نوعی از شبکه های عصبی چند لايه هستند که توانايی رويارويی با طبيعت ديناميکی داده های نمونه ای و سيگنال های ورودی را دارا می باشد.شبکه های عصبی چند لايه دارای ويژکی های زير می باشند:

  • دارای چندين لايه بوده ودر هر لايه به تعداد کافی اتصال بين نرون ها موجود است، به طوری که شبکه توانايی يادگيری سطوح تصميم گيری غير خطی پيچيده داراست
  • رفتار شبکه نسبت به انتقال زمانی ويزگی های نمونه ها حساس می باشد .
  • روش يادگيری در شبکه نسبت به تطبيق زمانی دقيق نمونه های ورودی حساس است .

شبكه تأخير زمانی (TDNN) اولين بار در سال 1988 توسط ويبل استفاده شد و تا کنون نيز کماکان به همان صورت باقیمانده است ، شامل سه لايه است که وزن های آن با سلول های تأخير زمانی جفت شده اند.تابع محرک هرسلولTDNN تابع زيگموويداست و ارای ورودی وزن داده شده هستند.ساختار نرون ها در اين شبكه در زير مشاهده ميشود:

 

در طراحی شبکه های عصبی و بخصوص شبکه عصبی تأخير زمانی ، طراح با مسئله انتخاب شبکه ای مناسب برای طرح خود مواجه است . به طور کلی شبکه ای که با کمترين پيچيدگی و حداقل پارامتر ، بيشترين دقت را در شناسايی الگو های ورودی داشته باشد شبکه مناسب ناميده می شود . در تئوری اگر مسئله ای توسط شبکه ای خاص قابل حل باشد ، توسط شبکه های با اندازه بزرگتر نيزقابل حل است . ولی به خاطر عدم وجود جواب يگانه برای وزن های بهينه الگريتم های يادگيری برای شبکه بزرگتر معمولاً وزنهای مخالف0 را نتيجه می دهند از اينرو برای تشخيص آن يک شبکه با اندازه کوچکتر برای حل مسئله مورد نظر وجود دارد با اشکال مواجه می کند .اگر تعداد نرون های لايه های شبکه مورد استفاده در يک مسئله خاص را کم بگيريم شبکه قادر به يادگيری نخواهد بود زيرا تعداد فوق صفحات و در نتيجه فوق حجم های لازم برای تقسيم بندی فضای ورودی به کلاس های مختلف کافی نخواهد بود از طرف ديگر تعداد زياد نرون های لايه های پنهان نيز به خاطر بالا رفتن حجم محاسبات ودر نتيجه طولانی شدن زمان تربيت شبکه مناسب نمی باشد علاوه بر اين با توجه به آنکه تربيت شبکه بر اساس مجموعه محدودی از الگو های تربيتی صورت می گيرد اگر شبکه خيلی بزرگ باشد سعی در حفظ کردن دقيق الگو های تربيتی می نمايد و اين امر موجب کاسته شدن از قدرت تعميم و درون يابی شبکه جهت تشخيص الگوهای جديد و خارج از مجموعه تربيتی می گردد از اينرو يک تعداد بحرانی برای لايه های پنهان وجود دارد که برای هر کاربرد خاص بايد پيدا شود.تعداد نرون های لايه پنهانبا شبيه سازی شبکه های مختلف و اندازه گيری ميزان دقت و درون يابی اين شبکه ها روی الگو هايی که درمجموعه تربيتي آنها نبوده است.تعداد نرون های لايه خروجی شبکه ويا به عبارت ديگر نوع کدينگ در خروجی نيز بايستی برای حل يک مسئله خاص مناسب باشند.بهترين روش کدينگ کردن کلاس های خروجی استفاده از بردار های مقدماتی است .