ÎNTREBĂRI

1. Ce este o mulţime fuzzy ?

Prin definiţie o mulţime fuzzy, A, este o colecţie de elemente x, din universul de discurs X,
(x∈X), care au diverse grade de apartenenţă la mulţimea considerată A, caracteristică descrisă prin
intermediul unei funcţii de apartenenţă (membership function), notată μA(x) cu valori în intervalul
continuu [0,1] . Una din notaţiile utilizate în cadrul cursului pentru specificarea mulţimilor fuzzy
este:
A = {x, μA(x) | x ∈ X}
Se poate spune că o mulţime fuzzy A este o mulţime (continuă sau discretă) de perechi
ordonate {x, μA(x)} , unde x este elementul din universul de discurs X, iar μA(x) reprezintă gradul de
apartenenţă al acestui element la mulţimea A.

2. La ce se referă termenul univers de discurs?

Fie o mulţime de bază X cu elementele x ∈X . Mulţimea de baza X se va numi în continuare mulţime
univers de discurs sau simplu univers

3. Ce este o funcţie de apartenentă ?

Prin definiţie o mulţime fuzzy, A, este o colecţie de elemente x, din universul de discurs X, (x∈X),
care au diverse grade de apartenenţă la mulţimea considerată A,caracteristică descrisă prin
intermediul unei funcţii de apartenenţă (membership function), notată μ A(x) cu valori în intervalul
continuu [0,1] .

4. Care este condiţia de egalitate a mulţimilor fuzzy?

Două mulţimi fuzzy A şi B definite pe acelaşi univers sunt egale dacă toate elementele
acestora au acelaşi grad de apartenenţă.
Analitic A = B dacă şi numai dacă μA (x) = μB(x), ∀x∈ X
5. Ce este suportul unei mulţimi fuzzy?
Suportul unei mulţimi fuzzy este o mulţime fermă care conţine toate elementele din A care au
gradul de apartenenţă strict mai mare decât zero.
S(A) = {x ∈ X | μA(x) > 0}
Pentru exemplificare să considerăm o mulţime fuzzy A cu o funcţie de apartenenţă
trapezoidală

In acest caz suportul mulţimii fuzzy A este S(A) = [a, d] , adică mulţimea fermă a numerelor
reale din intervalul continuu cuprins între a şi d.
Observaţii:
1) La mulţimile fuzzy definite pe univers discret, S(A) este o mulţime fermă discretă.
2) O mulţime fuzzy cu suportul format dintr-un singur element se numeşte singleton.
6. Ce este nucleul unei mulţimi fuzzy?
Este mulţimea fermă care conţine toate elementele din A care au gradul de apartenenţă egal 1.
N(A) = {x ∈ X | μ A (x) = 1}
Mulţimea fuzzy cu funcţia de apartenenţă trapezoidală din fig.15 are nucleul N(A) = [b,c],
adică mulţimea fermă a numerelor reale cuprinse între b şi c.
Dacă există un singur punct cu grad de apartenenţă egal cu 1 (ca în cazul funcţiei de
apartenenţă triunghiulare), acest punct se numeşte valoare de vârf a mulţimii fuzzy A .

7. Ce este lăţimea unei mulţimi fuzzy?

L(A) = sup(S(A)) − inf(S(A)) = max(S(A)) − min(S(A)) ,
unde sup şi inf specifică operaţiile matematice supremum şi infimum. Mulţimea fuzzy cu funcţia de
apartenenţă trapezoidală din fig.15 are lăţimea L(A) = d − a (adică un număr).

8. Ce este înăţimea unei mulţimi fuzzy?

Este definită conform relaţiei

Toate funcţiile de apartenenţă prezentate până acum au înălţimea h(A) = 1. Vom vedea că
există însă frecvent situaţii când funcţiile de apartenenţă pot avea o înălţime subunitară.
O mulţime fuzzy se numeşte
− normală dacă h(A) = 1
respectiv
− subnormală dacă h(A) < 1

9. Ce este tăietura-α a unei mulţimi fuzzy?

(Constituie de fapt o operaţie pe mulţimile fuzzy)
Vom folosi notaţia din limba engleză α -cut. Prin definiţie:
α − cut(A) ≡ [x ∈ X | μA(x) ≥ α]
Tăietura - α a unei mulţimi fuzzy este o mulţime fermă care conţine elementele din A care
îndeplinesc condiţia μA(x) ≥ α . De obicei α ∈ [0,1] .
De exemplu pentru funcţia de apartenenţă prezentată în fig. 16, α − cut(A) , cu α=0.5 va fi
intervalul [m, n] , deci 0.5 − cut(A) = [m, n] .

