Mạng nơron nhân tạo là một hệ thống dựa trên các chức năng của mạng nơron 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 phương pháp thuật toán, nhưng bất kể là một hệ thống phức tạp, mạng nơ-ron rất dễ dàng.
Các mạng này nằm giữa các khoa học xử lý tín hiệu cụ thể trong hộp công cụ của đạo diễn. Khu vực này có tính liên ngành rất lớn, nhưng cách tiếp cận này sẽ hạn chế chế độ xem ở góc độ kỹ thuật.
Trong kỹ thuật, mạng nơ-ron tạo ra hai chức năng thiết yếu là bộ phân loại mẫu và bộ lọc thích ứng phi tuyến tính. Mạng nơ-ron nhân tạo là một mạng động, nó cung cấp một hệ thống phi tuyến tính học cách thực thi một chức năng (một bản đồ đầu vào / đầu ra) từ dữ liệu. Thích ứng thể hiện rằng các tham số hệ thống được thay đổi trong quá trình hoạt động, thường được gọi là giai đoạn huấn luyện.
Sau giai đoạn huấn luyện, các tham số mạng nơ-ron nhân tạo được cố định và hệ thống bắt đầu giải quyết vấn đề trong tầm tay (giai đoạn thử nghiệm). Mạng nơ-ron nhân tạo được tạo ra với quy trình từng bước có hệ thống để cải thiện kiểm tra hiệu suất hoặc tuân theo một số ràng buộc bên trong xác định, thường được mô tả là quy tắc học tập.
Có những vấn đề thiết kế sau đây phải được xem xét như sau -
Một số nút trong lớp đầu vào phải được quyết định. Nó có thể được tạo một nút đầu vào cho mỗi biến đầu vào toán học hoặc nhị phân. Nếu biến đầu vào là phân loại, nó có thể tạo một nút cho mỗi giá trị phân loại hoặc mã hóa biến k-ary bằng cách sử dụng [log 2 k] nút đầu vào.
Nhiều nút trong lớp đầu ra phải được tạo. Đối với bài toán hai lớp, chỉ cần một nút đầu ra là đủ. Đối với bài toán cấp k, có k nút đầu ra.
Cấu trúc mạng như số lớp ẩn và các nút ẩn, cấu trúc mạng chuyển tiếp hoặc tuần hoàn phải được chọn. Mô tả chức năng đích dựa trên trọng số của kết nối, nhiều nút ẩn và lớp ẩn, độ lệch trong các nút và loại chức năng kích hoạt. Việc phát hiện ra cấu trúc liên kết phù hợp không phải là một nhiệm vụ đơn giản.
Một phương pháp là bắt đầu từ một mạng được kết nối đầy đủ với đủ số lượng nút và lớp ẩn khổng lồ, sau đó lặp lại cấu trúc xây dựng mô hình với số lượng nút nhỏ hơn. Phương pháp này có thể vừa phải. Ngoài ra, thay vì lặp lại cấu trúc xây dựng mô hình, nó có thể xóa một số nút và lặp lại quá trình đánh giá mô hình để chọn độ phức tạp của mô hình phù hợp.
Các trọng số và độ lệch phải được khởi tạo. Các nhiệm vụ ngẫu nhiên thường đầy đủ.
Các phiên bản đào tạo có các giá trị bị thiếu phải được xóa hoặc khôi phục bằng các giá trị có khả năng xảy ra nhất.