神經網絡分類介紹：
神經網絡就是一組相互連接的輸入輸出單元，這些單元之間的每個連接都關聯一個權重。在網絡學習階段，網絡通過調整權重來實現輸入樣本與其相應（正確）類別的對應。由於神經網絡學習主要是針對其中的連接權重進行的，因此神經網絡的學習有時也稱爲連接學習；神經網絡的優點就是對噪聲數據有較好適應能力，並且對未知數據也具有較好的預測分類能力；
多層神經網絡如圖-4.9 所示，它包含兩層處理單元（除輸入層外）；同樣包含兩個隱層的神經網絡稱爲三層神經網絡，如此等等。該網絡是前饋的，即每一個反饋只能發送到前面的輸出層或隱含層。它是全連接的，即每一個層中單元均與前面一層的各單元相連接。後傳方法通過不斷處理一個訓練樣本集，並將網絡處理結果與每個樣本已知類別相比較所獲誤差，來幫助完成學習任務。
下面就以一個案例爲準就行說明；以第一個訓練元祖X={1，0，1} 其類標號爲 1
第一步：初始化network的所有權重和偏倚；網絡的權重一般初始爲小隨機數（例如 -1.0 到1.0），具體初始數據如下：
第二步：在終止循環條件下循環每個訓練元祖，設X={1，0，1}，其類標號Y爲1；
第三步：循環輸入單元，輸入單元的輸入=輸出，及I₁=O₁=1;I₂=O₂=0
; I₃=O₂=1
第四部：計算隱藏層或輸出層的輸入和輸出；
輸入公式見下方:
故可以求輸入I₄= I₁*W₁₄+I₂*W₂₄+I₃*W₃₄+θ₄=1*0.2+0*0.4+1*(-0.5)+(-0.4)=-0.7
輸出公式見下方：
O₄=1+(1+E[0.7])=0.332;
按照輸入和輸出公式，可以分別求出4/5/6節點的輸入和輸出見下方：
第五部：計算誤差，對於隱藏節點和輸出節點的誤差計算公式不一樣，見下方：
輸出層誤差公式：
隱藏層誤差公式：
按照以上公式可以求 :(T爲類標誌)
Err6 = 0.474*(1-0.474)*(1-0.474)=0.1311
Err4 = 0.332*(1-0.332)*Err6*W46=0.332*(1-0.332)*(-0.1311)*(-0.3)=-0.02087;
計算結果分別如下：
第五部：更新權重和偏倚值，公式如下：
上面就是更新權重的公式,設置 L = 0.9,以W₁₄更新爲例子說明：△W₁₄=0.9*(-0.0087)*1=-0.00783 故 W₁₄=△W₁₄+ W₁₄=0.19217
最後各個更新數據如下：
以上就是一個元祖的過程，訓練時候循環大量元祖，更新權重和偏倚值，當達到跳出循環元祖條件時候，中斷訓練；
中斷訓練的條件如下：
