kunstige neurale netværk er modeller af biologiske netværk af neuroner . Ligesom biologiske neuroner , tilsæt de kunstige neuroner op flere indgange og sammenligne beløbet til en tærskelværdi. Hvis summen overstiger tærskelværdien , neuron passerer et signal til den næste neuron . Så længe summen er under tærsklen , er intet signal sendes . Denne information -processing paradigme kaldes tærskel logik. Neuroner

Biologiske neuroner har flere indgange, fra sanseorganer og andre neuroner , og en enkelt udgang. Hvis kumulative indgange passerer en vis tærskel , cellen går gennem en rensende proces, der kaldes " fyring " som forårsager en elektrisk strøm at rejse ned enkelt output indtil slutningen af ​​" nerve ", hvor strømmen forårsager udvisning af små sække neurotransmittere - molekyler, der aktiverer muskler eller andre neuroner . Kunstige neuroner efterligne denne proces, men alle variable er repræsenteret ved tal, som kan justeres til at finjustere processen. De enkelte indgange automatisk ganget med tal, der kaldes " vægte ", som kan justeres til at ændre adfærd neuroner.
Neural Nets

Neurale net er samlinger af neuroner, der arbejder sammen om at skabe en effekt . En typisk anvendelse har neuronerne arrangeret i lag , så et mønster af signaler præsenteres for den første række af neuroner , filtreret gennem andre lag , så en sidste række af neuroner viser et mønster af signaler . Denne " oversættelse " processer kan trænes . Andre anvendelser har alle de neuroner er forbundet med hinanden , så når nogle af de neuroner stimuleres hele ensemble af neuroner liggende i en stabil tilstand , der repræsenterer en tidligere gemt mønster . Et andet program har hvert neuron tilsluttet lige til sine naboer - som i det lag af celler i bagsiden af ​​øjet - som kan afsløre ting som kanterne af excitation mønstre forårsaget af lyse og mørke
.
Læring

Interessant kunstige neurale netværk arver nogle af de ønskelige egenskaber af biologiske neurale neurale netværk . En af disse er at lære . Kunstige neurale netværk er ikke programmeret som computere , de er uddannet - ligesom den måde dyrene er trænet . Træning opnås ved at justere vægten af ​​de neuroner . Det betyder, at kunstige neurale netværk kan bruges til at styre processer, der er umuligt at beskrive , så længe der er nok eksempler til brug i uddannelse . En anden god kvalitet af tærskel logiske enheder er deres evne til at generalisere . Hvis en uddannet neurale netværk vises et mønster det har aldrig set før, er det som regel klassificerer det korrekt.
Transfer Functions

Når summen af ​​de input til en neuron overstiger tærsklen , kan summen føres gennem en overførsel funktion , der styrer produktionen . Det er en udbredt opfattelse , at omhyggeligt at vælge denne overførsel funktion kan have en række gavnlige virkninger på neurale netværk . Disse fordele omfatter hurtigere uddannelse og øget evne til at generalisere.