楼主也是最近才刚刚接触神经网络的菜鸟，但是往往初学者才懂得初学者的痛点。在学习过程中，很多东西楼主也是不求甚解，以“会用”为主，相信在使用的过程中，很多不明白的东西，也会渐渐了解了。跌跌撞撞，花了一个星期的时间，楼主把目前用的非常多的 BP 神经网络用C++封装成了几个类，测试效果还可以，发出来分享下，可能有些地方说的不准确，但是可以给以后的自己做个备忘，也可以给其他刚接触神经网络的同学一点参考。
先贴个简单的调用案例，让大家有个比较直观的印象。
LCCBPNET net; // 结构体，神经网络的一些参数net.nIn = 2;net.nHidden = 3;net.nOut = 1;net.loopTimes = 2000;net.eta = 0.6;net.mc = 0.8;net.tolerance = 0.01;CLccBPNetWork lccBP(net); // 关键就是这两句了，这一句将 net 结构体传递给对象 lccBPlccBP.batchTrain(&trainMx, &eptMx); // 这一句是训练， trainMx 和 eptMx 是用来训练的矩阵，输入 trainMx，期望输出是 eptMxlccBP.wIH->printLccMatrix();lccBP.wHO->printLccMatrix(); // 这两句是打印出训练好的权值矩阵lccBP.testNet(&testMx, &epttestMx); // 训练好以后，就可以测试了，testMx是测试矩阵， epttestMx 是神经网络输出的结果更多细节，楼主会慢慢说清楚。
人工神经网络是一种类似于人类神经系统的信息处理技术。事实上，神经网络包含很多种， BP 神经网络使用较多，它是一种以误差反向传播为基础的前向网络，具有非常强的非线性映射能力。神经网络的用处非常多，比较常见的用途有：识别，逼近，回归，压缩等。
通常，人类自身就是一个极好的模式识别系统，当视野中出现一张熟悉的人脸时，只需数百毫秒的时间即可正确识别。就连并不发达的昆虫神经系统，也表现出极强的识别能力。一般认为，生物神经并不是一开始就具备这样的识别能力的，而是在其成长过程中通过学习逐步获得的。随着生物的成长，大脑接收了大量的环境信息，神经元之间的相互联系不断变化，从而完成智能、思维、情绪等精神活动。下图是神经元的结构，A是轴突，D为树突，P为细胞体。不同的神经元的连接是靠突触实现的，信号从一个神经元的轴突到另一个神经元的轴突有向的传播。
在人工神经网络中，最重要的概念莫过于神经元节点与权值，节点对应细胞体，权值表示节点间相互连接的强度。
权值是可以调整的，当权值调整至恰当值时，就能输出正确的结果。网络将知识存储在调整后的各个权值中，这一点是神经网络的精髓。
下图的是 BP 神经网络的一种简单示意图，分为输入层、隐藏层和输出层，各层的连接可以通过权值调整。
能够看出，这种结构跟神经细胞连接很像，可以用这种结构来模拟生物的神经系统，实现一定的功能。
当神经网络的类型和层数确定以后，就可以输入样本进行训练了。网络可以根据环境变化不断学习，改变自身的权值。一般而言，训练指的是外界将样本输入到神经网络中，使其权值发生调整的过程，是外界的行为；而学习指的是神经网络进行自适应调整的行为，是网络自身的行为。纠结具体概念没有什么意义，学习和训练的本质都是调整网络的连接权值，我决定不对这两个词做区分，混用之。
所以我认为 BP 神经网络的使用主要只有两步：
第一步， 确定神经网络的结构，其实也就是确定网络的层数，以及各层的神经元个数。
第二步就是训练调整网络权值了。
最核心的是网络权值的调整方法。
神经网络的简要介绍就介绍到这里，接下来，我将偏实用轻理论地，用C++语言写一个BP神经网络实施例，应用于解决一个具体问题。