感知器網路具有哪些特點

A. 物聯網無線感測器網路具有哪些特點

主要特點

大規模

為了獲取精確信息，在監測區域通常部署大量感測器節點，可能達到成千上萬，甚至更多。感測器網路的大規模性包括兩方面的含義：一方面是感測器節點分布在很大的地理區域內，如在原始大森林採用感測器網路進行森林防火和環境監測，需要部署大量的感測器節點；另一方面，感測器節點部署很密集，在面積較小的空間內，密集部署了大量的感測器節點。

感測器網路的大規模性具有如下優點：通過不同空間視角獲得的信息具有更大的信噪比；通過分布式處理大量的採集信息能夠提高監測的精確度，降低對單個節點感測器的精度要求；大量冗餘節點的存在，使得系統具有很強的容錯性能；大量節點能夠增大覆蓋的監測區域，減少洞穴或者盲區。

自組織

在感測器網路應用中，通常情況下感測器節點被放置在沒有基礎結構的地方，感測器節點的位置不能預先精確設定，節點之間的相互鄰居關系預先也不知道，如通過飛機播撒大量感測器節點到面積廣闊的原始森林中，或隨意放置到人不可到達或危險的區域。這樣就要求感測器節點具有自組織的能力，能夠自動進行配置和管理，通過拓撲控制機制和網路協議自動形成轉發監測數據的多跳無線網路系統。

在感測器網路使用過程中，部分感測器節點由於能量耗盡或環境因素造成失效，也有一些節點為了彌補失效節點、增加監測精度而補充到網路中，這樣在感測器網路中的節點個數就動態地增加或減少，從而使網路的拓撲結構隨之動態地變化。感測器網路的自組織性要能夠適應這種網路拓撲結構的動態變化。

動態性

感測器網路的拓撲結構可能因為下列因素而改變：①環境因素或電能耗盡造成的感測器節點故障或失效；②環境條件變化可能造成無線通信鏈路帶寬變化，甚至時斷時通；③感測器網路的感測器、感知對象和觀察者這三要素都可能具有移動性；④新節點的加入。這就要求感測器網路系統要能夠適應這種變化，具有動態的系統可重構性。

可靠性

WSN特別適合部署在惡劣環境或人類不宜到達的區域，節點可能工作在露天環境中，遭受日曬、風吹、雨淋，甚至遭到人或動物的破壞。感測器節點往往採用隨機部署，如通過飛機撒播或發射炮彈到指定區域進行部署。這些都要求感測器節點非常堅固，不易損壞，適應各種惡劣環境條件。

