biologische neuronen
hebben verschillende ingangen , van zintuigen en andere neuronen , en een uitgang . Als de cumulatieve ingangen langs een bepaalde drempel , de cel doorloopt catharsis proces genaamd " firing " waardoor een elektrische stroom te reizen langs de enkele uitgang tot het einde van de " zenuw , " wanneer de stroom gaat de verwijdering van kleine zakken neurotransmitters - moleculen die spieren of andere neuronen activeren . Kunstmatige neuronen nabootsen dit proces , maar alle variabelen zijn in nummers die kunnen worden aangepast om fine - tunen van het proces . De afzonderlijke ingangen worden automatisch vermenigvuldigd gebelde nummers " gewichten " die kan worden aangepast aan het gedrag van de neuronen te veranderen .
Neural Nets

neurale netten
zijn verzamelingen neuronen die samenwerken om een effect te creëren . Een typische toepassing is de neuronen in lagen , zodat een patroon van signalen aangeboden aan de eerste rij van neuronen , gefiltreerd door andere lagen , vervolgens een laatste rij van neuronen toont een patroon van signalen . Deze "vertaling " processen kunnen worden getraind . Andere aanvragen hebben alle neuronen met elkaar verbonden , zodat wanneer sommige neuronen gestimuleerd , het gehele ensemble van neuronen regelt in een stabiele toestand dat een eerder opgeslagen patroon vertegenwoordigt . Een andere toepassing heeft elke neuron verbonden zijn buren bereikt - zoals in de laag cellen achter in het oog - die kan detecteren zaken als de randen van excitatiepatronen door banden van licht en donker
.
Leren

Interessant , kunstmatige neurale netwerken erven een aantal van de gewenste eigenschappen van biologische neurale neurale netwerken . Een van deze is het leren . Kunstmatige neurale netwerken zijn niet geprogrammeerd zoals computers , ze zijn opgeleid - zoals de manier waarop dieren worden getraind . Training wordt bereikt door de gewichten van de neuronen . Dit betekent dat kunstmatige neurale netwerken kunnen worden gebruikt om processen die niet zo lang beschrijven als er genoeg voorbeelden te gebruiken in opleiding controleren . Een andere goede kwaliteit drempel logische inrichtingen is hun vermogen om te generaliseren . Als een getraind neuraal netwerk is daarin een patroon is het nog nooit eerder gezien , hij classificeert het meestal correct .
Transfer Functions

Wanneer de som van de ingangen naar een neuron de drempelwaarde , kan de som worden door een overdrachtsfunctie die de uitvoer regelt . Het wordt algemeen aangenomen dat deze overdrachtsfunctie zorgvuldig selecteren van een grote gunstige effecten op het neurale netwerk . Deze voordelen zijn een snellere training en toegenomen vermogen om te generaliseren .