感知机模型可以被视为一种最简单的前馈式人工神经网络（是一种二元线性分类器）。

它是谁的作品？

感知机模型，PerceptronModel，又译作感知器模型，是模拟人脑神经元工作原理的一种人工神经网络。

感知机是人工神经网络中的一种典型结构，它的主要特点是结构简单，对所能解决的问题存在收敛算法，并能从数学上严格证明，从而对神经网络的研究起到重要的推动作用。

年，罗森·布拉特（FrankRosenblatt）在就职于康奈尔航空实验室（CornellAeronauticalLaboratory）时发明。

罗森·布拉特给出了相应的感知机学习算法，常用的有感知机学习、最小二乘法和梯度下降法。譬如，感知机利用梯度下降法对损失函数进行极小化，求出可将训练数据进行线性划分的分离超平面，从而求得感知机模型。

感知机模型是人们用机器模拟人类智能的最早尝试。

感知机是支持向量机和人工神经网络的基础，希望学习支持向量机或人工神经网络，以及现在如日中天的深度学习模型的从业者，都需要熟练掌握感知机模型。

罗森·布拉特提出的感知机模型虽然由于人工智能先驱MarvinMinsky不看好而一度被打入“冷宫”，但近期由于深度学习的兴起，感知机模型的许多缺陷在多层神经网络中得以弥补。

这让我们重新发现了感知机模型的魅力，感知机模型也成为许多深度学习模型的基础。

年，心理学家沃伦·麦卡洛克（WarrenMcCulloch）和数理逻辑学家沃尔特·皮茨（WalterPitts）在合作的Alogicalcalculusoftheideasimmanentinnervousactivity论文中提出了人工神经网络的概念，并给出了人工神经元的数学模型，从而开创了人工神经网络研究的时代。

唐纳德·赫布（DonaldOldingHebb）在年出版的《行为的组织》中，提出了其神经心理学理论。

唐纳德·赫布认为神经网络的学习过程最终是发生在神经元之间的突触部位，突触的联结强度随着突触前后神经元的活动而变化，变化的量与两个神经元的活性之和，成正比。之后人们相继提出了各种各样的学习算法。

罗森·布拉特受到这种思想的启发，认为这个简单想法足以创造一个可以学会识别物体的机器。

时间线是：

年，罗森·布拉特创建了算法和硬件。

年，罗森·布拉特发布了算法模型。

年，罗森·布拉特在NewYorkTimes上发表文章Electronic“Brain”TeachesItself，正式把算法取名为“Perceptron”。

同年，罗森·布拉特在期刊PsychologicalReview中发表文章ThePerceptron:AProbabilisticModelforInformationStorageandOrganizationintheBrain，这是感知机的首个科研成果。

年，他又出版了PrinciplesofNeurodynamics:Perceptronsandthetheoryofbrainmechanisms一书，向大众深入解释感知机的理论知识及背景假设。

罗森·布拉特预测：不久以后，感知机将能够识别出人并叫出他们的名字，能够立即把演讲内容翻译成另一种语言并记录下来。他的想法成为人工智能新生领域的基石。不幸的是，罗森·布拉特的学习算法在当时对于多层结构的神经网络不起作用。

年，人工智能先驱、麻省理工学院的权威人士MarvinMinsky和知名专家SeymourPapert一起，写了一本书Perceptrons：anintroductionto
转载请注明原文网址：http://www.13801256026.com/pgzp/pgzp/3282.html