我正在尝试使用Delta训练规则来训练一个感知器，以实现AND布尔函数。但即使在收敛后，它仍然错误地分类了输入（实际上是1个输入）。请问我哪里做错了： http://ideone.com/CDgTQE
这是使用的训练函数：
public void trianWithDelta(Example[] examples){ for(int i=0;i<1000;++i){ dw1 = 0; dw2 = 0; for(Example ex:examples){ double o = computeOutput(ex); double t = ex.o; dw1 = dw1 + n*(t-o)*ex.x1; dw2 = dw2 + n*(t-o)*ex.x2; } w1 += dw1; w2 += dw2; } }训练示例（布尔AND）：
Example[] examples = new Example[]{ new Example(-1, -1, -1), new Example(-1 , 1, -1), new Example( 1, -1, -1), new Example( 1, 1, 1) };结果：w1 : 0.49999999999999994 w2 : 0.5000000000000002
使用训练示例在训练后的测试结果：
-1
1（错误）
-1
1
回答：
你的代码实际上是正确的，问题在于你对无偏见感知器能学到什么和不能学到什么的理解上。
如果你没有偏见，那么学习AND几乎是不可能的，因为：
- 你的数据之间只有一个角度分隔，这个角度对应于线
y=-x，在你的代码中这意味着w1=w2，即使它们之间的值有最微小的差异（例如1e-20）也会破坏分类器 - 你的分类器实际上回答了三个值（因为你使用了符号函数）：-1, 0, 1，而在这种设置下，没有偏见是不可能分离AND的，因为你需要在激活为0时回答-1。
试着在纸上画出正确的分隔线，你会注意到，没有偏见的情况下，你的线必须通过(0,0)，因此，它必须是y=-x，因此，对于(-1,1)和(1,-1)，激活值为0。
这两个问题都可以通过添加偏见节点来解决（这是你应该做的）。
你也可以稍微改变AND的定义——例如，将“False”编码为-2
Example[] examples = new Example[]{ new Example(-2, -2, -2), new Example(-2 , 1, -2), new Example( 1, -2, -2), new Example( 1, 1, 1) };
运行你的代码后，行为符合预期
Trained weights : 0.6363636363636364 0.6363636363636364-1-1-11