एक कृत्रिम तंत्रिका नेटवर्क जैविक तंत्रिका नेटवर्क के कार्यों पर आधारित एक प्रणाली है। यह एक जैविक तंत्रिका प्रणाली का अनुकरण है। कृत्रिम तंत्रिका नेटवर्क की विशेषता यह है कि कई संरचनाएं हैं, जिनके लिए कई एल्गोरिदम दृष्टिकोण की आवश्यकता होती है, लेकिन एक जटिल प्रणाली होने के बावजूद, एक तंत्रिका नेटवर्क सरल है।
ये नेटवर्क निर्देशक के टूलबॉक्स में विशिष्ट सिग्नल-प्रोसेसिंग विज्ञानों के बीच हैं। क्षेत्र अत्यधिक अंतःविषयी है, लेकिन यह तकनीक इंजीनियरिंग दृष्टिकोण तक सीमित होगी।
इनपुट/आउटपुट प्रशिक्षण डेटा तंत्रिका नेटवर्क प्रौद्योगिकी में आवश्यक हैं क्योंकि वे इष्टतम ऑपरेटिंग पॉइंट को "ढूंढने" के लिए आवश्यक रिकॉर्ड भेजते हैं। तंत्रिका नेटवर्क प्रोसेसिंग एलिमेंट्स (PEs) की गैर-रैखिक विशेषताएं सिस्टम को वस्तुतः किसी भी वांछित इनपुट/आउटपुट मैप को प्राप्त करने के लिए कई अनुकूलन क्षमताएं प्रदान करती हैं, यानी, कुछ कृत्रिम तंत्रिका नेटवर्क व्यापक मैपमेकर हैं।
इनपुट को तंत्रिका नेटवर्क पर दिखाया जाता है और वही वांछित या लक्ष्य प्रतिक्रिया आउटपुट पर सेट की जाती है (जब यह विधि है तो प्रशिक्षण को पर्यवेक्षित कहा जाता है)।
एक त्रुटि कब्जा की गई प्रतिक्रिया और सिस्टम आउटपुट के बीच अंतर से बनी होती है। यह त्रुटि रिकॉर्ड सिस्टम को वापस भेजी जाती है और लगातार सिस्टम पैरामीटर्स (सीखने का नियम) को प्रबंधित करती है। प्रक्रिया को तब तक दोहराया जाता है जब तक प्रदर्शन कुशल न हो जाए। यह इस प्रतिनिधित्व से मुक्त है कि प्रदर्शन जानकारी पर गहन निर्भर करता है।
कृत्रिम तंत्रिका नेटवर्क की निम्नलिखित विशेषताएं हैं -
कम से कम एक छिपी हुई परत वाले मल्टीलायर तंत्रिका नेटवर्क सार्वभौमिक सन्निकटनकर्ता हैं। इनका उपयोग किसी भी लक्ष्य फ़ंक्शन को सन्निकट करने के लिए किया जा सकता है। क्योंकि एक ANN का एक बहुत ही अभिव्यंजक परिकल्पना क्षेत्र है, दिए गए समस्या के लिए उपयुक्त नेटवर्क टोपोलॉजी का चयन करना मॉडल ओवरफिटिंग को रोकने के लिए आवश्यक है।
ANN अनावश्यक विशेषताओं को संभाल सकता है क्योंकि वजन प्रशिक्षण चरण के दौरान अनिवार्य रूप से सीखे जाते हैं। अनावश्यक विशेषताओं के लिए वजन छोटे होते हैं।
तंत्रिका नेटवर्क प्रशिक्षण जानकारी में शोर की उपस्थिति के प्रति संवेदनशील हैं। शोर को संभालने का एक तरीका मॉडल के सामान्यीकरण त्रुटि को तय करने के लिए एक सत्यापन सेट की आवश्यकता है। दूसरी विधि प्रत्येक पुनरावृत्ति पर वजन को कुछ तत्व से कम करना है।
ग्रेडिएंट डिसेंट दृष्टिकोण का उपयोग ANN के वजन सीखने के लिए किया जाता है जो कुछ स्थानीय न्यूनतम पर इकट्ठे होते हैं। स्थानीय न्यूनतम से बचने का एक तरीका वजन अद्यतन सूत्र में एक गति पद डालना है।
ANN को प्रशिक्षित करना एक धीमी प्रक्रिया है, विशेष रूप से जब कई छिपे हुए नोड्स अधिक होते हैं। हालांकि, टेस्ट उदाहरणों को तेजी से वर्गीकृत किया जा सकता है।
