โครงข่ายประสาทเทียมเป็นระบบที่วางอยู่บนหน้าที่ของโครงข่ายประสาทเทียมทางชีวภาพ เป็นการจำลองระบบประสาททางชีววิทยา คุณสมบัติของโครงข่ายประสาทเทียมคือมีหลายโครงสร้าง ซึ่งต้องใช้วิธีการหลายวิธีของอัลกอริธึม แต่ไม่ว่าระบบนั้นจะซับซ้อนแค่ไหน โครงข่ายประสาทเทียมก็เป็นเรื่องง่าย
เครือข่ายเหล่านี้อยู่ระหว่างวิทยาศาสตร์การประมวลผลสัญญาณเฉพาะในกล่องเครื่องมือของผู้อำนวยการ พื้นที่นี้เป็นสหวิทยาการอย่างมหาศาล แต่เทคนิคนี้จะจำกัดมุมมองไว้ที่มุมมองทางวิศวกรรม
ข้อมูลการฝึกอบรมอินพุต/เอาต์พุตมีความสำคัญในเทคโนโลยีโครงข่ายประสาทเทียม เนื่องจากส่งข้อมูลที่จำเป็นเพื่อ "ค้นหา" จุดปฏิบัติการที่เหมาะสมที่สุด คุณลักษณะที่ไม่เป็นเชิงเส้นขององค์ประกอบการประมวลผลโครงข่ายประสาทเทียม (PE) ช่วยให้ระบบสามารถปรับตัวได้หลายอย่าง เพื่อให้ได้แผนที่อินพุต/เอาท์พุตที่ต้องการอย่างแท้จริง เช่น โครงข่ายประสาทเทียมบางตัวเป็นตัวสร้างแผนที่แบบกว้างๆ
อินพุตจะแสดงไปยังโครงข่ายประสาทเทียมและตั้งค่าการตอบสนองที่ต้องการหรือโฟกัสแบบเดียวกันที่เอาต์พุต (เมื่อวิธีนี้เรียกว่าการฝึกแบบควบคุมดูแล)
ข้อผิดพลาดประกอบด้วยความแตกต่างระหว่างการตอบสนองที่บันทึกและเอาต์พุตของระบบ บันทึกข้อผิดพลาดนี้จะถูกส่งกลับไปยังระบบและจัดการพารามิเตอร์ของระบบอย่างสม่ำเสมอ (กฎการเรียนรู้) กระบวนการนี้ทำซ้ำจนกว่าประสิทธิภาพจะมีประสิทธิภาพ การแสดงนี้ปราศจากการแสดงว่าประสิทธิภาพขึ้นอยู่กับข้อมูลอย่างหนาแน่น
โครงข่ายประสาทเทียมมีลักษณะดังต่อไปนี้ -
โครงข่ายประสาทหลายชั้นที่มีอย่างน้อยหนึ่งชั้นที่ซ่อนอยู่นั้นเป็นค่าประมาณสากล สามารถใช้เพื่อประมาณฟังก์ชันเป้าหมายบางอย่างได้ เนื่องจาก ANN มีพื้นที่สมมติฐานที่แสดงออกอย่างชัดเจน คุณจึงจำเป็นต้องเลือกโทโพโลยีเครือข่ายที่เหมาะสมสำหรับปัญหาที่กำหนด เพื่อป้องกันการจำลองโมเดลมากเกินไป
ANN สามารถจัดการคุณสมบัติที่ซ้ำซ้อนได้ เนื่องจากจำเป็นต้องเรียนรู้น้ำหนักในระหว่างขั้นตอนการฝึก น้ำหนักสำหรับคุณลักษณะที่ซ้ำซ้อนมักมีขนาดเล็ก
โครงข่ายประสาทเทียมมีความอ่อนไหวต่อสัญญาณรบกวนในข้อมูลการฝึก มีวิธีหนึ่งในการจัดการสัญญาณรบกวนคือต้องมีชุดการตรวจสอบความถูกต้องเพื่อตัดสินข้อผิดพลาดทั่วไปของแบบจำลอง อีกวิธีหนึ่งคือการลดน้ำหนักด้วยองค์ประกอบบางอย่างในการวนซ้ำแต่ละครั้ง
แนวทางการไล่ระดับสีแบบเกรเดียนท์ใช้สำหรับการเรียนรู้น้ำหนักของ ANN ที่ประกอบเป็นค่าต่ำสุดในท้องถิ่น วิธีหนึ่งในการหลีกหนีจากค่าต่ำสุดในเครื่องคือการแทรกเทอมโมเมนตัมลงในสูตรการอัพเดตน้ำหนัก
การฝึก ANN เป็นกระบวนการที่ช้า โดยเฉพาะอย่างยิ่งเมื่อโหนดที่ซ่อนอยู่หลายโหนดอยู่ในระดับสูง อย่างไรก็ตาม สามารถกำหนดอินสแตนซ์การทดสอบได้มากขึ้น
