第二部分　經(jīng)典神經(jīng)網(wǎng)絡(luò)

第3章　感知機(jī)

在人工智能這個(gè)大的范疇內(nèi)，其學(xué)術(shù)思想基本可以分為兩大派別——一類(lèi)是主張模仿人類(lèi)（或最起碼是一些高等動(dòng)物）的行為模式進(jìn)行研究，例如專(zhuān)家系統(tǒng)、蟻群算法等；而另一類(lèi)則是從數(shù)學(xué)的邏輯和符號(hào)系統(tǒng)進(jìn)行嚴(yán)格推證，以保證方法的數(shù)學(xué)嚴(yán)密性，例如統(tǒng)計(jì)學(xué)習(xí)方法等。毫無(wú)疑問(wèn)，神經(jīng)網(wǎng)絡(luò)方法的基本思想是屬于仿生智能的。神經(jīng)網(wǎng)絡(luò)方法的先行者們意識(shí)到仿生智能的優(yōu)越性，受到人類(lèi)神經(jīng)元工作模式的啟發(fā)首先提出了M-P模型。之所以稱(chēng)為M-P模型是用來(lái)紀(jì)念兩位神經(jīng)網(wǎng)絡(luò)方法的開(kāi)拓者Warren Sturgis McCulloch和Walter Harry Pitts，Jr.，取他們姓氏的首個(gè)英文字母組成的。在第1章中介紹了M-P模型的基本結(jié)構(gòu)，在M-P模型中，其激活（活化）函數(shù)取為符號(hào)函數(shù)，也稱(chēng)為開(kāi)關(guān)特性函數(shù)，即

式中，x_i——神經(jīng)元的輸入激勵(lì)；

w_i——與輸入激勵(lì)相對(duì)應(yīng)的權(quán)值；

θ——神經(jīng)元的閾值；

sgn（·）——符號(hào)函數(shù)。

從這個(gè)模型中可以看出，這種模型具有以下特點(diǎn)：

（1）每個(gè)神經(jīng)元都是一個(gè)多輸入單輸出的系統(tǒng)。這表明了單個(gè)神經(jīng)元可以接收多種信息的輸入（激勵(lì)），在一定程度上保留了生物神經(jīng)元的特點(diǎn)。

（2）神經(jīng)元對(duì)于多個(gè)輸入激勵(lì)并不是等量齊觀的，而是有所側(cè)重的，這主要表現(xiàn)在對(duì)于各輸入的權(quán)值w_i的不同上。對(duì)于神經(jīng)元來(lái)講，比較“重要的”的輸入信息作為興奮性輸入，其權(quán)值設(shè)置得較大；而不太重要的輸入信息作為抑制性輸入，將其權(quán)值設(shè)置得較小，甚至為0。在M-P模型中，這些權(quán)值一般都預(yù)先由人指定，而且在運(yùn)行過(guò)程中不會(huì)對(duì)這些權(quán)值進(jìn)行更改。

（3）神經(jīng)元的輸出狀態(tài)有兩種（根據(jù)符號(hào)函數(shù)的特點(diǎn)可以得出）：一類(lèi)是符號(hào)函數(shù)的正向性輸出，此時(shí)表明神經(jīng)元被激活（興奮），另一類(lèi)是符號(hào)函數(shù)的負(fù)向性輸出，表明神經(jīng)元被抑制。這也可以看作是激活函數(shù)的名稱(chēng)由來(lái)。

（4）神經(jīng)元的激活運(yùn)算中具有整合和閾值特性。在各種輸入信息經(jīng)過(guò)一定的加權(quán)運(yùn)算后，首先要經(jīng)過(guò)求和整合，然后將這些經(jīng)過(guò)整合的數(shù)據(jù)信息與閾值進(jìn)行比較，再交由激活函數(shù)（符號(hào)函數(shù)）進(jìn)行運(yùn)算，得到輸出的狀態(tài)。

在基本M-P模型的基礎(chǔ)上，還可以衍生出一些改進(jìn)型的M-P模型，例如帶有延時(shí)特性的M-P模型等。M-P模型是神經(jīng)網(wǎng)絡(luò)方法的一個(gè)萌芽性的模型，雖然它能夠解決的問(wèn)題非常有限（連簡(jiǎn)單非線(xiàn)性分類(lèi)的“異或”問(wèn)題都無(wú)能為力），但畢竟開(kāi)啟了仿生智能算法的時(shí)代。究其原因，是由于M-P模型中的各輸入激勵(lì)權(quán)值w_i為人為指定，而且一旦指定就不能進(jìn)行調(diào)整，這大大限制了其應(yīng)用的范圍。為了解決這個(gè)問(wèn)題，就必須讓輸入激勵(lì)的權(quán)值能夠進(jìn)行調(diào)整，這樣就誕生了具有一定學(xué)習(xí)功能的神經(jīng)網(wǎng)絡(luò)——感知機(jī)。