神经网络算法-论证单层感知器的局限性
今天课上学习了一个思路 将真值表转换到平面直角坐标系中 来论证线性可分还是不可分，挺有意思记录一下。
简单感知器模型实际上仍然是MP模型的结构，但是它通过采用监督学习来逐步增强模式划分的能力，达到所谓学习的目的。
感知器处理单元对n个输入进行加权和操作v即：
其中，Wi为第i个输入到处理单元的连接权值，f为阶跃函数。
感知器在形式上与MP模型差不多，它们之间的区别在于神经元间连接权的变化。感知器的连接权定义为可变的，这样感知器就被赋予了学习的特性。
利用简单感知器可以实现逻辑代数中的一些运算。
x1 | x2 | y=x1 and x2 | y=x1 or x2 | x1取非 |
0 | 0 | 0 | 0 | 1 |
0 | 1 | 0 | 1 | 1 |
1 | 0 | 0 | 1 | 0 |
1 | 1 | 1 | 1 | 0 |
Y=f(w1x1+w2x2-θ)
(1)“与”运算。当取w1＝w2＝1，θ＝1.5时，上式完成逻辑“与”的运算。
(2)“或”运算， 当取wl＝w2＝1，θ＝0.5时，上式完成逻辑“或”的运算。
(3)“非”运算，当取wl=-1，w2＝0，θ＝-1时．完成逻辑“非”的运算。
与许多代数方程一样，上式中不等式具有一定的几何意义。
对于一个两输入的简单感知器，每个输入取值为0和1，如上面结出的逻辑运算，所有输入样本有四个，记为(x1，x2)：(0，0)，(0，1)，(1，0)，(1，1)，构成了样本输入空间。例如，在二维平面上，对于“或”运算，各个样本的分布如下图所示。
直线1 *x1+1 *x2-0.5＝0将二维平面分为两部分，上部为激发区(y，=1，用★表示)，下部为抑制区(y＝0，用☆表示)。
简单感知器引入的学习算法称之为误差学习算法。该算法是神经网络学习中的一个重要算法，并已被广泛应用。
现在来论证一下单层感知器的局限性——仅对线性可分问题具有分类能力：
异或逻辑的真值表：
输入x1 | 输入x2 | 输出Y |
0 | 0 | 0 |
0 | 1 | 1 |
1 | 0 | 1 |
1 | 1 | 0 |
将他们标在平面坐标系中可发现，任何直线也不能把两类样本分开。
如果两类样本可以用直线、平面或者超平面分开，称为线性可分，否则为线性不可分。
所以说要克服单层感知器这一局限性
就需要在输入层与输出层之间引入隐层作为输入模式的内部表示。
