Mạng nơron nhân tạo là một hệ thống được đặt 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 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 đạo diễn. Không gian có tính liên ngành rất lớn, nhưng kỹ thuật này sẽ hạn chế chế độ xem ở góc nhìn 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.
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.
Mạng có thể sử dụng các phương pháp của chức năng kích hoạt khác với chức năng đăng nhập. Có một số hàm kích hoạt như hàm tuyến tính, sigmoid (logistic) và tiếp tuyến hyperbol.
Các chức năng kích hoạt này cho phép các nút ẩn và nút đầu ra tạo ra các giá trị đầu ra là phi tuyến tính trong các tham số đầu vào của chúng. Sự phức tạp hơn này cho phép mạng nơ-ron nhiều lớp mô hình hóa các mối quan hệ phức tạp hơn giữa các biến đầu vào và đầu ra.
Đầu ra của một ANN là một hàm phi tuyến tính của các tham số của nó do sự xuất sắc của các hàm kích hoạt của nó như hàm sigmoid hoặc tanh. Do đó, không còn đơn giản để tìm ra một giải pháp cho w được xác nhận là tối ưu toàn cầu.