Rosenblatt感知器

感知器是最简单的神经网络，是第一个从算法上描述的神经网络。由心理学家Rosenblatt于1958提出。

感知器是用于线型可分模式分类的最简单的模型。

这是一个经典的感知器模型，包括n个输入、n个权值，被称作突触权(synaptic weights)，还有阈值(threshold)w0，在他们相加就和后，设置一个阈值，据此进行分类。我们称带有Hard Limiter的神经元为McCulloch-Pitts神经元。它是神经网络的基础，我们模型都是由这种MP神经元构成。

这就是最简单的感知器，可以理解为对输入数据进行加权得分，使用阈值进行分类。

 感知器收敛算法：

变量和参数：

x（n）m+1维输入向量：[ 1,x1,x2.....xm ]

w ( n )m+1维权值向量：[ b,w1,w2,....wm]

n代表时间步

b为偏置

y（n）实际结果

d（n）预测结果

q为学习率参数，比1小

（1）初始化。w（0）=0

（2）输入数据，计算

（3）y（n）=sgn（w（n）*x（n））

（4）w（n+1）=w（n）+q*[ d（n）-y（n）]x（n）

（5）n++。返回第二步

当感知器参数ok时，权值向量将会保持不变。此时完成训练。