B. 人工神經網路，人工神經網路是什麼意思

一、 人工神經網路的概念
人工神經網路（Artificial Neural Network，ANN）簡稱神經網路(NN)，是基於生物學中神經網路的基本原理，在理解和抽象了人腦結構和外界刺激響應機制後，以網路拓撲知識為理論基礎，模擬人腦的神經系統對復雜信息的處理機制的一種數學模型。該模型以並行分布的處理能力、高容錯性、智能化和自學習等能力為特徵，將信息的加工和存儲結合在一起，以其獨特的知識表示方式和智能化的自適應學習能力，引起各學科領域的關注。它實際上是一個有大量簡單元件相互連接而成的復雜網路，具有高度的非線性，能夠進行復雜的邏輯操作和非線性關系實現的系統。
神經網路是一種運算模型，由大量的節點（或稱神經元）之間相互聯接構成。每個節點代表一種特定的輸出函數，稱為激活函數（activation function）。每兩個節點間的連接都代表一個對於通過該連接信號的加權值，稱之為權重（weight），神經網路就是通過這種方式來模擬人類的記憶。網路的輸出則取決於網路的結構、網路的連接方式、權重和激活函數。而網路自身通常都是對自然界某種演算法或者函數的逼近，也可能是對一種邏輯策略的表達。神經網路的構築理念是受到生物的神經網路運作啟發而產生的。人工神經網路則是把對生物神經網路的認識與數學統計模型相結合，藉助數學統計工具來實現。另一方面在人工智慧學的人工感知領域，我們通過數學統計學的方法，使神經網路能夠具備類似於人的決定能力和簡單的判斷能力，這種方法是對傳統邏輯學演算的進一步延伸。
人工神經網路中，神經元處理單元可表示不同的對象，例如特徵、字母、概念，或者一些有意義的抽象模式。網路中處理單元的類型分為三類：輸入單元、輸出單元和隱單元。輸入單元接受外部世界的信號與數據；輸出單元實現系統處理結果的輸出；隱單元是處在輸入和輸出單元之間，不能由系統外部觀察的單元。神經元間的連接權值反映了單元間的連接強度，信息的表示和處理體現在網路處理單元的連接關系中。人工神經網路是一種非程序化、適應性、大腦風格的信息處理，其本質是通過網路的變換和動力學行為得到一種並行分布式的信息處理功能，並在不同程度和層次上模仿人腦神經系統的信息處理功能。
神經網路，是一種應用類似於大腦神經突觸連接結構進行信息處理的數學模型，它是在人類對自身大腦組織結合和思維機制的認識理解基礎之上模擬出來的，它是根植於神經科學、數學、思維科學、人工智慧、統計學、物理學、計算機科學以及工程科學的一門技術。
二、 人工神經網路的發展
神經網路的發展有悠久的歷史。其發展過程大致可以概括為如下4個階段。
1. 第一階段----啟蒙時期
(1)、M-P神經網路模型：20世紀40年代，人們就開始了對神經網路的研究。1943 年，美國心理學家麥克洛奇（Mcculloch）和數學家皮茲（Pitts）提出了M-P模型，此模型比較簡單，但是意義重大。在模型中，通過把神經元看作個功能邏輯器件來實現演算法，從此開創了神經網路模型的理論研究。
(2)、Hebb規則：1949 年，心理學家赫布（Hebb）出版了《The Organization of Behavior》（行為組織學），他在書中提出了突觸連接強度可變的假設。這個假設認為學習過程最終發生在神經元之間的突觸部位，突觸的連接強度隨之突觸前後神經元的活動而變化。這一假設發展成為後來神經網路中非常著名的Hebb規則。這一法則告訴人們，神經元之間突觸的聯系強度是可變的，這種可變性是學習和記憶的基礎。Hebb法則為構造有學習功能的神經網路模型奠定了基礎。
(3)、感知器模型：1957 年，羅森勃拉特（Rosenblatt）以M-P 模型為基礎，提出了感知器（Perceptron）模型。感知器模型具有現代神經網路的基本原則，並且它的結構非常符合神經生理學。這是一個具有連續可調權值矢量的MP神經網路模型，經過訓練可以達到對一定的輸入矢量模式進行分類和識別的目的，它雖然比較簡單，卻是第一個真正意義上的神經網路。Rosenblatt 證明了兩層感知器能夠對輸入進行分類，他還提出了帶隱層處理元件的三層感知器這一重要的研究方向。Rosenblatt 的神經網路模型包含了一些現代神經計算機的基本原理，從而形成神經網路方法和技術的重大突破。
(4)、ADALINE網路模型： 1959年，美國著名工程師威德羅（B.Widrow）和霍夫（M.Hoff）等人提出了自適應線性元件(Adaptive linear element，簡稱Adaline)和Widrow-Hoff學習規則（又稱最小均方差演算法或稱δ規則）的神經網路訓練方法，並將其應用於實際工程，成為第一個用於解決實際問題的人工神經網路，促進了神經網路的研究應用和發展。ADALINE網路模型是一種連續取值的自適應線性神經元網路模型，可以用於自適應系統。
2. 第二階段----低潮時期
人工智慧的創始人之一Minsky和Papert對以感知器為代表的網路系統的功能及局限性從數學上做了深入研究，於1969年發表了轟動一時《Perceptrons》一書，指出簡單的線性感知器的功能是有限的，它無法解決線性不可分的兩類樣本的分類問題，如簡單的線性感知器不可能實現「異或」的邏輯關系等。這一論斷給當時人工神經元網路的研究帶來沉重的打擊。開始了神經網路發展史上長達10年的低潮期。
