Adaline（自适应线性元素）和感知器在被视为单独的单元时都是线性分类器。它们都接受输入，并根据阈值输出例如 0 或 1。

两者之间的主要区别在于，感知器采用二进制响应（如分类结果）并计算用于更新权重的错误，而Adaline使用连续响应值来更新权重（因此在二值化输出之前产生）。

Adaline 这样做的事实允许其更新在阈值化之前更能代表实际错误，这反过来又允许模型更快地收敛。

看看这个非常有趣的神经网络历史，其中包含关于Adalines的一小部分，以及忆阻器 - 具有记忆的电阻器，作为 1960 年代形象地感知的神经元。

这里也有类似问题的一些其他答案。

Perceptron 和 Adaline 的区别：

1. 感知器使用类标签来学习模型系数。
2. Adaline 使用连续预测值（来自净输入）来学习模型系数，这更“强大”，因为它通过模型对或错的“多少”告诉我们。

第一个区别

在感知器模型中：

new_weight(i) = old_weight(i) + (learning_rate x target_output x input(i))

在 Adaline 模型中：

new_weight(i) = old_weight(i) + (learning_rate x (target_output - calculated_output) x input(i))

第二个区别

在感知器模型中：

激活功能

y(w1 x X1 + w2 x X2... + b) =
1 if w1 x X1 + w2 x X2... + b > 0
0 if w1 x X1 + w2 x X2... + b = 0
-1 if w1 x X1 + w2 x X2... + b < 0

在 Adaline 模型中：

激活功能

y(w1 x X1 + w2 x X2... + b) =
1 if w1 x X1 + w2 x X2... + b >= Threshold
0 if w1 x X1 + w2 x X2... + b < Threshold