下载掌阅APP，畅读海量书库
立即打开
人脑是智能活动的物质基础，是由上亿个神经元组成的复杂系统。结构模拟是从单个神经元入手的，先用电子元件制成神经元模型，然后把神经元模型连接成神经网络，以完成某种功能，模拟人的某些智能。
感知机是二分类的线性分类模型，输入为实例的特征向量，输出为实例的类别（取+1和-1）。感知机对应于输入空间中将实例划分为两类的分离超平面。感知机旨在求出该超平面，为求得超平面导入了基于误分类的损失函数，利用梯度下降法对损失函数进行最优化。感知机的学习算法具有简单且易于实现的优点，分为原始形式和对偶形式。感知机预测是用学习得到的感知机模型对新的实例进行的，因此属于判别模型。感知机是一种线性分类模型，只适应于线性可分的数据模型训练，对于线性不可分的数据模型训练是不起作用的。
在生物神经元（见图2-5）中，经由树突接收到神经元的大部分输入信号。其他神经元与这些树突形成约1 000～10 000个连接。来自连接的信号称为突触，通过树突传播到细胞体内。细胞体内的电位增加，一旦达到阈值，神经元就会沿着轴突发出一个尖峰，该轴突通过轴突末端连接到大约100个其他神经元。
图2-5 生物神经元图示
感知器是真实神经元的简化模型，它尝试通过以下过程来模仿它：接收输入信号，将它们称为 x 1， x 2，…， x n ，计算这些输入的加权和 z ，然后将其传递给阈值函数 ϕ 并输出结果。
如图2-6所示，具有两个输入的感知器的决策边界是一条直线。如果有三个输入，则决策边界为二维平面。一般来说，如果我们有 n 个输入，决策边界将是一个称为 n -1维的超平面，该超平面将我们的 n 维特征空间分成两部分：一部分是将点分类为正的，另一部分是将点分类为负的（按照惯例，我们将认为恰好在决策边界上的点是负的）。因此，感知器是一个二元分类器，其权值是线性的。
图2-6 感知机二维图示
电阻是最普遍的线性元件范例，常见的线性元件还有电容和电感。线性元件是指输出量和输入量具有正比关系的元件。例如，在温度不变的情况下，金属电阻元件的两端电压同电流的关系就可以认为是线性的。金属导体、电解液也都具有这一特性。电子元器件具有这种关系的有很多。质量差的元器件在一定情况下会出现“线性失真”，出现这样的情况时，输入量就和输出量就不再满足线性关系了。