文档介绍：感知器学****算法
第1页，此课件共30页哦
*
3 前馈神经网络
第2页，此课件共30页哦
*
j=1,2,…,m
前馈神经网络--单层。
输出：
wijx1+w2jx2+…+wnj –Tj=0 ()
前馈神经网络--单层感知器
第12页，此课件共30页哦
*
一个最简单的单计算节点感知器具有分类功能。其分类原理是将分类知识存储于感知器的权向量（包含了阈值）中，由权向量确定的分类判决界面将输入模式分为两类。
前馈神经网络--单层感知器
第13页，此课件共30页哦
例一 用感知器实现逻辑“与”功能
x1 x2 y
0 0 0
0 1 0
1 0 0
1 1 1
逻辑“与”真值表
第14页，此课件共30页哦
例一 用感知器实现逻辑“与”功能
感知器结构
wix1+w2x2 -T=0
+-=0
第15页，此课件共30页哦
例二 用感知器实现逻辑“或”功能
x1 x2 y
0 0 0
0 1 1
1 0 1
1 1 1
逻辑“或”真值表
第16页，此课件共30页哦
例二 用感知器实现逻辑“或”功能
感知器结构
wix1+w2x2 -T=0
x1+x2-=0
第17页，此课件共30页哦
思考并回答
分界线的方程是什么？
感知器的模型如何表示？
图示？
数学表达式？
感知器结构
第18页，此课件共30页哦
*
问题：能否用感知器实现“异或”功能？
“异或”的真值表
x1 x2 y
0 0 0
0 1 1
1 0 1
1 1 0
前馈神经网络--单层感知器
第19页，此课件共30页哦
*
关键问题就是求
第20页，此课件共30页哦
Perceptron(感知器)学****规则
式中，当实际输出与期望值相同时，权值不需要调整。感知器学****规则代表一种有导师学****br/>第21页，此课件共30页哦
*
感知器学****规则的训练步骤：
(1) 对各权值w0j(0),w1j(0),┄,wnj(0)，j=1, 2,┄,m
（m为计算层的节点数）赋予较小的非零随机数；
(2) 输入样本对{Xp,dp}，其中Xp=(-1,x1p,x2p,┄,xnp)，
dp为期望的输出向量（教师信号），上标p代表
样本对的模式序号，设样本集中的样本总数为P，
则p=1,2,┄,P；
前馈神经网络--单层感知器
第22页，此课件共30页哦
*
感知器学****规则的训练步骤：
(3)计算各节点的实际输出ojp(t)=sgn[WjT(t)Xp], j=1,2,...,m；
(4)调整各节点对应的权值，Wj(t+1)= Wj(t)+η[djp-ojp(t)]Xp,
j=1, 2,┄,m, 其中为学****率，用于控制调整速度，太大
会影响训练的稳定性，太小则使训练的收敛速度变慢，
一般取0＜η≤1；
(5)返回到步骤(2)输入下一对样本，周而复始直到对所有
样本，感知器的实际输出与期望输出相等。
前馈神经网络--单层感知器
第23页，此课件共30页哦
*
感知器学****规则的训练步骤：
（1）权值初始化
（2）输入样本对
（3）计算输出
（4）根据感知器学****规则调整权值
（5）返回到步骤(2)输入下一对样本，周而复始直到对所有样本，感知器的实际输出与期望输出相等。
前馈神经网络--单层感知器
第24页，此课件共30页哦
*
例三 单计算节点感知器，3个输入。给定3对训练样本对如下：
X1 = (-1，1，-2，0)T d1 =1
X2 = (-1，0，，-)T d2 = 1
X3 = (-1，-1，1，)T d3 =1
设初始权向量W(0)=(,1,-1,0)T，η=。注意，输入向量中第一个分量x0恒等于-1，权向量中第一个分量为阈值，试根据以上学****规则训练该感知器。
前馈神经网络--单层感知器
第25页，此课件共30页哦
*
解：第一步 输入X1，得
WT(0)X1=(,1,-1,0)(-1,1,-2,0)T=