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।
इंजीनियरिंग में, तंत्रिका नेटवर्क पैटर्न क्लासिफायर के रूप में और गैर-रेखीय अनुकूली फिल्टर के रूप में दो आवश्यक कार्य करते हैं। एक कृत्रिम तंत्रिका नेटवर्क गतिशील है, यह एक गैर-रेखीय प्रणाली प्रदान करता है जो डेटा से एक फ़ंक्शन (एक इनपुट / आउटपुट मैप) निष्पादित करना सीखता है। अनुकूली दर्शाता है कि ऑपरेशन के दौरान सिस्टम पैरामीटर बदल जाते हैं, जिसे अक्सर प्रशिक्षण चरण कहा जाता है।
प्रशिक्षण चरण के बाद, कृत्रिम तंत्रिका नेटवर्क पैरामीटर तय हो गए हैं और सिस्टम हाथ में समस्या (परीक्षण चरण) को हल करना शुरू कर देता है। कृत्रिम तंत्रिका नेटवर्क एक प्रदर्शन परीक्षण को बेहतर बनाने या कुछ निश्चित आंतरिक बाधाओं का पालन करने के लिए एक व्यवस्थित चरण-दर-चरण प्रक्रिया के साथ निर्मित होता है, जिसे आमतौर पर सीखने के नियम के रूप में वर्णित किया जाता है।
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।
नेटवर्क साइन फ़ंक्शन के अलावा अन्य सक्रियण कार्यों के तरीकों का उपयोग कर सकता है। कई सक्रियण कार्य हैं जैसे रैखिक, सिग्मॉइड (लॉजिस्टिक), और अतिशयोक्तिपूर्ण स्पर्शरेखा कार्य।
ये सक्रियण फ़ंक्शन छिपे हुए और आउटपुट नोड्स को आउटपुट मान बनाने में सक्षम करते हैं जो उनके इनपुट मापदंडों में गैर-रेखीय हैं। ये अधिक जटिलताएं बहुपरत तंत्रिका नेटवर्क को इनपुट और आउटपुट चर के बीच अधिक जटिल संबंधों को मॉडल करने में सक्षम बनाती हैं।
सिग्मॉइड या टैन फ़ंक्शन जैसे इसके सक्रियण कार्यों के उत्कृष्ट होने के कारण एएनएन का आउटपुट इसके मापदंडों का एक गैर-रेखीय कार्य है। तदनुसार, डब्ल्यू के लिए एक समाधान प्राप्त करना अब आसान नहीं है जिसे सार्वभौमिक रूप से इष्टतम माना जाता है।