人工神经元网络

引言

• LaTeX不熟练多为图片。
• 图片多为SWUST模式识别课程李小霞老师课件。

1、前馈（forward）网络

与线性分类器的关系

• 线性分类器 $g(x)={ w }^{ T }x+{ w }_{ 0 }={w}_{1}{x}_{1}+{w}_{2}{x}_{2}+...+{w}_{0}$g(x)=wTx+w0​=w1​x1​+w2​x2​+...+w0​
• 感知器模型 $y=sgn(\sum _{ i=1}^{ n}{{w}_{i}- \theta } )$y=sgn(i=1∑n​wi​−θ)
• 自学习，逐步修正，优化。
• 感知器学习算法（perceptron）
  (1)初始化
  (2)迭代 $\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad w(t)=\begin{cases} w(t-1) \quad\quad\quad\quad\quad\quad{分对}\\w(t-1)+\eta y(t)x(t)\quad{分错}\end{cases}$w(t)={w(t−1)分对w(t−1)+ηy(t)x(t)分错​
  $\eta：控制收敛速度的参数$η：控制收敛速度的参数
• 局限：两类样本，线性分类。

激活函数 $f$f为连续（可微）

$f$   #$不换行公式$   $$换行公式$$

$f(x)=\frac {1 }{ 1+{ e }^{-ax }}$f(x)=1+e−ax1​

2、多层感知器(Multi-Layer Perceptron,MLP)

异或问题（XOR）的解决

单层感知器无法解决“异或”问题

<div align=center>居中内容</div>    #图片居中代码

 今天网速...太慢了，晚上继续写。 $$ \heartsuit $$