目前，关于神经网络的定义尚不统一，按美国神经网络学家Hecht Nielsen 的观点，神经网络的定义是：“神经网络是由多个非常简单的处理单元彼此按某种方式相互连接而形成的计算机系统，该系统靠其状态对外部输入信息的动态响应来处理信息的。”综合神经网络的来源、特点和各种解释，它可简单表达为：神经网络是一种旨在模仿人脑结构及其功能的信息处理系统。
从神经网络的理论模型来看，它主要可分为两大类；即层状前馈神经网络和互联反馈神经网络，对于层状前馈神经网络，它的特点是通过适当的BP算法进行样本训练学习，神经网络的输入输出可以逼近任意输入输出对应的非线性映射，这种经过学习来实现映射其实就是一种自适应的判断控制功能。由于层状前馈神经网络具有“自学习”和“自训练”的功能，并可模仿人类大脑的智能，因而具有很强的分类、识别能力。因此，层状前馈神经网络被广泛地用于网络通讯中的信道均衡、全局性网络管理、信息流量预测以及其它自适应控制等方面。而互联反馈神经网络的特点是通过设计学习将联想记忆内容或最优化答案设置成系统能量函数的极小点，经神经网络的动力学平衡过程就可以实现自动快速处理优化问题，因而它可以广泛地用于网络通讯领域，包括信息包的调度、最优路由的选择、信息交换和控制。高速互联的、非线性的神经网络还具有混沌行为，它是一个非常复杂的NP问题，能产生无法预测的序列轨迹，可以设计成安全可靠的快速密码算法。正是由于神经网络的学习映射、联想优化功能和混沌行为等特点能够在理论上解决目前宽带网络通讯技术所面临的一些问题，因而在网络通讯中得到广泛的应用。
3 神经网络在网络通讯中的应用
以下根据神经网络的“自学习”功能、联想优化功能和混沌行为这三个功能特点从三个方面介绍神经网络在网络通讯中的应用实例：
从神经网络的理论模型来看，它主要可分为两大类；即层状前馈神经网络和互联反馈神经网络，对于层状前馈神经网络，它的特点是通过适当的BP算法进行样本训练学习，神经网络的输入输出可以逼近任意输入输出对应的非线性映射，这种经过学习来实现映射其实就是一种自适应的判断控制功能。由于层状前馈神经网络具有“自学习”和“自训练”的功能，并可模仿人类大脑的智能，因而具有很强的分类、识别能力。因此，层状前馈神经网络被广泛地用于网络通讯中的信道均衡、全局性网络管理、信息流量预测以及其它自适应控制等方面。而互联反馈神经网络的特点是通过设计学习将联想记忆内容或最优化答案设置成系统能量函数的极小点，经神经网络的动力学平衡过程就可以实现自动快速处理优化问题，因而它可以广泛地用于网络通讯领域，包括信息包的调度、最优路由的选择、信息交换和控制。高速互联的、非线性的神经网络还具有混沌行为，它是一个非常复杂的NP问题，能产生无法预测的序列轨迹，可以设计成安全可靠的快速密码算法。正是由于神经网络的学习映射、联想优化功能和混沌行为等特点能够在理论上解决目前宽带网络通讯技术所面临的一些问题，因而在网络通讯中得到广泛的应用。
3 神经网络在网络通讯中的应用
以下根据神经网络的“自学习”功能、联想优化功能和混沌行为这三个功能特点从三个方面介绍神经网络在网络通讯中的应用实例：
