به هنگام طراحی راه حل های مبتنی بر شبکه های عصبی ، سؤالات زیادی مطرح می شود؛‌مثلاً:

ÿآیا شبکه می تواند به منظور انجام عملیات مورد نظر آموزش داده شود؟ آیا وجود برخی ابهامات ذاتی در مساله ای می تواند سبب غیر ممکن گردیدن حل آن شود؟

ÿ با فرض اینکه مساله قابل حل است، چه ساختار یا توپولوژی شبکه ای مناسب است؟

ÿ کدام یک از انواع منابع محاسباتی برای آموزش و اجرای شبکه موجوداند (زمان، حافظه، ذخیره سازی اطلاعات ، پردازشگرها)؟

در کاربردهای واقعی ، طراحی سیستم ANN ، کاری مشکل و معمولاً همراه با تکرار و اثرات متقابل است. گرچه فراهم کردن یک روش الگوریتمی جامع و فراگیر غیر ممکن است، اما مراحل وابسته وساختار یافته که در زیر آمده است، انعکاس نمونه تلاش ها و کارهایی است که در این زمینه شده است.

بسیاری از پارامترهای طراحی ANN عبارت اند از:

  • ساختار اتصالات درونی /توپولوژی شبکه /ساختار شبکه.
  • خصوصیات یک واحد(ممکن است در درون شبکه و بین قسمت های فرعی شبکه ، مانند لایه ها متفاوت باشد).
  • مرحله (مراحل آموزش).
  • مجموعه های تست و آموزش.
  • نمایش (های) ورودی / خروجی و پیش و پس پردازش.

یک فرایند اساسی طراحی می تواند به شکل زیر باشد:

مرحله ۱: طبقات، اندازه ها یا الگوهای تحت بررسی را به منظور دستیابی ویژگی های ممکن(به صورتی مطلوب از نظر مقداری) ، مطالعه کنید. این موضوع شامل تعیین ساختار (قابلیت کیفیت)، ویژگی های احتمالی و شناسایی اندازه های مشابه یا غیر مشابه آن طبق خواهد بود. علاوه براین، خصوصیات ثابت یا متغییر ممکن و ویژگی های منابع «نویز» در این مرحله مورد توجه قرار می گیرند.

مرحله ۲: وجود داده های اندازه گیری شده (ورودی) یا شاخص (پیش پردازش شده) را بررسی کنید.

مرحله ۳: به قیود مربوط به عملکرد سیستم مورد نظر و منابع محاسباتی آن توجه کنید.

مرحله ۴: به موجود بودن و کیفیت داده آموزش و آزمایش توجه کنید.

مرحله ۵: به موجود بودن ساختارهای شناخته شده و مناسب ANN توجه کنید.

مرحله ۶: شبیه سازی ANN را به دست آورید.

مرحله ۷: سیستم ANN را آموزش دهید.

مرحله ۸: بازدهی سیستم ANN را با به کار بردن مجموعه (های) آزمایش شبیه سازی کنید.

مرحله ۹: مراحل پیشین را تکرار کنید تا به بازده مطلوب برسید.