Neuronätverk för prediktion Signalprocessering är ämnat för att extrahera information ur mätsignaler, och ett väldigt lockande ändamål är förutsägelse av kommande händelser — prediktion. Prediktion är ett stort område inom signalprocessering, och en alltjämnt växande underkategori är neuronätverk. Neuronätverk är konstruerade så att de skall efterlikna kopplingar i hjärnan, därav benämningen "neuro". Liksom de neurala nätverken i hjärnan består även artificiella neuronätverk av neuroner, vars funktion påminner om neuronerna i hjärnan. Biologiska neuroner har ett visst antal kopplingar, dendriter, som kan motta information, och på basen av de inkommande signalerna antingen reagerar neuronen, d.v.s. skickar ut en elektrisk signal, eller låter bli. Under en människas liv lär hon sig nya saker, och neuronerna anpassar sig genom att lära sig vara mer känsliga för signaler som anländer från vissa dendriter än från andra. Det är just denna förmåga att lära sig från tidigare erfarenheter som gör artificella neuronätverk intressanta. Genom att träna neuronätverken kan de lära sig att utföra uppgifter (t.ex. klassificering, optimisering, prediktering) utan att användaren behöver definiera exakt hur detta skall gå till. Neuronätverk är alltså en form av maskininlärning, där neuronätverket lär sig själv hur det skall extrahera intressant information för att uppnå den av användaren definierade målsättningen. För att ytterligare förbättra neuronätverken har dessutom kvantneuronätverk utvecklats, som ofta är effektivare och lär sig snabbare eftersom de utnyttjar superposition och interferens i neuronerna. Presentationen kommer att förklara funktionsprincipen för både klassiska och kvantneuronätverk med fokus på prediktion samt innehålla några resultat från bägge.