Artificial Neural Networks er modeller av biologiske nettverk av nerveceller . Som biologiske neuroner, de kunstige neuroner legge opp flere innganger og sammenligne summen med en terskelverdi . Hvis summen overskrider terskelverdien , passerer neuron et signal til den neste neuron. Så lenge som summen er mindre enn terskelen, blir ikke noe signal overføres . Denne informasjonen behandlingen paradigmet kalles terskel logikk. Nevroner

Biologiske nevroner har flere innganger , fra sanseorganene og andre nevroner , og én utgang . Dersom oppsamlet innganger passerer en viss terskel , går cellen gjennom en rensende prosess kalt " avfyring ", som fører til en elektrisk strøm å passere gjennom én utgang frem til utgangen av " nerve ", hvor strømmen forårsaker utstøting av små sekker av et nevrotransmittere - molekyler som aktiverer musklene eller andre nevroner . Kunstige nevroner etterligne denne prosessen , men alle variablene er representert ved tall som kan justeres for å finjustere prosessen . De enkelte innganger blir automatisk multiplisert med tall som kalles " vekter ", som kan justeres for å endre oppførselen til nervecellene.
Neural Nets

nevrale nett er samlinger av nevroner som arbeider sammen for å skape en effekt . Et typisk bruksområde har nervecellene arrangert i lag , så et mønster av signaler blir presentert for den første raden av nerveceller , filtrert gjennom andre lag , deretter en endelig rad av nerveceller presenterer et mønster av signaler. Denne " oversettelse " prosesser kan trenes . Andre anvendelser har alle de nevroner som er koblet til hverandre, slik at når noen av de nervecellene blir stimulert , legger seg hele ensemblet av neuroner til en stabil tilstand som representerer en tidligere lagrede mønster . En annen anvendelse har hver neuron koblet bare til sine naboer - som i laget av celler i den bakre del av øyet - som kan detektere ting som kantene av eksitasjons- mønstre som forårsakes av lyse og mørke
.
Learning

Interessant, kunstige nevrale nettverk arve noen av de ønskelige egenskapene til biologiske nevrale nevrale nettverk . En av disse er læring. Kunstige nevrale nettverk er ikke programmert som datamaskiner , de er trent - liker måten dyrene blir trent. Trening blir oppnådd ved å justere vektene av nerveceller. Dette betyr at kunstige nevrale nettverk kan brukes til å styre prosesser som er umulig å beskrive så lenge det er nok av eksempler å bruke i trening. En annen god kvalitet av mengder under logikk enheter er deres evne til å generalisere . Hvis en trent nevrale nettverk er vist et mønster det har aldri sett før , klassifiserer det som regel det riktig.
Transfer Functions

Når summen av inngangene til en nervecelle overskrider terskelverdien , vil summen bli ført gjennom en overføringsfunksjon som styrer produksjonen . Det er allment antatt at nøye med å velge denne overføringen funksjonen kan ha en rekke gunstige effekter på nevrale nettverk . Disse fordelene omfatter raskere opplæring og økt evne til å generalisere .