از نرونهای انسان تا نرون مصنوعی : با کنار گذاشتن برخی خواص حیاتی نرونها و ارتباطات درونی آنها می توان یک مدل ابتدایی از نرون را به وسیله کامپیوتر شبیه سازی کرد. یک نرون ساده : یک نرون مصنوعی سیستمی است با تعداد زیادی ورودی و تنها یک خروجی .نرون دارای دو مد می باشد، مد آموزش و مد عملکرد .در مد آموزش نرون یاد می گیرد که در مقابل الگوهای ورودی خاص برانگیخته شود و یا در اصطلاح آتش کند . در مد عملکرد وقتی یک الگوی ورودی شناسایی شده وارد شود خروجی متناظر با آن ارائه می شود. اگر ورودی جزء ورودیهای از پیش شناسایی شده نباشد قوانین آتش برای برانگیختگی یا عدم آن تصمیم گیری می کند. قوانین برانگیختگی: قوانین آتش یا برانگیختگی یک مفهوم مهم برای شبکه های عصبی و ایجاد انعطاف پذیری در آنها می باشد .قانون به تمام الگوهای ورودی مربوط می شود نه تنها الگوهای آموزش داده شده. با استفاده از تکنیک فاصله همینگ به یک قانون ساده برانگیختگی اشاره می کنیم . به ترتیب زیر: مجموعه ای از الگوهای آموزشی آماده می شود .آنهایی که باعث آتش می شوند 1 و انهایی که مانع شوند0 را دریافت می کنند. الگوهایی که در مجموعه جمع آوری شده نمی باشند باعث برانگیختگی می شوند اگر در مقایسه با الگوهای قبلی 0 و 1 عناصر مشترک بیشتری داشته باشند . اگر گره ای به وجود بیاید الگو در وضعیتی تعریف نشده باقی می ماند . به عنوان مثال یک نرون با 3 ورودی را در نظر بگیرید که در حالتی که ورودیهای X3,X2,X1 در حالت 101 یا 111 هستند خروجی 1 و در حالتی که 000 یا 001 باشند 0 را نمایش می دهد .قبل از اعمال قوانین برانگیختگی جدول صحت به صورت زیر است .
از نرونهای انسان تا نرون مصنوعی : با کنار گذاشتن برخی خواص حیاتی نرونها و ارتباطات درونی آنها می توان یک مدل ابتدایی از نرون را به وسیله کامپیوتر شبیه سازی کرد. یک نرون ساده : یک نرون مصنوعی سیستمی است با تعداد زیادی ورودی و تنها یک خروجی .نرون دارای دو مد می باشد، مد آموزش و مد عملکرد .در مد آموزش نرون یاد می گیرد که در مقابل الگوهای ورودی خاص برانگیخته شود و یا در اصطلاح آتش کند . در مد عملکرد وقتی یک الگوی ورودی شناسایی شده وارد شود خروجی متناظر با آن ارائه می شود. اگر ورودی جزء ورودیهای از پیش شناسایی شده نباشد قوانین آتش برای برانگیختگی یا عدم آن تصمیم گیری می کند. قوانین برانگیختگی: قوانین آتش یا برانگیختگی یک مفهوم مهم برای شبکه های عصبی و ایجاد انعطاف پذیری در آنها می باشد .قانون به تمام الگوهای ورودی مربوط می شود نه تنها الگوهای آموزش داده شده. با استفاده از تکنیک فاصله همینگ به یک قانون ساده برانگیختگی اشاره می کنیم . به ترتیب زیر: مجموعه ای از الگوهای آموزشی آماده می شود .آنهایی که باعث آتش می شوند 1 و انهایی که مانع شوند0 را دریافت می کنند. الگوهایی که در مجموعه جمع آوری شده نمی باشند باعث برانگیختگی می شوند اگر در مقایسه با الگوهای قبلی 0 و 1 عناصر مشترک بیشتری داشته باشند . اگر گره ای به وجود بیاید الگو در وضعیتی تعریف نشده باقی می ماند . به عنوان مثال یک نرون با 3 ورودی را در نظر بگیرید که در حالتی که ورودیهای X3,X2,X1 در حالت 101 یا 111 هستند خروجی 1 و در حالتی که 000 یا 001 باشند 0 را نمایش می دهد .قبل از اعمال قوانین برانگیختگی جدول صحت به صورت زیر است .