神经网络-感知器.docx

《神经网络-感知器.docx》由会员分享，可在线阅读，更多相关《神经网络-感知器.docx（5页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、1986年，Rumelhart, Hinton , Williams受到医学界人脑神经网络的启发,提出了神经网络，从神经网络开展出的深度学习，更是成为了当前热点，在科 研与商业领域占据重要位置。现在我们就从神经网络中最基本的感知器开始， 一起揭开神经网络的神秘面纱。感知器结构下列图展示了感知器的基本结构：输入结点。表示输入属性。输入信号X是一个n维向量，n表示记录的特征数量，向量X各个维度上的分量即对应特征的值。 输出结点。是一个数学装置，提供模型输出。包括加权求和和激活函数两局部。 权重W=31, 32, wno每个输入结点通过一个加权的链连接到输出结点。权重用来模拟神经元间神经键的链接强度

2、。 输出信号输出结点通过计算输入的加权和，加上偏置项b,根 据激活函数产生输出。感知器数学表达式感知器模型可用如下数学式表示： 比=二/其中，为激活函数，常用的激活函数有:ReLU , tanh , sigmoid , sign等。训练一 个感知器模型，相当于根据数据不断调整权重和偏置，使得总误差尽量小。为了使公式表达更加简洁,b可以写成权重与x分量相乘的形式，即b=x0*30 ,其中30=b , x0=lo因此，感知器模型可以更简洁的表达为：y = 0if 0.3xx + 0,3x2 + 0.3xs - 0-4 0 ,那么要提高正输入的权值，并 降低负输入的权值来提高预测输出值；如果(y-y*)0 ,那么要降低正输入的权 值，并提高负输入的权值来降低预测输出值。为了控制权值每次的改变量，以免使得前面的调整失效，入控制在0-1之间， 越接近0新权重受旧权重影响越大，越接近1新权重受误差影响越大。在一些 情况下可以使用自适应的入，即前几次循环时人相对较大，后面循环中人逐渐减 小。使用限制感知器的决策边界是一个超平面，对于线性可分问题，可以收敛到一个最优 解，如果问题不是线性可分的，那么感知器算法不收敛。