资源简介

(共34张PPT)
第七单元 第2课
感知器：会学习的神经网络
清华版（小学）
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）了解罗森布拉特的生平故事和他的感知器模型。
（2）了解感知器的工作原理，理解感知器的可学习性。
（3）知道感知器在人工智能发展史上的意义和局限性。
02
新知导入
M-P神经元模型的历史贡献
麦卡洛克和皮茨提出的M-P神经元模型首次用数学方法模拟了生物神经元的核心特性（二值激发与信号求和），为人工神经网络奠定了理论基础，但缺乏学习能力。
02
新知导入
罗森布拉特感知器的突破
1958年罗森布拉特在M-P模型基础上引入 可调权重 ，使神经网络能通过调整参数提高准确率，首次实现"从静态计算→动态学习"的跨越。
02
新知导入
技术演进的里程碑意义
感知器验证了神经网络的学习潜力，直接启发了现代深度学习模型，标志AI从"理论构想"迈向"实践应用"的关键一步。
03
新知讲解
1
罗森布拉特和他的感知器模型
罗森布拉特的学术背景
弗兰克·罗森布拉特出生于1928年，从康奈尔大学心理学系到康奈尔航空实验室的学术轨迹，体现心理学与早期AI研究的跨学科融合，为其感知器模型奠定认知科学基础。
03
新知讲解
1
罗森布拉特和他的感知器模型
感知器模型的创新突破
1957年提出的感知器在M-P模型基础上首次实现 通过图像数据优化参数，使神经网络具备真正学习能力，完成从理论到实践的跨越。
03
新知讲解
1
罗森布拉特和他的感知器模型
硬件实现的里程碑
1960年MARK I感知器硬件将算法实体化，成为首个可自主学习的人工神经网络设备，被《纽约时报》誉为"会思考的机器"，引发社会对AI的首次广泛关注。
03
新知讲解
1
罗森布拉特和他的感知器模型
历史影响与科学遗产
尽管有无法处理非线性问题等技术局限，感知器仍作为神经网络先驱被美国国家博物馆永久收藏，其"学习即参数优化"的核心思想直接启发了现代深度学习革命。
03
新知讲解
1
罗森布拉特和他的感知器模型
学术生涯与成就
罗森布拉特从康奈尔大学心理学系讲师到认知系统研究室主任的学术历程，期间出版《神经动力学原理》，系统总结感知器研究成果，并开设"大脑机制理论"课程，培养新一代研究者。
03
新知讲解
1
罗森布拉特和他的感知器模型
意外离世与科学贡献
1971年罗森布拉特在43岁时不幸因划船事故溺水身亡，结束了他短暂但极具影响力的科研生涯，其感知器研究为现代神经网络奠定基础。
03
新知讲解
1
罗森布拉特和他的感知器模型
学术荣誉与传承
2004年IEEE计算智能学会设立罗森布拉特奖，永久纪念他在生物启发计算领域的开创性贡献，激励后世科学家继续推进相关研究。
03
新知讲解
感知器的三层结构设计
（1）由400个光电管组成的阵列作为输入层，排列成一个20×20的网格，称为“感觉单元”。
（2）由512个神经元组成的隐藏层，名为“关联单元”。
（3）由8个神经元组成的输出层，称为“响应单元”。
2
感知器的工作原理
03
新知讲解
学习机制的创新性
输入层和隐藏层的连接是随机且固定的，而隐藏层和输出层是可以学习的。感知器可以识别图像中的字母。给感知器输入一个字母C的图像，在字母C所对应的输出神经元上就会得到激发值1，而其他输出神经元的激发值为0。
2
感知器的工作原理
03
新知讲解
仿生学目标
设计初衷是模仿人类视觉：输入层如视网膜感光，隐藏层如视觉皮层信息整合，输出层如大脑识别结果，体现“结构仿生→功能模拟”的研究路径。
2
感知器的工作原理
03
新知讲解
历史局限性
虽因固定输入连接无法处理非线性分类等复杂模式，但其“分层+可调权重”架构为现代深度学习（如CNN）提供了原型，奠定图像识别技术基础。
2
感知器的工作原理
03
新知讲解
感知器的理论缺陷与学界质疑
闵斯基与Papert通过《感知器：计算几何学导论》严格证明感知器仅能解决线性可分问题，无法处理异或逻辑，其理论局限性导致神经网络研究陷入十年低谷。
3
感知器的局限性与意义
03
新知讲解
学习机制的开创性价值
尽管功能受限，感知器首次实现 权重可调的自适应学习 ，为"通用学习机器"提供原型，奠定"数据驱动参数优化"的现代AI范式。
