شبکه های عصبی از عناصر عملیاتی ساده ای تشکیل شده است که بصورت موازی با هم در ارتباطند. این عناصر از سیستم عصبی بیولوژیکی الهام گرفته اند. وظیفه این شبکه ها در حالت طبیعی این است که ارتباط بین این عناصر را برقرار کنند. با آموزش این شبکه ها میتوان که آنها را برای کار خاصی آماده نمود. معمولا این شبکه ها طوری آموزش میبینند که با یک ورودی خاص، وظیفه بخصوص ومعینی را انجام دهند وخروجی آن تشخیص داده میشود]69[.
شبكه هاي عصبي، الگوريتمهاي غيرخطي محاسباتي براي پردازش تصوير، سيگنال و داده هاي عددي هستند. در طول چند دهة گذشته، از شبكه هاي عصبي مصنوعي به طور گسترده اي در زمينه هاي مختلف استفاده شده است]70[.
چندين مشخصة شبكه هاي عصبي مانند ديناميك دروني شبكه هاي عصبي در پیش بيني، تغييرات خطاي اطلاعات وعدم نياز به اطلاعات اضافي بر داده هاي ورودي، استفاده از شبكة عصبي را در بسياري از مسائل مهندسي جذاب مي كند. يكي از ساختارهاي شبكة عصبي، ساختار پرسپترون چند لايه است. مي توان يك پرسپترون چند لايه را به وسيلة توابع غير خطي به گونه اي آموزش داد كه بتواند هر تابع قابل اندازه گيري را تقريب زده و پيش بيني كند. اين فرآيند در حالي صورت مي گيرد كه شبكه اطلاعاتي دربارة توزيع ورودي ها نياز ندارد]71[.
شبكه هاي عصبي با استفاده از مجموعه داده هاي واقعي ورودي و خروجي، الگوريتم هاي آموزشي را به كار ميگيرند تا ارتباطات پنهاني ميان داده هاي ورودي و خروجي را از طريق ضرايب وزني، باياس ها و توابع اعمالي به خروجی هاي هر لايه، شكل بدهند.
انواع بسیاری از شبکه های عصبی وجود دارند(بعنوان مثال شبکه های هضم غذا[1]،شبکه های براساس شعاع[2]،شبکه های بازگشتی[3] ( که ممکن است برنامه های کاربردی مثل شناسایی الگو ،تابع های درون یابی[4] برای آنها وجود داشته باشد. شبکه های پرسپترون[5] چند لایه با یک لایه پنهان ویک تابع فعالساز غیرخطی در کلاس جهانی نشان داده میشود، بدین منظور از پرسپترون چندلایه(MLP)[6]با ، پس انتشار(BP)[7] برای یادگیری و کلاس بندی علایم استفاده شده است]16[.