感知器(perceptron)是由美国学者F.Rosen-blatt于1957年提出的,其目的是为了模拟人脑的感知和学习能力.感知器是最早提出的一种神经网络模型,是一个具有单层神经元的网络,网络的激活函数是线性阈值单元.原始的感知器算法只有一个输出结点,相当于单个神经元.早期的研究人员试图用感知器模拟人脑的感知特征,但后来发现感知器的学习能力有很大的局限,如只能对线性可分的输入向量进行分类,以致于人们对它的能力和应用前景得出了十分悲观的结论.尽管如此,这种神经网络的出现对早期神经网络的研究,以及后来许多种神经网络的出现产生了极大的影响,就目前来看它仍然是一种十分有用的神经网络模型.感知器特别适用于简单的模式分类问题,当它用于两类模式分类时,相当于在高维样本空间中,用一个超平面将两类样本分开.Rosenblatt已经证明,如果两类模式是线性可分的(存在一个超平面将它们分开),则算法一定收敛. 本文以硬限幅函数单神经元感知器为例，介绍它的分类功能，它的分类功能很弱，只能对线性可分的输入向量进行分类。紧接着介绍了硬限幅函数二层单输出感知器的分类功能，它可以对位于凸空间内部和外部的两类模式实现无误划分。并给出了计算实例。