Jaringan neural dapat dilatih untuk melakukan klasifikasi pola. Dalam klasifikasi pola setiap vektor masukan diklasifikasi menjadi anggota atau tidak dari suatu kelas tertentu atau kategori. Sebagai pendekatan pertama dianggap bahwa terdapat sehimpunan pola latihan yang mana klasifikasi yang benar diketahui.
Dalam kasus sederhana ditinjau suatu keanggotaan dalam suatu kelas. Untuk menyatakan keanggotaan dalam suatu kelas adalah dengan memberi tanggapan 1 atau -1 (1 atau 0 bila digunakan penyajian biner) yang menunjukkan bahwa pola adalah anggota atau bukan anggota kelas tersebut.
Untuk jaringan lapis tunggal, perluasan ke kasus yang lebih umum yang mana setiap pola menjadi anggota atau tidak dari beberapa kelas adalah mungkin. Dalam kasus ini satu unit keluaran untuk setiap kelas. Ada tiga metode pelatihan jaringan neural satu tapis :
1. Aturan Hebb
2. Aturan pelatihan Perceptron
3. Aturan Delta (jaringan neural Adaline)
Arsitektur Jaringan Satu Lapis
Arsitektur jaringan satu lapis terlihat pada Gambar berikut :
Gambar Jaringan neural satu lapis
Prasikap (bias) adalah bobot koneksi dari unit yang aktivasinya selalu 1.
Fungsi aktivasi jaringan adalah :
Bila tidak digunakan bobot prasikap, maka digunakan ambang tetap θ, sehingga :
Contoh:
Pemisahan ruang masukan menjadi daerah dengan tanggapan jaringan positif dan negative masukan memiliki dua komponen, sedangkan keluaran memiliki satu komponen (scalar)
agar jaringan mempunyai tanggapan yang benar maka dengan pelatihan dicari w1 w2 dan b. agar tanggapannya positif, maka :
Selama pelatihan, nilai w1 dan w2 ditentukan sehingga jaringan mempunyai tanggapan yang benar terhadap data pelatihan. Dalam hal ini garis pemisah tidak melewati titik asal.