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。