神经网络算法-论证单层感知器的局限性
今天课上学习了一个思路 将真值表转换到平面直角坐标系中 来论证线性可分还是不可分，挺有意思记录一下。
简单感知器模型实际上仍然是MP模型的结构，但是它通过采用监督学习来逐步增强模式划分的能力，达到所谓学习的目的。
感知器处理单元对n个输入进行加权和操作v即：
其中，Wi为第i个输入到处理单元的连接权值，f为阶跃函数。
感知器在形式上与MP模型差不多，它们之间的区别在于神经元间连接权的变化。感知器的连接权定义为可变的，这样感知器就被赋予了学习的特性。
利用简单感知器可以实现逻辑代数中的一些运算。
| x1 | x2 | y=x1 and x2 | y=x1 or x2 | x1取非 |
|---|---|---|---|---|
| 0 | 0 | 0 | 0 | 1 |
| 0 | 1 | 0 | 1 | 1 |
| 1 | 0 | 0 | 1 | 0 |
| 1 | 1 | 1 | 1 | 0 |
Y=f(w1x1+w2x2-θ)
(1)“与”运算。当取w1＝w2＝1，θ＝1.5时，上式完成逻辑“与”的运算。
(2)“或”运算， 当取wl＝w2＝1，θ＝0.5时，上式完成逻辑“或”的运算。
(3)“非”运算，当取wl=-1，w2＝0，θ＝-1时．完成逻辑“非”的运算。
与许多代数方程一样，上式中不等式具有一定的几何意义。
对于一个两输入的简单感知器，每个输入取值为0和1，如上面结出的逻辑运算，所有输入样本有四个，记为(x1，x2)：(0，0)，(0，1)，(1，0)，(1，1)，构成了样本输入空间。例如，在二维平面上，对于“或”运算，各个样本的分布如下图所示。
直线1 *x1+1 *x2-0.5＝0将二维平面分为两部分，上部为激发区(y，=1，用★表示)，下部为抑制区(y＝0，用☆表示)。
简单感知器引入的学习算法称之为误差学习算法。该算法是神经网络学习中的一个重要算法，并已被广泛应用。
现在来论证一下单层感知器的局限性——仅对线性可分问题具有分类能力：
异或逻辑的真值表：
| 输入x1 | 输入x2 | 输出Y |
|---|---|---|
| 0 | 0 | 0 |
| 0 | 1 | 1 |
| 1 | 0 | 1 |
| 1 | 1 | 0 |
将他们标在平面坐标系中可发现，任何直线也不能把两类样本分开。
如果两类样本可以用直线、平面或者超平面分开，称为线性可分，否则为线性不可分。
所以说要克服单层感知器这一局限性
就需要在输入层与输出层之间引入隐层作为输入模式的内部表示。
标签：感知器,运算,样本,算法,局限性,x1,输入,单层 来源： https://www.cnblogs.com/jiangyiming/p/16102640.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。