Artificial neural networks: a tutorial

Abstract

Numerous e orts have been made in developing \intelligent" programs based on the Von Neumann's centralized architecture. However, these e orts have not been very successful in building general-purpose intelligent systems. Inspired by biological neural networks, researchers in a number of scienti c disciplines are designing arti cial neural networks (ANNs) to solve a variety of problems in decision making, optimization, prediction, and control. Arti cial neural networks can be viewed as parallel and distributed processing systems which consist of a huge number of simple and massively connected processors. There has been a resurgence of interest in the eld of ANNs for several years. This article intends to serve as a tutorial for those readers with little or no knowledge about ANNs to enable them to understand the remaining articles of this special issue. We discuss the motivations behind developing ANNs, basic network models, and two main issues in designing ANNs: network architecture and learning process. We also present one of the most successful application of ANNs, namely automatic character recognition.

Investigation of Single and Dual Step Shot Peening Effects on Mechanical and Metallurgical Properties of 18CrNiMo7-6 Steel Using Artificial Neural Network

“…Afterward by use of achieved OS and MF, operation of the network was tested. 15 samples data (data of samples [16][17][18][19][20][21][22][23][24][25][26][27][28][29][30] were used from the total of 30, as data sets to train network, while in the network testing, 15 different ones (data of samples 1-15) which were not used during training are used as network testing. Since the whole experimental results did not consist in the training.…”

“…Functions of g (1),…,g(6) represent output parameters. There exist multifarious parameters in neural network implementation whose manipulation brings about a change in the performance, speed and accuracy of the network [18].…”

Modelo matemático baseado em lógica nebulosa para tratamento de variáveis e avaliação de contexto de sistemas dinâmicos.

“…As redes neurais tiveram um primeiro momento de destaque na década de 1940 e é baseado no estudo biológico da célula nervosa (neurônio) como apresentado na Figura 1 (HOPFIELD; TANK, 1986;JAIN;MAO;MOHIUDDIN, 1996). Basicamente o neurônio tem um núcleo que carrega informações e sinapses que fazem a conexão com outros neurônios permitindo que dendritos e axônios troquem sinais.…”

“…Basicamente o neurônio tem um núcleo que carrega informações e sinapses que fazem a conexão com outros neurônios permitindo que dendritos e axônios troquem sinais. (1996) Existem basicamente dois tipos de redes neurais (JAIN; MAO; MOHIUDDIN, 1996;LIPPMANN, 1987;YAO, 1999 Cada sinapse é representada pelo par (origem, destino) e a cada par é atribuído um peso que define o grau de influência que aquela sinapse tem na saída do neurônio destino, como apresentado pela equação (1). Uma função de ativação, definida pela equação (2), define se o neurônio é ou não relevante para a resposta do sistema.…”

“…Os resultados de redes neurais normalmente estão associados aos treinamentos que são usados para determinar seus pesos (JAIN; MAO; MOHIUDDIN, 1996;YAO, 1999 pessoas. Para obter o sucesso esperado, cada letra foi convertida em uma matriz 8…”