05神经网络原理及应用.pptVIP

感知器实例 简单感知器 5.3 前馈神经网络 感知器实例 两层感知器 5.3 前馈神经网络 在感知器模型中，输入向量x=(x1, x2,…,xN)通过各输入端点分配给下一层的各结点，这下一层称为中间层，它可以是一层，也可以是多层，最后通过输出层结点得到输出向量y=(y1, y2,…, yn)。 在这种前馈网络模型中，没有层内联接，也没有隔层的前馈联接，每一个结点只能前馈联接到其下一层的所有结点。 由于在早期对于含有隐蔽层的多层感知器没有可行的训练算法，所以初期研究的感知器是一层感知器（或称简单感知器，通常简称为感知器）。 由于多层网络具有较强的处理功能，因此人们一直致力于寻找多层网络的训练算法，直到Rumelhart等人提出完整的误差反传训练算法（BP算法），解决了多层网络的训练问题。 5.3 前馈神经网络 5.3.1单层感知器 5.3.1.1感知器模型 5.3 前馈神经网络 净输入： 输出： oj x1 -1 xn … j=1,2,…,m 5.3.1单层感知器 5.3.1.1感知器模型 5.3.1.2感知器的功能 (1)设输入向量X=(x1 ,x2)T 输出： 则由方程 w1jx1+w2jx2-Tj=0 确定了二维平面上的一条分界线。 oj x1 -1 x2 单计算节点感知器 5.3.1.2感知器的功能 5.3.1.2感知器的功能 (2)设