|
11-Ma’ruza Radial neyron to’rlar. Reja
|
| bet | 2/3 | | Sana | 11.02.2024 | | Hajmi | 21.49 Kb. | | #154691 |
Bog'liq 11-мавзу ABDULLAYEV ABDUQODIR, dasturlash3 amaliy, СанПиН Сан зона 2017 йил, Анимация из урока скачать, 17-Mavzu Grafik axborotlarni kiritish qurilmalari Reja Skaner Ikkinchi holda tavsiflash graflar ko’rinishida aks ettiriladi. Grafning tugunlari kiruvchi ob’ektning tashkil etuvchi elementlaridan iborat, yoylari esa ular o’rtasidagi fazoviy munosabatlardan iborat. O’z navbatida elementlar murakkab bo’lishi mumkin(ya’ni o’zining tavsifiga ega bo’lishi mumkin).
Albatta, shablonli tavsiflashni strukturali tavsiflashga qaraganda amalga oshirish ancha oson. Lekin uni yuqori o’zgarish darajasiga ega bo’lgan ob’ektlarni tavsiflash uchun qo’llab bo’lmaydi. SHablonli tavsiflashni masalan, faqat bosma belgilarni tanish uchun, strukturali tavsiflashni esa qo’lyozma matnlarni tanishda ham qo’llash mumkin.
Idrok etishning to’liqligi ikkita muhim arxitekturali yechimlarni taklif qiladi. Birinchidan, barcha bilimlar manbai imkon qadar bir vaqtda ishlashi kerak. Masalan, avval sahifani tanib, so’ngra uni lug’at va kontekst qayta ishlashga berish mumkin emas, modomiki bu holda konteks qayta ishlashdan tanishga qayta aloqani amalga oshirish mumkin bo’lmaydi. Ikkinchidan, tadqiq qilinadigan ob’ekt imkon qadar yaxlit holda aks etishi va qayta ishlanishi kerak.
Idrok etishning birinchi qadami - bu idrok etiladigan ob’ekt haqidagi gipotezani shakllantirishdan iborat. Gipoteza ob’ektning aprior modeli, konteksti va oldingi gopotezalarning natijalarini tekshirish asosida ham(«yuqoridan-quyiga» jarayoni), ob’ektni oldindan analiz qilish asosida ham(«quyidan - yuqoriga») shakllanishi mumkin. Ikkinchi qadam - idrok etishni chuqurlashtirish(gipotezani tekshirish). Bu holda ob’ektni ilgari surilgan gipoteza dorasida qo’shimcha analizi amalga oshiriladi va to’liq kuchni kontekst jalb qiladi.
Idrok etish qulay bo’lishi uchun ob’ektni oldindan qayta ishlashni amalga oshirish zarur. Lekin bu holda ob’ekt haqidagi ma’lumot yo’qolmasligi kerak. Odatda ob’ektni boshlang’ich qayta ishlash kiruvchi ob’ektni keyingi ishlar uchun qulay bo’lgan tasavvurga almashtirishga olib kelinadi(masalan, tasvirni vektorlashtirish) yoki kiruvchi ob’ektning barcha mumkin bo’lgan segmentlash variantlarini olishga olib kelinadi va ularning ichidan gipotezalarni ilgari surish va tekshirish orqali to’g’risi tanlanadi. Gipotezalarni o’rtaga tashlash va tekshirish jarayoni dastur arxitekturasida yaqqol aks etishi lozim. Har bir gopoteza uni baholash yoki boshqasi bilan taqqoslash mumkin bo’lishi uchun ob’ekt bo’lishi kerak. SHuning uchun odatda gipotezalar ketma - ket ravishda o’rtaga tashlanadi, shundan so’ng ro’yxatga birlashtiriladi va oldindan baholash orqali saralanadi. Gipotezani oxirgi tanlashda kontekst va boshqa qo’shimcha bilimlar manbai faol ishtirok etadi.
Hozirgi kunda genetik dasturlash sohasidagi peshqadamlardan biri Stenford universitetida professor Djon Koza rahbarligadi ishlaydigan tadqiqotchilar guruhi hisoblanadi. Genetik dasturlash Djon Makkarti guruhi tomonidan ro’yxatlarni qayta ishlash va funktsional dasturlash uchun mo’ljallangan, allaqachon unutilgan LISP(List Processing) tiliga yangi hayot bag’ishladi. Aynan shu til AQSHda sun’iy ong masalalalari uchun keng tarqalgan dasturlash tillaridan bo’lgan va bo’lib qolmoqda.
Belgilarni tanish.
Hozirgi kunda belgilarni tanishda uchta yondashuv ma’lum - shablonli, strukturali va belgili. Lekin yaxlitlik tamoyiliga faqat birinchi ikkitasi javob beradi.
SHablonli tavsiflashni amalga oshirish uchun oson, ammo, strukturaliga qaraganda u, shakllarning turli - tumanligiga ega bo’lgan murakkab ob’ektlarni tavsiflash imkonini bermaydi. Aynan shuning uchun shablonli tavsiflash faqat bosma belgilarni tanish uchun, ayni vaqtda strukturali tavsiflash ko’proq shakl variantlariga ega qo’lyozma belgilarni tanishda qo’laniladi.
3.1. SHablonli tizimlar. Bunday tizimlar aloxida belgining tasvirini rastrliga almashtiradi, uni bazada mavjud bo’lgan barcha shablonlar bilan taqqoslaydi va kiruvchi tasvirdan eng kam nuqtalar bilan farq qiluvchi shablonni tanlaydi. SHablonli tizimlar tasvir kamchiliklariga yetarlicha bardoshli va kirituvchi ma’lumotlarni qayta ishlashda yuqori tezlikka ega, ammo shabloni unga ma’lum bo’lgan shriftlarnigina yaxshi taniy oladi. Agar taniladigan shrift etalondan ozgina farq qilsa, shablonli tizimlar hatto yuqori sifatli tasvirlarni qayta ishlashda ham xato qilishi mumkin.
|
| |
