Почему сигмовидные функции работают в нейронных сетях?

Я только начал программировать для нейронных сетей. В настоящее время я работаю над пониманием того, как работает нейронная сеть Backpropogation (BP ). Хотя алгоритм обучения BP-сетям довольно прост, мне не удалось найти текст о том, почему этот алгоритм работает. В частности, я ищу какое-то математическое обоснование, чтобы оправдать использование сигмовидных функций в нейронных сетях, и то, что заставляет их имитировать почти любое распределение данных, которые им бросают.

Спасибо!