本研究中使用的粗糙神經網絡包括一個輸入層，一個輸出層和一個隱藏層。輸入層神經元由外界接受輸入；輸入神經元的輸出作為隱藏神經元的供給。隱藏層的輸入又作為輸出層神經元的輸入；最好輸出到外界。
粗糙神經元的輸出具有上限和下限，而傳統的神經元的輸出是一個單一的值。粗糙神經元是Lingras在1996年提出的。它是相對於上限（Un）和下限（Ln）定義的，並且輸入也是對於邊界值的相對量。粗糙神經元有三種連接方法：
步驟1：輸入-輸出連接到Un
步驟2：輸入-輸出連接到Ln
步驟3：連接到Un和Ln之間
輸出：最終的分類結果
1：for屬性集中的每個屬性
2：計算上、下粗糙神經元；
3：endfor
4：建立粗糙集神經網絡；
5：計算相對誤差；
6：校準粗糙集神經網絡；
7：反複執行4，5，6；
8：until分類誤差小於某個極小值
9：return分類結果
分類誤差估計和收斂性在粗糙神經網絡的後續運行中能夠滿足要求。我們對一層中每個神經元做了誤差估計，每個神經元的輸出進一步基於反饋和連接上的增益向後傳播。