(1)、自組織神經網路SOM模型：1972年，芬蘭的KohonenT.教授，提出了自組織神經網路SOM(Self-Organizing feature map)。後來的神經網路主要是根據KohonenT.的工作來實現的。SOM網路是一類無導師學習網路，主要用於模式識別﹑語音識別及分類問題。它採用一種「勝者為王」的競爭學習演算法，與先前提出的感知器有很大的不同，同時它的學習訓練方式是無指導訓練，是一種自組織網路。這種學習訓練方式往往是在不知道有哪些分類類型存在時，用作提取分類信息的一種訓練。
(2)、自適應共振理論ART：1976年，美國Grossberg教授提出了著名的自適應共振理論ART(Adaptive Resonance Theory)，其學習過程具有自組織和自穩定的特徵。
3. 第三階段----復興時期
(1)、Hopfield模型：1982年，美國物理學家霍普菲爾德（Hopfield）提出了一種離散神經網路，即離散Hopfield網路，從而有力地推動了神經網路的研究。在網路中，它首次將李雅普諾夫（Lyapunov）函數引入其中，後來的研究學者也將Lyapunov函數稱為能量函數。證明了網路的穩定性。1984年，Hopfield 又提出了一種連續神經網路，將網路中神經元的激活函數由離散型改為連續型。1985 年，Hopfield和Tank利用Hopfield神經網路解決了著名的旅行推銷商問題（Travelling Salesman Problem）。Hopfield神經網路是一組非線性微分方程。Hopfield的模型不僅對人工神經網路信息存儲和提取功能進行了非線性數學概括，提出了動力方程和學習方程，還對網路演算法提供了重要公式和參數，使人工神經網路的構造和學習有了理論指導，在Hopfield模型的影響下，大量學者又激發起研究神經網路的熱情，積極投身於這一學術領域中。因為Hopfield 神經網路在眾多方面具有巨大潛力，所以人們對神經網路的研究十分地重視，更多的人開始了研究神經網路，極大地推動了神經網路的發展。
(2)、Boltzmann機模型：1983年，Kirkpatrick等人認識到模擬退火演算法可用於NP完全組合優化問題的求解，這種模擬高溫物體退火過程來找尋全局最優解的方法最早由Metropli等人1953年提出的。1984年，Hinton與年輕學者Sejnowski等合作提出了大規模並行網路學習機，並明確提出隱單元的概念，這種學習機後來被稱為Boltzmann機。
Hinton和Sejnowsky利用統計物理學的感念和方法，首次提出的多層網路的學習演算法，稱為Boltzmann 機模型。
(3)、BP神經網路模型：1986年，儒默哈特（D.E.Ru melhart）等人在多層神經網路模型的基礎上，提出了多層神經網路權值修正的反向傳播學習演算法----BP演算法（Error Back-Propagation），解決了多層前向神經網路的學習問題，證明了多層神經網路具有很強的學習能力，它可以完成許多學習任務，解決許多實際問題。
(4)、並行分布處理理論：1986年，由Rumelhart和McCkekkand主編的《Parallel Distributed Processing：Exploration in the Microstructures of Cognition》，該書中，他們建立了並行分布處理理論，主要致力於認知的微觀研究，同時對具有非線性連續轉移函數的多層前饋網路的誤差反向傳播演算法即BP演算法進行了詳盡的分析，解決了長期以來沒有權值調整有效演算法的難題。可以求解感知機所不能解決的問題，回答了《Perceptrons》一書中關於神經網路局限性的問題，從實踐上證實了人工神經網路有很強的運算能力。
(5)、細胞神經網路模型：1988年，Chua和Yang提出了細胞神經網路（CNN）模型，它是一個細胞自動機特性的大規模非線性計算機模擬系統。Kosko建立了雙向聯想存儲模型（BAM），它具有非監督學習能力。
(6)、Darwinism模型：Edelman提出的Darwinism模型在90年代初產生了很大的影響，他建立了一種神經網路系統理論。
(7)、1988年，Linsker對感知機網路提出了新的自組織理論，並在Shanon資訊理論的基礎上形成了最大互信息理論，從而點燃了基於NN的信息應用理論的光芒。
(8)、1988年，Broomhead和Lowe用徑向基函數(Radialbasis function, RBF)提出分層網路的設計方法，從而將NN的設計與數值分析和線性適應濾波相掛鉤。
(9)、1991年，Haken把協同引入神經網路，在他的理論框架中，他認為，認知過程是自發的，並斷言模式識別過程即是模式形成過程。
(10)、1994年，廖曉昕關於細胞神經網路的數學理論與基礎的提出，帶來了這個領域新的進展。通過拓廣神經網路的激活函數類，給出了更一般的時滯細胞神經網路(DCNN)、Hopfield神經網路（HNN）、雙向聯想記憶網路（BAM）模型。
(11)、90年代初，Vapnik等提出了支持向量機(Supportvector machines, SVM)和VC(Vapnik-Chervonenkis)維數的概念。
經過多年的發展，已有上百種的神經網路模型被提出。

