::Historia::

     Początki sztucznej inteligencji sięgają lat czterdziestych ubiegłego stulecia kiedy to opracowano model neuronu w mózgu ludzkim i zwierzęcym (McCulloch i Pitts, 1943) oraz wyjaśniono mechanizm zapamiętywania informacji przez sieć biologiczną. Dalszy rozwój tej nauki zaowocował zaprojektowaniem i zbudowaniem przez Rosenblatta (1958) sztucznej sieci neuronowej zwanej perceptronem. Był to elementarny system wizualny, który mógł być nauczony rozpoznawania ograniczonej klasy wzorów. W tych latach próbowano też pierwszych zastosowań komputerów między innymi do przewidywania pogody, identyfikacji formuł matematyvznych, czy analizy elektrokardiogramu.

     Po publikacji w 1969 książki Minsky'ego i Paperta, w której udowodnili, że jednowarstwowe sieci mają skończone zastosowania, nastąpił odwrót od sieci neuronowych w kierunku systemów ekspertowych. Powrót zainteresowania w połowie lat osiemdziesiątych zapoczątkowały prace ukazujące, że wielowarstwowe, nieliniowe sieci neuronowe nie mają ograniczeń. W tym też okresie rozpoczął sie rozwój neurokomputerów, na który także miał wpływ postęp technologii wytwarzania układów scalonych VLSI. Ważnym osiągnięciem są także różnego rodzaju metody uczenia sieci wielowarstwowych np. algorytm wstecznej propagacji blędów.

    ::Sieć neuronowa::

    h Pierwowzorem sieci neuronowych jest mózg ludzki który składa się z 10¹⁰ komórek nerwowych między którymi jest 10¹⁵ połączeń. Komórki nerwowe przetwarzają impulsy z częstotliwością 1 - 100 Hz. Daje to przybliżoną prędkość pracy mózgu 10¹⁸ operacji na sekundę, co wielokrotnie przewyższa mozliwości obecnych superkomputerów. Sieć neuronowa jest bardzo uproszczonym modelem mózgu. Składa się ona z dużej liczby elementów przetwarzających informację zwanych neuronami. Połączone są one ze sobą w pewien określony sposób (patrz 'Sieci Neuronowe').

    ::Model neuronu::

     Na podstawie działania neuronu biologicznego można zbudować schemat działania neuronu sztucznego. Składa się on z wielu wejść z których sygnały są sumowane z odpowiednimi wagami a następnie poddawane działaniu funkcji aktywacji:

1. funkcja liniowa,
2. funkcja skoku jednostkowego (funkcja progowa),
3. funkcja sigmoidalna.

• sieci jednokierunkowe
  • jednowarstwowe
  • wielowarstwowe
• sieci rekurencyjne
• sieci komórkowe

Sieci jednokierunkowe których typowym przykładem jest perceptron jednowarstwowy (rys. perceptronu) składają się z neuronów ułożonych w warstwach o jednym kierunku przepływu sygnałów i połączeniach międzywarstwowych jedynie między kolejnymi warstwami. Sieć tego typu posiada warstwę wejściową, wyjściową i warstwy ukryte. Z funkcjonalnego punktu widzenia układ taki można traktować jako układ aproksymacji funkcji nieliniowej wielu zmiennych y = f(u)

Sieci rekurencyjne W sieciach tego typu występuje przynajmniej jedno sprzężenie zwrotne. Oznacza to, że sygnały wyjściowe warstwy podawane są na jej wejścia, co powoduje pewną dynamikę w pracy sieci. Sygnały wejściowe w takiej sieci zależą zarówno od aktualnego stanu wejścia jak i od sygnałów wyjściowych w poprzednim cyklu. Strukturę ogólną takiej sieci przedstawia poniższy rysunek.