โครงข่ายประสาทเทียมเป็นระบบที่วางอยู่บนหน้าที่ของโครงข่ายประสาทเทียมทางชีวภาพ เป็นการจำลองระบบประสาททางชีววิทยา คุณสมบัติของโครงข่ายประสาทเทียมคือมีหลายโครงสร้าง ซึ่งต้องใช้วิธีการหลายวิธีของอัลกอริธึม แต่ไม่ว่าระบบนั้นจะซับซ้อนแค่ไหน โครงข่ายประสาทเทียมก็เป็นเรื่องง่าย
เครือข่ายเหล่านี้อยู่ระหว่างวิทยาศาสตร์การประมวลผลสัญญาณเฉพาะในกล่องเครื่องมือของผู้อำนวยการ พื้นที่นี้เป็นสหวิทยาการอย่างมหาศาล แต่เทคนิคนี้จะจำกัดมุมมองไว้ที่มุมมองทางวิศวกรรม
ในทางวิศวกรรม โครงข่ายประสาทเทียมสร้างฟังก์ชันที่จำเป็นสองอย่างเป็นตัวแยกประเภทรูปแบบและเป็นตัวกรองแบบปรับตัวที่ไม่ใช่เชิงเส้น โครงข่ายประสาทเทียมเป็นไดนามิก โดยจัดให้มีระบบที่ไม่เป็นเชิงเส้นที่เรียนรู้การเรียกใช้ฟังก์ชัน (แผนที่อินพุต/เอาต์พุต) จากข้อมูล Adaptive แสดงว่าพารามิเตอร์ของระบบมีการเปลี่ยนแปลงระหว่างการทำงาน ซึ่งมักเรียกว่าระยะการฝึก
หลังจากขั้นตอนการฝึกอบรม พารามิเตอร์โครงข่ายประสาทเทียมจะได้รับการแก้ไข และระบบจะเริ่มแก้ปัญหาในมือ (ขั้นตอนการทดสอบ) โครงข่ายประสาทเทียมถูกสร้างขึ้นด้วยกระบวนการทีละขั้นตอนอย่างเป็นระบบเพื่อปรับปรุงการทดสอบประสิทธิภาพหรือเพื่อปฏิบัติตามข้อจำกัดภายในที่แน่นอน ซึ่งมักจะอธิบายว่าเป็นกฎการเรียนรู้
ข้อมูลการฝึกอบรมอินพุต/เอาต์พุตมีความสำคัญในเทคโนโลยีโครงข่ายประสาทเทียม เนื่องจากส่งข้อมูลที่จำเป็นเพื่อ "ค้นหา" จุดปฏิบัติการที่เหมาะสมที่สุด คุณลักษณะที่ไม่เป็นเชิงเส้นขององค์ประกอบการประมวลผลโครงข่ายประสาทเทียม (PE) ช่วยให้ระบบสามารถปรับตัวได้หลายอย่าง เพื่อให้ได้แผนที่อินพุต/เอาท์พุตที่ต้องการอย่างแท้จริง เช่น โครงข่ายประสาทเทียมบางตัวเป็นตัวสร้างแผนที่แบบกว้างๆ
อินพุตถูกแสดงบนโครงข่ายประสาทเทียม และตั้งค่าการตอบสนองที่ต้องการหรือโฟกัสแบบเดียวกันที่เอาต์พุต (เมื่อวิธีนี้เรียกว่าการฝึกแบบควบคุมดูแล)
ข้อผิดพลาดประกอบด้วยความแตกต่างระหว่างการตอบสนองที่บันทึกและเอาต์พุตของระบบ บันทึกข้อผิดพลาดนี้จะถูกส่งกลับไปยังระบบและจัดการพารามิเตอร์ของระบบอย่างสม่ำเสมอ (กฎการเรียนรู้) กระบวนการนี้ทำซ้ำจนกว่าประสิทธิภาพจะมีประสิทธิภาพ ปราศจากการเป็นตัวแทนนี้ว่าประสิทธิภาพจะขึ้นอยู่กับข้อมูลอย่างหนาแน่น
เครือข่ายสามารถใช้วิธีการเปิดใช้งานฟังก์ชันอื่นที่ไม่ใช่ฟังก์ชันสัญญาณ มีฟังก์ชันการเปิดใช้งานหลายอย่าง เช่น ฟังก์ชันเชิงเส้น ซิกมอยด์ (โลจิสติก) และไฮเปอร์โบลิกแทนเจนต์
ฟังก์ชันการเปิดใช้งานเหล่านี้เปิดใช้งานโหนดที่ซ่อนอยู่และเอาต์พุตเพื่อสร้างค่าเอาต์พุตที่ไม่เป็นเชิงเส้นในพารามิเตอร์อินพุต ความซับซ้อนที่มากขึ้นเหล่านี้ทำให้โครงข่ายประสาทหลายชั้นจำลองความสัมพันธ์ที่ซับซ้อนมากขึ้นระหว่างตัวแปรอินพุตและเอาต์พุตได้
เอาต์พุตของ ANN เป็นฟังก์ชันไม่เชิงเส้นของพารามิเตอร์ เนื่องจากฟังก์ชันการเปิดใช้งานที่ยอดเยี่ยม เช่น ฟังก์ชัน sigmoid หรือ tanh ดังนั้นจึงไม่ใช่เรื่องง่ายอีกต่อไปที่จะหาวิธีแก้ปัญหาสำหรับ w ที่ได้รับการรับรองว่ามีความเหมาะสมในระดับสากล
