järgmise kihi neuronite sisenditega kui ka eelmiste kihtide neuronite sisenditega. Närvivõrke veel võib jagada hetero-assotsiatiivseteks (heteroassociative, ) ja auto-assotsiatiivseks (autoassociative, ). Hetero-assotsiatiivsed närvivõrgud on sellised, kus väljundvektori dimensioon ei lange kokku 8 sisendvektori dimensiooniga. Auto-assotsiatiivsed on need närvivõrgud, kus sisendvektori ja väljundvektori dimensioonid langevad kokku. Esimese närvivõrgu arhitektuuri (ühekihilise pertseptroni) pakkus välja 20. sajandi keskel Frank Rosenblatt. See oli silma võrkkesta matemaatiline mudel. Tänapäeval kõige populaarsem närvivõrgu arhitektuur on mitmekihiline pertseptron (multilayer perceptron, ). Umbes 80% praktiliselt töötavatest närvivõrkude rakendustest kasutavad selle arhitektuuri.
järgmise kihi neuronite sisenditega kui ka eelmiste kihtide neuronite sisenditega. Närvivõrke veel võib jagada hetero-assotsiatiivseteks (heteroassociative, ) ja auto-assotsiatiivseks (autoassociative, ). Hetero-assotsiatiivsed närvivõrgud on sellised, kus väljundvektori dimensioon ei lange kokku 8 sisendvektori dimensiooniga. Auto-assotsiatiivsed on need närvivõrgud, kus sisendvektori ja väljundvektori dimensioonid langevad kokku. Esimese närvivõrgu arhitektuuri (ühekihilise pertseptroni) pakkus välja 20. sajandi keskel Frank Rosenblatt. See oli silma võrkkesta matemaatiline mudel. Tänapäeval kõige populaarsem närvivõrgu arhitektuur on mitmekihiline pertseptron (multilayer perceptron, ). Umbes 80% praktiliselt töötavatest närvivõrkude rakendustest kasutavad selle arhitektuuri.
rekurentsed (tagasisidega). Otsesuunatud võrgu neuroni väljund võib olla seotud ainult järgmisel kihil oleva neuroni sisendiga. Tagasisidega ehk rekurentsetes võrkudes neuroni väljund võib olla ühendatud nii järgmise kihi neuronite sisenditega kui ka eelmiste kihtide neuronite sisenditega. Närvivõrke veel võib jagada hetero-assotsiatiivseteks, auto- assotsiatiivseks. Hetero-assotsiatiivsed närvivõrgud on sellised, kus väljundvektori dimensioon ei lange kokku 8 sisendvektori dimensiooniga. Auto-assotsiatiivsed on need närvivõrgud, kus sisendvektori ja väljundvektori dimensioonid langevad kokku. Esimese närvivõrgu arhitektuuri (ühekihilise pertseptroni) pakkus välja 20. sajandi keskel Frank Rosenblatt. See oli silma võrkkesta matemaatiline mudel. Tänapäeval kõige populaarsem närvivõrgu arhitektuur on mitmekihiline pertseptron. Umbes 80% praktiliselt töötavatest närvivõrkude rakendustest kasutavad selle arhitektuuri
Otsesuunatud võrgu neuroni väljund võib olla seotud ainult järgmisel kihil oleva neuroni sisendiga. Tagasisidega ehk rekurentsetes võrkudes neuroni väljund võib olla ühendatud nii järgmise kihi neuronite sisenditega kui ka eelmiste kihtide neuronite sisenditega. Närvivõrke veel võib jagada hetero-assotsiatiivseteks, auto-assotsiatiivseks. Hetero- assotsiatiivsed närvivõrgud on sellised, kus väljundvektori dimensioon ei lange kokku 8 sisendvektori dimensiooniga. Auto-assotsiatiivsed on need närvivõrgud, kus sisendvektori ja väljundvektori dimensioonid langevad kokku. Esimese närvivõrgu arhitektuuri (ühekihilise pertseptroni) pakkus välja 20. sajandi keskel Frank Rosenblatt. See oli silma võrkkesta matemaatiline mudel. Tänapäeval kõige populaarsem närvivõrgu arhitektuur on mitmekihiline pertseptron. Umbes 80% praktiliselt töötavatest närvivõrkude rakendustest kasutavad selle arhitektuuri
Närvivõrgud jagunevad kaheks: otsesuunatud ja rekurentsed (tagasisidega). Otsesuunatud võrgu neuroni väljund võib olla seotud ainult järgmisel kihil oleva neuroni sisendiga. Tagasisidega ehk rekurentsetes võrkudes neuroni väljund võib olla ühendatud nii järgmise kihi kui ka eelmiste kihtide neuronite sisenditega. Lisaks võib närvivõrke veel jagada hetero-assotsiatiivseteksja auto-assotsiatiivseks. Hetero- assotsiatiivsed närvivõrkudes väljundvektori dimensioon ei lange kokku 8 sisendvektori dimensiooniga. Auto-assotsiatiivsetes närvivõrkudes sisendvektori ja väljundvektori dimensioonid langevad kokku. Esimese närvivõrgu arhitektuuri (ühekihilise pertseptroni) pakkus välja 20. sajandi keskel F. Rosenblatt. See oli silma võrkkesta matemaatiline mudel. Tänapäeval kõige populaarsem närvivõrgu arhitektuur on mitmekihiline pertseptron. Umbes 80% praktiliselt töötavatest närvivõrkude rakendustest kasutavad seda arhitektuuri.
algoritme. 3. Mustrite klassifitseerimine Selle ülesande puhul peab olema etteantud fikseeritud klasside arv. Iga muster (sisendvektor) kuulub ühele (või mitmele) nendest klassidest. Närvivõrgu õppimiseks mustrite klassifitseerimiseks võib kasutada nii õpetamise kui ka iseõppimise algoritme. Õpetamisalgoritmi, näiteks, vea pöördlevi meetodi kasutamisel mustrite klassifitseerimiseks iga õpetamisel kasutatava sisendvektori jaoks peab olema määratud temale vastav etalonväljund, mis ütleb millele klassile kuulub käesolev sisend. Siis pärast õpetamist närvivõrk on võimeline klassifitseerida ka uusi õpetamisel kasutamata mustreid. On oluline see, et õpetamisel peab olema a’priori teada millele klassile kuulub iga õpetamisel kasutatav vektor. Kui niisugust a’priorset informatsiooni klassidele kuulumise kohta ei ole, õpetamist kasutada ei saa
annaabi.ee 
