人工神經網絡

人工神經網絡(Artificial Neural Networks,ANN)是一種應用類似於大腦神經突觸聯接的結構進行信息處理的數學模型。在工程與學術界也常直接簡稱為「神經網絡」。神經網絡是一種運算模型（參見），由大量的節點（或稱『神經元』，或『單元』）和之間相互聯接構成。每個節點代表一種特定的輸出函數，稱為激勵函數（activation function）。每兩個節點間的連接都代表一個對於通過該連接信號的加權值，稱之為權重（weight）。 網絡的輸出則依網絡的連接方式，權重值和激勵函數的不同而不通。而網絡自身通常都是對自然界某種算法或者函數的逼近，也可能是對一種邏輯策略的表達。

基本結構

一種常見的多層結構的前饋網絡（Multilayer Feedforward Network）由三部分組成,

• 輸入層(Input layer),眾多神經元(Neuron)接受大量非線形輸入信息。輸入的信息稱為輸入向量。
• 輸出層(Output layer),信息在神經元鏈接中傳輸、分析、權衡,形成輸出結果。輸出的信息稱為輸出向量。
• 隱藏層(Hidden layer),簡稱「隱層」，是輸入層和輸出層之間眾多神經元和鏈接組成的各個層面。隱層可以有多層。隱層的節點(神經元)數目不定，但數目越多神經網絡的非線性越顯著，從而神經網絡的魯棒性更顯著。

神經網絡的類型已經演變出很多種，這種分層的結構也並不是對所有的神經網絡都適用。

學習過程

通過訓練樣本的校正，對各個層的權重進行校正(learning)的過程，稱為自動學習過程(training)。具體的學習方法則因網絡結構和模型不通而不同。

參見：神經網絡介紹

種類

人工神經網絡分類為以下兩種:
1.依學習策略（Algorithm）分類主要有：

• 監督式學習網絡(Supervised Learning Network)
• 無監督式學習網絡(Unsupervised Learning Network)
• 混合式學習網絡(Hybrid Learning Network)
• 聯想式學習網絡(Associate Learning Network)
• 最適化學習網絡(Optimization Application Network)

2.依網絡架構（Connectionism）分類主要有:

• 前向式架構(Feed Forward Network)
• 回饋式架構(Recurrent Network)
• 強化式架構(Reinforcement Network)