62前馈神经网络 在前馈网络中,每个神经元只接受前一级的输入,并输出到下一级,没有反馈。 感知器 感知器实际上是一个两层前馈网络,第一层为输入层,只是将输入的特征值传输给下 层:第二层为计算单元。下图表示的就是一个两输入,四输出的感知器。 yI y 感知器的学习算法同前面介绍的类似,只不过现在的输出可能不止是0和1。设某一个 训练样本的理想输出为(y,…y),而实际输出为(1…,j),则权值可按如下公式进行 修改: v(t+1)=v()+n(y-)x 其中n为步长 单个神经元可以实现两类问题的线性分类,多个感知器则可以实现多类别问题的线性分 类。例如上图中的网络就可以实现四类问题的分类,训练时,第1类的训练样本理想输出为 (1,0.0),第2类的理想输出为(O,1,0,0),第3类为(00,10),第4类为(0,00,1)。也就是每个 神经元输出为1代表某一类别。这样的网络实际上是由拒绝区域的分类,当待识样本输入后 输出全部为0或由不止一个输出为1,则应该拒识 如果对于四个类别问题,用两个计算单元进行编码输出时,则可以做到无拒识。也就是 说第1类训练样本的理想输出为(0.0),第2类为(0,1),第3类为(10),第4类为(1,1) 二、多层感知器 yI 多层感知器可以解决感知器的局限性问题,实现输入和输出之间的非线性映射。上图表 示的是两个输入,两个输出,四个隐元的三层感知器。其中第1层称为输入层,第2层称为6.2 前馈神经网络 在前馈网络中，每个神经元只接受前一级的输入，并输出到下一级，没有反馈。 一、感知器 感知器实际上是一个两层前馈网络，第一层为输入层，只是将输入的特征值传输给下一 层；第二层为计算单元。下图表示的就是一个两输入，四输出的感知器。 x1 x2 1 y1 y2 y3 y4 感知器的学习算法同前面介绍的类似，只不过现在的输出可能不止是 0 和 1。设某一个 训练样本的理想输出为 ( y y 1 , , M ) ，而实际输出为 ( y y 1 , , M ) ，则权值可按如下公式进行 修改： w t w t y y x ij ij i i i ( + = + − 1) ( ) ( ) 其中  为步长。 单个神经元可以实现两类问题的线性分类，多个感知器则可以实现多类别问题的线性分 类。例如上图中的网络就可以实现四类问题的分类，训练时，第 1 类的训练样本理想输出为 (1,0,0,0)，第 2 类的理想输出为(0,1,0,0)，第 3 类为(0,0,1,0)，第 4 类为(0,0,0,1)。也就是每个 神经元输出为 1 代表某一类别。这样的网络实际上是由拒绝区域的分类，当待识样本输入后， 输出全部为 0 或由不止一个输出为 1，则应该拒识。 如果对于四个类别问题，用两个计算单元进行编码输出时，则可以做到无拒识。也就是 说第 1 类训练样本的理想输出为(0,0)，第 2 类为(0,1)，第 3 类为(1,0)，第 4 类为(1,1)。 二、多层感知器 x1 x2 1 y1 y2 多层感知器可以解决感知器的局限性问题，实现输入和输出之间的非线性映射。上图表 示的是两个输入，两个输出，四个隐元的三层感知器。其中第 1 层称为输入层，第 2 层称为