Opisano budowę sztucznego neuronu, rodzaje sztucznych sieci neuronowych i ich zastosowanie. Przedstawiono SSN jako uniwersalny aproksymator oraz opisano problem jednoczesnej aproksymacji funkcji wraz z pochodnymi.

Podano przykłady relacji diagnostycznych budowanych dla bloków energetycznych pracujących w warunkach stabilizacji cieplnej. Należą one do metod off-line. Dobrze sprawdzają się w nich sztuczne sieci neuronowe. Przy modułowej strukturze relacji diagnostycznych wykorzystywane są z powodzeniem SSN zarówno z ciągłymi jak i skokowymi funkcjami przejścia, w zależności od oczekiwanego wyniku obliczeń neuronowych.

W artykule przedstawiono metodę prognozowania wpływu drgań na budynki mieszkalne z wykorzystaniem sztucznych sieci neuronowych. Drgania komunikacyjne mogą doprowadzić do uszkodzenia elementów konstrukcyjnych, a nawet do awarii budynku. Najczęstszym efektem są jednak rysy, pękanie tynku i wypraw. Metody oparte na sztucznej inteligencji są przybliżone, ale stanowią wystarczająco dokładną i ekonomiczną alternatywę dla tradycyjnych...

Przedyskutowano problem rozpoznawania typów degradacji geometrycznej układów łopatkowych turbin parowych. Zaproponowano wybrany typ sztucznej sieci neuronowej SSN. SSN rozpoznająca typy degradacji geometrycznej wykazuje wysoką jakość wykrywania tych degradacji. Zaobserwowano też pewien potencjał do ekstrapolacji w tych typach SSN. Zastosowana SSN dobrze identyfikuje typy degradacji, zarówno dla pełnych jak i niepełnych danych pomiarowych.

Przedyskutowano problem rozpoznawania degradacji geometrycznej. Skuteczne zastosowanie wybranego typu sieci neuronowej (SSN) jest prezentowane w referacie. SSN wykrywająca typy degradacji geometrycznej wykazała wysoką jakość. Pokazano pewną możliwość ekstrapolacji takich SSN. Pokazano możliwość wykrywania typów degradacji geometrycznej nawet w przypadku pozyskiwania niepełnych danych pomiarowych.