本人菜鸟，由于兴趣学习神经网络，本人能力有限，难免会出错，如有大大路过，望指出，学习内容出自《神经网络设计》，译者：戴葵
当水果通过这些传感器后，它可以用一个三维变量表示，分别表示外形，质地，质量，输入向量如下表示：
现有问题
1.感知机
现在希望选择适当的偏置值b和权值矩阵元素w来区分两种水果，设水果为香蕉时，输出1，菠萝输出-1，根据，输入个数为3，所以维数为3，由于输入向量第一个是不能判断的，因此第一个维数设置为0，为了使香蕉和菠萝的wp+b（权值乘以输入+偏置值）差距拉大，我们设置第二个维数为1，第三个维数为-1。因此权值为[0 1 -1]，输入输出函数用matlab的hardlim函数（硬极限函数），函数输入图如下
p1
输出a=handlim( [ p2 ]*[0 1 -1]+0)
p3
-1
测试实例，输入香蕉，则a=handlim（ [ 1 ]*[0 1 -1]）=handlim（2）=1。
-1
而菠萝=handlim（-2）=-1.
若是有一个不规则水果输入，实际效果会根据相对水果的标准向量，如菠萝为[-1 -1 1]，如距离(根据欧基米德距离)接近菠萝，则归为菠萝，反则亦然
2.Hamming网络
Hamming网络用于判断哪个标准向量最接近于输入向量，如输入（[ 1 1 1 ]T），判断是接近[-1 1 -1]香蕉还是[-1 -1 1]菠萝。
最后判定结果由最后的输出判断，每个标准向量对应于递归层的一个向量，输出里面非零的神经元即是输入向量更接近于哪个标准向量。
1.前馈层
用于实现每个标准模式和输入模式之间的相关检测和内积。可以用标准模式设置其权值矩阵的行，前馈层使用线性传输，对于菠萝香蕉实例来说，有：
输出a1=w1p+b1.
p1T -1 1 -1 3
w1=[ p2T ]=[-1 -1 1]，权值w1是由两个水果标准模式组成的，神经元素个数为R，因此b1取值为[3]，为了防止输出为负数。
先设输入为[-1 1 -1]（香蕉）。
-1 1 -1 -1 3 6
因此输出a1=[-1 -1 -1]*[ 1 ]+[ 3 ]=[ 4 ]
-1
2.反馈层