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।
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 शुरू 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।
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।
नेटवर्क साइन फ़ंक्शन के अलावा सक्रियण फ़ंक्शन की विधियों का उपयोग कर सकता है। कई सक्रियण फ़ंक्शन हैं जैसे रैखिक, सिग्मॉइड (लॉजिस्टिक), और हाइपरबोलिक टेंजेंट फ़ंक्शन।
ये सक्रियण फ़ंक्शन छिपे हुए और आउटपुट नोड्स को आउटपुट मूल्य बनाने में सक्षम बनाते हैं जो उनके इनपुट पैरामीटर्स में गैर-रैखिक हैं। ये अधिक जटिलताएं मल्टीलायर तंत्रिका नेटवर्क को इनपुट और आउटपुट चरों के बीच अधिक जटिल संबंधों को मॉडल करने में सक्षम बनाती हैं।
ANN का आउटपुट इसके पैरामीटर्स का एक गैर-रैखिक फ़ंक्शन है क्योंकि इसके सक्रियण फ़ंक्शन जैसे सिग्मॉइड या tanh फ़ंक्शन की उत्कृष्टता के कारण। तदनुसार, w के लिए एक समाधान प्राप्त करना अब सरल नहीं है जो सार्वभौमिक रूप से इष्टतम होने का समर्थन करता है।
