인공 신경망은 생물학적 신경망의 기능에 배치된 시스템입니다. 생물학적 신경계의 시뮬레이션입니다. 인공 신경망의 특징은 여러 구조가 있어 여러 알고리즘 접근이 필요하지만 복잡한 시스템에도 불구하고 신경망은 쉽다는 것입니다.
이러한 네트워크는 감독의 도구 상자에 있는 특정 신호 처리 과학 사이에 있습니다. 공간은 매우 학제적이지만 이 기술은 보기를 엔지니어링 관점으로 제한합니다.
입력/출력 훈련 데이터는 최적의 작동 지점을 "찾는" 필수 레코드를 보내기 때문에 신경망 기술에서 필수적입니다. 신경망 처리 요소(PE)의 비선형 기능은 원하는 입력/출력 맵을 사실상 여러 개 획득할 수 있는 다중 적응성을 시스템에 제공합니다. 즉, 일부 인공 신경망은 광범위한 맵메이커입니다.
입력은 신경망에 표시되고 동일한 원하는 또는 초점 응답이 출력에 설정됩니다(이 방법이 훈련 방법인 경우 감독됨).
오류는 캡처된 응답과 시스템 출력 간의 차이로 구성됩니다. 이 오류 레코드는 시스템으로 다시 전달되고 시스템 매개변수(학습 규칙)를 일관되게 관리합니다. 성능이 효율적일 때까지 프로세스가 반복됩니다. 성능이 정보에 크게 좌우된다는 것은 이러한 표현에서 자유롭습니다.
인공신경망에는 다음과 같은 특징이 있습니다 -
최소 하나의 은닉층이 있는 다층 신경망은 보편적인 근사치입니다. 일부 대상 기능을 근사하는 데 사용할 수 있습니다. ANN은 매우 표현적인 가설 영역을 가지고 있기 때문에 모델 과적합을 방지하기 위해 주어진 문제에 대해 적절한 네트워크 토폴로지를 선택하는 것이 필수적입니다.
가중치는 훈련 단계에서 반드시 학습되기 때문에 ANN은 중복 기능을 관리할 수 있습니다. 중복 기능에 대한 가중치는 작은 경향이 있습니다.
신경망은 훈련 정보에 노이즈가 존재하기 쉽습니다. 노이즈를 처리하는 한 가지 방법은 모델의 일반화 오류를 결정하기 위해 검증 세트가 필요한 것입니다. 또 다른 방법은 각 반복에서 일부 요소만큼 가중치를 줄이는 것입니다.
경사 하강법은 로컬 최소값으로 조립된 ANN의 가중치를 학습하는 데 사용됩니다. 극소값에서 벗어나는 한 가지 방법은 가중치 업데이트 공식에 운동량 항을 삽입하는 것입니다.
ANN 교육은 특히 여러 숨겨진 노드가 높을 때 느린 프로세스입니다. 그러나 테스트 인스턴스는 점점 더 정의될 수 있습니다.