C. 前饋神經網路、BP神經網路、卷積神經網路的區別與聯系

一、計算方法不同

1、前饋神經網路：一種最簡單的神經網路，各神經元分層排列。每個神經元只與前一層的神經元相連。接收前一層的輸出，並輸出給下一層．各層間沒有反饋。

2、BP神經網路：是一種按照誤差逆向傳播演算法訓練的多層前饋神經網路。

3、卷積神經網路：包含卷積計算且具有深度結構的前饋神經網路。

二、用途不同

1、前饋神經網路：主要應用包括感知器網路、BP網路和RBF網路。

2、BP神經網路：

（1）函數逼近：用輸入向量和相應的輸出向量訓練一個網路逼近一個函數；

（2）模式識別：用一個待定的輸出向量將它與輸入向量聯系起來；

（3）分類：把輸入向量所定義的合適方式進行分類；

（4）數據壓縮：減少輸出向量維數以便於傳輸或存儲。

3、卷積神經網路：可應用於圖像識別、物體識別等計算機視覺、自然語言處理、物理學和遙感科學等領域。

聯系：

BP神經網路和卷積神經網路都屬於前饋神經網路，三者都屬於人工神經網路。因此，三者原理和結構相同。

三、作用不同

1、前饋神經網路：結構簡單，應用廣泛，能夠以任意精度逼近任意連續函數及平方可積函數．而且可以精確實現任意有限訓練樣本集。

2、BP神經網路：具有很強的非線性映射能力和柔性的網路結構。網路的中間層數、各層的神經元個數可根據具體情況任意設定，並且隨著結構的差異其性能也有所不同。

3、卷積神經網路：具有表徵學習能力，能夠按其階層結構對輸入信息進行平移不變分類。

(3)感知器網路具有哪些特點擴展閱讀：

1、BP神經網路優劣勢

BP神經網路無論在網路理論還是在性能方面已比較成熟。其突出優點就是具有很強的非線性映射能力和柔性的網路結構。網路的中間層數、各層的神經元個數可根據具體情況任意設定，並且隨著結構的差異其性能也有所不同。但是BP神經網路也存在以下的一些主要缺陷。

①學習速度慢，即使是一個簡單的問題，一般也需要幾百次甚至上千次的學習才能收斂。

②容易陷入局部極小值。

③網路層數、神經元個數的選擇沒有相應的理論指導。

④網路推廣能力有限。

2、人工神經網路的特點和優越性，主要表現在以下三個方面

①具有自學習功能。例如實現圖像識別時，只在先把許多不同的圖像樣板和對應的應識別的結果輸入人工神經網路，網路就會通過自學習功能，慢慢學會識別類似的圖像。自學習功能對於預測有特別重要的意義。預期未來的人工神經網路計算機將為人類提供經濟預測、效益預測，其應用前途是很遠大的。

