एक कृत्रिम न्यूरल नेटवर्क जैविक न्यूरल नेटवर्क के कार्यों पर आधारित एक प्रणाली है। यह एक जैविक न्यूरल सिस्टम का अनुकरण है। कृत्रिम न्यूरल नेटवर्क की विशेषता यह है कि कई आर्किटेक्चर हैं, जिनके परिणामस्वरूप एल्गोरिदम के कई तरीकों की आवश्यकता होती है, लेकिन जटिल प्रणाली होने के बावजूद, एक न्यूरल नेटवर्क लगभग सरल है।
ये नेटवर्क निर्देशक के टूलबॉक्स में अद्वितीय सिग्नल-प्रसंस्करण प्रौद्योगिकियों में से हैं। क्षेत्र अत्यधिक अंतःविषयी है, लेकिन यह दृष्टिकोण इंजीनियरिंग दृष्टिकोण तक सीमित रहेगा।
इंजीनियरिंग में, न्यूरल नेटवर्क पैटर्न क्लासिफायर और नॉन-लिनियर एडैप्टिव फिल्टर के रूप में दो महत्वपूर्ण कार्य प्रदान करते हैं। एक कृत्रिम न्यूरल नेटवर्क एक लचीला, अक्सर नॉन-लिनियर सिस्टम है जो डेटा से एक फ़ंक्शन (इनपुट/आउटपुट मैप) को लागू करना सीखता है। एडैप्टिव का अर्थ है कि सिस्टम पैरामीटर ऑपरेशन के दौरान बदल जाते हैं, जिसे आमतौर पर प्रशिक्षण चरण के रूप में जाना जाता है।
प्रशिक्षण चरण के बाद, कृत्रिम न्यूरल नेटवर्क पैरामीटर स्थिर होते हैं और सिस्टम हाथ में समस्या को हल करने के लिए सेट होता है (परीक्षण चरण)। कृत्रिम न्यूरल नेटवर्क को प्रदर्शन परीक्षण को बढ़ाने या कुछ निहित आंतरिक बाधा का पालन करने के लिए एक व्यवस्थित चरण-दर-चरण चरण के साथ विकसित किया जाता है, जिसे आमतौर पर सीखने के नियम के रूप में परिभाषित किया जाता है।
इनपुट/आउटपुट प्रशिक्षण डेटा न्यूरल नेटवर्क तकनीक में मौलिक हैं क्योंकि वे इष्टतम ऑपरेटिंग बिंदु को "खोजने" के लिए महत्वपूर्ण डेटा संचारित करते हैं। न्यूरल नेटवर्क प्रोसेसिंग तत्वों (PEs) की नॉन-लिनियर विशेषताएं सिस्टम को लगभग किसी भी वांछित इनपुट/आउटपुट मैप प्राप्त करने के लिए कई अनुकूलन क्षमता के साथ प्रदान करती हैं, यानी कुछ कृत्रिम न्यूरल नेटवर्क व्यापक मैपमेकर हैं।
एक इनपुट न्यूरल नेटवर्क को प्रस्तुत किया जाता है और एक समकक्ष वांछित या लक्ष्य प्रतिक्रिया आउटपुट पर सेट की जाती है (जब यह मामला होता है तो प्रशिक्षण को सुपरवाइज्ड के रूप में जाना जाता है)। प्राप्त प्रतिक्रिया और सिस्टम आउटपुट के बीच अंतर से एक त्रुटि एकत्र की जाती है। यह त्रुटि डेटा सिस्टम को वापस दिया जाता है और व्यवस्थित रूप से सिस्टम पैरामीटर (सीखने का नियम) को नियंत्रित करता है। चरण को तब तक दोहराया जाता है जब तक प्रदर्शन पर्याप्त न हो। यह स्पष्ट है कि प्रदर्शन डेटा पर बहुत अधिक निर्भर करता है।
कृत्रिम न्यूरल नेटवर्क के फायदे
एक न्यूरल नेटवर्क उन कार्यों को लागू कर सकता है जो एक रैखिक प्रोग्राम नहीं कर सकता।
जब न्यूरल नेटवर्क का एक तत्व विफल होता है, तो यह अपनी समानांतर विशेषताओं द्वारा बिना किसी समस्या के जारी रह सकता है।
एक न्यूरल नेटवर्क सीखता है और पुनर्प्रोग्राम की आवश्यकता नहीं होती है।
इसे किसी भी एप्लिकेशन में लागू किया जा सकता है।
कृत्रिम न्यूरल नेटवर्क के नुकसान
न्यूरल नेटवर्क को संचालित करने के लिए प्रशिक्षण की आवश्यकता होती है।
न्यूरल नेटवर्क की संरचना माइक्रोप्रोसेसर की संरचना से अलग है इसलिए अनुकरण की आवश्यकता होती है।
बड़े न्यूरल नेटवर्क के लिए उच्च प्रसंस्करण समय की आवश्यकता होती है।
