? En kunstig nevrale nettverk er en programmert datamodell som mål å gjenskape den nevrale struktur og funksjon av den menneskelige hjerne . Det består av en sammenhengende struktur av kunstig produsert nevroner som fungerer som trasé for dataoverføring. Kunstige nevrale nettverk er fleksible og tilpasningsdyktige , læring og justering med hver ulike interne eller eksterne stimuli . Kunstige nevrale nettverk brukes i rekkefølge og mønstergjenkjenning systemer , databehandling , robotikk og modellering . Det finnes ulike typer nevrale nettverk, inkludert feedforward nevrale nettverk , radial basis funksjon ( RBF ) , Kohonen selvorganiserende nettverk og tilbakevendende nevrale nettverk . Fleksibilitet

Kunstige nevrale nettverk har muligheten til å generalisere og lære. De skaffer seg kunnskap fra sine omgivelser ved å tilpasse til interne og eksterne parametere. Nettverket lærer av eksempler og tilpasser seg situasjoner basert på sine funn . Det generaliserer kunnskap til å produsere tilstrekkelige svar til ukjente situasjoner . Kunstige nevrale nettverk løse komplekse problemer som er vanskelige å håndtere av tilnærming .
Ikke-linearitet

beregningsorientert nervecellen kan produsere en lineær eller ikke- lineær svar. En ikke- lineær kunstig nettverk består av sammenkobling av ikke-lineære neuroner . Ikke- lineære systemer har innganger som ikke er proporsjonal med utgangene . Denne funksjonen gjør at nettverket kan effektivt tilegne seg kunnskap gjennom læring . Dette er en klar fordel over et tradisjonelt lineært nettverk som er utilstrekkelig når det gjelder modellering ikke-lineære data .
Greater feiltoleranse

En kunstig nervecellen nettverk er i stand til større feiltoleranse enn et tradisjonelt nett. Nettverket er i stand til å regenerere en feil i en hvilken som helst av dets komponenter uten tap av lagrede data. Den bruker forekomster og eksempler fra fortiden for å montere funksjon av en skadet node eller andre nettverk bestanddel.
Adaptive Learning

En kunstig nervecellen nettverk er basert rundt begrepet av abstrakt læring. Tre læring paradigmer fungere å utstyre nettverk for adaptiv læring . Dette er forsterkning læring, uten tilsyn læring og veiledet læring. Neuron nettverk kan trenes via spesialiserte algoritmer inkludert ikke- parametriske metoder, forventning maksimering , simulert størkning og evolusjonære metoder . Nervecellene i en kunstig nervecellen nettverk er fleksible nok til å være tilpasset ulike inngangssignaltypene patters og akklimatisere til et variert utvalg av ukjente situasjoner . De er stadig å akseptere og erstatter tidligere lært informasjon , holde sin oppbevaringssted for problemløsning teknikker oppdatert .