神经网络与机器学习笔记——Rosenblatt感知器

本文介绍Rosenblatt感知器模型,一种用于线性可分模式分类的基本神经网络。感知器由单一神经元构成,通过调整突触权重实现模式分类。Rosenblatt证明了当输入模式来自两个线性可分类别时,感知器算法能够收敛。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Rosenblatt感知器

感知器是用于线性可分模式(模式分别位于超平面两边)分类的最简单的神经网络模型,基本上由一个具有可调突触权值和偏置的神经元组成。

Rosenblatt证明了当用来训练感知器的模式(向量)取自两个线性可分的类时,感知器算法是收敛的,并且决策面是位于两类之间的超平面。算法的收敛性称为感知器收敛定理。

更多关于神经网络笔记见我的专栏:神经网络与机器学习笔记


评论 6
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值