错分样本到超平面距离作为损失函数的感知器准则函数 误差反馈学习机制的感知器神经元模型
“错分样本距离的感知器准则函数”是在1958年正式提出的。
虽然感知器模型的概念在1957年就已提出，但将其学习过程严谨地数学化、并正式确立“错分样本到超平面距离”作为损失函数（即感知器准则函数）的，是 Frank Rosenblatt 在1958年发表的经典论文《The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain》（《感知器：大脑中信息存储与组织的概率模型》）。
在这篇论文中，Rosenblatt 明确定义了感知器的学习规则，其核心逻辑正是：
- 找出被错误分类的样本。
- 计算该样本到当前决策超平面的几何距离（在数学上正比于−yi(wTxi+b)-y_i(w^T x_i + b)−yi(wTxi+b)）。
- 通过最小化这个“错分样本距离的总和”来更新权重。
因此，学术界普遍将1958年视为感知器准则函数正式提出的年份。
带有误差反馈学习机制（即通过计算预测误差来驱动模型参数调整）的感知器神经元模型，是由弗兰克·罗森布拉特（Frank Rosenblatt）在 1957年 提出、并在 1958年 正式确立的“感知器（Perceptron）”本身。
根据相关学术资料，这一模型的历史脉络和“误差反馈”机制如下：
1. 提出时间：1957年 - 1958年
- 1957年，弗兰克·罗森布拉特在康奈尔航空实验室提出了“感知机（Perceptron）”模型。
- 1958年，他进一步提出了感知机学习算法，首次以实体机器（Mark I感知机硬件）验证了这种学习机制在工程上的可行性。
2. 它是如何实现“误差反馈学习”的？
在感知器模型之前，1943年提出的 M-P 神经元模型只是一个静态的数学逻辑单元，并不具备学习能力。而感知器模型之所以是里程碑，正是因为它引入了误差驱动的在线学习机制：
- 计算误差：模型在接收输入并产生输出后，会将实际输出与真实目标标签进行对比，计算出“误差”（Error = Target - Prediction）。
- 反馈调整：只有当预测发生错误（即误分类）时，模型才会根据这个误差信号，自动调整内部的权重和偏置参数，使得下一次预测向正确的方向偏移。
这种“预测 -> 算误差 -> 调参数”的闭环，就是最原始、最核心的误差反馈学习。它标志着神经网络从静态模型正式迈向了动态适应系统。
**1957年（至1958年）**提出的感知器模型，就是第一个具备误差反馈学习能力的神经元模型。