随着计算机的高速发展和不断普及，计算机的运行速度成倍增长，一台普通计算的运行速度已经高达每秒几十万亿次。然而计算机却无法处理图灵问题。与之相反的是人们虽然拥有丰富的情感和智商，却无法做到如此高速的计算能力。因此人们就希望将人脑和计算机结合起来。通过对生理学的研究，将大脑的模型进行抽象，并使用公式化的数学公式搭建数学模型，来达到模拟人类神经网络的目的。这样做是非常合理的。人们希望有朝一日，计算机也会像人脑一样进行推理、学习、联想、决策。这时人工神经网络诞生了。目前虽然对人工神经网络的定义并不完全统一，但是我们可以这么说。人工神经网络是由人工的神经元相互连接而成。构建人工神经网络的目的是模仿人脑的功能对数据进行处理。因此如果想要建立一个人工的神经网络就需要将大量的神经元连接起来，并使他们进行并发工作。这样，一个庞大的非线性的自适应性的学习系统就搭建完成了。他可以模仿人脑的结构，从而进行不断的学习。需要指出的是人工神经网络是对大脑功能和神经元功能的高度抽象，人们对大脑的功能还没有完全清楚的认识。因此人工神经网络并不是真正的大脑。不过人工神经网络有很多优点，首先我们并不需要明白它所学习的对象的模型或者说机制，人工神经网络使用的都是简单的函数关系却能对复杂的非线性的函数进行逼近。这种模拟人脑的结构的神经网络实质体现了人脑的智慧与功能。

人工神经元模型
要构建人工神经网络，首先就是要构建人工的神经元。因为神经元是构成人脑神经网路最基本的单元。目前，科学家们已经提出了很多很多的人工神经元模型，其中在所有的模型中对其他模型影响较大，且提出时间较早的是在1943年由心理学家McCulloch和数学家Pitts提出的M-P模型[3]。
我们可以对神经元做如下抽象：一个神经元由以下几个部分组成。一个输入端、一个加权求和器、一个传输器、一个输出器。它们也可以被命名为感知器、汇集器、传递器、响应器。这个神经元有以下几个特征。1、神经元是一个多对一的处理模型即神经元接收多个来自其他神经元的输入信号，但最终只有一个输出信号。2、神经元的输入输出是非线性的气传递的函数是可微的。3、神经元产生的信号强度是不断变化的。这是由连接神经元之间的强度改变造成的。也可以成为权值，权值越大，连接强度就越大，产生的相应信号也大。反之其信号则减小。这个权值是在训练过程中不断调整的。它随着训练的情况的改变而改变。4、神经元有阈值这一属性。只有当输入的信号达到这一数值的时候，才会产生相应的激励，这是由于加权求和器的作用所产生的结果。5、神经元的输出信号对下一级的神经元输入信号可以起到刺激的作用，可以起到抑制的作用。很显然，正值为刺激作用，负值为抑制作用。
人工神经网络模型
只有大量的神经元广泛互连组成网络，才能对复杂信息进行存储和处理。经过半个多世纪的发展，研究人员提出了多种人工神经网络模型，常用的、众所周知的或发表的就有数十种，它们可以从不同角度进行分类。例如，分类依据可以是“网络学习是有教师的(有监督的)还是无教师的(无监督的)”、“数据是二值的(离散的)还是多值的(连续的)”、“网络结构是前向的还是递归的”、“网络流是静态的还是动态的”等等。1987年，Lippmann曾经对当时的典型的神经网络模型进行了两级分类[5]，首先看它是二值的还是连续的，然后再看网络学习是有教师的还是无教师的。由于现在网络类型更多、结构更加复杂，这种曾被广泛采用的分类方法对某些新型网络已经不太适用。据笔者的有限认识和理解，目前已有的神经网络基于前人的研究可大体分为三大类(如前向网络、反馈网络和自组织网络等)。 这里只介绍前向神经网络。 基于BP神经网络算法的香料鉴别分析系统的研制(4):http://www.youerw.com/zidonghua/lunwen_18034.html