简单循环神经网络 (SRN)

简单循环神经网络（Simple Recurrent Neural Network, SRNN）是循环神经网络（RNN）最基础且最原始的架构形态。其核心特征在于利用单个隐藏层节点，通过共享权重机制将前一时刻的隐藏状态与当前输入结合，以计算当前时刻的输出并更新隐藏状态。这种结构摒弃了长短期记忆网络（LSTM）或门控循环单元（GRU）中复杂的门控机制，仅依靠基础的线性变换与激活函数来捕捉数据中的时序依赖关系。作为RNN家族的起点，SRNN在理论层面确立了循环网络处理变长序列的基本范式，但在实际工程应用中，其固有的梯度消失/爆炸问题限制了其在长序列任务中的表现。

在现代计算架构与深度学习生态中，简单循环神经网络扮演着“概念原型”与“轻量级基线”的双重角色。它不仅是理解时序数据处理原理的入门窗口，更是构建更高级RNN变体（如LSTM、GRU、Transformer）的逻辑起点。尽管其原始形式在处理长依赖时存在显著缺陷，但其极简的数学形式使其成为教学演示、资源受限边缘设备上的轻量级推理任务，以及作为复杂模型对比实验的基准线。在工业界，SRNN常作为特定短序列预测任务的快速原型，或在模型剪枝与蒸馏过程中作为基础骨架被保留和复用。