文档介绍：神经网络分类器
感知器算法
一、引言
模式识别与人工智能是研究如何利用计算机实现人脑的一些功能。
人工神经网络研究的发展：
1943年，提出形式神经元的数学模型，人工神经网络研究的开端。
1949年，提出神经元的学****准则，为神经网络的学****算法奠定了基础。
50年代，研究类似于神经网络的分布系统。
50年代末提出感知模型，把神经网络的实现付诸工程实践。
1982年，提出神经网络的数学模型，引入了能力的概念，研究了网络的动力学特性；设计出用电子线路实现网络的方案，大大促进了神经网络的研究。
1986年，提出多层感知器的反向传播算法。
现在神经网络的应用已渗透到智能控制、信号处理、优化计算、生物医学工程等领域。
二、人工神经元
1、生物神经元
典型的神经元，即神经细胞结构：胞体、树突、轴突、突触
胞体：神经细胞的本体，完成普通细胞的生存功能。
树突：有大量的分枝，接受来自其他神经元的信号。
轴突：用以输出信号。
突触：神经元相联系的部位，对树突的突触为兴奋性的，使下一个神经元兴奋；对胞体的突触为抑制性的，阻止下一个神经元兴奋。
神经元的基本工作机制：
神经元的两种工作状态：兴奋和抑制。
动态极化原则：在每一个神经元中，信息以预知的确定方向流动，即从神经元的接收信息部分传到轴突的电脉冲起始部分，再传到轴突终端的突触，以与其它神经元通信。
连接的专一性原则：神经元之间无细胞质的连续，神经元不构成随机网络，每一个神经元与另一些神经元构成精确的联接。
信号的传递过程：
接受兴奋电位；
信号的汇集和传导；
信号的输出。
2、人工神经元
人工神经元模型：
xi：输入，神经元的输入值
ωi：权值，突触的连接强度
f ：输出函数，非线性函数
y ：输出
神经元动作：
常用输出函数：
阈值函数：
双曲正切函数：
非线性，单调性
无限次可微
权值很大时接近阈值函数
权值很小时接近线性函数
阶跃函数：
f 为阈值函数：
3、感知器模型
则：y=sgn (WTX) 即： y =f (WTX)
这种神经元没有内部状态的转变，而且函数为阈值型。因此，它实质上是一种线性阈值计算单元。
感知器是一个具有单层计算单元的人工神经网络。感知器训练算法就是由这种神经网络演变来的。
设阈值：θ=-ω0
W=(ω1,ω2, … ,ωn,ω0)T
X=(x1, x2, … , xn, 1)T
感知器算法能够通过对训练模式样本集的“学****得出判别函数的系数解。
算法描述
用样本训练时，若x∈ωi，g(x)>0，则w不变。
若g(x)<0，则修改w，直到所有样本都满足条件为止。
通过上面的定义，感知器问题变成wi/wj两类问题。因此，感知器的自组织、自学****思想可以用于确定性分类器的训练——感知器训练方法。
4、感知器训练算法