Et feed-forward nevralt nettverk ("forward-flowing neural network") er et kunstig nevralt nettverk der forbindelser mellom noder ikke danner løkker, og skiller seg fra tilbakevendende nevrale nettverk. Denne typen nevrale nettverk var den første og enkleste av de som ble utviklet. I dette nevrale nettverket beveger informasjon seg bare i én retning, fremover, med hensyn til inngangsnoder, gjennom skjulte noder (hvis noen) for å gå ut av noder. Det er ingen sykluser i nettverket. Fremkoblingsnettverk har ikke noe minne for innganger som har skjedd tidligere, så utgangen bestemmes kun av gjeldende inngang.
Det enkleste feed-forward-nettverket er single-layer perceptron (SLP fra engelsk single layer perceptron ), brukt på slutten av 1960-tallet. En SLP består av et inputlag, etterfulgt direkte av output. Hver inngangsenhet er koblet til hver utgangsenhet. I praksis har denne typen nevrale nettverk kun ett lag som utfører databehandling, og har ingen skjulte noder, derav navnet.
SLP-er er svært begrenset på grunn av det lille antallet tilkoblinger og mangelen på hierarki i egenskapene som nettverket kan trekke ut fra dataene (dette betyr at det er i stand til å kombinere innkommende data bare én gang). Berømt var demonstrasjonen av at en SLP ikke en gang kan representere XOR-funksjonen [1] . Dette funnet, som dukket opp i 1969, tok motet fra forskere og blokkerte forskning på nevrale nettverk i flere år.
Denne klassen av feedforward-nettverk skiller seg fra den forrige ved at mellom input- og output-lagene har vi ett eller flere skjulte lag med nevroner. Hvert lag har forbindelser som kommer inn fra forrige lag og utgående i neste, så forplantningen av signalet skjer fremover uten sløyfer og uten kryssforbindelser. Denne typen arkitektur gir nettverket et globalt perspektiv ettersom interaksjoner mellom nevroner øker.