神经网络理论基础 2-3 感知器

《神经网络理论基础 2-3 感知器》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、2-3感知器人的视觉是重要的感觉器官，人通过视觉接受的信息占全部信息量的80~85%。感知器是模拟人的视觉，接受环境信息，并由神经冲动进行信息传递的神经网络。感知器分单层与多层，是具有学习能力的神经网络。12-3-1单层感知器单神经元感知器图2-3-1单层感知器（单神经元）——非对称型阶跃函数。2基本学习算法步骤：3改进学习算法向量式：目的：使奇异样本与非奇异样本对权值调整量的影响均衡。基本学习算法向量式：4单神经元感知器用于两类模式分类时相当于在高维样本空间中，用一个超平面将两类样本分开。已证明若输入的两类模式是线性可分集合（指存在一个超平面能将其分开

2、），则算法一定收敛。局限性若输入模式为线性不可分集合，感知器的学习算法不收敛，不能进行正确分类。52.单层多神经元感知器单层多神经元感知器权系调整算法改进的权系调整算法6单层感知器（单、多神经元）局限性若输入模式为线性不可分集合，感知器的学习算法不收敛，不能进行正确分类。7例2-3-1线性可分集合8（2）三维空间上的两类模式，见表。9（3）可引申到n>3维空间上的线性可分集合，一定可找到一超平面，将输入模式分为两类。由n输入/单输出的单层感知器实现。例2-3-2线性不可分集合。二维平面上的两类模式——异或（XOR）问题，见表。二维平面中不存在一条直线，将

3、输入模式分为两类，此输入模式称线性不可分集合，见图。可见：单层感知器不能解决异或问题。10演示例2-3-3M构建单层感知器11演示例2-3-4M单层感知器的学习12演示例2-3-5M单层感知器用于模式分类132-3-2多层感知器14三层感知器解决异或（XOR）问题15三层感知器可识别任一凸多边形或无界的凸区域。更多层感知器网络，可识别更为复杂的图形。16结束17