該概念的是在2023年美國學者rosenblatt提出的。
感知器是監督學習的神經網路模型。單層感知器是包含乙個突觸權值可調的神經元的感知器模型。是神經網路用來進行模式識別的一種最簡單的模型，屬於前向神經網路型別，但是僅由乙個神經元組成的單層感知器只能區分線性可分的模式。
乙個感知器模型，包括乙個線性的累加器和乙個二值閾值元件，同時還有乙個外部偏差b，也稱作閾值，其值可以為正，也可以為負。線性累加器的輸出與偏差b的和作為二值閾值元件的輸入，這樣當二值閾值原件的輸入是正數時，神經元就產生輸出+1，反之，若輸入是負數，則產生輸出-1
在m維空間，單層感知器進行模式識別的判決超平面由下面的式子決定：∑i
=1mω
ixi+
b=0
決定判別邊界超平面的形狀的主要引數是權值向量ω→
其訓練過程就是找到適合的學習演算法可以訓練出滿意的權值向量。
在20世紀60年代初期，rosenblatt等就給出了嚴格的數學證明對線性可分的樣本，演算法一定是收斂的，就是說ω→
一定存在，否則，判別邊界會產生振盪，導致ω→
不能收斂。
該學習演算法是基於迭代思想，通常是採用誤差校正學習規則的學習演算法。將偏差b作為神經元突觸全職向量的第乙個分量加到權值向量中去，那麼對應的輸入向量也應增加一項，可設輸入向量的第乙個分量固定為+1，這樣輸入向量和權值向量可分別寫成如下的形式： x(
n)=(
+1,x
1(n)
,x2(
n),⋯
,xm(
n))t
w(n)=(b
(n),
ω1(n
),ω2
(n),
⋯,ωm
(n))
其中n為迭代次數。b(n)可用ω0
(n) 來表示，於是，二值閾值元件的輸入可重新寫為： v=
∑i=0
mωi(
n)xi
(n)=
wt(n
)x(n
) 具體學習演算法如下：
設定變數和參量 x(
n)=(
1,x1
(n),
x2(n
),⋯,
xm(n
))即訓練樣本。 w(
n)=(
b(n)
,ω1(
n),ω
2(n)
,⋯,ω
m(n)
) 為權值向量。
b(n)為偏差 f(
⋅)為啟用函式， y(n)為網路實際輸出，d(n)為期望輸出，
η 為學習速率，n為迭代次數，e為實際輸出與期望輸出的誤差。
初始化，給權值向量w(0)的各個分量賦乙個較小的隨機非零值， 設定n=0
輸入一組樣本x(
n)=(
1,x1
(n),
x2(n
),⋯,
xm(n
))並給出它的期望輸出d(n)
計算實際輸出 y(
n)=f
(∑mi
=0ωi
(n)x
i(n)
) 求出期望輸出和實際輸出的誤差， e=
d(n)
−y(n
) ，根據誤差判斷目前輸出是是否滿足條件，若滿足條件則演算法結束，否則將n值加1，並用下式調整權值ω(
n+1)
=ω(n
)+η[
d(n)
−y(n
)]x(
n)在單層感知器學習演算法中，最關鍵的因素是引入了乙個量化的期望輸出，這樣就可以採用誤差校正學習規則對權值向量逐步進行修正，最終達到問題所需的精度。
對於線性可分的兩類模式，可以證明單層感知器的學習演算法是收斂的，即通過調整神經網路各個鏈結權值可以得到合適的判別邊界，正確區分兩類模式；而對於線性不可分的兩類模式，無法用一條直線區分兩類模式，此時，單層感知器的學習演算法不是收斂的，即單層感知器無法正確區分線性不可分的兩類模式。
感知神經網路模型與學習演算法
該概念的是在1957年美國學者rosenblatt提出的。感知器是監督學習的神經網路模型。單層感知器是包含乙個突觸權值可調的神經元的感知器模型。是神經網路用來進行模式識別的一種最簡單的模型，屬於前向神經網路型別，但是僅由乙個神經元組成的單層感知器只能區分線性可分的模式。乙個感知器模型，包括乙個線性的...
BP神經網路模型與學習演算法
一，什麼是bp bp back propagation 網路是1986年由rumelhart和mccelland為首的科學家小組提出，是一種按誤差逆傳播演算法訓練的多層前饋網路，是目前應用最廣泛的神經網路模型之一。bp網路能學習和存貯大量的輸入 輸出模式對映關係，而無需事前揭示描述這種對映關係的數學...
BP神經網路模型與學習演算法
一，什麼是bp bp back propagation 網路是1986年由rumelhart和mccelland為首的科學家小組提出，是一種按誤差逆傳播演算法訓練的多層前饋網路，是目前應用最廣泛的神經網路模型之一。bp網路能學習和存貯大量的輸入 輸出模式對映關係，而無需事前揭示描述這種對映關係的數學...