在给定的选项中，我们可以分析哪些算法可以用神经网络来构造：

A: KNN (K-Nearest Neighbors)
KNN 是一种基于实例的学习算法，它通过计算样本之间的距离来进行分类或回归。KNN 本身不是一种参数化模型，因此不直接适合用神经网络来构造。然而，可以通过训练神经网络来学习特征表示，从而在特征空间中应用 KNN。

B: 线性回归
线性回归是一种简单的线性模型，可以使用神经网络来构造。实际上，一个没有隐藏层的简单神经网络（即只有输入层和输出层）就可以实现线性回归。因此，线性回归可以用神经网络来构造。

C: 逻辑回归
逻辑回归与线性回归类似，但用于分类任务。通过使用一个带有 sigmoid 激活函数的单层神经网络，可以实现逻辑回归。因此，逻辑回归也可以用神经网络来构造。

D: K-Means
K-Means 是一种无监督的聚类算法，旨在将数据分成 K 个簇。虽然神经网络本身不是直接用于实现 K-Means，但可以通过自组织映射（SOM）或其他神经网络变体来实现类似的聚类效果。此外，神经网络可以用于学习特征表示，然后在这些表示上应用 K-Means。

综上所述，B（线性回归）和 C（逻辑回归）可以直接用神经网络来构造，而 A（KNN）和 D（K-Means）则不直接适合用神经网络构造，但可以间接使用神经网络来改进或辅助这些算法。