神经元模型简单制作方法神经网络学习之M-P神经元模型 _经验知识

神经网络中最基本的信息处理单元就是M-P神经元模型。一个M-P神经元模型接受来自其他m个神经元传递过来的输入信号。输入信号通过带权重的连接进行传递。到达神经元。神经元对其加权和。得到总输入值。然后将其与神经元的阈值进行比较。如果神经元的总输入值大于它的阈值。神经元就会被唤醒。通过唤醒函数的映射形成输出。具体的计算模型如下图所示：

文章插图
目前神经元接受外面的世界信号x1 。x2 。... 。xm,一共有m个信号的输入。这m个输入信号通过传递分别获得了权重w1 。w2 。... 。wm 。然后对其加权累和得到了总输入值。最后将其与目前神经元的阈值进行比较。如果总输入值大于它的阈值。神经元被唤醒。通过唤醒函数的映射形成输出。具体的计算公式如上图所示。
其实M-P神经元模型的本质就是一个广义的线性回归模型。而唤醒函数就相当于广义线性回归模型中的g函数。要解决M-P神经元模型的计算问题。还要有一个具体的唤醒函数。理论上。唤醒函数可以是任意的函数形式。通常使用的有：线性函数、非线性斜面函数、阈值函数、逻辑斯蒂函数。
【神经元模型简单制作方法神经网络学习之M-P神经元模型】线性函数f（net）=k*net+c
线性函数只能进行线性变化。不适合用来处理非线性问题。