Mạng nơ-ron nhân tạo là một hệ thống được đặt trên các chức năng của mạng nơ-ron sinh học. Nó là một mô phỏng của một hệ thống thần kinh sinh học. Đặc điểm của mạng nơ-ron nhân tạo là có một số cấu trúc, đòi hỏi một số cách tiếp cận thuật toán, nhưng bất kể là một hệ thống phức tạp, mạng nơ-ron vẫn dễ dàng.
Các mạng này nằm giữa các khoa học xử lý tín hiệu cụ thể trong hộp công cụ của giám đốc. Không gian có tính liên ngành rất lớn, nhưng kỹ thuật này sẽ hạn chế chế độ xem ở góc nhìn kỹ thuật.
Dữ liệu đào tạo đầu vào / đầu ra rất cần thiết trong công nghệ mạng nơ-ron vì chúng gửi bản ghi cần thiết để “tìm” điểm hoạt động tối ưu. Các tính năng phi tuyến tính của các phần tử xử lý mạng nơ-ron (PE) cung cấp cho hệ thống nhiều khả năng thích ứng để thu được hầu như một số bản đồ đầu vào / đầu ra mong muốn, tức là một số mạng nơ-ron nhân tạo là những người tạo bản đồ rộng.
Đầu vào được hiển thị cho mạng nơ-ron và cùng một phản hồi mong muốn hoặc tiêu điểm được đặt ở đầu ra (khi đây là phương pháp đào tạo được gọi là có giám sát).
Lỗi bao gồm sự khác biệt giữa phản hồi đã chụp và kết quả đầu ra của hệ thống. Bản ghi lỗi này được chuyển trở lại hệ thống và quản lý nhất quán các thông số hệ thống (quy tắc học tập). Quá trình được lặp lại cho đến khi hoạt động hiệu quả. Điều này không có nghĩa là hiệu suất phụ thuộc rất nhiều vào thông tin.
Có các đặc điểm sau của Mạng thần kinh nhân tạo như sau -
Mạng nơ-ron nhiều lớp với tối thiểu một lớp ẩn là các mạng gần đúng phổ quát. Nó có thể được sử dụng để tính gần đúng một số hàm mục tiêu. Bởi vì ANN có một vùng giả thuyết rất rõ ràng, điều cần thiết là phải chọn cấu trúc liên kết mạng thích hợp cho một vấn đề nhất định để ngăn việc trang bị quá mức mô hình.
ANN có thể quản lý các tính năng dư thừa vì các trọng số nhất thiết phải được học trong giai đoạn đào tạo. Trọng số cho các tính năng dư thừa có xu hướng nhỏ.
Mạng nơron dễ bị nhiễu trong thông tin đào tạo. Có một phương pháp để xử lý nhiễu là cần một bộ xác nhận để quyết định sai số tổng quát của mô hình. Một phương pháp khác là giảm trọng lượng của một số phần tử ở mỗi lần lặp.
Phương pháp tiếp cận giảm dần độ dốc được sử dụng để tìm hiểu trọng số của ANN được tập hợp đến một số điểm tối thiểu cục bộ. Một phương pháp để thoát khỏi mức tối thiểu cục bộ là chèn một số hạng động lượng vào công thức cập nhật trọng lượng.
Đào tạo ANN là một quá trình chậm, đặc biệt khi có nhiều nút ẩn cao. Tuy nhiên, các trường hợp thử nghiệm có thể được xác định ngày càng nhiều.