एक कृत्रिम तंत्रिका नेटवर्क एक प्रणाली है जिसे जैविक तंत्रिका नेटवर्क के कार्यों पर रखा गया है। यह एक जैविक तंत्रिका तंत्र का अनुकरण है। कृत्रिम तंत्रिका नेटवर्क की विशेषता यह है कि कई संरचनाएं हैं, जिन्हें एल्गोरिदम के कई दृष्टिकोणों की आवश्यकता होती है, लेकिन एक जटिल प्रणाली होने के बावजूद, एक तंत्रिका नेटवर्क आसान है।
ये नेटवर्क निदेशक के टूलबॉक्स में विशिष्ट सिग्नल-प्रोसेसिंग विज्ञान के बीच हैं। अंतरिक्ष बेहद अंतःविषय है, लेकिन यह तकनीक इंजीनियरिंग के दृष्टिकोण के लिए दृश्य को सीमित कर देगी।
तंत्रिका नेटवर्क प्रौद्योगिकी में इनपुट/आउटपुट प्रशिक्षण डेटा आवश्यक हैं क्योंकि वे इष्टतम ऑपरेटिंग बिंदु को "ढूंढने" के लिए आवश्यक रिकॉर्ड भेजते हैं। तंत्रिका नेटवर्क प्रसंस्करण तत्वों (पीई) की गैर-रेखीय विशेषताएं सिस्टम को कई वांछित इनपुट/आउटपुट मानचित्र प्राप्त करने के लिए कई अनुकूलन क्षमताएं प्रदान करती हैं, यानी, कुछ कृत्रिम तंत्रिका नेटवर्क व्यापक मानचित्र निर्माता हैं।
इनपुट तंत्रिका नेटवर्क को दिखाया जाता है और वही वांछित या फोकस प्रतिक्रिया आउटपुट पर सेट की जाती है (जब इस विधि को प्रशिक्षण पर्यवेक्षित कहा जाता है)।
एक त्रुटि कैप्चर की गई प्रतिक्रिया और सिस्टम आउटपुट के बीच के अंतर से बनी है। यह त्रुटि रिकॉर्ड सिस्टम को वापस दिया जाता है और लगातार सिस्टम पैरामीटर (सीखने के नियम) का प्रबंधन करता है। प्रदर्शन कुशल होने तक प्रक्रिया को दोहराया जाता है। यह इस प्रतिनिधित्व से मुक्त है कि प्रदर्शन मोटे तौर पर जानकारी पर निर्भर करता है।
कृत्रिम तंत्रिका नेटवर्क की निम्नलिखित विशेषताएं हैं जो इस प्रकार हैं -
कम से कम एक छिपी हुई परत वाले बहुपरत तंत्रिका नेटवर्क सार्वभौमिक अनुमान हैं। इसका उपयोग कुछ लक्ष्य कार्यों को अनुमानित करने के लिए किया जा सकता है। चूंकि एएनएन में एक बहुत ही अभिव्यंजक परिकल्पना क्षेत्र होता है, इसलिए मॉडल को ओवरफिटिंग से बचाने के लिए किसी समस्या के लिए उपयुक्त नेटवर्क टोपोलॉजी का चयन करना आवश्यक है।
एएनएन अनावश्यक सुविधाओं का प्रबंधन कर सकता है क्योंकि प्रशिक्षण चरण के दौरान वजन आवश्यक रूप से सीखा जाता है। अनावश्यक सुविधाओं के लिए भार छोटा होता है।
तंत्रिका नेटवर्क प्रशिक्षण जानकारी में शोर की उपस्थिति के लिए अतिसंवेदनशील होते हैं। शोर को संभालने का एक तरीका है मॉडल के सामान्यीकरण त्रुटि को तय करने के लिए एक सत्यापन सेट की आवश्यकता है। एक और तरीका यह है कि प्रत्येक पुनरावृत्ति पर किसी तत्व द्वारा वजन कम किया जाए।
ग्रेडिएंट डिसेंट अप्रोच का उपयोग किसी एएनएन के वजन को सीखने के लिए किया जाता है, जो कुछ स्थानीय न्यूनतम पर इकट्ठा होता है। स्थानीय न्यूनतम से बचने का एक तरीका वजन अद्यतन सूत्र में गति शब्द सम्मिलित करना है।
एएनएन को प्रशिक्षित करना एक धीमी प्रक्रिया है, खासकर जब कई छिपे हुए नोड अधिक होते हैं। हालांकि, परीक्षण उदाहरणों को तेजी से परिभाषित किया जा सकता है।