传统的感知器一般使用一个单片段的激活函数作为决策函数,把输入特征的类别通过该决策函数判别出来。在这个过程中,输入向量被投影到一个权向量上,如果投影值是非负的,那么感知器的输出就等于1,与输出对应的对象被划分为两类对象之一。相反地,如果投影值是负的,那么感知器的输出就等于-1,相应地,与输出对应的对象被分类为两类对象中的另一类对象。由于感知器是最简单的神经网络,实现成本非常低,因此感知器在进行线性可分模式识别时起着重要的作用。但是由于传统的感知器使用的都是单片段激活函数,所以没办法进行非线性的分类。为了解决这个问题,本文提出了一个多片段的激活函数感知器,通过优化问题计算出分类超平面,解决了传统感知器无法处理的非线性二分类问题。第一步,把需要使用到的感知器个数初始化为输入特征向量的维度,每个感知器的决策函数都用一个单脉冲激活函数来代替。接下来对输入的特征向量做聚类,把输入特征按一定的规律分成不同的簇,然后再通过一个优化问题估算每一个簇的边界和最优分类超平面。第二步,当计算出每个簇的边界后,再对边界进行聚类,只有这样才能知道哪一个边界对应的是哪一个类别。第三步,定义一个编码来区分每一个类别,并找出编码的条件。本文使用了一个简单的模型来展示了采用多片段激活函数的感知器的分类结果。除此之外,对于心电图中的室上性心动过速和室性心动过速这两个特征,本文还使用了单片段激活函数的感知器和多片段激活函数的感知器进行了对比实验。