多层感知器神经网络模型缺点 多层感知器的特点

多层感知器由简单的相互连接的神经元或节点组成，如图1所示。

它是一个表示输入和输出向量之间的非线性映射的模型。节点之间通过权值和输出信号进行连接，这些权值和输出信号是一个简单的非线性传递或激活函数修改的节点输入和的函数。它是许多简单的非线性传递函数的叠加，使得多层感知器能够近似非常非线性的函数。

节点的输出按连接权值进行缩放，并作为下一层网络节点的输入。这意味着信息处理的方向;因此，多层感知器也被称为前馈神经网络。多层感知器的结构是可变的，但通常是由多层神经元组成的。输入层不扮演计算角色，只是将输入向量传递给网络。输入和输出矢量是指多层感知器的输入和输出，可以用单个矢量表示，如图1所示。多层感知器可以有一个或多个隐藏层，最后是输出层。多层感知器被描述为完全连接到下一层和上一层的每个节点。

通过选择一组合适的权值和传递函数，多层感知器可以近似任何平滑的、可测量的输入和输出向量[4]之间的函数。多层感知器具有通过训练学习的能力。培训需要一组培训数据，即，一系列输入和相关的输出向量。在训练过程中，将多层感知器与训练数据反复呈现，不断调整网络中的权值，直到得到所需的输入输出映射。这个过程的结果是将系统属性的编码映射到神经网络的不同部分。如果多层感知器在训练后给出一个不属于训练对的输入向量，它将模拟系统并产生相应的输出向量。实际函数值与预测函数值之间的误差表明了训练的成功程度。在本研究中，神经网络的输出均方误差(MSE)被视为