上一个连载中我们已经了解了神经元模型和其工作方式。单个神经元就可以构成一个最简单的神经网络——感知机。在单层神经元感知机中，网络接收若干过输入，并通过输入函数、传输函数给出一个网络的输出。这个网络已经可以解决苹果和香蕉的分类问题。在本系列中，将具体介绍其内部原理。
首先，我们确定感知机的输入。在此，我们引入形状和颜色两个变量，苹果的形状为圆形记为1，颜色为红色记为1；香蕉的形状为弯形记为-1，颜色为黄色记为-1。则有输入p如表3.1所示。
表3.1 常用传输函数列表
P 形状 颜色
苹果 1 1
香蕉 -1 -1
其次可以确定传输函数f为Step函数。由于Step函数只能有1和0两种输出，故在此处，定义输出1表示苹果，输出0表示香蕉。
令权重w1=1，w2=1，b=0，则有图3.1所示的感知机，它有两个输入，并且都是1。这表示圆形，并且红色。
图3.1 感知机识别苹果
此时，net=p1*w1+p2*w2+b
=1+1+0
=2
Step(net)=1
可以看到当输入苹果属性时，感知机正确输出了1，表示苹果。
同样道理当输入-1、-1的香蕉属性时，感知机反应如下：
net=p1*w1+p2*w2+b
=-1-1+0
=-2
Step(net)=0
感知机又作出了正确的判断，当遇到弯的黄色水果时，感知机判断其为香蕉。
虽然感知机在此时已经可以做出来正确的判断，但是我相信读者一定会觉得很疑惑，权值w1、w2和b究竟为什么定义为1、1、0？如果取其它值，感知机还可以正常工作吗？应该如何求出权重和偏置的取值呢？
首先，必须知道，权重和偏置的取值会直接关系到感知机能否正常工作，并不是所有的取值都可以使感知机正常工作。但所幸的是，即使弄错了权值和偏置，还可以使用一套感知机的学习规则，通过不断的迭代学习，求得可以使感知机正常工作的权值和偏置。
感知机学习规则如下：
wnew=wold+ep
bnew=bold+e
其中e表示误差，e=t-a，t为期望输出，a为实际输出。
此规则的含义是，如果感知机的输出有误，则首先计算误差e，e为期望输出和实际输出的差值。新的权值等于旧值加上误差和输入p的乘积。同理，偏置可以看做是输入p恒为1的输入信号，故新的偏置等于旧偏置加入误差。当计算机出新的权重和偏置后，使用测试数据再次测试感知机，直到没有误差或误差在可接受范围内为止。
设w1=1，w2=-1，b=0，输入苹果属性1，1。得到：
net=p1*w1+p2*w2+b
=1-1+0
=0
Step(net)=0
输出错误，存在误差，故进行修正。
e=t-a
=1-0
=1
w1new=w1old+ep
=1+1*1
=2
w2new=w2old+ep
=-1+1*1
=0
bnew=bold+e
=0+1
=1
使用新的权值带入感知机，重新计算苹果的属性输入。
net=p1*w1+p2*w2+b
=1*2+1*0+1
=3
Step(net)=1
纠正误差后，苹果判断正确。尝试判断香蕉。
net=p1*w1+p2*w2+b
=-1*2-1*0+1
=-1
Step(net)=0
香蕉判断也正确，误差为0，学习结束。由此可见，即使初始权值是错误的，只要按照感知机学习规则修正权值和偏置，在感知机的可判断范围内，就有可能消除误差或将误差限制在可接收范围内。
感知机的基本原理已经基本介绍完毕。下面就可以动手实现自己的感知机了。为了方便读者理解，本书使用Java来实现神经网络，并引入神经网络框架neuroph，辅助神经网络的实现。有关neuroph框架以及感知机的具体实现，将在下一章节做详细介绍。
转载请注明出处,感谢大家的支持!
本文来自优优码:http://www.uucode.net/201406/perceptron