類神經網路之感知機簡介 Reporter：Ya-Zhong, Chen Network Application Lab.
Outline 序論 感知機 倒傳遞類神經網路 應用
序論 人的智慧源自於不斷的學習與成長，類神經網路需有良好 的訓練學習機制。 學習演算法就是一套權重調整的演算法，藉由演算法逐步 地調整神經元間連結的權重，使其達到最佳的數值。 依據有無目標輸出值的學習過程，分為 監督式學習（supervised learning） 非監督式學習（unsupervised learning） 辨識常用的學習法─感知機。
序論 樹突的主要功能就是接受 其它神經元所傳遞而來的 信號。 若導致位於軸突丘的細胞 膜電位超過某一特定閥值 (threshold)時，則所謂的 「活化電位」(action potential) 的脈衝就會被 激發出來。 藉由管狀似的軸突傳遞至 其它相連接的神經元。 軸突的終點處是「突觸」， 這種細胞間的信號傳遞以 化學性的方式居多。
序論 我們可以用以下的數學式子來描述類神經元的輸入輸出關係： 其中 代表第 i 維輸入至第 j 個類神經元的鍵結值； 代表這個類神經元的閥值； 代表 p 維的輸入； 代表第 j 個類神經元所獲得的整體輸入量， 代表活化函數； 則代表了類神經元的輸出值，也就是脈衝頻率。
序論 單層前饋網路 多層前饋網路
感知機 單層感知器 (Single-layer perceptron) 活化函數為二值門檻函數： 監督式學習： 實際輸出與目標輸出均為 1，所以權重的調整僅發 生在實際與目標兩者輸出 不一致時。 wj1 wj2 wjn x2 x1 xn yj 第 j 個神經元 權重 W 輸入向量X 實際輸出 dj 目標 X Wj +
感知機 單層感知器因其活化函數為兩值門檻函數，可以將它看成 是在超平面（hyperplane）上作線性分割（linear separate），對於在超平面上非線性的分割，感知器無法 處理。 其後相關研究發展了多層感知器（multilayer perceptrons, MLP），並證明其可以處理複雜的非線性問 題。 感知機將○及 ╳分成兩類 多層前饋式網路可以解決XOR問題 XOR problem
倒傳遞類神經網路 倒傳遞類神經網路的架構為多層感知機（MLP） 一般使用的學習演算法為誤差倒傳遞演算法（Error Back Propagation, EBP），簡稱為 BP演算法 （MLP + EBP）稱之為 倒傳遞類神經網路 或 BPN
倒傳遞類神經網路 BPN所使用的活化函數
倒傳遞類神經網路
應用 倒傳遞類神經網路常用於： 1. 分類、診斷 2. 函數推估、預測 3. 訊號處理 4. 非線性控制系統 實例 影像辨識系統（例：指紋識別、衛星遙測影像分析、醫學影像識別） 訊號分類 其他資訊應用（例：雷達訊號分類、聲納訊號分類）