在阅读 Rojas 的一本关于神经网络的书时，我在不同的地方遇到了两个对我来说似乎矛盾的陈述，因为我认为感知器和加权 McCulloch-Pitts 网络是相同的。声明是：
由于 McCulloch-Pitts 网络不使用加权边，因此必须回答加权网络是否比未加权网络更普遍的问题。一个简单的例子表明这两种网络是等价的。
感知器网络能够计算任何逻辑函数，因为感知器比未加权的 McCulloch-Pitts 元素更强大。
它们有何不同？
问问题
2186 次
1 回答
2
这两个段落看起来有点脱离了上下文。我认为，您的问题的答案可以在同一项工作中找到：
该图表明，可以通过简单地将网络边缘扇出所需次数来模拟正有理权重。这意味着我们可以使用加权边，也可以使用具有许多冗余边的更复杂的网络拓扑。
后来关于负权重：
如上所示，我们可以使用未加权网络实现任何类型的逻辑功能。我们交换的是构建块的简单性，以获得更复杂的网络拓扑。
所以，答案是：带权边的网络更简单，结构更统一，与无权网络相比，它们更容易构建和训练。
我认为，作者的想法（关于感知器的力量）在以下段落中进行了解释：
我们得出的结论是，McCulloch-Pitts 单元可用于构建能够计算任何逻辑函数和模拟任何有限自动机的网络 [但是] 在使用之前必须完全指定网络。没有可以调整以适应不同问题的自由参数。学习只能通过修改网络的连接模式和单元的阈值来实现，但这必然比仅仅调整数值参数更复杂。
这就是为什么感知器更强大（意味着灵活和统一）。
于 2012-11-07T10:18:54.453 回答