②具有聯想存儲功能。用人工神經網路的反饋網路就可以實現這種聯想。

③具有高速尋找優化解的能力。尋找一個復雜問題的優化解，往往需要很大的計算量，利用一個針對某問題而設計的反饋型人工神經網路，發揮計算機的高速運算能力，可能很快找到優化解。

D. 前饋型神經網路常用於什麼

1.主要應用包括感知器網路。按內容而分布在網路某一處，可以存儲一個外部信息。而每個神經元以分散的形式存儲在感知器上。網路的分布對存儲有等勢作用。這種分布式存儲是神經系統均勻分布在網路上的自身具備的特點。在大腦的反射弧層裡面，對應感知的存儲應用。
2.主要應用於BP網路。也叫多層前饋網路。模擬人腦，分配勻稱，達到自主學習功效。每個大腦皮層細胞在識別各列和和各類的存儲信息時，進行自動排列和分配，運算。可以鏈接訓練記憶樣本與樣本輸出的聯系。
3.主要應用於RBF網路。就是徑向基函數神經網路。可以對周圍環境進行識別和判斷，處理模糊甚至不規則的推理，模仿人類識別細胞，識別圖像，識別聲音。對難以解析的規律性,具有良好的泛化能力,並有很快的學習收斂速度,已成功應用於非線性函數逼近，以及時間序列分析。

E. 什麼是多層感知器，什麼是單層感知器

1.感知器

感知器（Perceptron），是神經網路中的一個概念，在1950s由Frank Rosenblatt第一次引入。

2.單層感知器

單層感知器（Single Layer Perceptron）是最簡單的神經網路。它包含輸入層和輸出層，而輸入層和輸出層是直接相連的。

圖2.2就是一個多層感知器。

對於多層感知器的計算也是比較簡單易懂的。首先利用公式1計算每一個。

F. BP神經網路和感知器有什麼區別

1、發展背景不同：

感知器是Frank Rosenblatt在1957年所發明的一種人工神經網路，可以被視為一種最簡單形式的前饋式人工神經網路，是一種二元線性分類器。

而BP神經網路發展於20世紀80年代中期，David Runelhart。Geoffrey Hinton和Ronald W-llians、DavidParker等人分別獨立發現了誤差反向傳播演算法，簡稱BP，系統解決了多層神經網路隱含層連接權學習問題，並在數學上給出了完整推導。

2、結構不同：

BP網路是在輸入層與輸出層之間增加若干層(一層或多層)神經元，這些神經元稱為隱單元，它們與外界沒有直接的聯系，但其狀態的改變，則能影響輸入與輸出之間的關系，每一層可以有若干個節點。

感知器也被指為單層的人工神經網路，以區別於較復雜的多層感知器（Multilayer Perceptron）。 作為一種線性分類器，（單層）感知器可說是最簡單的前向人工神經網路形式。

3、演算法不同：

BP神經網路的計算過程由正向計算過程和反向計算過程組成。正向傳播過程，輸入模式從輸入層經隱單元層逐層處理，並轉向輸出層，每層神經元的狀態隻影響下一層神經元的狀態。感知器使用特徵向量來表示的前饋式人工神經網路，它是一種二元分類器，輸入直接經過權重關系轉換為輸出。

G. 簡述作為分類器的感知器有哪些特點

自從90年代初經典SVM的提出，由於其完整的理論框架和在實際應用中取得的很多好的效果，在機器學習領域受到了廣泛的重視。其理論和應用在橫向和縱向上都有了發展。

理論上：1.模糊支持向量機，引入樣本對類別的隸屬度函數，這樣每個樣本對於類別的影響是不同的，這種理論的應用提高了SVM的抗雜訊的能力，尤其適合在未能完全揭示輸入樣本特性的情況下。

2．最小二乘支持向量機。這種方法是在1999年提出，經過這幾年的發展，已經應用要很多相關的領域。研究的問題已經推廣到：對於大規模數據集的處理；處理數據的魯棒性；參數調節和選擇問題；訓練和模擬。

