در قسمت قبلی دیدیم که شبکه عصبی طبیعی در بدن موجودات زنده اعم از گیاهان وجود دارد و عصب شناسان سعی میکنند کارکرد اصلی ، نحوه ارتباط نورون ها ، نحوه استخراج ویژگی ها و نهایتا نحوه یادگیری و به حافظه سپاری و اکثر سوالات ما را پاسخ دهند همانطور که میدانیم شبکه عصبی از واحدهای پردازشی ساده ای به نام نورون تشکیل شده است همانطور که در شکل زیر میبینید مجموعه ای از نورون ها در یک معماری در کنار یکدیگر قرار میگیرند و به شکل لایه ای به هم متصل میشوند و سیگنال ها رو به همدیگه ارسال میکنند وقتی ورودی به مجموعه ای از نورون ها اعمال میشود شبکه ورودی ها را پردازش میکند و سیگنال ها به صورت لایه به لایه یا بازگشتی ارسال میشوند و در نهایت یه خروجی (خروجی مطلوب ما) تولید میشود . در واقع شبکه یاد میگیرد که خروجی مطلوب ما را تولید کند .
در این قسمت میخوایم درمورد کارکرد یک نورون طبیعی صحبت کنیم در واقع منظور از نورون یاخته ی عصبی موجود در بدن موجودات زنده است ، شکل زیر تصویر ساده شده ای از یه نورون طبیعی رو نشون میده ، نورون های طبیعی در کنار هم بسیارند و باهمدیگه در تعامل هستند ، یک نورون طبیعی که واحد پردازشی یک شبکه عصبی طبیعی است از Dendrites ، Cell body , Nucleus , Axon , Synaptic gaps ها تشکیل شده است . Dendrites ها شاخک هایی هستند که سعی میکنند اطلاعات و سیگنال های الکتروشیمیایی رو از نورون های اطراف خود دریافت کنند ، بعد از این که Dendrites ها سیگنال های نورون های مجاور رو جمع کردند در داخل Cell body قرار میدن در این قسمت اثر تحریک ها خودش رو نشون میده و جمع بسته میشه در واقع جمع وزن دار سیگنال های دریافتی از نورون های مجاور در این قسمت شکل میگیرد ، هسته سلول یا Nucleus بسته به این جمع اثر سیگنال های الکتروشیمیایی ورودی ممکن است فعال شود و در صورت فعال شدن یک سیگنال تولید میکند ، این سیگنال وارد Axon میشود Axon درواقع مسیر ارتباطی است که سیگنال تحریک شده نورون رو منتقل میکنه و نهایتا Synaptic gap ها سیگنال رو به Dendrites های نورون های لایه بعد منتقل میکنند .
میتوانیم یک الگوی ریاضی از کارکرد نورون تعریف کنیم x1 و x2 و x3 سیگنال هایی هستند که از نورون های مجاور دریافت میشوند وزن دار میشوند (وزن ها در Synaptic gap ها تشکیل میشوند ) همانطور که در شکل زیر میبینید x1 با وزن w1 ، x2 با وزن w2 و نهایتا x3 با وزن w3 وارد میشود و جمع همه ی آنها z را نشان میدهد (z=w1*x1+w2*x2+w3*x3) در نهایت اگر z از ترشولدی که درون هسته است بزرگتر باشد نورون فعال شده و یک خروجی 1 باینری تولید میکند درغیر اینصورت 0 باینری را تولید میکند
