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 विधियों 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 दृष्टिकोण इंजीनियरिंग परिप्रेक्ष्य तक सीमित होगा।
इंजीनियरिंग में, तंत्रिका नेटवर्क दो आवश्यक कार्य पैटर्न क्लासिफायर और गैर-रैखिक अनुकूली फिल्टर के रूप में उत्पन्न करते हैं। एक कृत्रिम तंत्रिका नेटवर्क गतिशील है, यह एक गैर-रैखिक प्रणाली प्रदान करता है जो डेटा से एक फ़ंक्शन (एक इनपुट/आउटपुट मैप) निष्पादित करना सीखता है। अनुकूली दर्शाता है कि सिस्टम पैरामीटर्स ऑपरेशन के दौरान बदलते हैं, जिसे अक्सर प्रशिक्षण चरण कहा जाता है।
प्रशिक्षण चरण के बाद, कृत्रिम तंत्रिका नेटवर्क पैरामीटर्स तय हो जाते हैं और सिस्टम हाथ में समस्या को हल करने के लिए तैयार होता है (परीक्षण चरण)। कृत्रिम तंत्रिका नेटवर्क को एक व्यवस्थित चरण-दर-चरण प्रक्रिया के साथ उत्पन्न किया जाता है ताकि एक प्रदर्शन परीक्षण में सुधार हो या कुछ निश्चित आंतरिक बाधा का पालन किया जाए, जिसे आमतौर पर सीखने के नियम के रूप में वर्णित किया जाता है।
निम्नलिखित डिजाइन मुद्दे हैं जिन पर विचार किया जाना चाहिए -
इनपुट परत में कई नोड्स तय किए जाने चाहिए। प्रत्येक गणितीय या बाइनरी इनपुट चर के लिए एक इनपुट नोड बनाया जा सकता है। यदि इनपुट चर श्रेणीबद्ध है, तो प्रत्येक श्रेणीबद्ध मूल्य के लिए एक नोड बनाया जा सकता है या [log₂k] इनपुट नोड्स का उपयोग करके k-ary चर को एन्कोड किया जा सकता है।
आउटपुट परत में कई नोड्स बनाए जाने चाहिए। दो-कक्षा समस्या के लिए, एकल आउटपुट नोड पर्याप्त है। k-कक्षा समस्या के लिए, k आउटपुट नोड्स हैं।
नेटवर्क टोपोलॉजी जैसे छिपी हुई परतों और छिपे हुए नोड्स की संख्या, और फीड-फॉरवर्ड या रिकरेंट नेटवर्क संरचना का चयन किया जाना चाहिए। लक्ष्य फ़ंक्शन विवरण कनेक्शन के वजन, छिपे हुए नोड्स और छिपी हुई परतों की संख्या, नोड्स में बायस, और सक्रियण फ़ंक्शन के प्रकार पर आधारित है। सही टोपोलॉजी ढूंढना एक सरल कार्य नहीं है।
एक विधि पर्याप्त रूप से बड़ी संख्या में नोड्स और छिपी हुई परतों के साथ एक पूरी तरह से जुड़े नेटवर्क से शुरू करना है, और फिर कम संख्या में नोड्स के साथ मॉडल-बिल्डिंग संरचना को दोहराना है। यह विधि मध्यम हो सकती है। वैकल्पिक रूप से, मॉडल-बिल्डिंग संरचना को दोहराने के बजाय, यह कई नोड्स को हटा सकता है और सही मॉडल जटिलता चुनने के लिए मॉडल मूल्यांकन प्रक्रिया को दोहरा सकता है।
वजन और बायस को आरंभ किया जाना चाहिए। यादृच्छिक असाइनमेंट आमतौर पर पर्याप्त होते हैं।
लापता मूल्यों वाले प्रशिक्षण उदाहरणों को हटाया जाना चाहिए या सबसे संभावित मूल्यों से बहाल किया जाना चाहिए।
