یک سیستم عصبی مصنوعی در حقیقت، فرایند یادگیری انسانی را شبیه سازی می کند و می کوشد تا کارکرد مغز انسان را به عنوان شبکه ای از نرون های متصل به هم در فرایند تصمیم گیری تقلید کند. نرون ها، کوچکترین واحدهای محاسب و تصمیم گیری در شبکه های عصبی هستند. در هریک از نرون ها یک معادله ی تبدیل تعریف شده است. معادله تعریف شده در هریک از نرون ها می تواند یک مدل اقتصادسنجی یا هر مدل ریاضی دیگر مثل توابع سیگموئیدی باشند. در هریک از نرون ها با بهره گرفتن از این معادله سعی می شود که وزن هریک از متغیرها تعیین شود، به گونه ای که ارتباط معنی داری بین بردار داده ها و بردار ستاده ها (نتایج) برقرار کند. به گونه ای معمول تعیین ضرایب در هریک از نرون ها به صورت آزمون و خطا می باشد. بدین ترتیب که ابتدا وزن های کوچک به هریک از متغیرها ارائه می شود و سپس با بهره گرفتن از الگوریتم بازخورد خطاها، ضرایب تعدیل میشوند. این کار تا زمانی ادامه می یابد که خطاها به حداقل ممکن تعیین شده از سوی پژوهشگر برسد. بنابراین فرایند تصمیم گیری در شبکه های عصبی مصنوعی به روش آزمون و خطا میباشد.(لوپز[1]،1999، 13)
به عبارت دیگر سیستم شبکه ی عصبی مصنوعی با تقلید از سیستم عصبی انسان می کوشد که ارتباط بین داده ها (نسبتهای مالی، روند اقتصادی، کیفیت مدیریت و….) و ستاده ها (وضعیت اعتباری وام گیرنده) را از راه تکرار نمونه برداری از مجموعه ی داده های گذشته داده / ستاده یاد گیرد. یک شبکه عصبی بر اساس سه ویژگی داده های ورودی، وزن ها و لایه های پنهان مشخص می شود (ساندرز و آلن،2002، 12). برای ایجاد شبکه های عصبی چندین روش وجود دارد که شبکه عصبی پرسپترون، بویژه پرسپترون چند لایه[2]، در زمره ی کاربردی ترین شبکه های عصبی مصنوعی میباشند. این شبکه ها می توانند با گزینش شماره لایه ها و سلول های عصبی (نرون ها)، که اغلب زیاد نیستند، یک نگاشت غیر خطی را با دقت دلخواه انجام دهد. همچنین این روش به عنوان ” طبقه بند جامع[3] ” شناخته می شود به این دلیل که از لحاظ تئوریکی قادر به طبقه بندی هر فرایند تصمیم گیری است.
سایر روشها در شبکه های عصبی عبارتند از تابع اصل محوری[4]، نقشه های خود سازمان[5] و شبکه های کوهنی[6]. (اندرسون،2007، 174)
شبکه های عصبی با توانایی قابل توجه آن در استنتاج نتایج از داده های پیچیده می توانند در استخراج الگوها و شناسایی گرایش های مختلفی که برای انسانها و کامپیوتر شناسایی آنها بسیار دشوار است، استفاده شوند. از مزایای شبکه های عصبی می توان موارد زیر را نام برد :
یادگیری تطبیقی : توانایی یادگیری اینکه چگونه وظایف خود را بر اساس اطلاعات داده شده به آن و یا تجارب اولیه انجام دهد در واقع اصلاح شبکه را گویند.
خود سازماندهی : یک شبکه عصبی مصنوعی به صورت خودکار سازماندهی و ارائه داده هایی که در طول آموزش دریافت کرده را انجام دهد. نورون ها با قاعده یادگیری سازگار شده و پاسخ به ورودی تغییر می یابد.
عملگرهای بی درنگ : محاسبات در شبکه عصبی می تواند به صورت موازی و بوسیله سخت افزارهای مخصوصی که طراحی و ساخت آن برای دریافت نتایج بهینه قابلیت شبکه های عصبی مصنوعی است انجام شود.
تحمل خطا : با ایجاد خرابی در شبکه مقداری از کارآیی کاهش می یابد ولی برخی امکانات آن با وجود مشکلات بزرگ همچنان حفظ می شود.
دسته بندی : شبکه های عصبی قادر به دسته بندی ورودی ها برای دریافت خروجی مناسب می باشند.
[1] Lopez, Jose A
[2] MLP or Back Propagution
[3] Universal Classifier
[4] Radial Basis Function
[5] Self-Organising Maps
[6] Kohnen Network
