多层感知机 (MLP)

Parent: ai_keywords

多层感知机 (MLP) 跨学科百科

核心定义

多层感知机（Multilayer Perceptron, MLP）是一种前馈式人工神经网络，由一个输入层、若干隐藏层和一个输出层组成，每层神经元与下一层全连接，通过非线性激活函数赋予模型表达复杂映射的能力。其训练依赖反向传播算法与梯度下降优化，是深度学习的奠基性架构，在模式识别、时间序列预测等领域广泛应用。

关键技术点

  1. 全连接与权重参数
    每层所有神经元与下一层完全连接，参数独立不共享。这种结构虽可捕获全局关联，但参数量随层数及神经元数呈平方增长，易引发过拟合。

  2. 非线性激活函数
    Sigmoid、Tanh（梯度饱和问题）与ReLU（修正线性单元，缓解梯度消失）是核心选择。ReLU及其变体（Leaky ReLU、ELU）因计算高效、促进稀疏激活而成为隐藏层默认选项。

  3. 反向传播与梯度下降
    通过链式法则逐层计算损失对权重的梯度，配合批量、动量或Adam等优化器迭代更新参数。梯度消失/爆炸是深层MLP的主要瓶颈，需结合批归一化或残差连接缓解。

  4. 万能逼近定理
    理论上，一个包含足够多神经元的单隐藏层MLP可近似任意连续函数。但实践中，深层结构能更高效地表示复杂特征层次，且泛化能力更优。

  5. 正则化与防止过拟合
    L1/L2正则、Dropout（随机丢弃神经元）、早停法及数据增强是常用策略，尤其在医学小样本场景中至关重要。

医学/神经科学应用场景：癫痫发作检测

以首都医科大学附属北京天坛医院神经病学研究为例，MLP可构建 基于头皮脑电图（EEG）的癫痫发作自动检测模型。

输入特征：从EEG多通道数据中提取时域（幅度、方差）、频域（δ、θ、α、β、γ节律功率谱密度）及非线性特征（近似熵、关联维数），构成高维特征向量。

网络结构：三层MLP（输入层→128神经元隐藏层→64神经元隐藏层→输出层），隐藏层使用ReLU激活，输出层为Sigmoid二分类（发作/非发作）。

临床价值：模型在颅内长程监测数据（采样率250Hz，10秒滑动窗口）上达到敏感度92%、误警率0.3次/小时，可实时标记发作起始脑电节律改变，辅助神经内科医生快速定位致痫灶并减少手动判读时间。该方法的泛化性受限于个体间脑电变异性，需结合迁移学习进一步优化。