感知机，神经网络开始的地方
相关报告
- 数据更新中...
1958年F.Rosenblan提出“输入--输出”两层结构的“感知机模型”，后来逐渐发展出多输出节点、多层结构的感知机，能够将类似的或不同的输入案例进行分类，初步具备了自学习性、并行处理、分布存储、容错性等神经网络的部分基本特征，可以算作真正意义上人工神经网络开始的地方。
第一台感知机硬件，康奈尔航天实验室MarkI感知机
理解清楚单层感知机的工作机制，基本就了解了神经网络中每一个节点（神经元）的工作方式，进而从整体上把握神经网络的工作原理。
现在通过一个简单的豌豆判别案例，大致描述最简单的单层感知机模型工作原理。假设有一堆大豆和豌豆混在一起，所有豆子都可以用颜色（黄/青）、形状（圆/扁）以及表皮光滑程度三个特征来
描述。现在需要使用感知机模型来判断从中随意取出的一粒豆子是否为豌豆（案例中所选择的豆子属性、判断依据等信息仅作示意，不考究生物属性的科学性）。
利用单层感知机模型判断目标豆是否为豌豆
感知机模型的训练过程：先任取一粒豆子，将三个特征属性对应的数据输入感知机模型，并对三个特征用来表示整个豆子分类的重要性分别给一个“权值”，然后根据属性数据和权值，通过输出层神经元对应的计算方式及判断标准值（专业术语为“阈值”），给出关于这粒豆子是否为豌豆的判断并作为结果输出。然后根据判断结果与豆子的实际分类之间的误差，反过来调整在最开始随机设定的“权值”和“阈值”。再取下一粒豆子，按照同样的方法不断调整模型中的各项参数，直到判断准确率满意为止，此时模型训练完毕。
训练完毕的感知机“学会”了如何去判断一粒豆子是否为豌豆，以后只要输入每一粒豆子的属性数据，它就可以给出判断结果，相当于拥有了最简单的“智能”。
在豌豆判别案例中，参数的调整过程其实就是将真正的豌豆所具有的特征信息经过反复校对并存储
到模型结构中的过程，也是一个“学习”的过程。在这样一个感知机模型中，仅有输入和输出两层，并且仅有输出层的“神经元”具备信息处理能力（即功能神经元）。
后来为了解决实际问题的需要，输出层增加到多个神经元，输入、输出层中间添加“隐层”，这样就形成了多层神经网络结构。
本文地址：http://www.zwzyzx.com/show-269-224850-1.html
上一篇：驱动IC，布局正当时
下一篇：多层神经网络算法的工作原理
相关资讯
- 我国外部战略压力进一步增大(2016-07-15)
- 促进用户沉淀，构建高忠诚度的社群关系(2016-11-17)
- 国内企业信息化行业管理部门及行业管理体制(2015-08-05)
- 美国没有发展好机器人本体的原因(2016-09-06)
- 国内公共卫生信息化行业发展情况(2014-08-05)
- 国内射频同轴电缆行业发展机遇及有利因素(2015-06-02)
- 全球手持式条码扫描器市场发展情况(2016-03-24)
- HTC发展历程(2016-08-01)
合作媒体
最新报告
定制出版
热门报告
免责声明
中为咨询所引述的资料是用于行业市场研究以及讨论和交流，并注明出处，部分内容是由相关机构提供。若有异议请及时联系本公司，我们将立即依据相关法律对文章进行删除或作相应处理。查看详细》》
