概念
感覺器（Perceptron）是神經網絡中的一個概念，在1958年由Frank Rosenblatt第一次引入。
單層感覺器可以用來區分線性可分的資料，并且一定可以在有限的疊代次數中收斂。
感覺器的學習規則規定，學習信号等于神經元期望輸出（教師信号）與實際輸出之差（r表示誤差）：
r=dj−oj
r
=
d
j
−
o
j
式中，
dj
d
j
為期望的輸出，
oj=f(WTjX)
o
j
=
f
(
W
j
T
X
)
。感覺器采用了符号函數作為轉移函數，表達式為：
f(WTjX)=sgn(WTjX)={1,0,WTjX≥0WTj<0
f
(
W
j
T
X
)
=
s
g
n
(
W
j
T
X
)
=
{
1
,
W
j
T
X
≥
,
W
j
T
<
W
W
代表矩陣， ww代表一個值。
是以，權值調整公式為：
ΔWj=η[dj−sgn(WTjX)]X
Δ
W
j
=
η
[
d
j
−
s
g
n
(
W
j
T
X
)
]
X
Δwij=η[dj−sgn(WTjX)]xii=0,1,...,n
Δ
w
i
j
=
η
[
d
j
−
s
g
n
(
W
j
T
X
)
]
x
i
i
=
,
1
,
.
.
.
,
n
-
η
η
表示學習率，（
0<η≤1
<
η
≤
1
）
- 兩次疊代之間的權值變化已經很小
- 設定最大疊代次數，當疊代超過最大次數就停止。
式中，當實際輸出與期望值相同時 ， 權重不需要調整。在有誤差存在的情況下，由于
dj
d
j
和
sgn(WTjX)∈1,1
s
g
n
(
W
j
T
X
)
∈
1
,
1
，權值調整公式可簡化為：
ΔWj=±2ηX
Δ
W
j
=
±
2
η
X
感覺器學習規則隻适用于二進制神經元，初始權值可取任意值。
感覺器學習規則代表一種有監督學習。由于感覺器理論是研究其它神經網絡的基礎，該規則對于神經網絡的有監督學習具有極為重要的意義。
人體神經網絡
單層感覺器 模拟人體神經網絡：
單層感覺器（Single Layer Perceptron）是最簡單的神經網絡。它包含輸入層和輸出層，而輸入層和輸出層是直接相連的。
