技术定义
根据输入加权和及阈值作出分类，并利用误分类样本调整权重的早期神经学习模型。
Rosenblatt在1958年论文中提出感知机模型。本条聚焦后来广泛教学和应用的单层分类形式，不把早期完整感知机系统的所有结构压缩成同一个公式。
单层模型的表达能力受线性可分性限制；这一限制不应推广为所有多层神经网络的限制。
原理与影响
解决的问题
- 让分类器的部分决策参数能够从样本中学习。
核心原理
- 由输入加权和产生判别结果，并以样本反馈修正权重。
相对前代的改进
暂无记录
技术意义
- 提供神经计算与数据驱动学习结合的早期路线。
历史与应用
人物
Frank Rosenblatt
组织
暂无记录
事件
暂无记录
典型应用
线性分类、神经学习教学
留下的局限
- 单层线性判别不能直接表达任意非线性分类边界。
上下游关系
上游
证据：The Perceptron: A Probabilistic Model for Information Storage and Organization in the BrainLearning Representations by Back-propagating Errors
下游
证据：The Perceptron: A Probabilistic Model for Information Storage and Organization in the BrainLearning Representations by Back-propagating Errors