Mạng ANN là một phương pháp mô hình hoá tập trung vào các bài toán phi tuyến mô phỏng dựa trên hoạt động của hệ thống thần kinh của sinh vật, bao gồm số lượng lớn các nơ-ron được gắn kết để xử lý thông tin. ANN giống như bộ não con người, được học bởi kinh nghiệm, có khả năng lưu giữ những kinh nghiệm hiểu biết và sử dụng những tri thức đó trong việc dự đoán các dữ liệu chưa biết. Khả năng học của ANN chủ yếu dựa trên kỹ thuật lan truyền ngược.
15
Hình 2.5: Cấu trúc tổng quát của mạng nơ-ron ANN
PE: là các nơ-ron, mỗi nơ-ron nhận các dữ liệu, xử lý chúng và cho ra một kết quả duy nhất. Kết quả xử lý của một nơ-ron có thể làm ngõ vào cho các nơ-ron khác. Trong đó, lớp ẩn gồm các nơ ron, nhận dữ liệu đầu vào từ các nơ-ron ở lớp trước đó và chuyển đổi các ngõ vào này cho các lớp xử lý tiếp theo. Trong một ANN có thể có nhiều lớp ẩn.
Hình 2.6: Quá trình xử lý thông tin trong mạng
Ngõ vào: x1, x2..xN tương ứng với 1 thuộc tính ngõ vào của dữ liệu, các tín hiệu này thường được đưa dưới dạng vector N chiều.Trọng số liên kết: Wk1, Wk2…WkN là trọng số liên kết của nơ-ron k, nó thể hiện mức độ quan trọng của dữ liệu đầu vào đối với quá
16
trình xử lý thông tin. Trong quá trình học, trọng số được cập nhật liên tục để có được kết quả mong muốn.
Ngõ ra: yk là tín hiệu ngõ ra của nơ-ron, mỗi nơ-ron tương ứng một ngõ ra.
Hàm tổng: Tính tổng trọng số của tất cả các ngõ vào được đưa vào mỗi nơ-ron và cho biết khả năng kích hoạt của nơ-ron đó hay còn gọi là kích hoạt bên trong. Các nơ-ron này có thể sinh ra một hoặc không ngõ ra trong ANN (nói cách khác ngõ ra của một nơ- ron có thể được chuyển đến lớp tiếp theo trong mạng nơ-ron hoặc không). Hàm tổng hợp nơ-ron đối với n ngõ vào được tính theo công thức:
Hình 2.7: Hàm tổng của một và nhiều nơ-ron đối với n input.
Ngưỡng (còn gọi là một độ lệch – bias): Ngưỡng bk thường được đưa vào như một thành phần của hàm truyền.
Hàm truyền: Hàm này được dùng để giới hạn phạm vi đầu ra của mỗi nơ-ron. Nó nhận đầu vào kích hoạt bên trong của hàm tổng và ngưỡng đã cho.