第五讲 从感知器算法到机器学习

第五讲从感知器算法到机器学习第一页，共十六页，编辑于2023年，星期四§5.1人工神经元的构造依据两态工作:兴奋----抑制阈值作用:超过阈值才兴奋多输入/单输出:获得其他神经元的众多输入,由轴突输出。空间/时间叠加：激励/响应关系的互动作用与交互叠加。可塑性连接：突触部分的连接强度可以调节。第二页，共十六页，编辑于2023年，星期四第三页，共十六页，编辑于2023年，星期四第四页，共十六页，编辑于2023年，星期四第五页，共十六页，编辑于2023年，星期四第六页，共十六页，编辑于2023年，星期四§5.2M-P模型1943年，McCulloch和Pitts提出了一种神经元模型：其中输入向量为：权值向量为：神经元的输入/输出关系为：第七页，共十六页，编辑于2023年，星期四§5.3构造人工神经网络的基本要素（1）神经元的激励函数（输入/输出特性）（2）网络的拓扑结构（3）确定权值的方法——学习算法第八页，共十六页，编辑于2023年，星期四§5.4感知器算法原理（1）历史背景

1958年,FrankRosenblatt提出了感知机(Perceptron)。史称第一个机器学习模型。标志着对学习过程进行数学研究的开端。（2）单个神经元的的感知机利用McCulloch和Pitts神经元模型，选激励函数为：令则第九页，共十六页，编辑于2023年，星期四（3）感知器学习算法（学习规则）

Step1，随机初始化权值和域值

Step2，在样本集合或中任选一个类属已知的样本作为感知器的输入，计算其实际输出

Step3，对Step2中所得输出结果进行甄别检验，若分类正确，则不需要进行权值调整，若分类出错，则按Step4中的算式进行权值调整。（可见，感知过程是一个有错必改的过程。）

第十页，共十六页，编辑于2023年，星期四Step4，设n0为当前迭代次数，则权值调整算式为

其中为类属标志的期望输出，为学习率。Step5，重新从已知类属的样本集合或中选取另一样本进行学习，即重复Step2至Step

5，直到对于所有i=1，2，…,(n+1),恒有

则学习过程结束，权值调整完毕。

第十一页，共十六页，编辑于2023年，星期四§5.5感知器分类的示例第十二页，共十六页，编辑于2023年，星期四练习题设有4个训练样本分属两个不同的类别:试用感知器算法求出其分类判决函数.第十三页，共十六页，编辑于2023年，星期四§5.6局限性和功能的扩展感知器学习算法的局限性

只能胜任线性分类,不具备直接的非线性分类功能。进一步的功能扩展

1）加入隐层；

2）寻求新的更有效的学习算法。第十四页，共十六页，编辑于2023年，星期四§5.7机器学习的一般原理和方法（1）机器学习的原理图（2）关键性问题

1）学习的策略和算法；

2）样本数据的完备性；

3）先验知识的利用。完。第十五页，共十六页，编辑于2023年，星期四§5.8可以涉猎的参考书[1]TomM.Mitchell,机器学习，(曾华军,张银奎译),机械工业出版社，2003年[2]TomM.Mitchell,MachineLearning，McGraw-HillInternationalEditions，China