其中X=[x,x2…x是输入特征向量:y(=12;…m)为输出量,是按照不同特征分类的结果:v是x 到ν的连接权值,此权值是可调整的,因而有学习功能 由于按不同特征的分类是相互独立的,因而可以取出其中的一个神经元来讨论,如图所示。 为方便起见,令输入量x0=1,将阈值并入权中(因为6值也需要学习),-b=W0,感知器的输入输出 关系可表示为 fC∑mx) 当其输入的加权和大于或等于阈值时,输出为1,否则为-1(或为0)。 下面给出感知器的一种学习算法 1).随机地给定一组连接权w(O)(较小的非零值),这里w,(k)为k时刻第i个输入上的权(≤i≤m) 0(k)为k时刻的阈值。 2)输入一组样本X=(x0,x1…x)和期望的输出d(亦称之为教师信号)。如果X∈A类(某一类),则 y4=1,如果X∈B类(另一类),则y4=-1 3).计算感知器实际输出 1,∑(k)x,≥0 y(k)=f(∑v(k)x) 1,∑w(k) xo=1,w0(0)=-6) 按下式修正权值:其中 T n X [x , x , , x ] 1 2 = ⋅⋅⋅ 是输入特征向量；y (i 1,2, ,m) i = ⋅⋅⋅ 为输出量，是按照不同特征分类的结果；wij 是 j x 到 i y 的连接权值，此权值是可调整的，因而有学习功能。 由于按不同特征的分类是相互独立的，因而可以取出其中的一个神经元来讨论，如图所示。 为方便起见，令输入量 x0 = 1，将阈值θ 并入权中（因为θ 值也需要学习），−θ = w0 ，感知器的输入输出 关系可表示为 ( ) 0 ∑= = n i i i y f w x 当其输入的加权和大于或等于阈值时，输出为 1，否则为－1（或为 0）。 下面给出感知器的一种学习算法： 1). 随机地给定一组连接权 (0) wi （较小的非零值），这里 w (k) i 为 k 时刻第 i 个输入上的权 (1 ≤ i ≤ n) ， ( ) 0 w k 为k 时刻的阈值。 2). 输入一组样本 ( , , , ) 0 1 n X = x x ⋅⋅⋅ x 和期望的输出 d （亦称之为教师信号）。如果 X∈A 类（某一类），则 yd = 1，如果 X∈B 类（另一类），则 yd = −1。 3). 计算感知器实际输出： ⎪ ⎪ ⎩ ⎪ ⎪ ⎨ ⎧ − < ≥ = = ∑ ∑ ∑ − − = n i i i n i n i i i i i w k x w k x y k f w k x 0 0 0 1, ( ) 0 1, ( ) 0 ( ) ( ( ) ) ( 1, (0) ) x0 = w0 = −θ 4). 按下式修正权值：