? Un réseau de neurones artificiels est un modèle informatique programmé qui vise à répliquer la structure neuronale et le fonctionnement du cerveau humain. Il est constitué d'une structure interconnecté de neurones produits artificiellement qui fonctionnent comme des voies pour le transfert de données. Les réseaux de neurones artificiels sont flexibles et adaptatif , l'apprentissage et en ajustant les uns avec les différents stimuli internes ou externes. Réseaux de neurones artificiels sont utilisés dans l'ordre et les systèmes de motifs de reconnaissance , le traitement des données , de la robotique et de la modélisation . Il existe différents types de réseaux de neurones , y compris le réseau de neurones feedforward , la fonction de base radiale (RBF ) , réseau d'auto-organisation de Kohonen et le réseau neuronal récurrent . Flexibilité

réseaux de neurones artificiels ont la possibilité de généraliser et d'apprendre. Ils acquièrent des connaissances de leur environnement en s'adaptant aux paramètres internes et externes . Le réseau apprend à partir d'exemples et s'adapte aux situations en fonction de ses conclusions. Il généralise les connaissances pour produire des réponses adéquates à des situations inconnues. Réseaux de neurones artificiels résoudre des problèmes complexes qui sont difficiles à gérer par approximation.
Non-linéarité

Un neurone peut produire un calcul linéaire ou une réponse non - linéaire. Un réseau artificiel non linéaire est constitué par l'interconnexion des neurones non linéaires . Les systèmes non - linéaires ont des entrées qui ne sont pas proportionnels aux résultats. Cette fonction permet au réseau d'acquérir efficacement des connaissances par l'apprentissage. Il s'agit d' un net avantage sur un réseau linéaire qui traditionnellement est insuffisante quand il s'agit de la modélisation des données non linéaires.
Grand Fault Tolerance

Un neurone artificiel réseau est capable d' une plus grande tolérance de pannes d'un réseau traditionnel . Le réseau est capable de régénérer un défaut dans l'un de ses composants , sans la perte des données stockées . Il utilise des instances et des exemples du passé pour remonter le fonctionnement d'un nœud endommagé ou les autres composants du réseau.
Adaptive Learning

Un réseau de neurones artificiel est basé autour du concept de l'apprentissage abstrait. Trois paradigmes d'apprentissage fonctionnent pour équiper le réseau pour l'apprentissage adaptatif . Il s'agit de l'apprentissage par renforcement , apprentissage non supervisé et supervisé l'apprentissage . Réseaux de neurones peuvent être formés par des algorithmes spécialisés, y compris des méthodes non paramétriques , la maximisation des attentes , des méthodes de recuit simulé et évolutive. Les neurones d'un réseau de neurones artificiels sont suffisamment souples pour être à l'écoute de divers crépite de signaux d'entrée et de s'acclimater à un large éventail de situations inconnues. Ils sont constamment à accepter et à remplacer l'information déjà acquise , en gardant leur référentiel de techniques de résolution de problèmes mis à jour.