神經網絡的基本類型與學習算法：
目前已有的數十種神經網絡模型，按網絡結構划分可歸納為三大類:前饋網絡、反饋網絡和自組織網絡。
前饋神經網絡則是指神經元分層排列，分別組成輸入層、中間層和輸出層。每一層的神經元只接受來自前一層神經元的輸入，后面的層對前面層沒有信號反饋。輸入模式經過各層的順序傳播，最后在輸出層上得到輸出。這類網絡結構通常適於預測、模式識別及非線性函數逼近，一般典型的前向神經網絡基於梯度算法的神經網絡如BP網絡，最優正則化方法如SVM，徑向基神經網絡和極限學習機神經網絡。
反饋網絡又稱回歸網絡，輸入信號決定反饋系統的初始狀態，系統經過一系列狀態轉移后逐漸收斂於平衡狀態，因此，穩定性是反饋網絡最重要的指標之一，比較典型的是感知器網絡、Hopfield神經網絡、海明祌經網絡、小波神經網絡雙向聯系存儲網絡(BAM)、波耳茲曼機。
自組織神經網絡是無教師學習網絡，它模擬人腦行為，根據過去經驗自動適應無法預測的環境變化，由於無教師信號，這類網絡通常采用競爭原則進行網絡學習。