Neyron tarmoq asosida obyektlarni tanib olish

Xavfsizlik va qoʻriqlash tizimlarida:

• 
  shaxs yuzini anglash;
  
• 
  barmoq izidan, ovozidan, imzosi va yuzidan shaxsini identifikatsiyalash;
  
• 
  avtomashina davlat nomer belgisini anglash;
  
• 
  aerokosmik tasvirlarni tahlil qilish;
  
• 
  kompyuter tarmoqlarida axborot oqimini monitoringi va hujumlarni aniqlab berish;
  
• 
  soxtalikni aniqlash;
  
• 
  videodatchik va turli sensorlardan tushayotgan ma’lumotlarni tahlil qilish.
  

Axborotni kiritish va qayta ishlashda:

• 
  qoʻlyozma matnlarni anglash;
  
• 
  skanerlangan pochta, toʻlov, moliyaviy va buxgalteriya hujjatlarini anglash.
  

Geologik oʻrganish(razvedka)da:

• 
  seysmik ma'lumotlarni tahlil qilish;
  
• 
  foydali qazilmalarni qidirishning assotsiativ uslublari;
  
• 
  qazilma boylik manbalarini baholash.
  

NTlarning qoʻllanilishining ushbu sohalari koʻpligi bejizga emas. Haqiqatan ham NTlar - ma’lumotlarga ishlov berish va tahlil qilishning turli xil masalalarini yechish uchun kuchli va moslashuvchan vositalar majmuidir. Ya’ni:
1) Sinflash. Bunday masalalarda obyektning belgilar vektori beriladi. Bular asosida har bir obyektni oʻzaro kesishmaydigan sinflardan biriga, ya’ni sinfga kiritish kerak. Masalan, uchadigan obyektlarning belgilari qanotlar, dvigatel, patlar va h.k. boʻlishi mumkin. Bunday obyektlarning sinflari: Samolyot, Qush, Raketa va h.k. kabilar boʻlishi mumkin. Belgilarning majmuisi kirish vektorini, sinflar majmuisi esa - chiqish vektorini tashkil qiladi.
Mazkur masalani yechish uchun ta kirish va ta chiqish neyronlardan iborat boʻlgan perseptron turdagi NT quriladi. Aniq belgilar vektori kirishga berilganda NTning chiqish qatlamida eng yuqori darajadagi faol neyron tanlanadi. Bu neyron beriladigan belgilarga muvofiq boʻlgan sinfni belgilaydi. Masala toʻgʻri yechilishi uchun NTni oʻrgatish kerak. Oʻrgatish jarayonida tadqiq qilinayotgan obyektlarning oʻzgaruvchan bogʻlanishli koeffitsiyentlarining qiymatlari belgilar va sinflarning aniq qiymatlariga munosib etib moslanadi.
2) Klasterlash. Bu masalalarda belgilar majmuisi asosida obyektlar alohida sinf(klaster)larga ajratiladi. Bitta sinfga kiradigan obyektlar belgilar majmuisi boʻyicha bir-biriga yaqin boʻlishi kerak. Turli sinflarga kiradigan obyektlar esa belgilar majmuisi boʻyicha bir-biridan uzoq boʻlishi kerak. Bunday masalani yechish uchun dastlabki belgilar majmuasida qatnashadigan belgilar soniga teng boʻlgan kirish va sinflar soniga teng boʻlgan chiqish neyronlardan iborat boʻlgan NT quriladi. Bunday NTning vaznli koeffitsiyent qiymatlari oʻrgatish jarayonda topiladi.