人工神經網絡，簡稱神經網絡，它是一種算法，來源是模拟人的生物神經元工作機制。其實不需要去詳細了解生物神經網絡的細節原理，大概知道些關鍵名詞即可，對以後神經網絡的了解沒什麼影響。神經網絡算法的主要功能是預測、分類、識别。神經網絡有：感覺器、線性神經網絡、BP神經網絡、RBF神經網絡、Hopfield神經網絡、CNN卷積神經網絡等。感覺器是最簡單的神經網絡，線性神經網絡線上性處理上很有用，BP神經網絡是應用最廣泛的網絡，Hopfield神經網絡是回報型神經網絡，RNN卷積神經網絡在人工智能研究領域新興起來的網絡。
感覺器一般指單層感覺器，它是指隻含有輸入層和輸出層的神經網絡，模型如下：
輸入層為p1、p2、... 、pn個神經元輸入和對應的權值w1、w2、... 、wn。輸入層用向量表示為：
,
。輸出層包含一個求和操作和函數f映射，其中y為感覺器的輸出（多輸入，單輸出），a為輸入權重求和的結果，b為偏置，f為一種對a的傳遞函數,對于感覺器來說，f一般為符号函數，即輸出結果隻有-1和1（每次輸入，對應一個單值的輸出；多次輸入，得到輸出向量），輸出層可以表示為：
了解了神經網絡的基本結構和計算流程之後，再對其工作原理進行分析。
首先是感覺器的學習規則（梯度下降法）：對于輸入為P，輸出為y，目标輸出為T的感覺器，誤差為e=T-y。則感覺器的權值和偏置的修正公式為：
公式說明：P為多次輸入的向量，y為多次輸入對應的輸出向量，T為期望結果（目标向量），e為網絡誤差。i表示輸出向量的維數(i=1,2,...,D)，j為神經元的個數(j=1,2,...,n)。
更新之後的權值：
接下來就是利用感覺器的學習規則進行訓練：
step1: 初始化網絡，計算實際輸出和目标輸出之間的誤差，利用學習規則修正權值和偏置。
step2：計算在新的權值和偏置下的誤差，繼續修正權值和偏置。
step3：當達到一定的誤差要求或者滿足最大疊代次數時，訓練結束，得到感覺器模型。
下面介紹matlab神經網絡工具箱中的關于感覺器的相關函數：
newp: 建立一個感覺器
sim: 仿真函數
train：訓練函數
plotpc: 在感覺器向量中繪制分界線
plotpv: 繪制感覺器的輸入向量和目标向量
mae：計算平均絕對誤差
下面簡單舉例說明各種函數的用法：
例1：利用單層感覺器實作與門電路的邏輯功能
P=[0 0 1 1;0 1 0 1];
T=[0 0 0 1];
figure(1)
plotpv(P,T)
net=newp(minmax(P),1);
y=sim(net,P);
net.trainParam.epochs=50;
net=train(net,P,T);
Y=sim(net,P);
perf=mae(Y-T);
plotpc(net.IW{1,1},net.b{1})
輸出Y=[0 0 0 1]
輸入向量P為4個輸入向量：[0 0],[0 1],[1 0],[1 1],目标輸出：[0]、[0]、[0]、[1]
newp函數：net=newp(pr,ps,tf,lf),pr為輸入向量每行的最大最小值組成的多行兩列的矩陣，ps為感覺器的層數，tf為傳遞函數，預設是hardlim還有hardlims，lf為學習函數，預設是learnp還有learnpn。
minmax函數：求矩陣每行的最大最小值，傳回一個多行兩列的矩陣。
sim函數：對模型進行仿真。
train函數：根據網絡、輸入、目标輸出，訓練網絡得到輸出。
感覺器主要是實作簡單的線性可分的分類問題，在實際應用中應當根據面對的問題，轉化為感覺器能夠處理的情況。
另外，多層感覺器在機器學習、人工智能方面有着非常重要的作用，感覺器的研究在人工智能領域具有很多的研究意義。