10. Cu ce operatori se poate realiza intersecţia mulţimilor fuzzy ? (2 operatori)

Intersecţia mulţimilor fuzzy A şi B - A ∩ B :
a) μA∩B(x) = min[μA(x),μB(x)] , x ∈ X (intersecţie cu operator min)
b) μA∩B(x) = μA(x) * μB(x) , x ∈ X (intersecţie produs algebric)
11. Cu ce operatori se poate realiza reuniunea mulţimilor fuzzy ? (2 operatori)
Reuniunea mulţimilor A şi B - A∪ B
a) μA∪B(x) = max[μA(x),μB(x)] , x ∈ X (reuniune cu operator max)
b) μA∪B(x) = μA(x) + μB(x) − μA(x) * μB(x) , x ∈ X (reuniune de tip sau probabilistic sau
reuniune prob-or )

12. Ce este o relaţie fuzzy?

O relaţie fuzzy n-dimensională definită pe universul X1 ⊗ X 2 ... ⊗ Xn este o submulţime fuzzy
a acestui univers notată în cazul discret:

în cazul continuu.
Reamintim încă o data că simbolul integrală nu are semnificaţia din analiză (aspect
relevat şi de faptul ca lipseşte dx).
Pentru a nu complica prea mult prezentarea, în cele ce urmează ne vom limita la cazul
unui univers bi-dimensional pe care îl spe cificăm prin produsul cartezian al numerelor
reale (discrete sau continue) X ⊗Y , caz în care:

pentru univers bi-dimensional discret (conform notaţiei lui Zadeh).

13. Ce este matricea de apartenenţă?

O matrice cu nr de linii egal cu nr de elem din X si cu nr de coloane egal cu nr de elem din Y. in
matrice se trec valorile fct de apartententa pt perechea (x,y) definita de linia si coloana respectiva

14. Ce este extensia cilindrică?

Operaţia de extensie cilindrică poate fi considerată ca fiind, într-un anume sens, inversă
operaţiei de proiecţie. Prin extensie cilindrică se realizează trecerea de la o mulţime fuzzy A, definită
pe un univers unidimensional, la o relatie fuzzy R definită pe universul bi-dimensional dat X ⊗Y .
Pentru a introduce definiţia, vom considera cazul cel mai simplu de trecere de la o mulţime fuzzy
(unidimensională) la o relaţie fuzzy bidimensională.
Fie A mulţimea fuzzy definită pe universul X cu funcţia de apartenenţă μA(x) . Prin definiţie:

15. Ce este proiecţia unei relaţii?

Operaţia de proiecţie transformă, de exemplu, o relaţie fuzzy într-o mulţime fuzzy şi
respectiv o mulţime fuzzy într-o mulţime fermă cu un singur element. Pentru simplificarea definiţiei
vom considera o relaţie fuzzy R definită pe universul bidimensional X ⊗Y . In acest caz vom avea
proiecţia relaţiei R pe universul Y exprimată conform relaţiei:
16. Ce este operaţia de compoziţie?
Fie o mulţime fuzzy A definită pe universul X şi o relaţie fuzzy R definită pe universal bi-
dimensional X ⊗Y . Prin compunerea relaţiei fuzzy R cu mulţimea fuzzy A se obţine o mulţime
fuzzy B definită pe universul Y. Operaţia de compunere este notată simbolic
B = Ao R
şi este definită conform relaţiei:
B = proj(R ∩ce(A; X ⊗Y);Y) .
Având în vedere că operaţia ce(A) produce o relaţie fuzzy bi-dimensională, compunerea
relaţiilor definită mai înainte poate fi considerată ca o prelucrare realizată în două etape, în prima
realizându-se intersecţia şi în a doua proiecţia. Dacă de exemplu intersecţia este realizată cu
operatorul min, având în vedere că proiecţia unei relaţii fuzzy are la bază operatorul max, rezultă
relaţia:

unde μA(x) este funcţia de apartenenţă a mulţimii fuzzy A, iar μR(x, y) este matricea
de apartenenţă a relaţiei fuzzy R. Metoda de compunere prezentată se numeşte
compoziţie max-min.
Dacă intersecţia este de tip produs se obţine relaţia:

denumită compoziţie max-prod.

