他们的网络基于大略的神经元，这些神经元被认为是具有固定阈值的二进制设备

他们的模型是大略的逻辑函数，例如“a或b”和“a与b”。

另一个考试测验是利用打算机仿照。

1954年Belmont G. Farley和Wesley A. Clark在MIT成功实现了小型神经网络的电脑仿照。

1956年，N. Rochester, J. H. Holland, L. H. Haibt, and W. L. Duda利用大型数字打算机仿照测试了神经网络。

不仅是神经科学对神经网络的发展产生了影响，生理学家和工程师也为神经网络的仿照做出了贡献。

1958年，Rosen blatt设计和开拓了感知器。

感知器有三层，中间层称为关联层。
这个别系可以学习将给定的输入连接或关联到随机输出。

另一个别系是ADALINE(ADAptive LINear

Element)，由Widrow和Hoff于1960年开拓。

ADALINE是一种由大略元器件制成的仿照电子设备。
利用的方法与感知器不同的是，它利用了最小均方（LMS：Least-Mean-Squares）学习规则。

1969年，Minsky和Papert写了一本书，他们在个中概括了单层感知器到多层系统。
在书中他们说：“我们的直觉判断是（对多层系统的）扩展是无效的”。
他们的书的重大影响是对神经网络仿照研究的帮助逐步减少了。

虽然"大众年夜众的兴趣和帮助资金都很少，一些研究职员仍连续致力于开拓基于神经形态的打算方法，以办理诸如模式识别等类型的问题。

在此期间，几个现在仍旧在不断增强的范式产生了。

Steve Grossberg和Gail Carpenter在1988年创立了一个探索共鸣振算法的思想流派。
他们开拓了基于生物学上可信的模型的ART（自适应共振理论）网络。
Anderson和Kohonen也同时独立开拓了类似的算法。

A. Henry Klopf 在1972年，基于称为异质性的神经元学习生物学事理，开拓了人工神经元学习的根本。

Paul Werbos在1974年，开拓并利用了反向传播学习方法，但这种方法过了几年之后才盛行起来。
反向传播网可能是最众所周知和广泛运用的神经网络。
在实质上，反向传播神经网络是一个具有多个层的感知器，人工神经元中具有不同的阈值函数，以及更鲁棒和更强大的学习规则。

Amari Shun-Ichi参与了理论发展：他揭橥了一篇论文，为处理自适应模式分类的学习根本（纠错方法）建立了数学理论。

Fukushima.Kunihiko开拓了一个用于阐明手写字符的逐步演习的多层神经网络。
原始网络发布于1975年，被称为Cognitron。

20世纪70年代末和80年代初的进展对神经网络领域的重新兴起很主要。
几个成分影响了这次兴起。
例如，综合性书本和会议用专门的技能措辞为不同领域的人们供应了一个论坛，对会媾和出版物的反应相称积极。
***媒体把稳到了活动的增加，神经网络干系教程帮助传播了这项技能。
大多数大学和学术机构都开设了干系课程。
现在，人们的把稳力集中在资金投入上，随着资金的到位，工业和金融机构中涌现了一些新的AI商业运用。

人工神经网络领域已经取得了重大进展，足以吸引大量关注并为进一步研究供应资金。
超越当前AI商业运用的进步该当是可能的，研究正在多个方面推进该领域。
基于AI架构的芯片，应对繁芜问题的运用正在被不断开拓出来。