Artificial intelligence 简单感知器可以执行哪些任务？

我试图教简单的单神经元感知器识别

1

的重复序列

以下是我用来教授它的数据：

learning_signals = [
  [[1, 1, 0, 0], 1],
  [[1, 1, 0, 1], 1],
  [[1, 1, 1, 0], 1],

  [[0, 1, 1, 0], 1],
  [[0, 1, 1, 1], 1],


  [[0, 0, 1, 1], 1],
  [[1, 0, 1, 1], 1],

  [[0, 0, 0, 0], 0],
  [[1, 0, 0, 0], 0],
  [[0, 1, 0, 0], 0],
  [[0, 0, 1, 0], 0],
  [[0, 0, 0, 1], 0],

  [[1, 0, 1, 0], 0],
  [[1, 0, 0, 1], 0],
  # [[0, 1, 0, 1], 0],

这是一组学习模板，每个模板都是一组数据，并且都是该数据的正确结果

如你所见。最后一行已注释-如果我取消注释-感知器将无法学习。如果没有它，感知器就不能在“0101”的情况下正常工作。所以问题是：

这个任务是可以用单神经元感知器解决的，还是应该用几个分层感知器

我如何确定哪些任务可以用这样一个简单的感知器来解决？有什么规则可以应用到我的任务中，并说它可以用简单的感知器来完成吗

以下是Percepton的代码：

---

你的特征是什么？我不确定我是否理解你……感知机是直接为每一位分配权重，还是有其他事情发生？是的，它是直接分配权重。把它的代码贴出来。把你的感知机的输入想象成n维空间中的点。感知器算法试图找到一个超平面，该超平面将空间分成两个面，其中一面包含一个类别中的所有元素，另一面包含另一个类别中的所有元素。因此，只有当空间能够以这种方式实际分割时，它才会起作用。问题的输入不能以这种方式划分。

class window.Perceptron
  weights: []
  calc: (signal) ->
    @neuron.calc signal
  adjust: ->
  foo: 0.1
  calc: (signal) ->
    sum = 0
    for s, i in signal
      sum += s*@weights[i]
    if sum>0.5 then return 1 else return 0
    sum
  learn: (templates) ->
    @weights = []
    for i in [1..templates[0][0].length]
      @weights.push Math.random()

    li = 0
    max_li = 50000
    console.log @weights
    while true
      gerror = 0
      li++
      for template, i in templates
        res = @calc template[0]
        # console.log "result: #{res}"
        error = template[1] - res
        gerror += Math.abs error
        for weight, i in @weights
          @weights[i] += @foo*error*template[0][i]
      if ((gerror == 0) || li > max_li) then break
    if gerror == 0
      console.log "Learned in #{li} iterations"
    else
      console.log "Learning failed after #{max_li} iterations"
    console.log @weights