1.基本原理
感知器可以说是最早的人工神经网络（Artificial Neural Network,ANN），单层感知器是一个具有一层神经元、采用阈值激活函数的前向神经网络网络。
感知器的输出一般是0或1，当然也可以是-1或+1，实现对输入的矢量进行分类的目的。
前向神经网络（Feed Forword Neural Network）:各个神经元接受前级输入，并输出到下一级，无反馈，可用一有向无环图表示。
前馈网络通常分为不同的“层”（layer），第i层的输入只与第i-1层的输入联接。
可见层：输入层（input layer）与输出层(output layer)
隐藏层（hidden layer）：中间层。
????? 神经网络里最简单的模型，就是感知器。感知器可以实现N维空间的线性划分。如二维空间，下图就是用一条直线将（0 0）分为一类，其余四点为一类。实现了与门。
简单的感知器神经网络代码例子分析：
1.建立输入向量与目标向量
P=[0 0 1 1;0 1 0 1]; %输入向量，第一行代表横坐标，第二行代表纵坐标。
T=[0 1 1 1]; %目标向量，分为0和1两类，0代表o，1代表+2.建立网络
net=newp(minmax(P),1,'hardlim','learnp'); %建立感知器神经网络，newp函数是建立感知器神经网络，minmax()函数用于获取数组中每一行的最小值和最大值
3.对网络进行训练
net=train(net,P,T); %对网络进行训练
4.将已经训练好的网络进行仿真
Y=sim(net,P); %对已经训练好的网络进行仿真
5.绘制分类结果图
plotpv(P,T); %绘制感知器的输入向量和目标向量，绘制样本点
plotpc(net.iw{1,1},net.b{1}); %在感知器向量图中绘制分界线
分析该神经网络的结构
?
?该网络有两个输入，也就是输入向量有两行，分别代表横纵坐标。
该网络有一个输出，并且不是0就是1.
小节：
感知器是最简单的神经网络，只适合进行简单的模式分类；感知器只对线性可分的向量集合进行分类，所谓线性可分，是指可以用一条直线（针对二维向量）或者一个平面（针对三维向量）将输入向量分开；对感知器的分析有助于理解更加复杂的神经网络。
