感知机学习规则与收敛性-优快云博客

本文链接：https://blog.youkuaiyun.com/woker/article/details/7852178

本文详细介绍了感知机的学习规则，包括有监督学习、增强学习和无监督学习三种类型，并重点阐述了感知机的结构及其学习规则。通过不断的权值和偏置修正，感知机能够对线性可分的输入进行分类。然而，感知机对于线性不可分问题的局限性也进行了讨论。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

4.2.1 学习规则
   学习规则：修改权值和偏置的方法和过程。大致分为三类：有监督学习，无监督学习，增强（或分级）学习。
   1) 有监督的学习。一堆{输入, 期望输出} 序列来训练网络，调整权值和偏置，从而是实际输出与期望输出越来越接近。感知机的学习属于这种。
   2) 增强学习。与1)类似，不过并不给出期望输出，而只给一个级别（或评分），这个级别是对网络在某些输入序列上的性能测度。除了控制系统应用领域外，比较少用。
   3) 无监督的学习。仅根据输入调整网络，没有目标输出。大多数这种类型的算法都是要完成某种聚类操作，学会将输入模式分为有限的几种类型。特别适用于向量量化等问题。
4.2.2 感知机的结构
   网络中的每个神经元将输入空间划分成两个区域。判定边界与权值向量W垂直，且W总是指向神经元输出为1的区域。
   多神经元感知机可以将输入空间划分成2^S个区域，也就是将输入模式划分成2^S个类别。
4.2.3 感知机的学习规则
   若网络无偏置，{Wnew = Wold + e*p, e=t-a}, 不断旋转纠正W的方向。将偏置看作恒定为p=1的输入，则偏置的学习规则 { bnew = bold + e }。
   感知机规则：Wnew =Wold +e*p