1.7　神经计算

McCulloch和Pitts在神经计算方面进行了早期研究，试图理解动物神经系统的行为。他们的人工神经网络（Artificial Neural Network，ANN）模型有一个严重的缺点：不包括学习机制。

Frank Rosenblatt开发了一种称为感知器学习规则的迭代算法，用于在单层网络（所有神经元都直接连接到输入端的网络）中找到合适的权重。这一新兴学科的研究可能受到了严重阻碍，因为Minsky和Papert声明某些问题不能通过单层感知器来解决，如异或（XOR）函数。这项声明发布后，用于资助神经网络研究的资金立即被大幅削减。

20 世纪 80 年代初期，Hopfield 的工作使该领域再次活跃起来。他的异步网络模型（Hopfield网络）使用能量函数找到了NP完全问题的近似解。

20世纪80年代中期，反向传播被提出，这是一种适用于多层网络的学习算法。人们通常使用基于反向传播的网络来预测道琼斯平均指数，或将反向传播网络用于光学字符识别系统，以识别和阅读印刷材料。

神经网络也用于控制系统。ALVINN是卡内基·梅隆大学的一个项目，它使用一个反向传播网络来感知高速公路，并协助导航Navlab车辆转向。这项工作的一个直接应用是，每当车辆偏离高速公路车道时，就警告因睡眠不足或其他情况而判断力受损的驾驶员。展望未来，希望有一天类似的系统会驾驶车辆，这样我们就可以自由地在车上阅读报纸、打电话，以利用额外的空闲时间。