まず、パーセプトロンは何ですか
人工ニューラルネットワークパーセプトロンは、それが基本的にある意思決定を行うため、名前が誤解を招くビットは、あるパーセプトロンにおけるマイルストーンです。パーセプトロンは、実際に神経細胞の基本的な概念であり、ネットワークの概念を持っていない可能性がどのくらいの、意思決定を行うための自動機です。
参考https://blog.csdn.net/why19940926/article/details/78720641
第二に、単層パーセプトロンは何ですか
リニア線形分離可能と切っても切れない：単層パーセプトロンの導入前に、我々は二つの概念を導入する必要があります。
線形分離可能：線形分離可能では、このような二次元の直線で空間、平面三次元空間と線形関数における高次元空間として、二つの試料から分離される線形関数とすることができます。手段は、いわゆるエラー区切りに分けることができます。
直線不可分：直線的に分離できない試料の一部は、線形超平面で割ったときにエラーが発生した分類を指します。
参考https://blog.csdn.net/why19940926/article/details/78720641
単層パーセプトロンを区別するために使用することができます線形分離データを、そして繰り返しの有限数に収束することができるようになります。
単層パーセプトロンは、論理機能、論理否定NOT、NOR XORのロジック、または論理OR、論理ANDとNAND論理NANDなどをシミュレートするために使用することができますが、排他的論理和XORをシミュレートするために使用することはできません（XOR問題は、直線的に不可分です）。
注：単一ニューロンと単層パーセプトロンは異なっています。
第三に、単層パーセプトロンの原則
3.1基本原理
人工ニューラルネットワークは、人間の体は、ニューロンは三つの部分、入力、中間、出力、入力と出力で構成されていることが分かるシミュレートされたニューラルネットワークは、処理の途中で、複数を有することが可能です。
最も単純な単層知覚ニューラルネットワークであり、複数の入力、中間DO処理、最終的な出力があってもよいです。
X1、X2、X3は、入力ノードです
yは出力ノードであります
W1、W2、W3重量の値に対応しています
Bは、バイアス因子である（典型的には、入力因子として、部分Bを交換し、その値が1である場合、Bを構成する対応する重みを加えることができます）
3.2原則
入力：X
学習率：LR
アクティベーション機能：操作が返す結果Oを担当し、
F（X）= {1、X> 0。
0、X = 0。
-1、X <0}
エラーW：LR×（期待される出力Y -活性化関数Oにおける結果）×X
単層パーセプトロンを計算誤差W_c繰り返され、再び計算する必要はない場合、新しいW1 W0、W1を添加した後、新たな活性化関数にして得られた電流は、収束条件が満たされるまで停止します計算。
収束条件：
1、小さな誤差が所定値未満であるモグ
図2は、2回の反復間の重量変化が非常に小さいです
3、反復の予め設定された最大数に達し
