一、问题背景

随着人工智能技术的发展，神经网络已经成为机器学习领域最核心的方法之一。其中，多层感知机（MLP，Multi-Layer Perceptron）作为最基础、最经典的前馈神经网络结构，被广泛应用于：

• 图像分类
• 数据预测
• 金融分析
• 医学诊断
• 工业检测
• 智能推荐等领域

MLP本质上是通过多层神经元之间的连接，对输入数据进行非线性映射，从而实现复杂函数拟合能力。

虽然目前主流深度学习框架（如TensorFlow、PyTorch）能够自动完成神经网络训练，但如果仅依赖框架调用，往往难以真正理解神经网络内部的数学机制。因此，本实验采用 Excel 手动实现MLP前向传播过程，通过逐层展开计算公式，深入理解：

• 神经元的计算原理
• 权重与偏置的作用
• 激活函数的意义
• 神经网络的非线性映射能力
• 前向传播机制

该方法具有较强的教学意义和可视化优势，适合神经网络基础学习。

二、多层感知机（MLP）原理

2.1 神经元模型

MLP的基础单元是人工神经元，其结构来源于生物神经元模型。

一个神经元的核心计算过程包括：

1、输入加权求和
2、加入偏置项
3、激活函数非线性变换

数学表达式如下：

其中：

xi：输入特征
wi：权重参数
b：偏置
z：线性输出

随后通过激活函数得到最终输出：a=f(z)

2.2 MLP网络结构

本实验构建一个典型三层结构：

输入层（2个节点）
↓
隐藏层（2个神经元，ReLU）
↓
输出层（1个神经元，Sigmoid）

其特点：输入层负责接收数据，隐藏层负责提取特征，输出层完成预测

相比单层感知机，MLP最大的优势是：具有非线性建模能力。

三、实验模型设计

3.1 输入数据

设输入向量为：X=[x1,x2]

实验中：x1=1.0，x2=2.0

3.2 隐藏层参数

隐藏层包含两个神经元。

权重矩阵：

偏置：b1​=0.1,b2​=−0.2

3.3 输出层参数

输出层权重：v1​=1.0,v2​=−1.5

输出偏置：bout​=0.2

四、前向传播计算过程

前向传播（Forward Propagation）是指：

输入数据从输入层开始，经过隐藏层逐层计算，最终得到预测结果的过程。

五、隐藏层计算

5.1 第一个隐藏神经元

线性计算：

代入数据：

z1=1.0×0.5+2.0×0.3+0.1=1.2

5.2 第二个隐藏神经元

代入：

z2=1.0×(−0.4)+2.0×0.8−0.2=1.0

六、ReLU激活函数
6.1 激活函数作用

如果神经网络只有线性运算，则无论多少层，本质上仍是线性模型。因此必须引入非线性激活函数。本实验使用ReLU函数：ReLU(x)=max(0,x)

其特点：计算简单，收敛速度快，缓解梯度消失，深度学习中应用最广泛。

6.2 激活结果
a1=max(0,1.2)=1.2
a2=max(0,1.0)=1.0

七、输出层计算

输出层继续进行线性组合：

代入数据：

zout =1.2×1.0+1.0×(−1.5)+0.2=−0.1

八、Sigmoid输出层
8.1 Sigmoid函数

输出层采用Sigmoid函数：

特点：输出范围为0~1，可表示概率，常用于二分类问题

8.2 最终输出

代入：

计算结果：y≈0.475

说明：模型认为该样本属于正类的概率约为47.5%。

九、MLP的优缺点分析
9.1 优点
（1）结构简单，容易理解与实现。

（2）适用范围广，适用于分类、回归等任务。

（3）具有非线性拟合能力，能够解决复杂问题。

9.2 缺点
（1）参数量较大，容易出现过拟合。

（2）训练速度慢，层数增加后计算复杂度提高。

（3）无法处理时序信息，相比RNN/LSTM，对序列建模能力较弱。

十、实验总结

本文基于Excel实现了一个完整的MLP前向传播过程，从神经元原理出发，详细分析了：

权重计算、偏置作用、激活函数、隐藏层特征提取、输出层概率预测

相比直接使用深度学习框架，Excel实现更加直观，有助于理解神经网络底层数学机制。

本实验不仅完成了MLP计算过程展示，也为后续学习BP反向传播、梯度下降、深层神经网络、CNN与LSTM等内容奠定了理论基础。