En neurale netværk er en information paradigme inspireret af den måde biologiske nervesystem, sådanne pattedyr hjerner , bearbejde information . Neurale netværk er sammensat af et stort antal højt sammenkoblede behandlingselementer, der er kendt som neuroner , der arbejder sammen om at løse konkrete problemer. Fordele ved neurale netværk omfatter deres evne til at " lære " gennem justeringer af de forbindelser mellem neuroner. Problemløsning

Neurale netværk kan hjælpe med at løse problemer, der er for komplekse til konventionel teknologi , der bygger på at finde en algoritmisk løsning. Virkelige verdens problemer , der kræver fleksibel tænkning omfatte salg prognoser , industriel processtyring, kundeundersøgelser , risikostyring, målet markedsføring og tekstur analyse. Neurale netværk hjælpe på disse områder på grund af deres evne til at udlede mening fra komplicerede og upræcise data.
Real- Time Operation

modsætning til konventionelle serielle computere , gør neurale netværk ikke udføre programmerede instruktioner. I stedet er de reagerer parallelt med mønster af input præsenteret for dem . Neurale netværk skabe deres egen organisation eller repræsentation af information tilføres dem under læring tid . Hukommelse er ikke gemt separat, men på tværs af hele netværket . Den "viden" af netværket er derfor større end summen af ​​de enkelte dele.
Fault Tolerance
p Hvis et neuralt netværk til dels er ødelagt , vil nogle områder har en forringet ydeevne . I modsætning til traditionelle netværk , er der imidlertid nogle kapaciteter et neuralt netværk opretholdes selv med store skader . Det er meget det samme, som når en person lider lokaliseret hjerneskade, der kun påvirker bestemte kognitive evner .
Fotos Learning

Neurale netværk besidder "lære regler", der tillader dem at lære ved eksempel. Den mest almindelige er den delta regel bruges med back- propagational neurale netværk . Back -propagation refererer til tilbagestående formering af fejl . Læring ved hjælp af delta -reglen er en overvåget proces, der sker hver gang netværket er præsenteret med et nyt input mønster. Netværket forudsiger , hvad mønsteret kunne være , og derefter sammenligner dette skøn med, hvad det faktisk præsenteres. Det bruger nogen forskel at foretage justeringer til sine forbindelser.