English 
Systeme in neuronaler Architektur
Neuronale Netze
Systeme in neuronaler Architektur sind grundlegenden Prinzipien neuronaler Informationsverarbeitung nachempfunden, wie sie in biologischer Gehirnen abläuft. Sie modellieren Netzwerke von Nervenzellen bzw. Neuronen, die lernen können, indem die Stärke der Verdrahtung zwischen diesen Nervenzellen durch geeignete Lernstrategien verändert werden kann. Die künstlichen Neuronen bzw. Units sind sehr einfach aufgebaute Prozessoren, die nur auf ihren lokalen Daten und den Informationen bzw. Signalen arbeiten, die sie von außen erhalten.
Die Grundidee besteht darin, die Konstruktion einer Anwendung in neuronaler Architektur darauf zu stützen, dass man dieser Beispiele aus der Anwendungsumgebung zeigt - häufig zusammen mit einer Belehrung - und zu erwarten, dass das neuronale System seine inneren Parameter nach und nach solange verändert, bis schließlich das gewünschte Verhalten erreicht ist und zwar selbst dann, wenn die statistische Verteilung der Eingabemuster unbekannt ist. Neuronale Netze werden also nicht programmiert, sondern an repräsentativen Musterkollektiven trainiert. Das Wissen eines neuronalen Netzes ist in seinen inneren Parametersätzen und der zugrundeliegenden Topologie abgelegt.
Neuronale Netze sind also hervorragend prädestiniert, um komplexe Zusammenhänge aus Beispielen zu erlernen. Sie eignen sich z.B. hervorragend für Zwecke der Mustererkennung.