文档介绍：3
一个说明性实例
1
3 苹果/香蕉分类器
神经网络
传感器
分类器
2
3 标准向量模式
度量向量
标准香蕉模式标准苹果模式
shape 形状
p = texture 质地
–1 1
w eight 重量
p1 = 1 p2 = 1
–1 –1
形状: {1 : 圆形; -1 : 非圆形}
质地: {1 : 光滑; -1 : 粗糙}
重量: {1 : 大于1磅; -1 :小于1磅}
3
3 感知机(Perceptron)
4
3 两输入的情况
w1 1 = 1 w1 2 = 2 b=-2
a = hardlimsn= hardlims 1 2 p + –2
p1 + 2p2 – 2 = 0
判定边界
Wp +b = 0
1 2 p+ –2= 0
5
3 苹果/香蕉例子
能够区分苹果和香蕉的判定
 p1 
p = 0
a = hardlims+ b边界可以是: 1
 w 1 1 w1 2 w1 3 p2 

 p3 权向量应该与判定边界正交,
并且指向可以生成输出为1的

定边界的位置。
如果输入是香蕉时,希望感知
机输出为1;是苹果时为-1.
由此可得:
p1
+ 0 = 0
–1 0 0 p2
p3
所以得:W=[-1,0,0], b=0。
6
3 测试感知机网络
香蕉:

–1 
a = har dlims–1 0 0 1 + 0= 1b anana

–1 
苹果:

 1 
a = hardlim s–1 0 0 1 + 0= –1 apple

–1 
“粗糙”香蕉:

–1 
a = har dlims–1 0 0 –1 + 0= 1b anana

–1 
7
3 海明网络
海明距离:两个二进制向量中不同元素的个数。
海明网: 网络输出为非零值的神经元对应的标准模
式与输入模式的海明距离最近。
注意: 第一层与第二层神经元数目相同
8
3 前馈层
前馈层用于实现每个标准模式和

香蕉/苹果例子,有:
S = 2
p T
W 1 = 1 = –1 1 –1
T 1 1 –1
p2
标准香蕉模式标准苹果模式 b1 = R = 3
R 3
–1 1
p1 = 1 p2 = 1
pT pTp + 3
–1 –1 a1 = W1p + b1 = 1 p + 3 = 1
T 3 T
p2 p2p + 3
9
3 反馈(递归)层
1
W2 = 1 –-----------
– 1 S – 1
 2 2 
 1 – a1t–a2t 
a2t + 1= poslin a2t= poslin
– 1  2 2 
 a2t–a1t 
1
0