В теории нейронных сетей часто сети с одной и той же базовой архитектурой носят разные названия. Разница в названиях связана с различными методами обучения сетей. Сеть, в зависимости от используемого метода обучения может называться сетью Хебба, однослойным перцептроном или адалином (Adaline — адаптивный линейный нейрон). Отличительная особенность адалина - использование для обучения Дельта-правила. Адалин - частный случай нейронной сети, когда имеется только один выходной нейрон. Обычно адалин использует биполярные входные и выходные сигналы. Обучающее правило минимизирует квадрат разности между входным сигналом элемента и необходимым значением сигнала на выходе: ; где Дельта-правило для настройки изображениях , ) имеет вид Адалин последовательно -го веса. нейрона (для каждого обучается на всем множестве пар (входное изображение, необходимый выходной сигнал), минимизируя ошибку для всего множества : Важную роль в правильном и быстром определении весов связей играет обучающий коэффициент . При больших значениях процесс может не сходиться или сходиться к неправильным значениям. При малых значениях обучение может слишком затягиваться. Для адалина при практических вычислениях рекомендуется использовать: где - число входов нейрона, включая смещение. Обучающий алгоритм адалина: Шаг 1. Задается множество пар (входное изображение нейрона , ). состоящее из , необходимый выходной сигнал Небольшими случайными значениями инициируются веса связей нейрона: , задается обучающий коэффициент . Шаг 2. Пока не соблюдаются условия останова шага 7, выполняются шаги 3 – 6 итерационного уточнения весов с последовательным использованием всех элементов множества . Шаг 3. Для каждой обучающей пары шаги 4-6. выполняются Шаг 4. Активируется множество входов адалина Шаг 5. Вычисляется входной сигнал адалина: Шаг 6. Адаптируются весовые коэффициенты: Шаг 7. Проверяется условие останова. Вычисления прекращаются, если в процессе выполнения итерационной процедуры квадрат разности между входным сигналом элемента и необходимым значением сигнала на выходе или сумма модулей всех изменений весовых коэффициентов становится меньше некоторой наперед заданной малой величины . В противном случае - переход к шагу 2. В общем случае для выходных нейронов и обучающего множества минимизируется сумма квадратов разностей: или Дельта-правило для обучения однослойной нейронной сети со многими биполярными выходными элементами принимает вид: