একটি আর্টিফিশিয়াল নিউরাল নেটওয়ার্ক হল বায়োলজিক্যাল নিউরাল নেটওয়ার্কের ফাংশনগুলোর ওপর ভিত্তি করে একটি সিস্টেম। এটি একটি বায়োলজিক্যাল নিউরাল সিস্টেমের সিমুলেশন। আর্টিফিশিয়াল নিউরাল নেটওয়ার্কের বৈশিষ্ট্য হল এতে অনেক স্ট্রাকচার রয়েছে, যেগুলো বিভিন্ন অ্যালগরিদম পদ্ধতি চায়, কিন্তু জটিল সিস্টেম হলেও একটি নিউরাল নেটওয়ার্ক সহজ।
এই নেটওয়ার্কগুলো ডায়রেক্টরের টুলবক্সে নির্দিষ্ট সিগন্যাল-প্রসেসিং সায়েন্সগুলোর মধ্যে রয়েছে। এলাকাটি ব্যাপকভাবে ইন্টারডিসিপ্লিনারি, কিন্তু এই টেকনিক エンজিনিয়ারিং দৃষ্টিভঙ্গিতে সীমাবদ্ধ থাকবে।
এনজিনিয়ারিং-এ, নিউরাল নেটওয়ার্ক দুটি অতিআবশ্যক ফাংশন উৎপন্ন করে: প্যাটার্ন ক্লাসিফায়ার এবং নন-লিনিয়ার অ্যাডাপ্টিভ ফিল্টার। একটি আর্টিফিশিয়াল নিউরাল নেটওয়ার্ক ডাইনামিক, এটি একটি নন-লিনিয়ার সিস্টেম প্রদান করে যা ডেটা থেকে একটি ফাংশন (একটি ইনপুট/আউটপুট ম্যাপ) এক্সিকিউট করতে শিখে। অ্যাডাপ্টিভ মানে সিস্টেম প্যারামিটার অপারেশনের সময় পরিবর্তিত হয়, যাকে প্রায়শই ট্রেনিং ফেজ বলা হয়।
ট্রেনিং ফেজের পর, আর্টিফিশিয়াল নিউরাল নেটওয়ার্ক প্যারামিটার ফিক্সড হয়ে যায় এবং সিস্টেম হাতের সমস্যা সমাধান করতে শুরু করে (টেস্টিং ফেজ)। আর্টিফিশিয়াল নিউরাল নেটওয়ার্ক একটি সিস্টেমেটিক স্টেপ-বাই-স্টেপ প্রসিডিউর দিয়ে প্রোডিউস করা হয় একটি পারফরম্যান্স টেস্ট উন্নত করতে বা কিছু নির্দিষ্ট ইন্টারন্যাল কনস্ট্রেইন্ট ফলো করতে, যেটি সাধারণত লার্নিং রুল হিসেবে বর্ণনা করা হয়।
ইনপুট/আউটপুট ট্রেনিং ডেটা নিউরাল নেটওয়ার্ক টেকনোলজিতে অতিআবশ্যক কারণ সেগুলো অপ্টিমাল অপারেটিং পয়েন্ট "খুঁজে বের করার" জন্য অতिआবশ্যক রেকর্ড প্রেরণ করে। নিউরাল নেটওয়ার্ক প্রসেসিং এলিমেন্টস (PEs) এর নন-লিনিয়ার বৈশিষ্ট্যগুলো সিস্টেমকে বহু অ্যাডাপ্টেবিলিটি দেয় যেন প্রায় যেকোনো ডিজায়ারড ইনপুট/আউটপুট ম্যাপ অর্জন করা যায়, অর্থাৎ কিছু আর্টিফিশিয়াল নিউরাল নেটওয়ার্ক ব্রড ম্যাপমেকার।
ইনপুট নিউরাল নেটওয়ার্কে শো করা হয় এবং একই ডিজায়ারড বা ফোকাস রেসপন্স আউটপুটে সেট করা হয় (যখন এই পদ্ধতিতে ট্রেনিং করা হয় তখন এটিকে সুপারভাইজড বলা হয়)।
একটি এরর গঠিত হয় ক্যাপচারড রেসপন্স এবং সিস্টেম আউটপুটের পার্থক্য থেকে। এই এরর রেকর্ড সিস্টেমে ফিরে পাঠানো হয় এবং কনসিস্টেন্টলি সিস্টেম প্যারামিটার ম্যানেজ করে (লার্নিং রুল)। প্রসেসটি রিপিট হয় যতক্ষণ না পারফরম্যান্স ইফিশিয়েন্ট হয়। এই রিপ্রেজেন্টেশন থেকে মুক্ত যে পারফরম্যান্স গভীরভাবে ইনফরমেশনের ওপর নির্ভরশীল।
নেটওয়ার্ক সাইন ফাংশন ছাড়া অ্যাক্টিভেশন ফাংশনের বিভিন্ন মেথড ব্যবহার করতে পারে। বেশ কিছু অ্যাক্টিভেশন ফাংশন রয়েছে যেমন লিনিয়ার, সিগময়েড (লজিস্টিক), এবং হাইপারবোলিক ট্যাঞ্জেন্ট ফাংশন।
এই অ্যাক্টিভেশন ফাংশনগুলো হিডেন এবং আউটপুট নোডকে তাদের ইনপুট প্যারামিটারগুলোর নন-লিনিয়ার আউটপুট ভ্যালু আউটপুট করতে সক্ষম করে। এই অতিরিক্ত জটিলতাগুলো মাল্টিলেয়ার নিউরাল নেটওয়ার্ককে ইনপুট এবং আউটপুট ভেরিয়েবলের মধ্যে আরও জটিল সম্পর্ক মডেল করতে সক্ষম করে।
ANN-এর আউটপুট একটি নন-লিনিয়ার ফাংশন তার প্যারামিটারগুলোর কারণ এর অ্যাক্টিভেশন ফাংশনের এক্সেলেন্স যেমন সিগময়েড বা tanh ফাংশন। অনুযায়ী, w-এর জন্য একটি সমাধান ডেরাইভ করা আর সহজ নয় যা ইউনিভার্সালি অপ্টিমাল বলে এন্ডোর্স করা যায়।