In general operaţia de compoziţie a relaţiilor fuzzy va fi evaluată cu expresia:

unde operaţia de intersecţie ∩ poate fi realizată, în funcţie de context, cu operatorul

min sau produs.

17. Ce este o variabilă lingvistică / fuzzy?

Prin variabilă lingvistică se înţelege o variabilă ale cărei valori sunt cuvinte sau propoziţii în
limbaj natural (de regulă) sau artificial.
Pentru formalizarea matematică a problemelor din logica fuzzy, variabilele lingvistice trebuie
corelate cu domeniul fizic real în care acestea iau valori.

18. Ce este un termen lingvistic? Cum se reprezintă acesta? {raspuns evaziv}

Fiecărui TL (termen lingvistic) al unei variabile lingvistice îi este asociată o funcţie de
apartenenţă (a cărei valoare −în sens determinist − indică nivelul de încredere cu care se poate asocia
TL considerat cu valoarea fermă din domeniul fizic de valori a VL).
19. Ce este o propoziţie fuzzy?
Un concept important in logica fuzzy este propoziţia fuzzy care reprezintă o expresie
(sintagmă) de tipul ‘ x este mare’, unde ‘mare’ este eticheta (termenul lingvistic descris de o mulţime
fuzzy definită pe un univers X ).
Propoziţiile fuzzy se mai numesc primitive atomice. În general o propoziţie fuzzy este
enunţată in
limbaj natural prin sintagme de tipul:
p1: x este A
sau
p2: x nu este A ,
unde x este un element oarecare din universul de valori şi A este un termen lingvistic caracterizat de
o mulţime fuzzy cu funcţia de apartenenţă μ (x) . Propoziţiile anterioare sunt evaluate concret prin
A

intermediul funcţiilor de apartenenţă.

Observaţie În mod normal, sau riguros vorbind, ar fi necesar să utilizăm notaţii diferite pentru
un termen lingvistic dintr-o propoziţie fuzzy şi mulţimea fuzzy asociată acesteia (de exemplu: A
pentru termenul lingvistic şi A~ pentru mulţimea fuzzy ). Pentru simplitatea expunerii vom nota la fel
atât termenul lingvistic cât şi mulţimea fuzzy asociată.

20. Ce este o propoziţie fuzzy compusă?

Propoziţiile fuzzy pot fi combinate utilizând conectorii logici şi şi sau, obţinându-se în acest
fel propoziţii fuzzy compuse de tipul :
p1: x este A şi x este B
p2: x este A sau x este B
p3: ( x este A şi x nu este B ) sau ( x este C ).

21. Care sunt conectorii logici? Cum se reprezintă?

Conectorii logici şi şi sau vor fi evaluaţi prin intermediul opetaţiilor de intersecţie (pentru şi)
respectiv reuniune (pentru sau). Propoziţiile fuzzy compuse de mai sus pot fi exprimate prin
formulări mai condensate, înlocuind conectorii logici şi cu ∩ şi sau cu ∪ .
Operatorii care se utilizează mai frecvent pentru implementarea conectorilor logici sunt
prezentaţi
în tabelul urmator:

22. Ce este o regulă fuzzy?

O regulă fuzzy este o expresie simbolică de tipul dacă (if) (propoziţie fuzzy1) atunci (then)
(propoziţie fuzzy2), unde (propoziţie fuzzy 1,2) poate fi o primitivă atomică sau o propoziţie fuzzy
compusă.
Câteva exemple:
 dacă x este NMa atunci y este Nmi;
dacă x este A atunci y este B;
dacă x este NMa şi y este NMe atunci z este Nmi;
dacă x este A sau y este B atunci z este C;
dacă e este PMa şi de este NMi atunci u este Nme.
Într-o expresie dacă-atunci (if-then) propoziţia 1 se numeşte premisă (sau antecedent), iar propoziţia
2 este denumită consecinţă (concluzie). O formulare generală a unei reguli fuzzy poate fi şi de genul
(tipul)
dacă (premisă) atunci (consecinţă).

23. Ce este o implicaţie fuzzy?

Considerăm regula fuzzy cu expresia :
dacă x este A atunci y este B.
În această expresie simbolică A şi B vor fi interpretate ca mulţimi fuzzy definite pe universurile X şi
Y, caracterizate prin funcţiile de apartenenţă μ (x) şi μ ( y) . Cu aceste notaţii regula fuzzy de mai sus
A B

poate fi evaluată prin intermediul unei relaţii fuzzy R definită pe universul bidimensional X ⊗Y
notată symbolic
R = I(A, B) ,
cu funcţia de apartenenţă
μ (x, y) = I(μ (x),μ ( y)), ∀x∈ X , y ∈Y
R A B

unde I este o funcţie numită de implicaţie fuzzy.

24. Ce este o bază de reguli?

Mulţimea (setul) de reguli se numeşte frecvent bază de reguli fuzzy.
Evaluarea unei baze de reguli fuzzy se realizează construind relaţiile fuzzy Ri pentru fiecare
regulă şi, apoi, combinând aceste relaţii într-o singură relaţie fuzzy, R . Combinarea relaţiilor dintr-o
bază de reguli se numeşte agregare sau conectare. Mecanismul de agregare a regulilor este
determinat de tipul de implicaţie utilizat în evoluarea acestora. Ca o regulă generală avem:
−pentru implicaţiile de tip intersecţie conectarea (agregarea ) se realizează cu ajutorul
reuniunii, aşadar: R = ∪Ri , respectiv operatorul max;
−pentru implicaţii de tip reuniune (max) conectarea se face cu ajutorul intersecţiei, deci: R =
∩Ri , respectiv operatorul min.
Cu alte cuvinte conectorul logic astfel este interpretat ca o reuniune (operator max) pentru
baze
de reguli cu implicaţii de tip intersecţie (min, prod), respectiv ca o intersecţie (min) pentru
implicaţii în baza de reguli de tip disjuncţie (reuniune).

25. Ce înseamnă agregarea regulilor?

Agregarea (conectarea) rezultatelor obţinute prin inferenţele realizate pe regulile din bază se va face,
aşa cum s-a arătat, cu operaţia de U (reuniune) pentru implicaţiile de tip I , respectiv cu operaţia de I
(intersecţie) pentru implicaţii bazate pe U .

26. Care este forma generală a regulilor Mamdami?

Implicaţia min (Mamdami)
R=I(A,B)=min(A,B), cu funcţia de apartenenţă
μ R (x, y) = min(μ A (x),μ B ( y)),∀x ∈ X , y ∈Y

27. Care este forma generală a regulilor Takagi?

Forma generală a regulilor fuzzy de tip Sugeno este
dacă x1 este A11 şi x2 este A21 atunci y1 = f1(x1, x2 ) ,
 Unde y1 este o valoare crisp. De obicei f (x1, x2 ) este un polinom cu variabilele x1 şi x2 de
forma :
y1 = p1x1 + q1x2 + r1 ,
unde p1, q1 şi r1 sunt constante (date, cu valori cunoscute).

28. Care este diferenţa dintre cele două tipuri de reguli fuzzy?
La inferenţele de tip Sugeno agregarea regulilor şi defuzzificarea se realizează în aceeaşi etapă, cu o
singură relaţie.
Dacă f este o constantă regula fuzzy Sugeno reprezintă un caz particular al sistemelor fuzzy
Mamdami care au în concluzie o mulţime fuzzy singleton.

29. Ce înseamnă inferenţa unei reguli fuzzy?

Inferenţa unei singure reguli fuzzy este o aplicaţie directă a operaţiei de compoziţie (compunere) a
relaţiilor fuzzy prezentată într-o secţiune anterioară. Există două clase de mecanisme (metode) cu
caracter general care pot fi utilizate pentru inferenţa unei reguli fuzzy:
- regula compoziţională de inferenţă (compositional rule of inference – CRI – Zadeh 1973)
- metode obţinute prin generalizarea schemelor de raţionament din logica clasică – modus ponses şi
modus tollens.

30. Ce este defuzzyficarea?

Defuzzificarea reprezintă procedura de transformare a unei mulţimi fuzzy într-o valoare numerică.
Există mai multe metode de defuzzificare, dintre care s-au impus şi se utilizează mai frecvent:
- metoda centrului de greutate (center of gravity) – cg
- metoda înălţimi – h
- metoda mediei (mijlocului) maximului (mean sau middle of maxima) – mm
Alte metode de defuzzificare:
- metoda primului maxim
- metoda ultimului maxim
- metoda centrului sumei

31. Ce este un regulator fuzzy?

Un regulator fuzzy are, spre deosebire de regulatoarele clasice, mai multe mărimi de intrare. Intrările
regulatorului fuzzy reprezintă variabilele lingvistice din premisele regulilor. Numărul acestora
depinde de legea de reglare clasică adoptată la proiectarea sistemului fuzzy (P, PI, PD, PID).
Regulatorul fuzzy primeşte la intrare semnalul de eroare – mărime crisp (notată cu e) şi furnizează la
ieşire mărimea de comandă u, de asemenea o mărime crisp. Se impune observaţia că regulatorul
fuzzy inclusiv sumatorul se implementează într-un modul software, deci este o realizare numerică.
Structura de principiu a unui regulator fuzzy este prezentată în schema bloc funcţională din figură.
32. Ce rol are modulul de fuzzyficare?
Modulul de fuzzificare MF realizează următoarele funcţii:
- transformă (scalează) mărimea de intrare crisp într-o mărime normalizată, deasemenea fermă.
Calculul este opţional fiind impus mai ales datorită prelucrării numerice,
- converteşte valorile crisp ale mărimii de intrare (normalizate) într-o mulţime fuzzy.

33. Ce este maşina de inferenţă?

Are rolul funcţional de a calcula on-line prin inferenţă, folosind baza de reguli şi mulţimile
fuzzy de intrare, mulţimile fuzzy de ieşire. Structura maşinii de inferenţă depinde de tipul concret
adoptat pentru inferenţa bazei de reguli – Mamdami max – min, max – prod sau sum – prod
respectiv Sugeno.

34. Ce rol are modulul de defuzzyficare?

Furnizează prin calcule on-line valorile crisp ale mărimii de ieşire u(k) sau du(k), folosind mărimile
fuzzy agregate obţinute cu maşina de inferenţă. Procedeul de defuzzificare este adoptat, în faza de
proiectare a sistemului fuzzy, în funcţie de tipul inferenţei utilizate (Mamdami, Sugeno).

35. Ce este activarea totală a neuronului?

Neuronul considerat are N intrări pe care le vom nota x1,x2,..., xN. Poderile sinaptice w j .
Prin însumarea semnalelor de intrare ponderate se obţine activarea (excitaţia) totală sau starea
internă a neuronului notată în continuare s , care se determină cu relaţia:
s

36. Ce este funcţia de activare?

Variaţia mărimii de ieşire a unui neuron se poate caracteriza prin intermediul unei funcţii f : R → R ,
numită funcţie de ieşire, funcţie neuronală sau funcţie de activare, definită pentru modelul
McCulloch-Pitts conform relaţiei:

37. Ce este învăţarea supervizată?

În cazul instruirii supervizate se prezintă reţelei o mulţime de exemple de instruire. Un exemplu de
instruire este o pereche formată dintr-un vector de intrare şi ieşirea dorită. Când se aplică reţelei un
vector de intrare se calculează ieşirea reţelei şi se compară cu vectorul de ieşire dorit. Diferenţa între
ieşirea dorită şi cea obţinută reprezintă eroarea. Ponderile reţelei sunt modificate pe baza unui
algoritm care tinde să minimizeze eroarea. Vectorii din mulţimea de instruire sunt aplicaţi secvenţial
şi ciclic până când prin modificarea ponderilor se atinge o valoare minim acceptabilă a erorii totale.
La unele metode de instruire supervizată se modifică ponderile conexiunilor sinaptice numai dacă
ieşirea reală diferă de cea dorită. Avem de-a face în acest caz cu un proces de învăţare prin
corectarea erorilor. Există de asemenea alte metode de învăţare
supervizată care determină schimbări ale valorilor ponderilor pentru orice vector de intrare.

38. Ce este învăţarea nesupervizată?

Instruirea nesupervizată nu necesită cunoaşterea a priori a mărimilor de ieşire ale reţelei, sau altfel
spus procesul de învăţare se desfăşoară fără o cunoaştere specifică a ceea ce ar putea să fie un
răspuns corect. În decursul instruirii, prin ajustarea ponderilor se realizează o clasificare a vectorilor
de intrare în grupe de forme similare sau foarte apropiate (această proprietate poartă denumirea de
auto-organizare). Răspunsul pe care îl va produce o clasă de vectori de intrare nu poate fi însă
determinat înainte de încheierea procesului de instruire. Prin urmare, ieşirile unei reţele instruită cu o
metodă nesupervizată trebuie, în general, să fie interpretate, adică să primească o formă
comprehensibilă după încheierea procesului de învăţare.

