Искусственные нейронные сети (ИНС) становятся обычным инструментом для моделирования сложных зависимостей «ввода - вывода» ввиду их способности подражать поведению комплексных систем. В основе ИНС лежат «организационные» принципы, свойственные мозгу человека. Подобно биологической нейронной системе искусственная нейронная сеть является вычислительной системой с огромным числом параллельно функционирующих простых процессоров - нейронов, которые регулярным образом организованы в слои. По элементам входного сенсорного слоя нейронная сеть принимает информацию и затем, пропуская эту информацию через скрытый уровень, генерирует выходные сигналы.
Существует много типов соединений между нейронами, и, как следствие, много типов возможных нейронных сетей. Самым распространенным видом сети является многослойный персептрон, который имеет структуру прямой передачи сигнала и не имеет никаких обратных связей или параллельных соединений в пределах слоя нейронов (рис. XI.2). Именно этот вид ИНС наиболее часто используется, чтобы выразить комплексные зависимости между гидрофизическими и традиционными почвенными свойствами, т.е. построить педотрансферные функции.

В процессе функционирования ИНС нейрон получает входные сигналы (значения переменных либо выходные сигналы других нейронов сети) по нескольким каналам. Каждый входной сигнал проходит через соединение, имеющее определенную интенсивность w (или вес); этот вес соответствует синаптической активности биологического нейрона. С каждым нейроном связано определенное пороговое значение Т. Вычисляется взвешенная сумма входов S, из нее вычитается пороговое значение и в результате получается величина активации нейрона. Затем сигнал активации преобразуется с помощью функции активации f (или передаточной функции) и в результате получается выходной сигнал нейрона у. Чаще всего нейроны в скрытых и выходных слоях имеют сигмоидальную функцию активации, а нейроны входа - линейную. После последовательной передачи сигналов через нейроны промежуточных и выходного слоев, т.е. когда вся сеть отработает, выходные значения элементов последнего слоя принимаются за выход всей сети в целом.
Рассмотрим основные шаги построения ИНС.
1. Выбор входных переменных - исключительно важный этап при построении нейронной сети. Имеет смысл произвести предварительный отбор переменных, используя знания в предметной области и стандартные статистические критерии. Сложность соединений в ИНС препятствует прямой статистической оценке важности входных параметров, поэтому сначала включают все переменные, которые могут повлиять на результат, а затем поочередно их сокращают, удаляя одну из входных переменных и сравнивая точность нейронной сети до и после удаления. Средства программных пакетов по ИНС (например, Propagator компании ARD Corporation, STATISTICA Neural Networks компании StatSoft и др.) позволяют распознавать значимые входные переменные и экспериментировать с их различными комбинациями.