人工ニューラルネットワークの長所と短所は何ですか？

人工ニューラルネットワークは、生物学的ニューラルネットワークのサービス上にあるシステムです。生物学的神経系のシミュレーションです。人工ニューラルネットワークの特徴は、複数のアーキテクチャがあり、その結果、いくつかのアルゴリズムの方法が必要になることですが、複雑なシステムであるにもかかわらず、ニューラルネットワークはほぼ単純です。

これらのネットワークは、ディレクターのツールボックスにある独自の信号処理テクノロジーの1つです。この分野は非常に学際的ですが、この方法では外観がエンジニアリングの見通しに限定されます。

エンジニアリングでは、ニューラルネットワークはパターン分類器と非線形適応フィルターとして2つの重要な機能を提供します。人工ニューラルネットワークは、データから関数（入力/出力マップ）を実装することを理解する、柔軟で、ほとんどの場合非線形システムです。アダプティブは、システムパラメータが操作中に変換されることを定義します。これは一般にトレーニングフェーズとして知られています。

トレーニングフェーズの後、人工ニューラルネットワークのパラメーターは一定であり、システムは目前の問題を解決するようにセットアップされます（テストフェーズ）。人工ニューラルネットワークは、パフォーマンステストを強化するため、または一般に学習ルールとして定義されている暗黙の内部制約に従うために、体系的な段階的なフェーズで開発されています。

入出力トレーニングデータは、最適な動作点を「発見」するために重要なデータを送信するため、ニューラルネットワークテクノロジーの基本です。ニューラルネットワーク処理要素（PE）の非線形特性は、実質的にいくつかの望ましい入力/出力マップを取得するためのいくつかの適応性を備えたシステムをサポートします。つまり、いくつかの人工ニューラルネットワークは広範なマップメーカーです。

入力がニューラルネットワークに表示され、同等の望ましい応答またはターゲット応答が出力に設定されます（この場合、トレーニングは監視対象として知られています）。取得した応答とシステム出力の差からエラーを収集します。このエラーデータはシステムに返送され、システムパラメータ（学習ルール）を体系的に調整します。パフォーマンスが適切になるまで、このフェーズが繰り返されます。この定義から、パフォーマンスはデータに大きく依存していることが明らかです。

人工ニューラルネットワークの利点

ニューラルネットワークの利点は次のとおりです-

• ニューラルネットワークは、線形計画法では実行できないタスクを実装できます。

• ニューラルネットワークのアイテムが衰退した場合、その並列機能によって問題なく続行できます。

• ニューラルネットワークが決定し、再プログラムする必要はありません。

• どのアプリケーションでも実行できます。

人工ニューラルネットワークのデメリット

ニューラルネットワークの欠点は次のとおりです-

• ニューラルネットワークを操作するにはトレーニングが必要でした。

• ニューラルネットワークの構造はマイクロプロセッサの構造とは異なるため、エミュレートする必要があります。

• 大きなニューラルネットワークには長い処理時間が必要でした。