标签：表示 否则 元组 数学 block 线性 问题 负数 网络
本文转载自CSDN,原文链接
该概念的是在1957年美国学者Rosenblatt提出的。
感知器是监督学习的神经网络模型。单层感知器是包含一个突触权值可调的神经元的感知器模型。是神经网络用来进行模式识别的一种最简单的模型，属于前向神经网络类型，但是仅由一个神经元组成的单层感知器只能区分线性可分的模式。
一个感知器模型，包括一个线性的累加器和一个二值阈值元件，同时还有一个外部偏差 \(b\) ，也称作阈值，其值可以为正，也可以为负。线性累加器的输出与偏差 \(b\) 的和作为二值阈值元件的输入，这样当二值阈值原件的输入是正数时，神经元就产生输出+1，反之，若输入是负数，则产生输出-1
在 \(m\) 维空间，单层感知器进行模式识别的判决超平面由下面的式子决定：
\[
\sum_{i=1}^{m} \omega_{i} x_{i}+b=0
\]
决定判别边界超平面的形状的主要参数是权值向量 \(\vec{\omega}\) 其训练过程就是找到适合的学习算法可以训练出满意的权值向量。
在20世纪60年代初期，Rosenblatt等就给出了严格的数学证明对线性可分的样本，算法一定是收敛的，就是说 \(\vec{\omega}\) 一定存在，否则，判别边界会产生振荡，导致 \(\vec{\omega}\) 不能收敛。
该学习算法是基于迭代思想，通常是采用误差校正学习规则的学习算法。将偏差b作为神经元突触全职向量的第一个分量加到权值向量中去，那么对应的输入向量也应增加一项，可设输入向量的第一个分量固定为+1，这样输入向量和权值向量可分别写成如下的形式：
\[
X(n)=\left(+1, x_{1}(n), x_{2}(n), \cdots, x_{m}(n)\right)^{T}
\]
\[
W(n)=\left(b(n), \omega_{1}(n), \omega_{2}(n), \cdots, \omega_{m}(n)\right)
\]
其中 \(n\) 为迭代次数。\(b(n)\) 可用 \(\omega_{0}(n)\) 来表示，于是，二值阈值元件的输入可重新写为：
\[
v=\sum_{i=0}^{m} \omega_{i}(n) x_{i}(n)=W^{T}(n) X(n)
\]
具体学习算法如下：
设置变量和参量
\(X(n)=\left(1, x_{1}(n), x_{2}(n), \cdots, x_{m}(n)\right)\) 即训练样本。
\(W(n)=\left(b(n), \omega_{1}(n), \omega_{2}(n), \cdots, \omega_{m}(n)\right)\) 为权值向量。
\(b(n)\) 为偏差 \(f(? )\) 为激活函数， \(y(n)\) 为网络实际输出，\(d(n)\) 为期望输出，\(\eta\) 为学习速率，\(n\) 为迭代次数，\(e\) 为实际输出与期望输出的误差。
初始化，给权值向量 \(\omega_{0}(n)\) 的各个分量赋一个较小的随机非零值， 设置 \(n=0\)
输入一组样本 \(X(n)=\left(1, x_{1}(n), x_{2}(n), \cdots, x_{m}(n)\right)\) 并给出它的期望输出 \(d(n)\)
计算实际输出 \(y(n)=f\left(\sum_{i=0}^{m} \omega_{i}(n) x_{i}(n)\right)\)
求出期望输出和实际输出的误差，\(e=d(n)-y(n)\)，根据误差判断目前输出是是否满足条件，若满足条件则算法结束，否则将n值加1，并用下式调整权值
\[
\omega(n+1)=\omega(n)+\eta[d(n)-y(n)] X(n)
\]
在单层感知器学习算法中，最关键的因素是引入了一个量化的期望输出，这样就可以采用误差校正学习规则对权值向量逐步进行修正，最终达到问题所需的精度。
对于线性可分的两类模式，可以证明单层感知器的学习算法是收敛的，即通过调整神经网络各个链接权值可以得到合适的判别边界，正确区分两类模式；而对于线性不可分的两类模式，无法用一条直线区分两类模式，此时，单层感知器的学习算法不是收敛的，即单层感知器无法正确区分线性不可分的两类模式。
标签：表示 否则 元组 数学 block 线性 问题 负数 网络
原文地址：https://www.cnblogs.com/gshang/p/10960959.html
