ﻣﻨﻄﻖ ﻓﺎﺯﯼ ﻭ ﺷﺒﮑﻪ ﻫﺎﯼ ﻋﺼﺒﯽ ﻣﺼﻨﻮﻋﯽ ﺩﻭ ﺣﻮﺯﻩ ﻣﺠﺰﺍ ﺩﺭ ﻫﻮﺵ ﻣﺤﺎﺳﺒﺎﺗﯽ ﻫﺴﺘﻨﺪ ﮐﻪ ﻃﯽ ﺩﻫﻪ ﻫﺎﯼ ﺍﺧﯿﺮ،ﺑﺴﯿﺎﺭ ﻣﻮﺭﺩ ﺗﻮﺟﻪ ﻭﺍﻗﻊ ﺷﺪﻩ ﺍﻧﺪ. ﺳﯿﺴﺘﻢ ﻫﺎﯼ ﻣﺒﺘﻨﯽ ﺑﺮ ﻣﻨﻄﻖ ﻓﺎﺯﯼ ﺗﻼﺵ ﻣﯽ ﮐﻨﻨﺪ ﮐﻪ ﺑﺎ ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﻋﺒﺎﺭﺍﺕ ﺯﺑﺎﻧﯽ۱ ﺍﺯ ﺍﺳﺘﺪﻻﻝ ﺷﺒﻪ ﺍﻧﺴﺎﻧﯽ ﭘﯿﺮﻭﯼ ﮐﻨﻨﺪ ﺩﺭﺣﺎﻟﯽ ﮐﻪ ﺷﺒﮑﻪ ﻫﺎﯼ ﻋﺼﺒﯽ ﺍﺯ ﯾﺎﺩﮔﯿﺮﯼ ﻣﻐﺰ ﺍﻧﺴﺎﻥ ﺗﻘﻠﯿﺪ ﮐﺮﺩﻩ ﻭ ﺍﻃﻼﻋﺎﺕ ﺭﺍ ﺑﺮ ﭘﺎﯾﻪ ﺍﯼ ﮐﺎﻣﻼ ﺗﺠﺮﺑﯽ ﭘﺮﺩﺍﺯﺵ ﻣﯽ ﮐﻨﻨﺪ. ﺭﻭﺵ ﻫﺎﯼ ﻣﻮﺟﻮﺩ ﺩﺭ ﻫﺮ ﯾﮏ ﺍﺯ ﺍﯾﻦ ﺣﻮﺯﻩ ﻫﺎ ﺩﺭ ﺑﺴﯿﺎﺭﯼ ﺍﺯ ﻓﺮﺍﯾﻨﺪﻫﺎﯼ ﭘﯿﭽﯿﺪﻩ ﻭ ﺻﻨﻌﺘﯽ ﺑﺎ ﻣﻮﻓﻘﯿﺖ ﭘﯿﺎﺩﻩ ﺳﺎﺯﯼ ﺷﺪﻩ ﺍﻧﺪ؛ ﺑﺎﺍﯾﻦ ﺣﺎﻝ ﻫﺮ ﺩﻭ ﮐﻤﺒﻮﺩﻫﺎﯾﯽ ﺭﺍ ﺗﺠﺮﺑﻪ ﮐﺮﺩﻩ ﺍﻧﺪ. ﺷﺒﮑﻪ ﻫﺎﯼ ﻋﺼﺒﯽ ﺩﺭ ﺗﺸﺨﯿﺺ ﺍﻟﮕﻮﻫﺎ ﺧﻮﺏ ﻋﻤﻞ ﻣﯽ ﮐﻨﻨﺪ ﺍﻣﺎ ﻧﻤﯽ ﺗﻮﺍﻧﻨﺪ ﺑﯿﺎﻥ ﮐﻨﻨﺪ ﮐﻪ ﭼﻄﻮﺭ ﺗﺼﻤﯿﻢ ﮔﯿﺮﯼ ﺭﺍ ﺍﻧﺠﺎﻡ ﻣﯽ ﺩﻫﻨﺪ. ﺍﺯ ﺳﻮﯼ ﺩﯾﮕﺮ، ﺳﯿﺴﺘﻢ ﻫﺎﯼ ﻓﺎﺯﯼ ﺑﺎ ﺍﻃﻼﻋﺎﺕ ﻣﺤﺪﻭﺩ ﺍﺳﺘﻨﺘﺎﺝ ﮐﺮﺩﻩ ﻭ ﺑﻪ ﺧﻮﺑﯽ ﺑﯿﺎﻥ ﻣﯽ ﮐﻨﻨﺪ ﮐﻪ ﭼﻄﻮﺭ ﺑﻪ ﺍﯾﻦ ﺗﺼﻤﯿﻢ ﺭﺳﯿﺪﻩ ﺍﻧﺪ ﺍﻣﺎ ﻧﻤﯽ ﺗﻮﺍﻧﻨﺪ ﻗﻮﺍﻋﺪ ﻣﻮﺭﺩﻧﯿﺎﺯ ﺭﺍ ﺑﻪ ﻃﻮﺭ ﺧﻮﺩﮐﺎﺭ ﺑﻪ ﺩﺳﺖ ﺑﯿﺎﻭﺭﻧﺪ. ﺳﯿﺴﺘﻤﯽ ﮐﻪ ﺑﺘﻮﺍﻧﺪ ﺑﺎ ﻋﺪﻡ ﻗﻄﻌﯿﺖ ﻫﺎﯼ ﺫﻫﻨﯽ )ﻣﺜﻞ ﺍﻧﺴﺎﻥ( ﺗﻌﺎﻣﻞ ﮐﻨﺪ ﻭ ﻣﻨﻄﻖ ﻓﺎﺯﯼ ﺭﺍ ﺩﺭ ﺷﺒﮑﻪ ﻫﺎﯼ ﻋﺼﺒﯽ ﺑﮕﻨﺠﺎﻧﺪ ﺑﻪ ﯾﮏ ﺳﯿﺴﺘﻢ ﺗﺮﮐﯿﺒﯽ ﻣﻨﺠﺮ ﺧﻮﺍﻫﺪ ﺷﺪ ﮐﻪ ﺷﺒﮑﻪ ﻓﺎﺯﯼ ﻋﺼﺒﯽ ﯾﺎ ﻋﺼﺒﯽ ﻓﺎﺯﯼ ﻧﺎﻣﯿﺪﻩ ﻣﯽ ﺷﻮﺩ. ﯾﮑﯽ ﺍﺯ ﻣﻬﻢ ﺗﺮﯾﻦ ﺍﺑﻌﺎﺩ ﺩﺭ ﻃﺮﺍﺣﯽ ﺳﯿﺴﺘﻢ ﻫﺎﯼ ﻓﺎﺯﯼ، ﺍﯾﺠﺎﺩ ﺗﻮﺍﺑﻊ ﻋﻀﻮﯾﺖ )ⅯF(۲ ﻭ ﺳﺎﺧﺖ ﭘﺎﯾﮕﺎﻩ ﻗﻮﺍﻋﺪ۳ ﺍﺳﺖ ﮐﻪ ﻣﻌﻤﻮﻻ ﺑﻪ ﻓﺮﺍﯾﻨﺪﯼ ﻓﺮﺳﺎﯾﺸﯽ ﺗﺒﺪﯾﻞ ﻣﯽ ﺷﻮﺩ. ﺍﮔﺮﭼﻪ ﺍﻧﺘﺨﺎﺏ ﺗﻮﺍﺑﻊ ﻋﻀﻮﯾﺖ ﻧﻘﺶ ﺣﺴﺎﺳﯽﺩﺭ ﺍﯾﻦ ﻓﺮﺍﯾﻨﺪ ﺑﺎﺯﯼ ﻣﯽ ﮐﻨﺪ ﺍﻣﺎ ﯾﮏ ﺭﻭﺵ ﺧﻮﺩﮐﺎﺭ ﺑﺮﺍﯼ ﺍﯾﻦ ﮐﺎﺭ ﻭﺟﻮﺩ ﻧﺪﺍﺭﺩ. ﺍﯾﻦ ﺍﻧﺘﺨﺎﺏ ﺍﻏﻠﺐ ﺑﻪ ﺻﻮﺭﺕﹺ ﺳﻌﯽ ﻭ ﺧﻄﺎ ﺑﺮ ﺍﺳﺎﺱ ﻧﻈﺮﺍﺕ ﺧﺒﺮﮔﺎﻥ ﺻﻮﺭﺕ ﻣﯽ ﭘﺬﯾﺮﺩ. ﺍﯾﺠﺎﺩ ﻗﻮﺍﻧﯿﻦ ﻓﺎﺯﯼ ﺩﺭ ﻧﻘﺶ ﮔﻠﻮﮔﺎﻩ ﻫﺮ ﻧﻮﻉ ﺳﯿﺴﺘﻢ ﺩﺍﺭﺍﯼ ﭘﺎﯾﮕﺎﻩ ﻗﻮﺍﻋﺪ ﺍﺳﺖ. ﺩﺭ ﺑﯿﺸﺘﺮ ﮐﺎﺭﺑﺮﺩﻫﺎﯼ ﻣﻮﺟﻮﺩ، ﻗﻮﺍﻧﯿﻦ ﻓﺎﺯﯼ ﺗﻮﺳﻂ ﯾﮏ ﺧﺒﺮﻩ ﺍﯾﺠﺎﺩ ﻣﯽ ﺷﻮﺩ ﮐﻪ ﻓﻘﻂ ﺩﺭ ﺳﯿﺴﺘﻢ ﻫﺎﯾﯽ ﺑﺎ ﺗﻌﺪﺍﺩ ﻭﺭﻭﺩﯼ ﮐﻢ ﺷﺪﻧﯽ ﺍﺳﺖ. ﺑﺎ ﺍﻓﺰﺍﯾﺶ ﻭﺭﻭﺩﯼ ﻫﺎ، ﺧﺮﻭﺟﯽ ﻫﺎ ﻭ ﻣﺘﻐﯿﺮﻫﺎﯼ ﺯﺑﺎﻧﯽ، ﺗﻌﺪﺍﺩ ﻗﻮﺍﻧﯿﻦ ﻣﻤﮑﻦ ﺳﯿﺴﺘﻢ ﺑﻪ ﺻﻮﺭﺕﹺ ﻧﻤﺎﯾﯽ ﺍﻓﺰﺍﯾﺶ ﻣﯽ ﯾﺎﺑﺪ. ﻫﻤﯿﻦ ﻣﻮﺿﻮﻉ، ﺗﻌﺮﯾﻒ ﻣﺠﻤﻮﻋﻪ ﮐﺎﻣﻠﯽ ﺍﺯ ﻗﻮﺍﻧﯿﻦ ﻭ ﺗﻮﺍﺑﻊ ﻋﻀﻮﯾﺖ ﻣﻨﻄﺒﻖ ﺑﺎ ﻋﻤﻠﮑﺮﺩ ﻣﻨﻄﻘﯽ ﺳﯿﺴﺘﻢ ﺭﺍ ﺑﺮﺍﯼ ﺧﺒﺮﮔﺎﻥ ﺩﺷﻮﺍﺭ ﻣﯽ ﺳﺎﺯﺩ. ﺳﺎﺧﺖ ﺗﻮﺍﺑﻊ ﻋﻀﻮﯾﺖ، ﺍﯾﺠﺎﺩ ﭘﺎﯾﮕﺎﻩ ﻗﻮﺍﻋﺪ ﻭ ﺗﻨﻈﯿﻢ ﭘﺎﺭﺍﻣﺘﺮﻫﺎﯼ ﻣﻘﯿﺎﺱ ﮔﺬﺍﺭﯼ ﺑﺎ ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﺍﻟﮕﻮﺭﯾﺘﻢ ﻫﺎﯼ ﺗﮑﺎﻣﻠﯽ )ﻓﺮﮔﺸﺘﯽ(۱ ﺩﺭ ﮐﺘﺎﺏ ﻫﺎ ﻭ ﻣﻘﺎﻻﺕ ﻣﺘﻌﺪﺩﯼ ﻣﻮﺭﺩ ﺍﺷﺎﺭﻩ ﻭﺍﻗﻊ ﺷﺪﻩ ﺍﺳﺖ. ﺯﻣﺎﻧﯽ ﮐﻪ ﻫﯿﭻ ﺍﻃﻼﻋﺎﺕ ﭘﯿﺸﯿﻨﯽ ﺩﺭﺑﺎﺭﻩ ﺗﻮﺍﺑﻊ ﻋﻀﻮﯾﺖ ﻭ ﭘﺎﯾﮕﺎﻩ ﻗﻮﺍﻋﺪ ﺩﺭ ﺩﺳﺘﺮﺱ ﻧﯿﺴﺖ، ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﺍﻟﮕﻮﺭﯾﺘﻢ ﻫﺎﯼ ﺗﮑﺎﻣﻠﯽ ﻣﻨﺎﺳﺐ ﺍﺳﺖ. ﮐﺎﺭﺑﺮﺩﻫﺎﯼ ﻣﻮﻓﻘﯿﺖ ﺁﻣﯿﺰ ﻣﺘﻌﺪﺩﯼ ﺍﺯ ﺳﯿﺴﺘﻢ ﻫﺎﯼ ﻓﺎﺯﯼ ﺗﮑﺎﻣﻠﯽ ﺩﺭ ﺍﺩﺑﯿﺎﺕ ﺍﯾﻦ ﻣﻮﺿﻮﻉ ﮔﺰﺍﺭﺵ ﺷﺪﻩ ﻭ ﺩﺭ ﻣﻘﺎﻻﺕ ﻣﺘﻌﺪﺩﯼ ﻣﺮﻭﺭ ﺍﯾﻦ ﺭﻭﺵ ﻫﺎ ﻭ ﮐﺎﺭﺑﺮﺩﻫﺎﯼ ﺁﻧﻬﺎ ﯾﺎﻓﺖ ﻣﯽ ﺷﻮﺩ. ﺍﻟﮕﻮﺭﯾﺘﻢ ﻫﺎﯼ ﺗﮑﺎﻣﻠﯽ ﻓﺮﺍﯾﻨﺪ ﺁﻫﺴﺘﻪ ﺍﯼ ﺩﺍﺭﻧﺪ ﻭ ﻋﻤﻠﮑﺮﺩ ﺁﻧﻬﺎ ﺑﻪ ﻃﻮﺭ ﺫﺍﺗﯽ ﺑﻪ ﺍﻧﺪﺍﺯﻩ ﺟﻤﻌﯿﺖ ﻭ ﺗﻌﺪﺍﺩ ﻧﺴﻞ ﻫﺎﯼ ﻣﻮﺭﺩ ﻧﯿﺎﺯ ﺑﺮﺍﯼ ﺍﺳﺘﻮﺍﺭﺷﺪﻥ ﻣﺴﺄﻟﻪ ﺑﺴﺘﮕﯽ ﺩﺍﺭﺩ. ﺍﯾﻦ ﻣﻮﺿﻮﻉ ﻣﻤﮑﻦ ﺍﺳﺖ ﺑﺮﺍﯼ ﺑﺮﺧﯽ ﮐﺎﺭﺑﺮﺍﻥ ﺧﻮﺷﺎﯾﻨﺪ ﻧﺒﺎﺷﺪ. ﺯﻣﺎﻧﯽ ﮐﻪ ﺩﺍﻧﺶ ﺗﺨﺼﺼﯽ ﺑﺮﺍﯼ ﺍﯾﺠﺎﺩ ﺗﻮﺍﺑﻊ ﻋﻀﻮﯾﺖ ﻭﺟﻮﺩ ﻧﺪﺍﺷﺘﻪ ﺑﺎﺷﺪ، ﻃﺮﺍﺡ ﻣﺪﻝ ﺑﺎﯾﺪ ﺑﺎ ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﺩﺍﺩﻩ ﻫﺎﯼ ﻣﺤﯿﻄﯽ ﮐﻪ ﻣﻤﮑﻦ ﺍﺳﺖ ﻣﻮﺟﻮﺩ ﺑﺎﺷﻨﺪ ﯾﺎ ﻧﺒﺎﺷﻨﺪ، ﺑﻪ ﺳﺎﺧﺘﻦ ﺑﭙﺮﺩﺍﺯﺩ. ﻣﻮﺿﻮﻉ ﺩﯾﮕﺮﯼ ﮐﻪ ﺩﺭ ﺳﯿﺴﺘﻢ ﻫﺎﯼ ﻓﺎﺯﯼ ﻭﺟﻮﺩ ﺩﺍﺭﺩ، ﺑﺤﺚ ﭘﺮﺩﺍﺯﺵ ﭘﺎﯾﮕﺎﻩ ﻗﻮﺍﻋﺪ ﺑﺎ ﺗﻌﺪﺍﺩ R = n۱ × n۲ × · · · × nN ﻗﺎﻋﺪﻩ ﺍﺳﺖ ﮐﻪ ﺩﺭ ﺁﻥi = ۱, ۲, . . . , N) ni ( ﺗﻌﺪﺍﺩ ﺗﻮﺍﺑﻊ ﻋﻀﻮﯾﺖ ﻣﺠﻤﻮﻋﻪ ﻫﺎﯼ ﻓﺎﺯﯼ ﺍﻭﻟﯿﻪ( ﺭﺍ ﺑﺮﺍﯼ ﻫﺮﯾﮏ ﺍﺯN  ﻭﺭﻭﺩﯼ ﻧﺸﺎﻥ ﻣﯽ ﺩﻫﺪ. ﭘﺮﺩﺍﺯﺵ ﭼﻨﯿﻦ ﭘﺎﯾﮕﺎﻩ ﻗﻮﺍﻋﺪ ﺑﺰﺭﮔﯽ ﺯﻣﺎﻥ ﺑﺮ ﺍﺳﺖ؛ ﺩﺭ ﻧﺘﯿﺠﻪ ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﺭﻭﺵ ﻫﺎﯼ ﺷﻨﺎﺧﺘﻪ ﺷﺪﻩ ﻓﺎﺯﯼ ﺯﺩﺍﯾﯽ۲ )ﻧﻈﯿﺮ ﺭﻭﺵ ﻣﺮﮐﺰ ﺛﻘﻞ( ﺩﺭ ﻣﺤﺎﺳﺒﻪ ﺧﺮﻭﺟﯽ ﻫﺎ، ﺯﻣﺎﻥ ﻗﺎﺑﻞ ﺗﻮﺟﻬﯽ ﺻﺮﻑ ﺧﻮﺍﻫﺪ ﮐﺮﺩ ﻭ ﺣﺘﯽ ﺩﺭ ﺑﺮﺧﯽ ﻣﻮﺍﺭﺩ ﻣﻤﮑﻦ ﺍﺳﺖ ﭘﺎﺳﺦ ﺳﯿﺴﺘﻢ ﺭﺍ ﺧﺮﺍﺏ ﮐﻨﺪ )ﺳﯿﺪﯾﮏ۳،.(۲۰۰۲  ﻣﺸﮑﻞ ﺍﯾﻦ ﺭﻭﺵ ﻫﺎﯼ ﻓﺎﺯﯼ ﺯﺩﺍﯾﯽ ﺑﺎ ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﺳﯿﺴﺘﻢ ﻫﺎﯼ ﻓﺎﺯﯼ ﺍﺯ ﻧﻮﻉ ﺳﻮﮔﻨﻮ۴ ﯾﺎ ﺗﺴﻮﮐﺎﻣﻮﺗﻮ۵ ﺭﻓﻊ ﺷﺪﻩ ﺍﺳﺖ. ﺩﺭ ﺍﯾﻦ ﺳﯿﺴﺘﻢ ﻫﺎ ﻫﺮ ﺗﺎﺑﻊ ﻋﻀﻮﯾﺖ ﺗﺎﻟﯽ ﺑﺎ ﺗﺎﺑﻊ ﭼﻨﺪﺟﻤﻠﻪ ﺍﯼ ﯾﺎ ﯾﮑﻨﻮﺍ ﺑﺎ ﺩﻭ ﯾﺎ ﺳﻪ ﭘﺎﺭﺍﻣﺘﺮ )ﺳﯿﺴﺘﻢ ﻫﺎﯼ ﻏﯿﺮﺧﻄﯽ ﻣﺮﺗﺒﻪ ﺑﺎﻻﺗﺮ ﺑﻪ ﭘﺎﺭﺍﻣﺘﺮﻫﺎﯼ ﺑﯿﺸﺘﺮﯼ ﻧﯿﺎﺯ ﺩﺍﺭﻧﺪ( ﺟﺎﯾﮕﺰﯾﻦ ﻣﯽ ﺷﻮﺩ ﮐﻪ ﻣﻮﺟﺐ ﺗﺨﻤﯿﻦ ﻣﺠﻤﻮﻋﻪ ﺑﯿﺸﺘﺮﯼ ﺍﺯ ﭘﺎﺭﺍﻣﺘﺮﻫﺎﯼ ﺗﺎﻟﯽ ﻣﯽ ﺷﻮﺩ. ﺍﯾﻦ ﻣﺮﺣﻠﻪ ﺍﺯ ﺗﻮﺳﻌﻪ ﺳﯿﺴﺘﻢ ﻫﺎﯼ ﻓﺎﺯﯼ ﺑﻪ ﺩﻧﺒﺎﻝﹺ ﺗﺴﻬﯿﻞ ﮔﺮﯼ ﺩﺭ ﺳﺎﺧﺖ ﺗﻮﺍﺑﻊ ﻋﻀﻮﯾﺖ ﻭ ﭘﺎﯾﮕﺎﻩ ﻗﻮﺍﻋﺪ ﺍﺳﺖ؛ ﻫﻤﭽﻨﯿﻦ ﺗﻼﺵ ﻣﯽ ﮐﻨﺪ ﮐﻪ ﺑﺎ ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﯾﮏ ﺭﻭﺵ ﻓﺎﺯﯼ ﺯﺩﺍﯾﯽ ﺳﺎﺩﻩ ﻭ ﭘﺮﺩﺍﺯﺵ ﻗﻮﺍﻋﺪ، ﺯﻣﺎﻥ ﭘﺮﺩﺍﺯﺵ ﺑﺮﺍﯼ ﺗﻮﻟﯿﺪ ﺧﺮﻭﺟﯽ ﻫﺎ ﺭﺍ ﺣﺪﺍﻗﻞ ﮐﻨﺪ. ﺑﻨﺎﺑﺮﺍﯾﻦ ﺑﻪ ﯾﮏ ﺭﻭﺵ ﺧﻮﺩﮐﺎﺭ ﺑﺮﺍﯼ ﻃﺮﺍﺣﯽ ﻭ ﺗﻨﻈﯿﻢ ﺳﯿﺴﺘﻢ ﻫﺎﯼ ﻓﺎﺯﯼ ﻧﯿﺎﺯ ﺩﺍﺭﯾﻢ. ﯾﮑﯽ ﺍﺯ ﺍﻫﺪﺍﻑ ﺍﯾﻦ ﮐﺘﺎﺏ ﻣﻌﺮﻓﯽ ﻣﺪﻝ ﻫﺎﯾﯽ ﺍﺳﺖ ﮐﻪ ﺑﺎ ﺑﻬﺮﻩ ﮔﯿﺮﯼ ﺍﺯ ﯾﮏ ﺭﻭﯾﮑﺮﺩ ﻣﻨﺎﺳﺐ ﺩﺭ ﺷﺒﮑﻪ ﻫﺎﯼ ﻋﺼﺒﯽ ﻭ ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﺍﻃﻼﻋﺎﺗﯽ ﻧﻈﯿﺮ ﺩﺍﺩﻩ ﻫﺎﯼ ﺗﺠﺮﺑﯽ ﺷﺎﻣﻞ ﺩﺍﺩﻩ ﻫﺎﯼ ﻋﺪﺩﯼ ﻭ ﺩﺍﺩﻩ ﻫﺎ ﯾﺎ ﻋﺒﺎﺭﺍﺕ ﺯﺑﺎﻧﯽ، ﺑﺘﻮﺍﻧﻨﺪ ﺍﯾﺠﺎﺩ ﻭ ﯾﺎﺩﮔﯿﺮﯼ ﺗﻮﺍﺑﻊ ﻋﻀﻮﯾﺖ ﻓﺎﺯﯼﺎﯾﮕﺎﻩ ﻗﻮﺍﻋﺪ ﺭﺍ ﺑﻪ ﻫﻤﺮﺍﻩ ﺗﻨﻈﯿﻢ ﭘﺎﺭﺍﻣﺘﺮﻫﺎ ﻣﻤﮑﻦ ﺳﺎﺯﻧﺪ. ﺍﻏﻠﺐ ﮐﺎﺭﺑﺮﺩﻫﺎﯼ ﻣﻮﻓﻖ ﺷﺒﮑﻪ ﻫﺎﯼ ﻋﺼﺒﯽ ﺩﺭ ﺑﺎﺯﺷﻨﺎﺳﯽ ﺍﻟﮕﻮ، ﭘﺮﺩﺍﺯﺵ ﺳﯿﮕﻨﺎﻝ، ﻣﺪﻝ ﺳﺎﺯﯼ ﻭ ﮐﻨﺘﺮﻝ ﺳﯿﺴﺘﻢ ﻫﺎﯼ ﭘﯿﭽﯿﺪﻩ ﺟﺎﺭﯼ ﻣﯽ ﺷﻮﺩ ﮐﻪ ﺑﻪ ﺳﺒﺐﹺ ﺳﺎﺧﺘﺎﺭﻫﺎﯼ ﺍﻧﻌﻄﺎﻑ ﭘﺬﯾﺮ ﻭ ﻭﺟﻮﺩ ﺍﻟﮕﻮﺭﯾﺘﻢ ﻫﺎﯼ ﯾﺎﺩﮔﯿﺮﯼ ﺩﺭ ﺁﻧﻬﺎ ﺍﺳﺖ. ﺭﻭﻧﺪ ﺍﯾﻦ ﯾﺎﺩﮔﯿﺮﯼ ﺩﺍﻧﺶ ﻣﺤﻮﺭ ﻧﯿﺴﺖ ﺑﻠﮑﻪ ﺩﺍﺩﻩ ﻣﺤﻮﺭ ﺍﺳﺖ. ﺍﮔﺮ ﻣﺠﻤﻮﻋﻪ ﺍﯼ ﺍﺯ ﺩﺍﺩﻩ ﻫﺎﯼ ﺗﺠﺮﺑﯽ ﻣﻮﺟﻮﺩ ﺑﺎﺷﺪ، ﻣﯽ ﺗﻮﺍﻥ ﺳﯿﺴﺘﻢ ﻋﺼﺒﯽ ﺭﺍ ﺑﺎ ﺩﻗﺖ ﮐﺎﻓﯽ ﺑﻪ ﻣﻨﻈﻮﺭﹺ ﺍﯾﺠﺎﺩ ﻧﮕﺎﺷﺘﯽ ﺑﯿﻦ ﻭﺭﻭﺩﯼ ﻫﺎ ﻭ ﺧﺮﻭﺟﯽ ﻫﺎ ﺁﻣﻮﺯﺵ ﺩﺍﺩ. ﻧﮕﺎﺷﺖ ﻭﺭﻭﺩﯼ/ﺧﺮﻭﺟﯽ ﺩﺭ ﻗﺎﻟﺐ ﯾﮏ ﺳﺎﺧﺘﺎﺭ ﻋﺼﺒﯽ ﻻﯾﻪ ﺍﯼ ﺳﺎﺧﺘﺎﺭﺩﻫﯽ ﻣﯽ ﺷﻮﺩ ﮐﻪ ﺑﻪ ﺁﻥ ﺷﺒﮑﻪ ﻋﺼﺒﯽ ﻣﯽ ﮔﻮﯾﻨﺪ. ﺗﻨﻮﻉ ﺯﯾﺎﺩﯼ ﺩﺭ ﺳﺎﺧﺘﺎﺭﻫﺎﯼ ﺷﺒﮑﻪ ﻫﺎﯼ ﻋﺼﺒﯽ ﻭ ﺍﻟﮕﻮﺭﯾﺘﻢ ﻫﺎﯼ ﯾﺎﺩﮔﯿﺮﯼ ﻭﺟﻮﺩ ﺩﺍﺭﺩ ﮐﻪ ﻣﺘﻨﺎﺳﺐ ﮐﺎﺭﺑﺮﺩﻫﺎﯼ ﮔﻮﻧﺎﮔﻮﻥ ﺁﻧﻼﯾﻦ ﯾﺎ ﺁﻓﻼﯾﻦ ﺍﺳﺖ.