Dirbtinis neuroninis tinklas yra tam tikros kompiuterinės technologijos, bandančios imituoti žmogaus smegenis, pavadinimas. Dirbtinis neuroninis tinklas arba ANN apima imituojamus neuronus ir stimulus, skirtus bandymams atkurti smegenų funkcijas. Šis platus programinės įrangos ir įrenginių asortimentas naudoja neuroninius algoritmų modelius, kad sukurtų sprendimų priėmimo procesus, kurie, kaip tikisi planuotojai, mėgdžios žmogaus mąstymo procesus. Dirbtiniai neuroniniai tinklai yra didelė pažanga, palyginti su palyginti primityviomis idėjomis apie kompiuterius ankstesniais dešimtmečiais.
Neuroninio tinklo programinė įranga tradiciškai taikoma žaidimams ir kitoms užduotims, susijusioms su sąlyginai apskaičiuota žmogaus mintimi. Biofizine prasme neuroniniai tinklai yra pagrįsti smegenų neuronų bendravimo ir pranešimų perdavimo tyrimu. Neuroninio tinklo programos apima įvairių funkcijų sąveiką, kai inžinieriai žiūri į bendrą produktyvų produkciją, kad pamatytų, kaip šios dirbtinės neuroninių tinklų sistemos gali veiksmingai imituoti žmogaus mintis. Įvairios ANN „realios programos“ apima regresinę analizę, funkcijų aproksimavimą, robotiką ir bendrą duomenų apdorojimą.
Skirtingoms tyrimų nuostatoms buvo sukurti įvairių tipų dirbtiniai neuroniniai tinklai. Jie naudoja įvairius mokymosi modelius, tokius kaip prižiūrimas, neprižiūrimas arba sustiprintas mokymasis. Neuroninių tinklų tipai apima vienpusį grįžtamąjį neuroninį tinklą, radialinę bazinę funkciją arba RBF tinklą, Kohonen savaime organizuojantį tinklą ir net modulinius neuroninius tinklus, kai didesnį tinklą sudaro keli maži tinklai.
Kitas naujos struktūros tipas, taikomas dirbtiniams neuroniniams tinklams, dažnai vadinamas „mašinų komitetu“, kuriame įvairios tinklo struktūros pateikia savo „balsavimą“ arba „nuomonę“ sprendimų modeliavimo procese. Tai taip pat kartais vadinama asociatyviniu neuroniniu tinklu arba ASNN. Tokio pobūdžio tyrimų nauda akivaizdi inžinieriams, manantiems, kad ASNN gali padėti modeliuoti žmonių grupės sprendimų priėmimą ar kitą sudėtingą modeliavimą panašiais būdais, kaip ANN pateikiami individualių sprendimų priėmimo modeliai.
Principas, kurį dažnai naudoja dirbtinis neuroninis tinklas, vadinamas „neaiškia logika“. Žodis „neryškus“ naudojamas apibūdinti bet kokias duomenų ar žinių spragas. Neuroniniai tinklai dažnai gali užpildyti kai kurias duomenų ar žinių spragas pasitelkdami išlavintus spėjimus ir statistinius numatymus, o tai prieštarauja griežtai „taip arba ne“ dvejetainei logikai, tradiciškai siejamai su elektroninių sprendimų priėmimu. Neaiškios logikos įveikimas padeda neuroniniams tinklams užtikrinti geresnius modeliavimo rezultatus. Naudodamiesi ankstesnių tyrimų elementais, planuotojai ir inžinieriai, patyrę dirbtinių neuroninių tinklų srityje, nuolat tobulina, ką šie įrankiai gali padaryti, kad padidintų mūsų žinių apie mūsų protą ribas.