单层感知机是一种简单的神经网络模型，用于解决线性可分的二分类问题。它由一个线性组合器和二值阈值元件组成，通过超平面在高维空间中划分样本。当输入向量与权重的线性组合加上偏置大于0时，输出为1，否则为-1，以此进行类别划分。
Matlab学习笔记之单层感知机-------------锋锋的快乐小窝
单层感知机的简介
- 单层感知器的特点：单层前向网络，即除输入层和输出层之外，只拥有一层神经元节点
- 前向网络的特点：输入数据从输入层经过隐藏层向输出层逐层传播，相邻两层的神经元之间相互连接，同一层的神经元之间则没有连接
单层感知机的结构及原理
- 单层感知器是感知器中最简单的一种，由单个神经元组成的单层感知器只能用来 解决线性可分的二分类问题 \color{red}{解决线性可分的二分类问题} 解决线性可分的二分类问题
- 将其用于两类模式分类时，就相当于在高维样本空间中，用一个超平面将样本分开
- Rosenblatt 证明，如果两类模式线性可分，则算法一定收敛
- 单层感知器由一个线性组合器和一个二值阈值元件组成
- 输入向量的各个分量先与权值相乘，然后在线性组合器中进行叠加，得到的结果是一个标量
- 线性组合器的输出是二值阙值元件的输入，得到的线性组合结果经过一个二值阈值元件由隐含层传送到输出层实际上这一步执行了一个符号函数
- 二值阈值元件通常是一个上升的函数，典型功能是将非负的输入值映射为 1，负的输入值映射为-1或0
- 考虑一个两类模式分类问题，输入是一个 N N N维向量 x ⃗ = [ x 1 , x 2 , … , x N ] \vec x=[x_1,x_2,…,x_N] x=[x1,x2,…,xN]，其中的每一个分量都对应于一个权值 ω i \omega_i ωi，隐含层的输出叠加为一个标量值： v
最低0.47元/天 解锁文章
扫一扫
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
