神经网络理论基础 2-3 感知器.pptVIP

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。 2-3-1 单层感知器 基本学习算法步骤： 例2-3-1 线性可分集合 （2） 三维空间上的两类模式，见表。 （3） 可引申到n3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。 2-3-2 多层感知器 三层感知器解决异或（XOR）问题 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。 * 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。 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： 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），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。 2. 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 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。 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。 演示 例2-3-3M 构建单层感知器 演示 例2-3-4M 单层感知器的学习 演示 例2-3-5M 单层感知器用于模式分类 *