BP神经网络（Back Propagation Neural Network，BPNN）是一种常用的人工神经网络，它是1986年由Rumelhart和McClelland首次提出的，主要用于处理有结构的或无结构的、离散的或连续的输入和输出的信息。它属于多层前馈神经网络，各层之间存在权值关系，其中权值是由算法本身计算出来的。BP神经网络借助“反向传播”（Back Propagation）来实现权值的更新，其核心思想是根据网络的输出，将错误信息以“反馈”的方式传递到前面的每一层，通过现行的误差迭代传播至输入层，用来更新每一层的权值，以达到错误最小的网络。
BP神经网络的框架，可以有输入层、隐含层和输出层等组成。其中输入层的节点数即为输入数据的维数，输出层的节点个数就是可以输出的维数，而隐含层的节点数可以由设计者自由设定。每一层之间的权值是BP神经网络算法预测模型中最重要的参数，它决定了神经网络的预测精度。
BP神经网络的训练步骤主要有以下几步：首先，规定模型的参数，包括节点数，层数，权值，学习率等；其次，以训练数据为输入，初始化权值，通过计算决定输出层的输出及误差；然后，使用反向传播算法，从输出层向前，层层地将误差反馈到前一层。
因篇幅问题不能全部显示，请点此查看更多更全内容