BP（Back Propagation）神经网络是1986年由Rinehart和McClelland为首的科学家小组提出的多层前馈型神经网络，映射能力强，在求解问题时对其结构没有要求,无需对变量之间的关系做出假设。神经网络作为前向网络的核心部分，充分反映了人工神经网络的优势。BP神经网络由一个输入层、一个输出层和一个或多个隐含层构成。每层中包含若干个神经元，神经元对信息的处理是非线性的。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。每个神经元由它的输入、激活函数和阈值来决定它的活化程度。
BP神经网络的工作过程主要分为两个部分：学习过程和工作过程。其中学习周期包括两个过程：输入信息的正向传播和误差的反向传播。在前向传播过程中，输入信息从输入层到隐藏层到输出层逐层处理。如果预期输出层的输出和输出，则每层神经元的状态仅影响下一层神经元的状态。如果它们不一致，则计算输出错误并输入错误反向传播过程，并沿原始连接路径返回错误。通过修改每层神经元之间的权重来最小化错误。经过大量学习样本训练后，每层神经元之间的连接权限是固定的，工作周期可以开始。而工作周期中只有正向传播，根据上述神经元模型工作过程执行正传播的计算。因此， 计算BP神经网络的关键是学习过程中的的误差反向传播，这是通过最小化目标函数来完成的。 |