多層人工ニューラルネットワークとは何ですか？

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機能に配置されたシステムです。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、アルゴリズムのいくつかのアプローチを必要とするいくつかの構造があることですが、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簡単です。

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内の特定の信号処理科学の間にあります。スペースは非常に学際的ですが、この手法では、ビューがエンジニアリングの観点に制限されます。

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つの重要な機能を生成します。人工ニューラルネットワークは動的であり、データから関数（入力/出力マップ）の実行を学習する非線形システムを提供します。アダプティブは、システムパラメータが操作中に変更されることを表します。これは、トレーニングフェーズと呼ばれることがよくあります。

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が修正され、システムは目前の問題の解決を開始します（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改善するため、または通常は学習ルールと呼ばれる明確な内部制約に従うために、体系的な段階的な手順で作成されます。

入出力トレーニングデータは、最適な動作点を「見つける」ために不可欠なレコードを送信するため、ニューラルネットワークテクノロジーに不可欠です。ニューラルネットワーク処理要素（PE）の非線形機能は、システムに複数の適応性を提供して、事実上いくつかの望ましい入力/出力マップを取得します。つまり、一部の人工ニューラルネットワークは幅広いマップメーカーです。

入力はニューラルネットワークに表示され、同じ望ましい応答またはフォーカス応答が出力に設定されます（これがこの方法の場合、トレーニングは監視対象と呼ばれます）。

エラーは、キャプチャされた応答とシステム出力の差で構成されます。このエラーレコードはシステムに返送され、システムパラメータ（学習ルール）を一貫して管理します。このプロセスは、パフォーマンスが効率的になるまで繰り返されます。パフォーマンスが情報に大きく依存していることは、この表現から解放されています。

ネットワークは、符号関数以外の活性化関数の方法を使用できます。線形、シグモイド（ロジスティック）、双曲線正接関数など、いくつかの活性化関数があります。

これらの活性化関数により、非表示ノードと出力ノードは、入力パラメーターで非線形の出力値を作成できます。これらのより複雑な機能により、多層ニューラルネットワークは入力変数と出力変数の間のより複雑な関係をモデル化できます。

ANNの出力は、シグモイド関数やtanh関数などの活性化関数が優れているため、パラメーターの非線形関数です。したがって、普遍的に最適であると承認されているwの解を導出することはもはや簡単ではありません。