我在阅读Rojas关于神经网络的书籍时，发现了两个看似矛盾的陈述，因为我原本以为感知器和加权McCulloch-Pitts网络是相同的。以下是这两个陈述：

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非加权网络更通用的问题。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，因为感知器甚至比非加权的McCulloch-Pitts元素更强大。

它们有何不同？

回答：

这两个段落似乎有点脱离了上下文。我认为，你问题的答案可以在同一作品中找到：

图表显示，正理数权重可以通过简单地将网络的边按所需次数进行扇出模拟。这意味着我们可以使用加权边，或者选择一个更复杂的网络拓扑，包含许多冗余边。

关于负权重，后文提到：

如上所示，我们可以使用非加权网络实现任何类型的逻辑功能。我们所牺牲的是构建模块的简单性，以换取网络的更复杂拓扑。

因此，答案是：具有加权边的网络更简单，结构更统一，相比非加权网络，它们更易于构建和训练。

我认为，作者关于感知器能力的观点在以下段落中得到了解释：

我们得出结论，McCulloch-Pitts单元可以用来构建能够计算任何逻辑函数并模拟任何有限自动机的网络[但是]网络必须在使用前完全指定。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为复杂。

这就是为什么感知器更强大（意味着更灵活和统一）。