MLP多层感知器其实是一种人工神经网络结构，属于非参数估计，可以用于解决分类和回归问题。
如果使用“BP算法”也称为BP神经网络，是一种前向结构的人工神经网络，映射一组输入向量到一组输出向量。MLP可以被看作是一个有向图，由多个的节点层所组成，每一层都全连接到下一层。除了输入节点，每个节点都是一个带有非线性激活函数的神经元(处理单元)，可以解线性不可分问题。
早前已经学习了感知器学习算法，主要通过对那些错分类的样本进行求和来表示对错分样本的惩罚，但明显的它是一个线性的判别函数；而感知器神经元（阈值逻辑单元），对于单个的感知器神经元来说，尽管它能够实现线性可分数据的分类问题（如与、或问题），但是却无法解决非线性问题，如逻辑学里的异或（XOR）问题甚至是高阶，那么这样的问题该如何利用简单学习机器来解决呢？
回想下前面在非线性分类器中提到的分段线性判别，它的目的是为了将非线性函数拟合成多段线性函数的组合，同样，关于上述问题，我们也可以采用这一思想，对于任意复杂形状的分类区域，总可以用多个神经元组成一定的层次结构来实现。
多层感知器（Multiayer perceptrons, MLP）可以实现非线性判别式，如果用于回归，可以逼近输入的非线性函数。其实MLP可以用于“普适近似”，即可以证明： 具有连续输入和输出的任何函数都可以用MLP近似 ，已经证明，具有一个隐藏层（隐藏节点个数不限）的MLP可以学习输入的任意非线性函数。
训练MLP常用的是向后传播（backpropagation），这主要是因为在我们收敛误差函数的时候，使用链接规则计算梯度：
下面借助Halcon,先以MLP训练和识别开始（创建训练文件，训练，识别）。
大致代码如下，
上述案例摘自Halcon示例程序，用来解决颜色识别这一类问题的。从基本的思路可以看出，分类整体流程很简单其实：
而分类器的使用步骤也很简单：
版权声明：
本文来源网络，所有图片文章版权属于原作者，如有侵权，联系删除。
本文网址：https://www.mushiming.com/mjsbk/13464.html