神经网络_第三章：感知器要点.pptVIP

第三章：感知器网络 145014208 王菁 第三章：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。 第三章：感知器 3.1 单个感知器模型与解决问题的能力 图2-3-1 单层感知器 布尔函数的M-P神经元表示: 利用带阈值的M-P人工神经元可以很方便地实现布尔代数中的许多功能。在布尔代数中，and、or、Not、xoR关系如下表1所示： 第三章：感知器 3.1 单个感知器模型与解决问题的能力 and or ) ) xoR 0 0 0 0 1 1 0 0 1 0 1 1 0 1 1 0 0 1 0 1 1 1 1 1 1 0 0 0 Not( Not( 第三章：感知器 3.1 单个感知器模型与解决问题的能力 且 、 ， 模型来建立， 可以将图用 与 、 之间的关系： 上面几个人工神经元都满足M-P模型。 第三章：感知器 3.1 单个感知器模型与解决问题的能力 根据各个图及M-P模型，我们有 （1） （2） 第三章：感知器 3.1 单个感知器模型与解决问题的能力 （3） 显然是符合逻辑运算要求。 第三章：感知器 3.1 单个感知器模型与解决问题的能力 权系数和阈值不是0、1的M-P模型 若 ，则M-P模型比只允许 取{-1，1}要灵活 （或{1，0}）， （或{1，0}），则对于这个M-P人工神经元来说： 的多，但此时仍限制 但 与 相比并无多大改进。 第三章：感知器 3.1 单个感知器模型与解决问题的能力 例：试说明下列两个M-P人工神经元是等价的。 分析：对于（a） 第三章：感知器 3.1 单个感知器模型与解决问题的能力 对与（b） 第三章：感知器 3.1 单个感知器模型与解决问题的能力 此时感知器人工神经元结构及其数学描述如下： 当M-P人工神经元的输入X可以在R上取值时 ——离散感知器(简称感知器) 若M-P人工神经元的输入 ，而其输出值为 或 模型就改进为离散感知器（因为其 输出还是离散的），简称为感知器。 。则此时的M-P 第三章：感知器 3.1 单个感知器模型与解决问题的能力 用图所示 二输入 / 单输出单层感知器 ，输入输出描述： ? í ì · 3 · = · = - + = 0 , 0 0 , 1 ) ( ) ( 2 2 1 1 f u w u w f y q 即 q q + 3 + ? í ì = 2 2 1 1 2 2 1 1 , 0 , 1 u w u w u w u w y 可见 ：输入输出为线性可分集合，一定可找到一条直线，将输入模式分为两类， 此直线方程： y w u w u = + - = 1 1 2 2 0 q 则 u w w w u 2 2 1 2 1 = - q 见图，此直线与 权值及阈值 有关。 第三章：感知器 3.1 单个感知器模型与解决问题的能力 用图所示三输入 / 单输出的单层感知器，输入输出： ? í ì · 3 · = · = - + + = 0 , 0 0 , 1 ) ( ) ( 3 3 2 2 1 1 f u w u w u w f y q 即 q q + + 3 + + ? í ì = 3 3 2 2 1 1 3 3 2 2 1 1 , 0 , 1 u w u w u w u w u w u w y 可见 ，输入输出为线性可分集合，一定可找到一个平面， 将输入模式分为两类，平面方程： 0 3 3 2 2 1 1 = - + + = q u w u w u w y 则 2 3 2 1 3 1 3 3 u w w u w w w u - - = q 此平面与 权值及阈值 有关,见图。 第三章：感知器 3.1 单个感知器模型与解决问题的能力 感知器的分类定义 作为数学模型，我们对感知器作出如下归纳： 感知器是一个多输入、单输出的运算系统，表示一个神经元 的运算特性，它的输入状态向量记为： 权向量: 2. 感知器的状态值可以为感知器的输出值 连续感知器 第三章：感知器 3.1 单个感知器模型与解决问题的能力 连续感知器人工神经元结构及其数学描述如下： 若取 ，则其成为一类最简单的连续人工感知神经元。 激活函数： 第三章：感知器 3.1 单个感知器模型与解决问题的能力 是不连续的: