The improved neural network of the present invention results from the combination of a dedicated logic block with a conventional neural network based upon a mapping of the input space usually employed to classify an input data by computing the distance between said input data and prototypes memorized therein. The improved neural network is able to classify an input data, for instance, represented by a vector A even when some of its components are noisy or unknown during either the learning or the recognition phase. To that end, influence fields of various and different shapes are created for each neuron of the conventional neural network. The logic block transforms at least some of the n components (A1, . . . , An) of the input vector A into the m components (V1, . . . , Vm) of a network input vector V according to a linear or non-linear transform function F. In turn, vector V is applied as the input data to said conventional neural network. The transform function F is such that certain components of vector V are not modified, e.g. Vk=Aj, while other components are transformed as mentioned above, e.g. Vi=Fi(A1, . . . , An). In addition, one (or more) component of vector V can be used to compensate an offset that is present in the distance evaluation of vector V. Because, the logic block is placed in front of the said conventional neural network any modification thereof is avoided.

La red de los nervios mejorada de los actuales resultados de la invención de la combinación de un bloque dedicado de la lógica con una red de los nervios convencional basada sobre traz del espacio de la entrada empleado generalmente para clasificar datos de entrada computando la distancia entre los datos de entrada y los prototipos dichos memorizaba en esto. La red de los nervios mejorada puede clasificar datos de entrada, por ejemplo, representados por un vector A incluso cuando algunos de sus componentes son ruidosos o desconocido durante aprender o la fase del reconocimiento. A tal efecto, los campos de la influencia de varias y diversas formas se crean para cada neurona de la red de los nervios convencional. El bloque de la lógica transforma por lo menos algunos de los componentes de n (A1. . . ) del vector A de la entrada en los componentes de m (V1. . . , la VM) de una red entró el vector V según un linear o no linear transforme la función F. Alternadamente, el vector V se aplica como los datos de entrada a la red de los nervios convencional dicha. La función F del transformar es tal que ciertos componentes del vector V no están modificados, e.g. Vk=Aj, mientras que otros componentes se transforman según lo mencionado arriba, e.g. Vi=Fi(A1. . . ). Además, un (o más) componente del vector V se puede utilizar para compensar una compensación que esté presente en la evaluación de la distancia del vector V. Porque, el bloque de la lógica se pone delante de la red de los nervios convencional dicha se evita cualquier modificación de eso.