感知器和BP神经网络_多层感知机 bp神经网络

感知器

是Frank Rosenblatt在1957年发明的一种人工神经网络。
1

感知机是生物神经细胞的简单抽象，神经细胞大概分为：树突，轴突，细胞体以及突触。

神经元是一种具有极性的细胞，胞体和树突通常是接受和整合信息的部位。神经细胞的状态通常取决于它接收到的信号量，及突触的强度。当信号量到达了某个阈值，产生电脉冲。电脉冲就会沿着轴突通过突触传给其他的神经元。感知机的基础概念中，权值类比突触，偏置代表阈值，激活细胞即细胞体。

BP神经网络

BP神经网络是20世纪80年代中期，David Runelhart，Geoffrey Hinton和Ronald W-llians、DavidParker等人分别独立发现了误差反向传播算法，简称BP，系统解决了多层神经网络隐含层连接权学习问题，并在数学上给出了完整推导。是目前应用最广泛的神经网络。
1

BP神经网络是一种按误差反向传播(简称误差反传)训练的多层前馈网络，其算法称为BP算法，它的基本思想是梯度下降法，利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差均方差为最小。

感知器和BP神经网络的结构

在人工智能领域，感知器被指为单层的人工神经网络，以区别于较复杂的多层感知器，单层感知器可以说是一种最简单的人工神经网络形式。

BP网络是在输入层和输出层之间增加若干层神经元，每一层有若干个节点，这些神经元称为隐单元，它们与外界没有之间联系，但是随着其状态的改变，能够影响输入与输出的关系。
感知机数学模型
感知器使用特征向量来表示的前馈式人工神经网络，它是一种二元分类器，把矩阵上的输入（实数值向量）映射到输出值f(X) 上（一个二元的值）
$f(x)=sign(w.x+b)$
其中W是实数的表示权重的向量,W.X为点积，b是偏置，一个与输入无关的常数。偏置可以看作激励函数的偏移量。

简单来说就是将输入数据与某个标准进行比较从而对其分类。

<