神經(jīng)網(wǎng)絡(luò)算法-論證單層感知器的局限性

今天課上學(xué)習(xí)了一個(gè)思路 將真值表轉(zhuǎn)換到平面直角坐標(biāo)系中 來論證線性可分還是不可分，挺有意思記錄一下。

簡單感知器模型實(shí)際上仍然是MP模型的結(jié)構(gòu)，但是它通過采用監(jiān)督學(xué)習(xí)來逐步增強(qiáng)模式劃分的能力，達(dá)到所謂學(xué)習(xí)的目的。

感知器處理單元對(duì)n個(gè)輸入進(jìn)行加權(quán)和操作v即：$v_i=f({\sum }_{i=0}^N{w}_i{x}_i?\theta )$

其中，Wi為第i個(gè)輸入到處理單元的連接權(quán)值，f為階躍函數(shù)。

感知器在形式上與MP模型差不多，它們之間的區(qū)別在于神經(jīng)元間連接權(quán)的變化。感知器的連接權(quán)定義為可變的，這樣感知器就被賦予了學(xué)習(xí)的特性。

利用簡單感知器可以實(shí)現(xiàn)邏輯代數(shù)中的一些運(yùn)算。

x1x2y=x1 and x2y=x1 or x2x1取非

0	0	0	0	1
0	1	0	1	1
1	0	0	1	0
1	1	1	1	0

Y=f(w1x1+w2x2-θ)

(1)“與”運(yùn)算。當(dāng)取w1＝w2＝1，θ＝1.5時(shí)，上式完成邏輯“與”的運(yùn)算。

(2)“或”運(yùn)算， 當(dāng)取wl＝w2＝1，θ＝0.5時(shí)，上式完成邏輯“或”的運(yùn)算。

(3)“非”運(yùn)算，當(dāng)取wl=-1，w2＝0，θ＝-1時(shí)．完成邏輯“非”的運(yùn)算。

與許多代數(shù)方程一樣，上式中不等式具有一定的幾何意義。

對(duì)于一個(gè)兩輸入的簡單感知器，每個(gè)輸入取值為0和1，如上面結(jié)出的邏輯運(yùn)算，所有輸入樣本有四個(gè)，記為(x1，x2)：(0，0)，(0，1)，(1，0)，(1，1)，構(gòu)成了樣本輸入空間。例如，在二維平面上，對(duì)于“或”運(yùn)算，各個(gè)樣本的分布如下圖所示。

直線1 *x1+1 *x2-0.5＝0將二維平面分為兩部分，上部為激發(fā)區(qū)(y，=1，用★表示)，下部為抑制區(qū)(y＝0，用☆表示)。

簡單感知器引入的學(xué)習(xí)算法稱之為誤差學(xué)習(xí)算法。該算法是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)中的一個(gè)重要算法，并已被廣泛應(yīng)用。

現(xiàn)在來論證一下單層感知器的局限性——僅對(duì)線性可分問題具有分類能力：

異或邏輯的真值表：

輸入x1輸入x2輸出Y

0	0	0
0	1	1
1	0	1
1	1	0

將他們標(biāo)在平面坐標(biāo)系中可發(fā)現(xiàn)，任何直線也不能把兩類樣本分開。

如果兩類樣本可以用直線、平面或者超平面分開，稱為線性可分，否則為線性不可分。

所以說要克服單層感知器這一局限性

就需要在輸入層與輸出層之間引入隱層作為輸入模式的內(nèi)部表示。

總結(jié)

以上是生活随笔為你收集整理的神经网络算法-论证单层感知器的局限性的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。