用於簡單的模式分類問題。將r個輸入變數pi賦予不同權值後相加，並加入偏差。閾值函式hardlim。輸入輸入樣本pi，期望目標ti，將期望目標與訓練時產生的輸出目標進行比較。獲得網路誤差，然後應用學習規則對網路權值和偏差進行調整，是訓練後輸出接近於正確目標。p為輸入，t為期望輸出，訓練時實際輸出為a，訓練目的為盡可能減小誤差 e=t-a。權值修正公式為：wnew=w+detaw=w+ep;bnew=b+detab=b+e;net=newp(p,s,tf,lf);對權值及閾值修改：net.iw=【1 1】；net.b=[1];sim（net,p）用learnp通過給定輸入p及誤差e，可以計算需要對權值和偏差b的修正，格式為：[dw ls]=learnp[w,p,,,,,e,);
train函式以及adapt也能完成同樣任務
[net,a,e]=adapt(net,p,t);
net=train(net,p,t).
僅適用於線性可分樣本的二類劃分對於線性不可分的輸入向量不適用。神經網路學習筆記（一）感知器神經網路
感知器 perceptron 是由美國科學家f.rosenblatt於1957年提出的，是一種模仿生物感知機制，用於模式識別的簡單神經網路。感知器模型如圖1.圖1.單個感知器模型 感知器的傳遞函式為 單個感知器的運算關係為 a hardlim wp b 若令權重向量為 則樣本x對應的實際輸出為 其中...
神經網路學習之感知器
基於m p模型中權重引數需要人為設定的問題，1958年羅森布拉特 roseblatt 提出了感知器，經過訓練，計算機能夠確定神經元的連線權重，由此，神經網路迎來了第一次熱潮。感知器主要有輸入層和輸出層，其中，輸入層接收外界輸入訊號後傳遞給輸出層，輸出層是m p神經元。表示式 誤差修正學習策略 設定訓...
神經網路（單層感知器）
感知器是神經網路中的乙個概念，在1950s由frank rosenblatt第一次引入。單層感知器是最簡單的神經網路。它包含輸入層和輸出層，而輸入層和輸出層是直接相連的。與最早提出的mp模型不同，神經元突觸權值可變，因此可以通過一定規則進行學習。可以快速 可靠地解決線性可分的問題。單層感知器由乙個線...