|
1 Sun'iy neyron tarmoqlarga kirish ning rivojlanish tarixidoirasida yechilgan masalalar
|
| bet | 2/10 | | Sana | 29.05.2024 | | Hajmi | 330,62 Kb. | | #256436 |
Bog'liq 1 Sun\'iy neyron tarmoqlarga kirish ning rivojlanish tarixidoiras1 Sun'iy neyron tarmoqlarga kirish
1.1 ANN rivojlanish tarixi
Neyron tarmoqlar nazariyasi ilmiy yo'nalish sifatida birinchi marta 1943 yilda Uorren Makkollok va Uolter Pittlarning klassik ishlarida aniqlangan, unda deyarli har qanday mantiqiy operatsiya oddiy neyron tarmoq yordamida amalga oshirilishi mumkinligi ta'kidlangan. Ushbu sohadagi izlanishlarni davom ettirib, 1958 yilda Frenk Rozenblat neyron tarmog'ining birinchi modellaridan biri bo'lgan va tasniflash masalalarini hal qilish qobiliyatini ko'rsatadigan bir qatlamli perseptronni ixtiro qildi. Biroq, keyinchalik ma'lum bo'lishicha, perseptron jiddiy cheklovlarga ega edi. 1969 yilda Marvin Li Minski perseptronning ba'zi muammolarni hal qila olmasligining rasmiy isbotini nashr etdi va bu haqda butun kitob yozdi. Faqat 20 yil o'tgach, neyron tarmoqlar faol qo'llanila boshlandi, bu Jon Xopfildning energiya yondashuvi va birinchi marta Verbos tomonidan taklif qilingan va bir qator boshqa mualliflar tomonidan mustaqil ravishda ishlab chiqilgan orqaga tarqalish algoritmini yaratish bilan bog'liq. Algoritm 1986 yilda Rumelhart tufayli mashhur bo'ldi, bizning davrimizda faol qo'llaniladi.
80-yillarning o'rtalaridan boshlab neyron tarmoqlar nazariyasi yuqori unumdor shaxsiy kompyuterlarning paydo bo'lishi tufayli yanada ko'proq tadqiqot turtki oldi [1].
1.2 ANN doirasida hal qilingan muammolar
Hozirgi vaqtda neyron tarmoqlar yordamida hal qilinishi mumkin bo'lgan muammolar doirasi juda katta. Eng keng tarqalganlarga quyidagilar kiradi:
Naqshlarni aniqlash va tasniflash . Mohiyati kirish tasvirini (matn belgilari, tasvirlar, nutq signallari va boshqalar) tanib olish va uning ma'lum bir sinfga tegishliligini ko'rsatishdir. Neyron tarmoqni o'rgatish jarayonida unga kirish sifatida uning sinfini ko'rsatuvchi tasvir xususiyati qiymatlari vektori beriladi. Treningdan so'ng unga ilgari noma'lum tasvirlar taqdim etilishi va ma'lum bir sinfga tegishli ekanligi to'g'risida javob olishi mumkin. Bunday turdagi masalalarda ANN ning chiqish qatlami va u ko'rsatadigan sinf o'rtasida muvofiqlik o'rnatiladi.
Klasterlash muammolari . Klasterlash muammolari, shuningdek, nazoratsiz tasvir tasnifi sifatida ham tanilgan, sinf yorliqlari bo'lgan o'quv majmuasiga ega emas. Ularning ishlash printsipi tasvirlar o'rtasidagi naqsh va o'xshashlikni aniqlashga va bu tasvirlarni bitta klaster yoki toifaga joylashtirishga asoslangan [3].
Prognozlash . Neyron tarmoqlarning natijalarni bashorat qilish qobiliyati kirish va chiqish ma'lumotlari o'rtasidagi umumiy bog'liqliklarni umumlashtirish va aniqlash bilan bog'liq. Treningdan so'ng, tarmoq oldingi o'zgarishlarga asoslanib, ma'lum bir ketma-ketlikning kelajakdagi qiymatini taxmin qilish imkoniyatiga ega. ANN eng aniq javobni berishi uchun uni qandaydir bog'liqlik ko'rinadigan ma'lumotlarga o'rgatish kerak. Aks holda, bashorat qilish hech qanday natija bermasligi mumkin.
Funktsiyani yaqinlashtirish . ANNni yaqinlashtirish vazifasi uning qiymatlari asosida noma'lum funktsiyaning taxminini topishdir. Taxminlashning aniqligi neyron tarmoq tuzilishini tanlashga bog'liq [3].
Optimallashtirish . Neyron tarmoqlardan foydalangan holda optimallashtirish usullari shartlar tizimini qondiradigan va maqsad funktsiyasini minimallashtiradigan yechim topishni nazarda tutadi. Misol tariqasida, neyron tarmog'ining ishlashi bilan to'liq almashtirilishi mumkin bo'lgan ma'lum harakatlar ketma-ketligini amalga oshiradigan algoritmni ko'rib chiqishimiz mumkin, u tuzilgan qoidalardan foydalangan holda [3].
|
| |
