神经网络（1）：感知器

最新推荐文章于 2026-02-03 22:26:37 发布

原创

最新推荐文章于 2026-02-03 22:26:37 发布 · 1.1k 阅读

标签

#感知器 #二分类

收录于

本文介绍了神经网络中最简单的模型——感知器，用于二分类问题。内容包括感知器的工作原理，通过加权求和与符号规范化实现二分类，以及详细步骤如样本增广化、权值调整等。此外，还提及了代码实现过程。

人工神经网络入门：

感知器是神经网络中最简单的一种模型，是通过加权求和函数计算，之后根据结果实现二分类。

感知器算法的实现：（实现二分类）

先输入两类样本，后对数据进行增广化，以及符号规范化，然后训练样本并调整权值，训练完毕后保存权值。

如：二维样本(0,1)，前两个数字为二维输入。

增广化：将(0,1)，变为(0,1,1)，即隐含输入1。

符号规范化：如(0,1),(0,0)属于1类，(1,0),(1,1)属于2类，则增广化后分别为(0,1,1),(0,0,1),(1,0,1),(1,1,1)，

规范化就是将某一类的值都乘以-1，比如2类样本乘以-1，即(0,1,1),(0,0,1),(-1,0,-1),(-1,-1,-1)。

代码实现：

定义全局变量：

#define MAX_SAMPLE_NUM   100     // 最大样本个数
#define MAX_NUM       1000    // 最大训练次数

double RATE = 0.6;               // 学习率
int SAMPLE_NUM = 0;              // 样本个数
int NUMBER = 2;                  // 维数
double **SAMPLE;                 // 样本集
double *SAMPLE_Y;