Réseaux de neurones artificiels sont des modèles de réseaux de neurones biologiques . Comme neurones biologiques , les neurones artificiels s'ajoutent plusieurs entrées et comparer la somme à une valeur de seuil. Si la somme est supérieure au seuil , le neurone transmet un signal au neurone suivant . Tant que la somme est inférieure au seuil , aucun signal n'est transmis . Ce paradigme traitement de l'information est appelée logique de seuil. Neurones

neurones biologiques ont plusieurs entrées, des organes sensoriels et d'autres neurones, et une seule sortie . Si les entrées cumulatif dépasse un certain seuil, la cellule passe par un processus cathartique appelée " cuisson " qui provoque un courant électrique de se déplacer vers le bas la sortie unique jusqu'à la fin de la " nerf ", où le courant provoque l'expulsion des petits sacs de neurotransmetteurs - les molécules qui activent les muscles ou d'autres neurones. Neurones artificiels imitent ce processus, mais toutes les variables sont représentées par des nombres qui peuvent être ajustés pour affiner le processus. Les entrées individuelles sont automatiquement multipliés par numéros appelés «poids », qui peut être ajusté pour modifier le comportement des neurones .
Neural Nets

Les réseaux neuronaux sont des collections de neurones qui travaillent ensemble pour créer un effet. Une application typique a les neurones disposés en couches , de sorte qu'un modèle de signaux est présentée à la première ligne de neurones , filtré à travers les autres couches , puis une dernière rangée de neurones présente une configuration de signaux . Ce processus de « traduction» peuvent être formés . D'autres applications ont tous les neurones connectés les uns aux autres , de sorte que lorsque certains des neurones sont stimulés , tout l'ensemble des neurones s'installe dans un état stable qui représente une configuration mémorisée précédemment . Une autre application a chaque neurone connecté seulement à ses voisins - comme dans la couche de cellules à l'arrière de l'œil - qui peut détecter des choses comme les bords des motifs d'excitation causée par des bandes de lumière et les ténèbres
.
apprentissage

intéressant, réseaux de neurones artificiels héritent certaines des caractéristiques souhaitables de réseaux de neurones neurones biologiques . L'un d'eux est d'apprendre . Réseaux de neurones artificiels ne sont pas programmés , comme les ordinateurs , ils sont formés - comme la façon dont les animaux sont entraînés . La formation est accomplie en ajustant les coefficients de pondération des neurones . Cela signifie que les réseaux de neurones artificiels peuvent être utilisés pour contrôler les processus qui sont impossibles à décrire , tant que il ya beaucoup d' exemples à utiliser dans la formation. Une autre bonne qualité de dispositifs logiques de seuil est leur capacité à généraliser . Si un réseau neuronal entraîné reçoit un motif qu'il n'a jamais vu auparavant , il classifie habituellement correctement.
Fonctions de transfert

Lorsque la somme des entrées à un neurone dépasse le seuil, la somme peut être passée à travers une fonction de transfert qui commande la sortie . Il est largement admis que la sélection soigneusement cette fonction de transfert peut avoir une variété d'effets bénéfiques sur le réseau de neurones. Ces avantages comprennent une formation plus rapide et une plus grande capacité de généraliser .