3．加權支持向量機（有偏樣本的加權，有偏風險加權）。

4．主動學習的支持向量機。主動學習在學習過程中可以根據學習進程，選擇最有利於分類器性能的樣本來進一步訓練分類器，特能有效地減少評價樣本的數量。也就是通過某種標准對樣本對分類的有效性進行排序，然後選擇有效樣本來訓練支持向量機。

5．粗糙集與支持向量機的結合。首先利用粗糙集理論對數據的屬性進行約簡，能在某種程度上減少支持向量機求解計算量。

6．基於決策樹的支持向量機。對於多類問題，採用二岔樹將要分類的樣本集構造出一系列的兩類問題，每個兩類構造一個SVM。

7．分級聚類的支持向量機。基於分級聚類和決策樹思想構建多類svm，使用分級聚類的方法，可以先把n-1個距離較近的類別結合起來，暫時看作一類，把剩下的一類作為單獨的一類，用svm分類，分類後的下一步不再考慮這單獨的一類，而只研究所合並的n-1類，再依次下去。

8．演算法上的提高。

l Vapnik在95年提出了一種稱為」chunking」的塊演算法，即如果刪除矩陣中對應Lagrange乘數為0的行和列，將不會影響最終結果。

l Osuna提出了一種分解演算法，應用於人臉識別領域。

l Joachims在1998年將Osuna提出的分解策略推廣到解決大型SVM學習的演算法

l Platt於1998年提出了序貫最小優化（Sequential Minimal Optimization）每次的工作集中只有2個樣本。

9．核函數的構造和參數的選擇理論研究。基於各個不同的應用領域，可以構造不同的核函數，能夠或多或少的引入領域知識。現在核函數廣泛應用的類型有：多項式逼近、貝葉斯分類器、徑向基函數、多層感知器。參數的選擇現在利用交叉驗證的方法來確認。

10．支持向量機從兩類問題向多類問題的推廣：

n Weston在1998年提出的多類演算法為代表。在經典svm理論的基礎上，直接在目標函數上進行改進，重新構造多值分類模型，建立k分類支持向量機。通過sv方法對新模型的目標函數進行優化，實現多值分類。這類演算法選擇的目標函數十分復雜，變數數目過多，計算復雜度也非常高，實現困難，所以只在小型問題的求解中才能使用。Weston,Multi-class support vector machines

n 一對多（one-against-rest）----- Vapnik提出的,k類---k個分類器，第m個分類器將第m類與其餘的類分開，也就是說將第m類重新標號為1，其他類標號為-1。完成這個過程需要計算k個二次規劃，根據標號將每個樣本分開，最後輸出的是兩類分類器輸出為最大的那一類。不足：容易產生屬於多類別的點（多個1）和沒有被分類的點（標號均為-1）--不對，訓練樣本數據大，訓練困難，推廣誤差無界.

n 一對一（one-against-one）---Kressel 對於任意兩個分類，構造一個分類器，僅識別這兩個分類，完成這個過程需要k(k-1)/2個分類器，計算量是非常龐大的。對於每一個樣本，根據每一個分類器的分類結果，看屬於哪個類別的次數多，最終就屬於哪一類(組合這些兩類分類器並使用投票法，得票最多的類為樣本點所屬的類)。不足：如果單個兩類分類器不規范化，則整個N類分類器將趨向於過學習；推廣誤差無界；分類器的數目K隨類數急劇增加，導致在決策時速度很慢。

n 層（數分類方法），是對一對一方法的改進，將k個分類合並為兩個大類，每個大類裡面再分成兩個子類，如此下去，直到最基本的k個分類，這樣形成不同的層次，每個層次都用svm來進行分類------1對r-1法，構建k-1個分類器，不存在拒絕分類區。

