感知器(perception)是生物神经细胞的简单抽象，在百度上查一下“神经细胞”，得到如下图:
其中，树突用于获取外界信息刺激，细胞核用于对信息进行处理，轴突连接其他神经元，进行信息输出的传递(传递方向为单向传递)，基于这个概念，抽象出感知器来模拟神经细胞的这个活动。
单层感知器是一种最简单的单层前向人工神经网络，所谓单层，即除输入层和输出层之外，仅包含一层权值可变的神经元节点，主要用于处理线性可分的二分类问题（两类模式线性可分，算法一定收敛），其基本结构如下:
x1, x2, x3代表输入层(也叫感知层)，为3个神经元节点，负责引入外部信息，然后中间圆圈代表处理层，其具有信息处理能力，类似细胞核，工作过程就是一个感知器接收x1、x2、x3这三个二进制输入，并产生一个二进制输出。
考虑如下观点，五一快到了，你想去上海旅游，有3个考虑因素：
- 上海天气怎么样？
- 住宿地方是否出行便捷？
- 约好的朋友是否有空陪同去？
这三个因素对应x1, x2, x3，去上海对应output，是否要去取一个阈值5吧，然后把3个因素分别分配一个权重(权重表示相应输入对于输出重要性的实数)：3, 4, 3，也就是说，住宿的地方是否出行便捷对于最终是否去上海影响更大，然后每个因素乘以对应权重(假设天气不好：0，出行便捷:1，不陪同0)，得到结果为: 0*3 + 1*4 * 0*3 = 4 < 5，结果就是不去，类似可调整数值，而阈值代表了你想要去上海旅游的欲望，_值越小代表越愿意去_，因此，单层感知器可如下描述：
看到这个表达式，是不是感觉类似符号函数？其实，可以将感知器看作依据权重来做出决定的设备。
令输出为y, 阈值为b(-threshold)，输入对应x，权重对应w，则：y = w1*x1 + w2*x2 + w3*x3 + b
这就是一条直线了，对于二维平面，感知器就对应一条直线，这样在平面上的数据就被这条直线分类了，大部分情况，是收敛的，特殊情况下，数据集会存在不收敛，这样就要调整数据集了。
下面用MatLab新建一个感知器来测试一下：
A. 样本数据准备：
（天气好1，不好0； 出行便捷1，不便捷0； 陪同1，不陪同0; 出行1，不出行0； 天气权重3， 便捷权重4， 陪同3，阈值5）
这些输入表示为一个有3个元素的输入向量，输入元素的取值范围为[0 1]:
B. 创建感知器(设计为单层，单神经元的神经网络)：
newp函数用于生成一个感知器神经网络
C. 定义输入9*3样本向量:
把上面样本数据定义为一个向量：
D. 定义目标向量：
E. 训练单层感知器神经网络
train函数用于训练创建好的感知器网络
输入训练后，弹出结果如右边窗口所示，看到感知器经过4次训练，使输出达到目标值，点击”Performance”，可以查看训练误差曲线：
F.测试我们的感知器：
准备数据，分别对应上面样本数据的去与不去, 然后开始测试仿真：
可以得到结果就是1->去， 0->不去，可见设计的感知器达到目标需求。
小结一下，单层感知器的几个缺陷：
- 感知器的激活函数使用阈值函数，使得输出只能取两个值(1/-1或0/1)，这限制了在分类种类上的扩展
- 感知器网络只对线性可分的问题收敛，如果问题不可分，感知器无法解决
- 感知器的学习算法只对单层有效，多层时无法直接套用规则
- 当输入样本存在奇异样本(样本数据部分值突然增大)，感知器网络运算需要花费很长时间
转载请注明来源，欢迎对文章中的引用来源进行考证，欢迎指出任何有错误或不够清晰的表达。可以在下面评论区评论，也可以邮件至 linjk121@163.com.