上圖的圓圈就代表乙個感知器。它接受多個輸入（x1，x2，x3…），產生乙個輸出（output），好比神經末梢感受各種外部環境的變化，最後產生電訊號。
為了簡化模型，我們約定每種輸入只有兩種可能：1 或 0。如果所有輸入都是1，表示各種條件都成立，輸出就是1；如果所有輸入都是0，表示條件都不成立，輸出就是0。
對於輸入訊號，它們對於輸出訊號的重要性是不一樣的，這種重要性可以用權值來描述。這時，還需要指定乙個閾值（threshold）。如果總和大於閾值，感知器輸出1，否則輸出0。假定閾值為8，那麼 12 > 8，小明決定去參觀。閾值的高低代表了意願的強烈，閾值越低就表示越想去，越高就越不想去。
上面的決策過程，使用數學表達如下：
上面公式中，x表示各種外部因素，w表示對應的權重。
二、神經網路
神經網路其實就是按照一定規則連線起來的多個神經元。下圖展示了乙個全連線(full connected, fc)神經網路：
BP神經網路
基本bp神經網路演算法包括 訊號的前向傳播 誤差的反向傳播 也即計算實際輸出時按照輸入到輸出的方向進行，權值閾值調整則相反。bp是一種多層前饋神經網路，由輸入層 隱含層和輸出層組成。層與層之間有兩種訊號在流動 一種是從輸入流向輸出的工作訊號，是輸入和權值的函式 另一種是輸入流向輸出的訊號，即誤差。隱...
BP神經網路
x 為輸入向量，y為隱藏層的神經元，z 為輸出層,d為目標真實值,本文預設 z 不經過sigmod處理。x y的權重為 w,y z的權重為 v yj ix iwij 1 oyi f y j 2 其中激勵函式f x 1 1 e x f x f x 1 f x 3 z k j f yj vjk 此時系統...
BP神經網路
bp是back propagation bp神經網路主要的演算法在於誤差反向傳播error backpropagation 有三層 輸入層 input 隱含層 hidden 輸出層 output 輸入層 n個神經元 隱含層 p個神經元 輸出層 q個神經元 輸入向量 x x1,x2,x n 隱含層輸入...