神经网络设计学习笔记（7）——感知机学习规则（4）

本次博客接上次的博客，继续阐述感知机的学习规则。在学习规则彻底学习结束，将用MATLAB进行简单实践。
#学习规则的构造
为了完成上次博客所提到的测试问题，需要对学习规则进行构造，在训练开始时，为网络的参数赋予一些初始值。这里仅需对其两个权值进行初始化。

然后将输入向量提供给网络。

但是网络没有返回正确的值。从图中可以i看出判定边界的权值向量导致了对向量P1的错误分类的判定边界。所以我们与要把它调整的更多的指向P1.才能更可能的得到正确的分类结果。
##调整方法（1）
令1W等于P1。这种方法虽然可以解决这个问题，但是随便找一个别的简单问题，很容易就费雷错误。
##调整方法（2）
这种方法是将P1加上1W上。这样会使1W只想更加偏向P1.这一规则可表示为：

在上述问题中应用这个规则，得到了新的1W的值：

现在考虑另一个输入向量，并继续对权值进行调整。不断重复这一过程，直到所有输入向量被正确分类。
如图表明该感知机最终可以对上述三个输入向量进行正确分类。通过上述各种尝试最后可以总结出三条规则：

参考文献
[1] Hagan M , Hagan, 戴葵. 神经网络设计[M]. 机械工业出版社, 2002.