TDNN, (time delay neural network), Bezeichnung für ein Neuronales Netz, welches über die simultane Verarbeitung einer Menge zeitlich (oder räumlich) verschobener Eingabewerte im Lern-Modus in die Lage versetzt werden soll, im Ausführ-Modus translationsinvariante Mustererkennung zu realisieren.

Im folgenden wird die prinzipielle Idee eines Time-Delay-Netzes kurz im diskreten Fall erläutert: Man präsentiert diesem Netz eine Menge von t Trainingswerten (x^(s), y^(s)) ∈ ℝ^nq × ℝ^m, 1 ≤ s ≤ t, wobei stets \begin{eqnarray}{x}_{pn-i+1}^{(s)}={x}_{(p+1)n-i}^{(s)},\ \ \ \ 1\le p\lt q,\ \ 1\le i\lt n,\end{eqnarray} gelten möge. Diese Bedingung läßt sich so interpretieren, daß aus der diskreten Folge \({x}_{i}^{(s)}\), i ≥ 1, insgesamt q überlappende Teilfolgen der Länge n herausgelöst werden und zu einem Vektor der Länge nq zusammengesetzt werden. Man spricht in diesem Zusammenhang auch von q (zeitlich oder räumlich) überlappenden Fenstern der Breite n (engl. frames). Das Netz wird nun z. B. mit irgendeiner Variante der Backpropagation-Lernregel trainiert, wobei jedoch nach jedem Lernschritt Sorge dafür getragen wird, daß diejenigen Netzparameter, die stets gleiche, lediglich zeitlich oder räumlich verschobene Komponenten des Eingabevektors zu verarbeiten haben, gleich gesetzt werden (z. B. durch die Bildung arithmetischer Mittel ihrer im Lernprozeß erhaltenen Werte). Die konsequente Anwendung und Weiterentwicklung dieser Idee führt zu Time-Delay-Netzen im engeren Sinne.