3.6感知器算法
出發點
一旦判別函數的形式確定下來，不管它是線性的還是非線性的，剩下的問題就是如何確定它的系數。
在模式識別中，系數確定的一個主要方法就是通過對已知樣本的訓練和學習來得到。
感知器算法就是通過訓練樣本模式的迭代和學習，產生線性（或廣義線性）可分的模式判別函數。
基本思想
采用感知器算法(Perception Approach)能通過對訓練模式樣本集的“學習”得到判別函數的系數。
說明：這里采用的算法不需要對各類別中模式的統計性質做任何假設，因此稱為確定性的方法。
感知器算法實質上是一種賞罰過程 對正確分類的模式則“賞”，實際上是“不罰”，即權向量不變。
對錯誤分類的模式則“罰”，使w(k)加上一個正比於xk的分量。
當用全部模式樣本訓練過一輪以后，只要有一個模式是判別錯誤的，則需要進行下一輪迭代，即用全部模式樣本再訓練一次。 如此不斷反復直到全部模式樣本進行訓練都能得到正確的分類結果為止。
感知器算法的收斂性 只要模式類別是線性可分的，就可以在有限的迭代步數里求出權向量。
3.7采用感知器算法的多類模式的分類
討論
這里的分類算法都是通過模式樣本來確定判別函數的系數，但一個分類器的判斷性能最終要受並未用於訓練的那些未知樣本來檢驗。 要使一個分類器設計完善，必須采用有代表性的訓練數據，它能夠合理反映模式數據的整體。
