ANN là các hệ thống thích ứng nhân tạo được lấy cảm hứng từ các quá trình hoạt động của não người [16] . Họ là các hệ thống có thể sửa đổi nội bộ của chúng cấu trúc trong mối quan hệ với một mục tiêu chức năng. họ đang đặc biệt thích hợp để giải quyết các vấn đề của phi tuyến loại, có thể xây dựng lại các quy tắc mờ chi phối giải pháp tối ưu cho những vấn đề này. Các phần tử cơ sở của ANN là các nút, còn được gọi là các phần tử xử lý và các kết nối. Mỗi nút có đầu vào riêng của nó, từ đó nó nhận thông tin liên lạc từ các nút khác và hoặc từ môi trường và đầu ra của chính nó, từ đó nó giao tiếp với các nút khác hoặc với môi trường. Cuối cùng, mỗi nút có một hàm f mà qua đó nó biến đổi toàn cục của chính nó đầu vào đầu ra. Mỗi kết nối được đặc trưng bởi độ mạnh mà các cặp nút được kích thích hoặc bị ức chế. Các giá trị dương chỉ ra các kết nối kích thích, các giá trị âm cho biết các kết nối ức chế [17] [18] .Các kết nối giữa các nút có thể tự sửa đổi theo thời gian. Động lực này bắt đầu một quá trình học tập trong toàn bộ ANN [19] [20].
ANN có nhiều khả năng giống như nhận dạng mẫu, cần thiết để nhận dạng mẫu và ra quyết định và là những bộ phân loại mạnh mẽ với khả năng tổng quát hóa và đưa ra quyết định từ đầu vào lớn và hơi mờ dữ liệu. ANN là các cơ chế mô hình hóa đặc biệt
37
có kỹ năng trong việc giải các bài toán phi tuyến. Về mặt kỹ thuật, chúng ta có thể nói rằng một hệ thống không phức tạp khi hàm biểu thị nó là tuyến tính, đó là khi hai phương trình này ứng dụng: ( ) ( ) f cx =cf x 1 2 1 2 ( ) ( ) ( ) f x +x = f x + f x
Một hệ thống phức tạp, phi tuyến vi phạm một hoặc cả hai điều này điều kiện. Tóm lại, hàm số y= f x( )càng phi tuyến tính, càng có giá trị khi sử dụng ANN để thử và hiểu các quy tắc, R, điều chỉnh hành vi bên trong hộp đen. Nếu chúng ta lấy một biểu đồ Descartes trong đó trục x đại diện cho số tiền mà một người nhận được và trục y đo lường mức độ hạnh phúc mà người đó có được dưới dạng kết quả.
Mạng nơron nhân tạo có tính thích nghi và tự động khám phá các quy tắc mờ kết nối các bộ dữ liệu khác nhau.
Điều này có nghĩa là nếu mạng nơ-ron nhân tạo nhận được dữ liệu nhất định trong một giai đoạn, ANN sẽ tập trung vào các quy tắc nhất định; nhưng nếu sau đó nó nhận
38
được dữ liệu mới và dữ liệu khác, ANN sẽ điều chỉnh các quy tắc của nó sao cho phù hợp, tích hợp dữ liệu cũ với dữ liệu mới và nó có thể thực hiện việc này mà không cần bất kỳ hướng dẫn bên ngoài nào [21] [22] [23] [24].
Việc cập nhật liên tục dữ liệu dưới sự quản lý tạo ra một ngân hàng động, các quy tắc của chúng được ANN tự động tinh chỉnh khi vấn đề được đề cập phát triển theo thời gian. Việc chuyển từ phân loại ban đầu đến phân loại muộn hơn, tốt hơn và phức tạp hơn được ANN quản lý một mình, sử dụng các trường hợp mới làm dữ liệu để tìm hiểu về danh mục mới.
Mạng nơron nhân tạo có thể tổng quát hóa, sau đó dự đoán và nhận ra.
Một khi ANN đã được huấn luyện với dữ liệu phù hợp để tìm ra các quy tắc chi phối một hiện tượng nhất định, thì ANN có thể tổng quát hóa một cách chính xác thành dữ liệu mà nó chưa từng thấy trước đây (dữ liệu mới, ẩn, không đầy đủ, v.v.).
Một tính năng đặc biệt của phân tích mạng nơ-ron: Lựa chọn biến
ANN có thể xử lý đồng thời một số lượng rất lớn các biến bất chấp tính phi tuyến cơ bản của chúng. Điều này thể hiện một lợi thế to lớn so với các mô hình thống kê cổ điển trong tình huống mà số lượng thông tin có sẵn được tăng lên rất nhiều và tính phi tuyến chiếm ưu thế. Với ANN, người ta không quan tâm đến số lượng biến thực tế cũng như về bản chất của chúng.