神经网络设计学习笔记（5）——感知机学习规则（1）

本次将介绍一种用于训练感知机网络的算法，是感知机能够学习求解分类问题。为此，这里将从介绍什么是学习规则开始，然后讨论如何设计感知机网络的学习规则。 本次博客将对何为学习规则，感知机的结构做简单介绍。为了学习如何让设计感知机网络的学习规则打好基础。
1.学习规则
所谓学习规则，就是修改神经网络的权值和偏置值的方法和过程。学习规则的目的是为了训练网络来完成某些工作。目前大致可以将学习规则分为三大类：有监督学习，无监督学习，增强学习。
（1）有监督学习
在有监督学习当中，学习规则有一组描述网络行为的实例集合给出：
{P1,T1},{P2,T2},…,{Pq，Tq}
其中，Pq为网络的输入，Tq为相应的目标输出 。当输入作用到网络是，网络的实际输出与目标相比较，然后学习规则调整网络的权值和偏置值，从而是网络的实际输出越来越接近于目标输出。
（2） 增强学习
增强学习和有监督学习有一定的相似度，只是他仅仅给出一个级别，不想有监督学习一样为每一个输入提供相应的目标输出。 特别注意的是，这个级别是对网络在某些输入序列上的性能测度。
（3）无监督学习
在无监督学习中，仅仅根据网络的输入调整网络的权值和偏置值，他没有目标输出。乍看这种学习规则真的毫无用处，实则不然，只是我目前所掌握的知识太少而已，我自己个啥也不是。以后会讨论这种学习规则。
2 感知机的结构
在这之前，我讨论过用感知机去分类水果，在这里将深入研究一下感知机网络。