3
感知器的局限性与意义
03
新知讲解
技术局限与思想突破的辩证关系
感知器虽未实现通用学习目标，但其"仿脑结构+全局优化"理念启发了后续深度学习架构，如跳棋程序依赖具体规则，感知器通过连接权重泛化学习。
3
感知器的局限性与意义
03
新知讲解
历史地位的重新审视
短期看，感知器因理论缺陷被低估；长期看，其"结构仿生→功能涌现"的研究路径直接推动卷积神经网络（CNN）等突破，最终引领智能时代。
3
感知器的局限性与意义
03
新知讲解
爱
思
考
1.短期抑制但长期促进 ：
闵斯基的批评虽短期内阻碍了神经网络研究，但促使科学家改进模型，最终推动了更强大的深度学习技术发展。
2.避免资源浪费 ：
他的理论分析揭示了感知器的根本缺陷，防止学界在无效方向上过度投入，优化了AI研究进程。
3.科学检验的必要性 ：
批评如同科学"质检"，迫使神经网络研究从盲目乐观转向严谨创新，为现代AI奠定坚实基础。
03
新知讲解
爱
思
考
思考：1.感知器是怎么学会识别字母的？
（1）感知器通过调整隐藏层到输出层的连接权重，让正确字母的输出值接近1，错误字母接近0，逐步提高识别准确率。
04
课堂练习
一、填空题。
1.罗森布拉特的感知器由输入层、 层和输出层组成。
2.感知器的学习是通过调整 之间的连接权重实现的。
3.闵斯基在《感知器：计算几何学导论》中证明感知器只能解决 问题。
4.感知器的硬件实现名为 。
5.罗森布拉特的研究为现代 神经网络奠定了基础。
隐藏
神经元
线性可分
MARK I
深度
04
课堂练习
二、判断题。
1.感知器的输入层和隐藏层的连接是可以学习的。（ ）
2.罗森布拉特的感知器模型能够处理非线性分类问题。（ ）
3.闵斯基的批评直接导致了神经网络研究的十年低谷。（ ）
4.感知器的设计灵感完全来自鸟类飞行。（ ）
5.现代深度学习模型（如CNN）受到了感知器的启发。（ ）
×
√
×
√
×
04
课堂练习
三、选择题。
1.罗森布拉特的感知器模型相比M-P神经元的主要突破是什么？( )
A. 增加了更多的神经元数量 B. 引入了可学习的连接权重
C. 完全复制了人脑的所有功能 D. 使用了更快的计算机
2.感知器的三层结构中，哪一层负责接收外部输入？( )
A. 隐藏层 B. 输入层 C. 输出层 D. 关联单元
3.为什么闵斯基对感知器的批评没有阻碍AI的长期发展？( )
A. 因为科学家放弃了神经网络研究 B. 批评促使科学家改进模型
C. 感知器本身已经完美无缺 D. 批评导致AI研究完全停止
4.感知器在设计上模仿了人类的哪个系统？ ( )
A. 消化系统 B. 视觉系统 C. 呼吸系统 D. 循环系统
B
B
B
B
05
拓展延伸
1.多层感知机（MLP）的突破
通过增加隐藏层和反向传播算法，MLP解决了单层感知器无法处理非线性分类的致命缺陷，开启了神经网络的新时代。
05
拓展延伸
2.M-P神经元模型的数学原理
麦卡洛克和皮茨用逻辑阈值函数模拟生物神经元的"兴奋/抑制"特性，首次证明简单神经元网络可实现逻辑运算（如AND/OR），奠定了人工神经网络的理论基础。
05
拓展延伸
3.从感知器到卷积神经网络（CNN）
CNN继承感知器的分层结构，但通过局部感受野、权重共享和池化操作，大幅提升图像识别能力（如LeNet-5手写数字识别），成为现代计算机视觉的核心技术。
06
课堂总结
1
罗森布拉特和他的感知器模型
2
感知器的工作原理
3
完成课堂练习
4
进行相关知识拓展
1
2
4
5
感知器：会学习的神经网络
4
感知器的局限性与意义
3
07
板书设计
感知器：会学习的神经网络
1、罗森布拉特和他的感知器模型
2、感知器的工作原理
3、感知器的局限性与意义
4、完成课堂练习
5、进行知识拓展
课后作业。
1、感知器它对今天的AI有什么影响？
08
课后作业
思考：1.感知器它对今天的AI有什么影响
（1）它的“分层+权重学习”思想直接启发深度学习模型（如CNN），现在手机人脸解锁、语音助手都源于这一技术！
https://www.21cnjy.com/recruitment/home/fine

展开更多......

收起↑