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.
엔지니어링에서 신경망은 패턴 분류기와 비선형 적응 필터로 두 가지 필수 기능을 생성합니다. 인공 신경망은 동적이며 데이터에서 기능(입력/출력 맵)을 실행하는 방법을 학습하는 비선형 시스템을 제공합니다. 적응형은 시스템 매개변수가 작동 중에 변경되는 것을 나타내며, 흔히 훈련 단계라고 합니다.
훈련 단계 후에 인공 신경망 매개변수가 고정되고 시스템이 당면한 문제를 해결하기 시작합니다(테스트 단계). 인공 신경망은 성능 테스트를 개선하거나 일반적으로 학습 규칙으로 설명되는 몇 가지 명확한 내부 제약 조건을 따르기 위해 체계적인 단계별 절차로 생성됩니다.
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 훈련을 감독이라고 함).
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.
네트워크는 부호 기능 이외의 활성화 기능 방법을 사용할 수 있습니다. 선형, S자형(로지스틱) 및 쌍곡선 탄젠트 함수와 같은 여러 활성화 함수가 있습니다.
이러한 활성화 함수를 사용하면 숨겨진 노드와 출력 노드가 입력 매개변수에서 비선형인 출력 값을 만들 수 있습니다. 이러한 복잡성으로 인해 다층 신경망은 입력 및 출력 변수 간의 더 복잡한 관계를 모델링할 수 있습니다.
ANN의 출력은 Sigmoid 또는 tanh 함수와 같은 활성화 함수의 우수성으로 인해 매개변수의 비선형 함수입니다. 따라서 보편적으로 최적인 것으로 승인된 w에 대한 솔루션을 도출하는 것이 더 이상 간단하지 않습니다.