شبکه های عصبی مصنوعی یک سیستم پردازشگر اطلاعات توده ای هستند که به صورت موازی قرار گرفته اند و عملکردی شبیه شبکه عصبی مغز انسان دارند (هاپفیلد، ۱۹۸۲: ۲۵۵۵) در این روش سعی می شود بر اساس روابط ذاتی مابین داده ها، نگاشتی غیرخطی مابین متغیرهای مستقل و وابسته برقرار گردد . ایده اصلی شبکه عصبی بر مبنای شبیه سازی عملکرد مغز انسان بوده و در مقیاس خیلی کوچک، می تواند مانند شبکهای زیستی قدرت یادگیری داشته باشد و همچنین این یادگیری را تعمیم دهد (فتحی و همکاران، ۱۳۸۸: ۲۱۰) و ساختار منحصر به فردی را برای حل مسائلی که با روش های معمول به سختی امکان حل آن ها وجود دارد، ارائه می دهند(پترسون، ۱۹۹۶). در واقع این سیستم ها در مدل سازی ساختار نروسیناپتیکی مغز بشر میکوشند (منهاج، ۱۳۸۴). و ابزار ریاضی قدرتمندی هستند که با تقلید ساده از سیستم عصبی بیولوژیک ساخته شده اند (فولاپ و همکاران، ۱۹۹۸: ۷۵۴). قدرت انعطاف و تصحیح پذیری بالایی در انطباق خود با داده های موجود را دارند (رنجیتان و همکاران ، ۱۹۹۵: ۱۳۴)، به طوری که می توانند مجهز به سازماندهی شوند و نظم و هماهنگی موجود در داخل این داده ها را پیدا نموده و بر اساس یک سری شواهد (بردارهای ورودی) وقوع و بزرگی یک پدیده را پیش بینی نمایند (کنراد و روهل، ۱۹۹۹: ۳). ساختار عادی یک شبکه عصبی مصنوعی، معمولاً از لایه ورودی، لایه پنهان و لایه خروجی تشکیل شده است. لایه ورودی یک لایه انتقال دهنده و وسیله ای برای تهیه کردن دادههاست. لایه خروجی شامل مقادیر پیش بینی شده بوسیله شبکه می باشد بنابراین خروجی مدل را معرفی می کند. لایه پنهان که از نرون های پردازشگر تشکیل شده اند، محل پردازش داده هاست. شمار لایه ها و شمار نرون ها در هر لایه پنهان با روش آزمون و خطا مشخص می شود (اصغری مقدم و همکاران، ۱۳۸۷: ۳). شبکه های عصبی از لحاظ نوع شبکه به دو گروه شبکه های پیشخور و پسخور تقسیم می شوند.
* این آموزش توسط آقای محمد میرزاوند تهیه و تنظیم شده است.
راهنمای شبکه های عصبی در نرم افزار NeuroSolution (بر روی دانلود کلیک نمایید)
[1]