错分样本到超平面距离作为损失函数的感知器准则函数 误差反馈学习机制的感知器神经元模型

“错分样本距离的感知器准则函数”是在1958年正式提出的。虽然感知器模型的概念在1957年就已提出但将其学习过程严谨地数学化、并正式确立“错分样本到超平面距离”作为损失函数即感知器准则函数的是 Frank Rosenblatt 在1958年发表的经典论文《The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain》《感知器大脑中信息存储与组织的概率模型》。在这篇论文中Rosenblatt 明确定义了感知器的学习规则其核心逻辑正是找出被错误分类的样本。计算该样本到当前决策超平面的几何距离在数学上正比于−yi(wTxib)-y_i(w^T x_i b)−yi​(wTxi​b)。通过最小化这个“错分样本距离的总和”来更新权重。因此学术界普遍将1958年视为感知器准则函数正式提出的年份。带有误差反馈学习机制即通过计算预测误差来驱动模型参数调整的感知器神经元模型是由弗兰克·罗森布拉特Frank Rosenblatt在 1957年 提出、并在 1958年 正式确立的“感知器Perceptron”本身。根据相关学术资料这一模型的历史脉络和“误差反馈”机制如下1. 提出时间1957年 - 1958年1957年弗兰克·罗森布拉特在康奈尔航空实验室提出了“感知机Perceptron”模型。1958年他进一步提出了感知机学习算法首次以实体机器Mark I感知机硬件验证了这种学习机制在工程上的可行性。2. 它是如何实现“误差反馈学习”的在感知器模型之前1943年提出的 M-P 神经元模型只是一个静态的数学逻辑单元并不具备学习能力。而感知器模型之所以是里程碑正是因为它引入了误差驱动的在线学习机制计算误差模型在接收输入并产生输出后会将实际输出与真实目标标签进行对比计算出“误差”Error Target - Prediction。反馈调整只有当预测发生错误即误分类时模型才会根据这个误差信号自动调整内部的权重和偏置参数使得下一次预测向正确的方向偏移。这种“预测 - 算误差 - 调参数”的闭环就是最原始、最核心的误差反馈学习。它标志着神经网络从静态模型正式迈向了动态适应系统。**1957年至1958年**提出的感知器模型就是第一个具备误差反馈学习能力的神经元模型。