6.2.3 前馈神经网络及BP（反向传播）学习算法 　　可以简单地将前馈神经网络看作是一个多层的感知器。由于该种网络多采用BP学习算法进行训练，有时也被称为BP网络。 　　前馈神经网络模型的输入输出关系与单层感知器完全相同。前一层的输出是下一层的输入。该种网络多采用BP学习算法进行训练， BP学习算法要求神经元模型的传递函数为有界连续可微函数如sigmoid函数。由具有这种传递函数的神经元组成的网络，通过学习可以用一个连续的超曲面（而不仅仅是一个超平面）来完成划分输入样本空间的功能。在输入样本空间复杂的情况下，可根据要求，采用n层网络结构。此时学习后的网络可以以n-1个超曲面构成一个符合曲面，完成复杂的分类任务。弥补了单层感知器的缺陷。 　　在不考虑结果规模的前提下，基于BP算法，依据大量样本通过逐步调整神经元之间的连接权重来构造网络，理论上，多层前馈网络可以模拟任意的输出函数的。即可以完成任意复杂的分类任务。