โครงข่ายประสาทเทียมเป็นระบบที่ยึดตามหน้าที่ของโครงข่ายประสาทเทียมทางชีววิทยา เป็นการจำลองระบบประสาททางชีววิทยา คุณสมบัติของโครงข่ายประสาทเทียมคือมีหลายโครงสร้าง ซึ่งต้องใช้อัลกอริธึมหลายวิธี แต่ไม่ว่าโครงข่ายประสาทเทียมจะเป็นระบบที่ซับซ้อนหรือไม่
เครือข่ายเหล่านี้อยู่ระหว่างวิทยาศาสตร์การประมวลผลสัญญาณเฉพาะในกล่องเครื่องมือของผู้อำนวยการ พื้นที่นี้เป็นแบบสหวิทยาการอย่างมหาศาล แต่วิธีการนี้จะจำกัดมุมมองต่อมุมมองทางวิศวกรรม
ในทางวิศวกรรม โครงข่ายประสาทเทียมสร้างฟังก์ชันที่จำเป็นสองอย่างเป็นตัวแยกประเภทรูปแบบและเป็นตัวกรองแบบปรับตัวที่ไม่ใช่เชิงเส้น โครงข่ายประสาทเทียมเป็นไดนามิก โดยจัดให้มีระบบที่ไม่เป็นเชิงเส้นที่เรียนรู้การเรียกใช้ฟังก์ชัน (แผนที่อินพุต/เอาต์พุต) จากข้อมูล Adaptive แสดงว่าพารามิเตอร์ของระบบมีการเปลี่ยนแปลงระหว่างการทำงาน ซึ่งมักเรียกว่าระยะการฝึก
หลังจากขั้นตอนการฝึกอบรม พารามิเตอร์โครงข่ายประสาทเทียมจะได้รับการแก้ไข และระบบจะเริ่มแก้ปัญหาในมือ (ขั้นตอนการทดสอบ) โครงข่ายประสาทเทียมถูกสร้างขึ้นด้วยกระบวนการทีละขั้นตอนอย่างเป็นระบบเพื่อปรับปรุงการทดสอบประสิทธิภาพหรือเพื่อปฏิบัติตามข้อจำกัดภายในที่แน่นอน ซึ่งมักจะอธิบายว่าเป็นกฎการเรียนรู้
มีปัญหาการออกแบบที่ต้องพิจารณาดังต่อไปนี้ -
ต้องตัดสินใจเลือกโหนดหลายโหนดในเลเยอร์อินพุต สามารถสร้างโหนดอินพุตสำหรับตัวแปรอินพุตทางคณิตศาสตร์หรือไบนารีแต่ละตัวได้ หากตัวแปรอินพุตเป็นแบบหมวดหมู่ ก็สามารถสร้างโหนดหนึ่งโหนดสำหรับแต่ละค่าหมวดหมู่หรือเข้ารหัสตัวแปร k-ary โดยใช้ [log2 k] โหนดอินพุต
ต้องสร้างโหนดหลายโหนดในเลเยอร์เอาต์พุต สำหรับปัญหาแบบสองคลาส ก็เพียงพอแล้วที่จะต้องใช้โหนดเอาต์พุตเดียว สำหรับปัญหา k-class จะมีโหนดเอาต์พุต k โหนด
ควรเลือกโทโพโลยีเครือข่าย เช่น จำนวนเลเยอร์ที่ซ่อนอยู่และโหนดที่ซ่อนอยู่ และโครงสร้างเครือข่ายแบบฟีดฟอร์เวิร์ดหรือซ้ำ คำอธิบายฟังก์ชันเป้าหมายขึ้นอยู่กับน้ำหนักของการเชื่อมต่อ โหนดที่ซ่อนอยู่หลายโหนดและเลเยอร์ที่ซ่อนอยู่ ความเอนเอียงในโหนด และประเภทของฟังก์ชันการเปิดใช้งาน การค้นพบโทโพโลยีที่ถูกต้องไม่ใช่เรื่องง่าย
วิธีหนึ่งคือการเริ่มต้นจากเครือข่ายที่เชื่อมต่ออย่างสมบูรณ์ซึ่งมีโหนดจำนวนมากเพียงพอและเลเยอร์ที่ซ่อนอยู่ จากนั้นทำซ้ำโครงสร้างการสร้างแบบจำลองด้วยจำนวนโหนดที่น้อยกว่า วิธีนี้สามารถปานกลาง อีกทางหนึ่ง แทนที่จะทำซ้ำโครงสร้างการสร้างแบบจำลอง มันสามารถลบโหนดหลาย ๆ อันและทำขั้นตอนการประเมินแบบจำลองซ้ำเพื่อเลือกความซับซ้อนของแบบจำลองที่เหมาะสมได้
ควรเริ่มต้นน้ำหนักและอคติ การมอบหมายแบบสุ่มโดยทั่วไปเพียงพอ
อินสแตนซ์การฝึกอบรมที่มีค่าขาดหายไปจะต้องถูกลบหรือกู้คืนด้วยค่าที่เป็นไปได้มากที่สุด
