神经网络最早由心理学家和神经生物学家提出，由于神经网络在解决复杂问题时能够提供一种相对简单的方法，因此近年来越来越受到人们的关注。神经网络模型各种各样、 各式各样的模型从不同的角度对生物神经系统进行不同层次的描述和模拟。代表性的网络模型有BP网络、RBF网络、Hopfield网络、自组织特征映射网络等。

      神经网络最早由心理学家和神经生物学家提出，由于神经网络在解决复杂问题时能够提供一种相对简单的方法，因此近年来越来越受到人们的关注。神经网络模型各种各样、 各式各样的模型从不同的角度对生物神经系统进行不同层次的描述和模拟。代表性的网络模型有BP网络、RBF网络、Hopfield网络、自组织特征映射网络等。运用这些网络模型可实现函数逼近、数据聚类、模式分类、优化计算等功能。因此， 神经网络广泛应用于人工智能、自动控制、机器人、统计学等领域的信息处理中。
      RBF神将网络是一种三层神经网络，其包括输入层、隐层、输出层。从输入空间到隐层空间的变换是非线性的，而从隐层空间到输出层空间变换是线性的。RBF网络的基本思想是：用RBF作为隐单元的“基”构成隐含层空间，这样就可以将输入矢量直接映射到隐空间，而不需要通过权连接。当RBF的中心点确定以后，这种映射关系也就确定了。而隐含层空间到输出空间的映射是线性的，即网络的输出是隐单元输出的线性加权和，此处的权即为网络可调参数。其中，隐含层的作用是把向量从低维度的p映射到高维度的h，这样低维度线性不可分的情况到高维度就可以变得线性可分了，主要就是核函数的思想。这样，网络由输入到输出的映射是非线性的，而网络输出对可调参数而言却又是线性的。网络的权就可由线性方程组直接解出，从而大大加快学习速度并避免局部极小问题。