[1]W.Z. Lu,H.Y. Fan,S.M. Lo. Application of evolutionary neural network method in predicting pollutant levels in downtown area of Hong Kong[J]. Neurocomputing,2003,51.
多層感知器由簡單的相互連接的神經元或節點組成，如圖1所示。
它是一個表示輸入和輸出向量之間的非線性映射的模型。節點之間通過權值和輸出信號進行連接，這些權值和輸出信號是一個簡單的非線性傳遞或激活函數修改的節點輸入和的函數。它是許多簡單的非線性傳遞函數的疊加，使得多層感知器能夠近似非常非線性的函數。
節點的輸出按連接權值進行縮放，並作為下一層網絡節點的輸入。這意味着信息處理的方向;因此，多層感知器也被稱為前饋神經網絡。多層感知器的結構是可變的，但通常是由多層神經元組成的。輸入層不扮演計算角色，只是將輸入向量傳遞給網絡。輸入和輸出矢量是指多層感知器的輸入和輸出，可以用單個矢量表示，如圖1所示。多層感知器可以有一個或多個隱藏層，最后是輸出層。多層感知器被描述為完全連接到下一層和上一層的每個節點。
通過選擇一組合適的權值和傳遞函數，多層感知器可以近似任何平滑的、可測量的輸入和輸出向量[4]之間的函數。多層感知器具有通過訓練學習的能力。培訓需要一組培訓數據，即，一系列輸入和相關的輸出向量。在訓練過程中，將多層感知器與訓練數據反復呈現，不斷調整網絡中的權值，直到得到所需的輸入輸出映射。這個過程的結果是將系統屬性的編碼映射到神經網絡的不同部分。如果多層感知器在訓練后給出一個不屬於訓練對的輸入向量，它將模擬系統並產生相應的輸出向量。實際函數值與預測函數值之間的誤差表明了訓練的成功程度。在本研究中，神經網絡的輸出均方誤差(MSE)被視為