應用上：人臉檢測，汽輪發電機組的故障診斷，分類，回歸，聚類，時間序列預測，系統辨識，金融工程，生物醫信號處理，數據挖掘，生物信息，文本挖掘，自適應信號處理，剪接位點識別，基於支持向量機的資料庫學習演算法，手寫體相似字識別，支持向量機函數擬合在分形插值中的應用，基於支持向量機的慣導初始對准系統，岩爆預測的支持向量機，缺陷識別，計算機鍵盤用戶身份驗證，字幕自動定位於提取，說話人的確認，等等。

主要研究熱點

從上面的發展中，我們可以總結出，目前支持向量機有著幾方面的研究熱點：核函數的構造和參數的選擇；支持向量機從兩類問題向多類問題的推廣；更多的應用領域的推廣；與目前其它機器學習方法的融合；與數據預處理（樣本的重要度，屬性的重要度，特徵選擇等）方面方法的結合，將數據中脫離領域知識的信息，即數據本身的性質融入支持向量機的演算法中從而產生新的演算法；支持向量機訓練演算法的探索。

H. 感知機、自適應線性網路、bp網路及hopfeild網路的主要區別。

感知機是最簡單的神經網路，只有輸入層和輸出層。
hopfeild網路是 節點兩兩連接的網路。
BP網路和徑向基神經網路結構都具有隱層；
BP網路和徑向基神經網路結構（GRBF）的區別

BP網路用於函數逼近時，權值的調節採用的是負梯度下降法，這種調節權值 的方法有它的局限性，既存在著收斂速度慢和局部極小等缺點。而徑向基神經網路在逼近能力、分類能力和學習速度等方面均優於BO網路。
從理論上講，RBF網路和BP網路一樣可近似任何的連續非線形函數，兩者的主要差別在於各使用不同的作用函數，BP網路中的隱層節點使用的是Sigmoid函數，其函數值在輸入空間中無限大的范圍內為非零值，而RBF網路的作用函數則是局部的。

I. 什麼是感知器

感知器屬於感測器的一種，並有存儲功能和分析處理數據的能力。感知觸電工作電壓：36V；感知動作壓力：10-20KG是類似於壓力感測器的一種。如果感知器是人類的話，他就會被稱作「心不在焉」，因為除了擺在面前的工作，他很少注意任何事。實際上，他時常會忘記他已被捲入一場殘酷的戰爭，因此他也經常遭遇意外而受傷。他的放大鏡雖然抗震，卻是他的身體結構中脆弱的連接環節，任何由它引起的問題都會使感知器無法繼續工作，也極大地降低了他的攻擊力。另外，感知器的行動速度是汽車人中最慢的。感知器對知識的渴求永遠不會熄滅，為了探索科學可以忘掉一切其他的事。

他的主要研究是關於如何讓博派以最優的方式適應地球。感知器絕頂聰明，專業領域涉及冶金學，分子化學和電子工程。在顯微鏡模式下，具有優秀的放大能力。透鏡可以變成強大的激光炮。在機器人模式下，感知器裝備了震盪槍。對工作的過於投入使他對其他事情漫不經心。透鏡是他最弱的部分。重力感應器：根據屏幕方向而轉動，游戲的左右移動；光線感應：根據光線的強弱來改變屏幕亮度，和在通話時聽筒貼進耳朵時屏幕就會黑屏，避免誤操作，離開耳朵屏幕又亮起（這裡麵包含了「距離感應器」，距離感應器的作用就只對應這一個功能）；溫度感應器，就是用來監測手機電池的溫度和cpu的溫度的，作用個人感覺不是很大；加速感應器，壓力感應器，我手機上沒有，也不知道所起到的作用是什麼；陀螺儀我手機也沒有，也不懂；至於你所說的「電子羅盤」，其實應該叫「地磁感應器」，就像是指南針，需要額外安裝程序才能啟動，比如「指南針」或者「地圖」的程序；一般的安卓手機的標准配備是：光線感應，重力感應，距離感應；陀螺儀，地磁感應一般的中高端都配有；至於加速感應和壓力感應，沒有聽說過；其實日常使用手機，我們很少用到這些感應器，但是有總比沒有好。