神经网络是一种模拟人脑结构的算法模型。原理在于分布式存储和信息的并行协作处理。尽管每个单元的功能非常简单，但是由大量单元组成的网络系统可以实现非常复杂的数据计算，它也是一个高度复杂的非线性动态学习系统。神经网络的结构更接近人脑，具有大规模并行性，分布式存储和处理，自组织，自适应和自学习能力。神经网络具有广泛的用途，并且可以在系统识别，模式识别和智能控制领域展示其技能。神经网络在智能控制领域的自动学习功能是最引起IT巨头关注的功能，特别适合在某些条件下需要替换且信息本身不确定且含糊不清的情况下处理相关问题。作为语音识别。神经网络算法的原理由于神经网络算法的设计太大，因此这里我们仅分析Microsoft神经网络算法的原理。在Microsoft神经网络算法中，我们可以将其简化为下图：Microsoft神经网络最多使用三个。由神经元层组成的网络是：输入层，可选的隐藏层和输出层。输入层：输入神经元定义了所有输入属性值和数据挖掘模型的概率。隐藏层：隐藏神经元接受来自输入神经元的输入，并将输出提供给输出神经元。隐藏层是将权重分配给各种输入概率的位置。权重表明特定宿主与隐藏神经元的相关性或重要性。分配给输入的权重越大，输入值就越重要。并且该过程可以被描述为学习过程。权重可以为负，表示输入被禁止而不是促进特定结果。输出层：输出神经元表示数据挖掘模型的可预测属性值。数据从输入经过中间隐藏层到输出。整个过程是从前到后传播数据和信息的过程。后一层节点上的数据值是从与其连接的前节点传输的，然后对数据进行加权。在执行某些功能之后，将获得新值，并且新值将继续传播到节点的下一层。该过程是前向传播过程。当节点的输出错误时，即与期望的输出不同，神经网络将自动“学习”，并且下一层的节点将具有一定程度的“信任”。到上一层的节点（实际上，变化是连接器的重量），采取减轻重量的方法进行惩罚，如果节点的输出较厚，则检查错误是否受那些输入的影响节点，减少导致错误的节点连接的权重，惩罚这些节点，并改进正确执行此操作的节点的权重建议节点的连接权重。对于受惩罚的那些节点，使用相同的方法惩罚它前面的节点，直到输入节点停止。这就是所谓的：回馈。我们的学习过程是重复上面介绍的过程，通过正向传播获得输入值，并通过反馈方法进行学习。将训练集中的所有数据运行一次后，称为训练周期。训练后，获得了神经网络模型，其中包含训练集中的相应值以及受预测值影响的变化规律。每个神经元的隐藏层中都有复杂的函数，它们是非线性函数，类似于生物神经网络的基本传输特性。这些功能称为激活功能，即输入值微妙。更改有时会产生较大的输出更改。神经网络算法的应用基于对网络模型和算法的研究，人工神经网络用于形成实际的应用系统，例如，完成某些信号处理或模式识别功能，构建专家系统，制造机器人以及控制复杂的系统。还有很多。在当代新兴科学技术的发展历史中，人类在征服宇宙，基本粒子和生命起源的过程中走过坎a的道路。我们还将看到，由于存在许多困难，对人脑功能和神经网络的研究将日新月异。