W pierwszej części artykułu przedstawiono teorie działania oraz modele matematyczne i numeryczne Sztucznych Sieci Neuronowych (SNN). Dokonano także szczegółowego omówienia rodzajów tych sieci.

    W numerycznych symulacjach układów termodynamicznych ciągłych, silnie nieliniowych wykorzystuje się równania zachowania w postaci CFD. Wymagają one często stosowania domknięć i uproszczeń. Na ich podstawie tworzy się modele dyskretne (MES, MOS), które wymagają skomplikowanych procedur rozwiązania. W pewnym zakresie zastosowań, alternatywną metodą rozwiązania problemu jest wykorzystanie sieci neuronowych. Pozwalają one rozwikłać problemy obliczeniowe i uzyskać model numeryczny. Sieci neuronowe stosowane są do rozwiązywania problemów, głównie takich, w których nie sprawdzają się metody tradycyjne i analityczne. SSN (Sztuczne Sieci Neuronowe) sprawdzają się w rozwiązywaniu problemów, które są zbyt skomplikowane dla konwencjonalnych technologii (np. problemy, które nie mają rozwiązania algorytmicznego, bądź rozwiązanie jest zbyt skomplikowane do znalezienia), sprawdzają się też dobrze tam, gdzie nie można zastosować tradycyjnych metod.
    Obszar zastosowania można sklasyfikować w kilku grupach:
● aproksymacja,
● autoasocjacja,
● klasyfikacja,
● podobieństwo i rozpoznanie,
● analiza czynników głównych,
● kodowanie i dekodowanie,
● uogólnienie,
● optymalizacja.

    Autor artykułu skupił się na problemie aproksymacji dowolnej funkcji nieliniowej wielowymiarowej przy wykorzystaniu sieci neuronowej.

Cechy sieci neuronowych
    Podstawową cechą różniącą SSN (Sztuczne Sieci Neuronowe) od programów realizujących algorytmiczne przetwarzanie informacji jest zdolność generalizacji czyli umiejętność uogólniania wiedzy dla nowych wzorców nieznanych wcześniej, czyli nie prezentowanych w trakcie nauki. Określa się to także jako zdolność SSN do aproksymacji wartości funkcji wielu zmiennych w przeciwieństwie do interpolacji możliwej do otrzymania przy przetwarzaniu algorytmicznym. Można to ująć jeszcze inaczej, systemy ekspertowe z reguły wymagają zgromadzenia i bieżącego dostępu do całej wiedzy na temat zagadnień, o których będą rozstrzygały. SSN wymagają natomiast jednorazowego nauczenia, przy czym wykazują one tolerancję na nieścisłości, przypadkowe zaburzenia lub wręcz braki w zbiorze uczącym. Pozwala to na zastosowanie ich tam, gdzie nie da się rozwiązać danego problemu w żaden inny, efektywny sposób.

Zasada działania sieci neuronowych
    Poprzez nazwę Sztuczne Sieci Neuronowe (SSN) określa się najczęściej programowe lub sprzętowe symulatory modeli matematycznych, realizujące (pseudo) równoległe przetwarzanie informacji, składające się z wielu wzajemnie połączonych funktorów zwanych poprzez analogię ze swoimi biologicznymi protoplastami – neuronami. Emulują one niektóre spośród zaobserwowanych właściwości biologicznych układów nerwowych oraz bazują na analogii adaptacyjnego uczenia biologicznego. Odnosząc tę definicję do architektury połączeń, równoległego przetwarzania i systemów neuromorficznych, sztuczne sieci neuronowe są swoistym systemem inspirowanym przez to, w jaki sposób gęsto połączone między sobą struktury mózgu obrabiają dane, w różny sposób docierające z otoczenia. System taki składa się z dużej liczby rozlegle połączonych ze sobą elementów (neuronów) przetwarzających, które jak wspomniano są analogiczne do biologicznych neuronów i powiązane ze sobą ważonymi połączeniami, które są znowu analogiczne do biologicznych synaps.
    Działanie SSN polega na tym, że sygnały pobudzające (wektor wejściowy) podawane na wejścia sieci, przetwarzane są w poszczególnych neuronach. Po tej projekcji na wyjściach sieci otrzymuje się wartości liczbowe, które stanowią odpowiedź sieci na pobudzenie i stanowią rozwiązanie postawionego problemu. Jednak aby takie rozwiązanie uzyskać, należy przejść żmudną drogę uczenia sieci.
    Do wejść doprowadzane są sygnały dochodzące z neuronów warstwy poprzedniej. Każdy sygnał mnożony jest przez odpowiadającą mu wartość liczbową zwaną wagą. Wpływa ona na percepcję danego sygnału wejściowego i jego udział w tworzeniu sygnału wyjściowego przez neuron. Waga może być pobudzająca – dodatnia lub opóźniająca – ujemna; jeżeli nie ma połączenia między neuronami to waga jest równa zero. Zsumowane iloczyny sygnałów i wag stanowią argument funkcji aktywacji neuronu.
    Wartość funkcji aktywacji jest sygnałem wyjściowym neuronu i propagowana jest do neuronów warstwy następnej. Funkcja aktywacji przybiera jedną z trzech postaci:
● skoku jednostkowego, tzw. funkcja progowa,
● liniowa,
● nieliniowa. (...)