7.2.3基本概念-感知器模型 F.Rosenblatt于1958年提出。 也称双层神经网络、单计算层感知 器 (1)输入层，也称为感知层 每个节点接收一个输入信号，n W Wm 个输入信号构成输入列向量X (2)具有计算单元的输出层 有m个神经元节点，均有信息处 X1 理能力，个节点向外部输出信息， 构成输出列向量O。 感知器模型示意图 (3)两层之间的连接权值 用权值列向量W:表示，m个权向 量构成单层感知器的权值矩阵W。 11
11 7.2.3 基本概念 - 感知器模型 F．Rosenblatt于1958年提出
7.2.3基本概念-感知器模型 感知器结构 X1 0.5 逻辑“与”真值表 0.5 之y 1 y X2 0 0.75 0 0 0 -1 0 1 0 1 0 0 1 1 1 ·y=sgn(0.5x1+0.5x2-0.75)
12 7.2.3 基本概念 - 感知器模型
7.2.3基本概念-感知器模型 单个感知器神经单元无法解决非线性问题 “异或”的真值表 y 0 0 0 0 1 1 1 0 1 1 1 0 单个感知器不能解决异或问题
• 单个感知器神经单元无法解决非线性问题 单个感知器不能解决异或问题 7.2.3 基本概念 - 感知器模型
7.2.3基本概念-多层感知器网络 可以将多个神经元分层组合，引入 隐节点，实现复杂的分类问题 -0.5 -0.5 -1.5 y1(x)=x1+x2-0.5 y2(x)=x1+x2-1.5 (x) y2(X) 8(x)=f((x)-f(y2(x)-0.5
可以将多个神经元分层组合，引入 隐节点，实现复杂的分类问题 1 1 2 2 1 2 1 2 ( ) 0.5 ( ) 1.5 ( ) ( ( )) ( ( )) 0.5 1 0 ( ) 0 0 y x x y x x g f y f y y f y y x x x x x 7.2.3 基本概念 –多层感知器网络
7.2.3基本概念-多层感知器网络 10 05 a 8 sigmoid 1 f(a)= 1+e(a- MLP特性：可以实现任意复杂的非线性映射关系 用于分类： ●两层网（一个隐层） 可实现空间内任意的凸形成区域的划分。 三层网（两个隐层）可实现任意形状 (连续或不连续)区域划分。 多层感知器的权值如何得到？ 属存在性性质，问题是如何找到这样的网络结构？
7.2.3 基本概念 –多层感知器网络 多层感知器的权值如何得到？