39. Ce este învăţarea Hebbiană?

Acest mecanism de instruire presupune schimbarea ponderilor conexiunilor sinaptice ale neuronilor
în funcţie de intensitatea activităţii acestor neuroni. Conform modelului lui Hebb, numit alternativ
regula de învăţare Hebb, intensitatea (ponderea) conexiunii sinaptice dintre doi neuroni creşte când
neuronii sunt activaţi simultan de un stimul al mediului. Astfel considerând activările si şi s j ale
neuronilor i şi j între care există o conexiune, atunci, în concordanţă cu legea lui Hebb, intensitatea
conexiunii va suferi variaţia :

unde c este un coeficient de proporţionalitate adecvat ce reprezintă constanta (rata) de instruire.

Legea de instruire Hebb apare ca naturală din punct de vedere neurobiologic. Mecanismul Hebb este
un model de învăţare nesupervizată în care conexiunile neuronale folosite mai des sunt întărite. Se
poate spune că acest model de învăţare este identic cu fenomenele de obişnuinţă sau de învăţare prin
repetare specifice activităţii neuronale din creierul biologic.

40. Ce este specific reţelelor neuronale de tip perceptron?

Perceptronul este o reţea neuronală care realizează pe baza unui algoritm specific o clasificare a
formelor de intrare (mărimi de intrare, date de intrare, vectori cheie etc.), respectiv o împărţire a
acestora în anumite clase. Altfel spus intrările pentru instruire sunt organizate sub forma unei liste de
asociere, în care fiecare element corespunde unei perechi formate dintr-un vector cheie (formă de
intrare) – clasă de apartenenţă. Dacă au fost memorate suficient de multe obiecte din fiecare clasă, se
poate construi o reprezentare internă “prototipică” a fiecărei clase prin ponderile de conexiune ale
reţelei. În faza de lucru, reţeaua va stabili pentru o formă de intrare oarecare, clasa prototip
corespunzătoare (aferentă).

Perceptronul reprezintă sâmburele din care s-au dezvoltat toate celelalte tipuri de reţele neuronale.
Arhitectura perceptronului este cea mai simplă configuraţie posibilă a unei reţele neuronale, care se
poate instrui cu un algoritm de asemenea simplu şi eficient. Acest algoritm este reprezentativ pentru
o clasă largă de proceduri de instruire, motiv pentru care i se acordă o atenţie deosebită
41. Pentru ce clasă de probleme sunt adecvate reţelele de tip perceptron? De ce?
Reţelele neuronale prezentate în această secţiune sunt adecvate pentru tratarea problemelor de
clasificare. Intrările reţelei sunt vectorii ce urmează a fi clasificaţi iar ieşirile sunt clasele aferente.
Algoritmii utilizaţi pentru instruire sunt de tipul de învăţare supervizată.
De ce??????

42. Ce este specific reţelelor neuronale de tip Adaline?

Varianta de bază a algoritmului Widrow-Hoff aplicat unei reţele cu un singur neuron cu funcţie de
activare liniară numită de cei doi (Widrow şi Hoff) reţea de tip ADALINE (ADAptive LInear
NEuron). Pentru fixarea notaţiilor în fig. 3.1 se prezintă sub formă grafică structura acestei reţele. De
aici se observă că funcţia de activare este liniară, fiind descrisă de relaţia f (s) = s , undes este
activarea totală care se calculează cu expresia vectorială s = wTx . Din acest motiv mărimea de ieşire
are valorile cuprinse în mulţimea numerelor reale ( y R ), spre deosebire de perceptron la care
ieşirea poate lua numai valorile ± 1
sau 0, 1.

43. Descrieţi pe scurt arhitectura unidirecţională.

În esenţă algoritmul de propagare înapoi este o metodă de instruire supervizată a reţelelor
neuronale multistrat cu transmitere înainte (reţele unidirecţionale) în care se urmăreşte
minimizarea erorii medii pătratice printr-o metodă de gradient.