感知機收斂定理:
針對初始條件W(0)=0。假設對於n=1,2,..., ,且輸入向量屬於子集 ,顯然,迭代過程中,感知機不能正確對X(1),X(2)...進行正確分類,在η(n)=1的情況下,權值每次迭代都需要修正:
又由於W(0)=0,故
假設 與 線性可分,必存在一個解W0使得X(1),X(2),...,X(n)滿足不等式 ,可以給定一個正數α,
根據(1.3)得
根據Cauchy-Schwarz不等式,得
結合(1.5)得
即
對(1.1)式兩邊同取歐幾里得範數的平方得:
等價於
把k=1,2,...,n的情況都相加得:
其中
綜合(1.8)(1.12)可得
不等式右邊是平方項,顯然這個不等式不可能永遠成立,n的最大取值即爲取等號的時候。
那麼感知機的權值迭代過程最多在nmax停止。
現在概述一下感知機的固定增量收斂定理:
設訓練向量子集是線性可分的,感知機的輸入來自這兩個子集。感知機在有限步迭代後收斂。
感知機經典習題:
感知機可以用來進行二進制邏輯函數與,或,非,卻不能執行異或過程。
先對與操作進行討論,與(AND)操作需要將(0,0)(0,1)(1,0,)(1,1)進行二分類,結果輸出0或者1,顯然前三個點對應輸出爲0的類,最後一個點對應輸出爲1的類,這四個點在二維平面上一畫很容易看出,有無數條線可以將其分類。故是線性可分的類,同理可證或,非邏輯操作。
但是異或是要將(0,0)(1,1)與(0,1)(1,0)分別分到兩類中這就要求存在w1,w2,b使得w1+w2+b與b同號,而與w1+b,w2+b異號,即 w1+w2+b+b與w1+b+w2+b也異號,這顯然不可能成立。故異或是線性不可分的邏輯函數,故不能用感知機來進行。
參考文獻:神經網絡與機器學習(加)S.Haykin著 申富饒 徐燁 鄭俊 晁靜 翻譯
Neural Networks and Learning Machines S.Haykin