子，若感知机的输出值比实例低太多，则增加他的权重；反之则减少权重。 感知器是整个神经网络的基础，神经元通过响应函数确定输出，神经元之间通过权值进行传递信息，权重的确定是根据误差来进行调节的。

---

2. 单层感知器：线性分类

单层感知器：通过计算权重和输入的成绩的和f（x）=sigm（∑（w*x）），其根据和的正负值来判断分类。

感知器的分类逻辑：

• 计算各输入变脸加权后的和∑。
• 根据和∑是否大于0得到分类结果。

对于任一个训练样本Xi，其输入的特征为（Xi1，Xi2）
求和：sum = X1 * W1 + X2 * W2 + b

当sum>0时，即为正类，当sum≤0时即为负类。其中sum = 0，为正负类的分界超平面。

将直线方程X1 * W1 + X2 * W2 + b = 0整理成习惯的公式：

其结果如下图所示：（黄色线即为分界超平面）

单层感知器的学习算法

此算法采用的是离散感知器的算法

离散感知器：
具体步骤：

1. 初始化权值，赋予较小的非零随机数。如果输入样本线性可分，无论初始化值如何取们都会稳定收敛。

2. 输入样本{X，Y}，其中：
   输入为 k条n+1个分量的向量：
   
   输出为k条m个分量的向量：

3. 计算各输出节点的实际输出：
   

4. 按照实际输出值和期望值之间的差更新权重：

5. 返回第②步，处理下一组输入样本。

6. 循环上述过程，直到感知器对所有样本的实际输出和期望输出一致。

单层感知器的例子