(
课件网) 第七单元 第3课 人工神经网络发展史 清华版（中学） 通 1 学习目标 3 新知讲解 5 拓展延伸 7 板书设计 2 新知导入 4 课堂练习 6 课堂总结 课后作业 8 01 教学目标 （1）了解人工神经网络的发展历程，从感知器到深度神经网络。 （2）了解不同神经网络结构的核心原理及其应用场景。 （3）探讨深度神经网络的强大学习能力及其对人工智能的影响。 02 新知导入 1. 人工神经网络的发展历程 从M-P模型（1943年）到感知机（1957年）、反向传播（1986年），再到深度学习（2006年后），神经网络经历了多次兴衰与突破。 02 新知导入 2. 技术演进的关键节点 人工神经网络从M-P模型的理论奠基，经历感知机的兴衰与反向传播的突破，最终推动深度学习的崛起。 02 新知导入 3. 当前影响与未来潜力 现代神经网络（如CNN、Transformer）在图像、语言等领域实现革命性应用，持续拓展AI边界，展现了通用智能的潜力。 03 新知讲解 1 感知器模型的兴起与衰落 1. 感知器模型的核心机制 感知器是M-P模型的扩展，通过 单层网络结构 （输入层+输出层）实现二分类，输出规则为：加权和>0输出1，否则输出-1。 03 新知讲解 1 感知器模型的兴起与衰落 2. 罗森布拉特的突破性贡献 1957年提出 权重可训练 的感知器，首次实现从数据中自主学习，开创“学习即智能”的新范式。 03 新知讲解 1 感知器模型的兴起与衰落 3. 线性可分的根本局限 感知器仅能解决 线性可分问题 （如用直线分类），无法处理异或（XOR）等非线性问题，这一缺陷被闵斯基严格证明。 03 新知讲解 1 感知器模型的兴起与衰落 4. 对AI发展的双重影响 感知器的短期挫折（AI寒冬）与长期价值（奠定深度学习基础）共同构成了神经网络发展的关键转折点。 03 新知讲解 1. 多层感知器（MLP）的结构创新 通过引入 隐藏层 和 非线性激活函数 （如Sigmoid、ReLU），MLP突破了感知器的线性局限，能够构建复杂非线性分类面，解决异或（XOR）等难题。 2 MLP的提出及BP算法 03 新知讲解 2. 反向传播（BP）算法的突破 核心思想 ：利用误差反向传播，逐层调整权重（输出层→隐藏层→输入层）； 两阶段流程 ：前向传播计算输出，反向传播修正误差，通过迭代优化网络性能。 2 MLP的提出及BP算法 03 新知讲解 3. 算法复兴与深远影响 1986年辛顿等人将BP应用于MLP训练，解决了深层网络学习难题，直接推动神经网络研究从低谷走向复兴，为深度学习时代奠定基础。 2 MLP的提出及BP算法 03 新知讲解 3 多种神经网络的提出 1. 卷积神经网络（CNN）的核心设计 采用 局部连接 和 权重共享机制，高效提取图像等数据的局部特征，降低参数量的同时增强模式识别能力。 03 新知讲解 3 多种神经网络的提出 2. CNN的生物学启发与历史演进 受视觉皮层局部敏感机制启发，从福岛邦彦的神经认知机（1980）到杨立昆的LeNet-5（1990s），再到大数据时代的深度CNN（如ResNet），逐步推动计算机视觉革命。 03 新知讲解 3 多种神经网络的提出 3. 循环神经网络（RNN）的序列建模优势 通过 循环结构 保留历史信息（记忆功能），实现对序列数据（如语言、时间序列）的上下文依赖建模，适用于语义理解、预测等任务。 03 新知讲解 3 多种神经网络的提出 4. RNN的变体与突破性进展 从霍普菲尔德网络（1982）、乔丹/埃尔曼网络（1980s）到LSTM（1997），通过门控机制解决长程依赖遗忘问题，显著提升序列建模性能。 03 新知讲解 3 多种神经网络的提出 5. CNN的典型应用场景 广泛应用于图像分类、目标检测、人脸识别等视觉任务，成为处理空间局部相关性数据的标准工具。 03 新知讲解 3 多种神经网络的提出 6. RNN的典型应用场景 主导自然语言处理（如情感分析、机器翻译）、语音识 ... ...
