人工智能——单层感知器

单层感知器模型

单层感知器模型是一种只具有单层可调节连接权值神经元的前向网络，这些神经元构成了单层感知器的输出层，是感知器的可计算节点。

在单层感知器中，每个可计算节点都是一个线性阈值神经元。当输入信息的加权和大于或等于阈值时，输出为1，否则输出为 0 或 -1。

• 使用感知器的主要目的是为了对外部输入进行分类。
• 罗森勃拉特已经证明，如果外部输入是线性可分的（指存在一个超平面可以将它们分开），则单层感知器一定能够把它划分为两类。其判别超平面由如下判别式确定：$\sum _{i=1}^n{w}_{ij}{X}_i-{\theta }_j=0,j=1,2,...m$ 。
• 作为例子，下面讨论用单个感知器实现逻辑运算的问题。事实上，单层感知器可以很好地实现“与”、“或”、“非”运算，但却不能解决“异或”问题。

---

---

---

---

单层感知器学习算法

算法思想

首先把连接权和阈值初始化为较小的非零随机数，然后把有 n 个连接权值的输入送入网络，经加权运算处理，得到的输出如果与所期望的输出有较大的区别，就对连接权值参数按照某种算法进行自动调整，经过多次反复，直到所得到的输出与所期望的输出间的差别满足要求为止。

注意：

• 单层感知器学习是一种有导师学习，需要给出输入样本的期望输出。
• 假设一个样本空间可以被划分为 A、B 两类，定义：
  • 功能函数：若输入样本属于 A 类，输出为 +1，否则其输出为 0 或 -1。
  • 期望输出：若输入样本属于 A 类，期望输出为 +1，否则为 0 或 -1。

算法描述

---

算法示例

---

---

---

---