感知机（Perceptron）

感知机（Perceptron）是20世纪50年代由美国心理学家弗兰克·罗森布拉特（Frank Rosenblatt）提出的最基本的人工神经元模型之一。 它接收多个输入信号，计算加权求和，若超过某一阈值则输出"1"，否则输出"0"，是一种简单的二值分类器。 感知机的基本结构： • 输入层：接收多个特征量（x₁, x₂, ..., xₙ） • 权重（w₁, w₂, ..., wₙ）：对各输入施加的系数 • 偏置（bias）：调整输出的常数项 • 激活函数（通常为阶跃函数）：决定输出为1还是0 凭借这一简单结构，感知机能够解决线性可分问题（即可以用直线分隔的分类问题）。 然而，感知机存在"无法解决XOR问题"这一重大局限，是20世纪80年代初AI研究进入寒冬的原因之一。 此后，随着多层感知机（MLP：Multi-Layer Perceptron）和反向传播法（Backpropagation）的出现，这一问题得以克服，奠定了现代深度学习的基础。 主要意义与用途： • 机器学习算法理论发展的起点 • 简单的模式识别（如垃圾邮件分类等） • 理解神经网络学习原理的最佳教学素材 感知机本身虽已较少用于现代复杂AI模型，但作为理解神经网络历史与工作原理不可或缺的概念，至今仍具有重要价值。