感知器学习算法研究.pdf

第36 卷 第7 期 计 算 机 工 程 2010 年4 月 Vol.36 No.7 Computer Engineering April 2010 ·人工智能及识别技术· 文章编号：1000—3428(2010)07—0190—03 文献标识码：A 中图分类号：TP18 感知器学习算法研究 刘建伟，申芳林，罗雄麟 (中国石油大学(北京) 自动化研究所，北京 102249) 摘 要：介绍感知器学习算法及其变种，给出各种感知器算法的伪代码，指出各种算法的优点。给出感知器算法在线性可分和线性不可分 情况下的误差界定理，讨论各种感知器学习算法的误差界理论，给出各种算法的误差界。介绍感知器学习算法在在线优化场景、强化学习 场景和赌博机算法中的应用，并对未解决的问题进行讨论。 关键词：感知器；错误界；赌博机算法；强化学习 Reserch on Perceptron Learning Algorithm LIU Jian-wei, SHEN Fang-lin, LUO Xiong-lin (Research Institute of Automation, China University of Petroleum, Beijing 102249) 【Abstract 】This paper introduces some perceptron algorithms and their variations, gives various pseudo-codes, pionts out advantage among algorithms. It gives mistake bound’s theorems of perceptrons algorithm in linearly separable and unlinearly separable situation. It studies their mistake bounds and works out their bounds. It shows their various applications in the online optimization, reinforcement learning and bandit algorithm, and discusses the open problems. 【Key words 】perceptron; mistake bound; bandit algorithm; reinforcement learning [1] 感知器算法 由Rosenblatt 提出，其主要功能是通过设计 的超平面要求每类数据与超平面距离最近的向量与超平面之 分类器来判别样本所属的类别；通过对训练样本集的学习， 间的间隔最大，而感知器不需要间隔最大化。 从而得到判别函数权值的解，产生线性可分的样本判别函数。 1