|
Bajardi: 214-21 guruh talabasi Xalilov Jasurbek Tekshirdi
|
| bet | 5/6 | | Sana | 20.05.2024 | | Hajmi | 123,46 Kb. | | #246343 |
Trening davomida o'quv namunasidan signallar navbatma-navbat perseptronning kirishiga, shuningdek, ushbu signalni tayinlash kerak bo'lgan sinf haqidagi ko'rsatmalarga beriladi. Perseptronni o'rgatish har bir tanib olish xatosi uchun og'irliklarni tuzatishdan iborat, ya'ni perseptron tomonidan ishlab chiqarilgan yechim va haqiqiy sinf o'rtasidagi nomuvofiqlikning har bir holati uchun . Agar perseptron ma'lum bir sinfga signalni noto'g'ri belgilagan bo'lsa, u holda funktsiyaning og'irliklari, haqiqiy sinf ortadi va xato sinfning og'irliklari kamayadi. Agar yechim to'g'ri bo'lsa, barcha og'irliklar o'zgarishsiz qoladi.
Ushbu juda oddiy o'rganish algoritmi ajoyib xususiyatga ega: agar namunani xatosiz bo'lish mumkin bo'lgan og'irlik qiymatlari mavjud bo'lsa, unda ma'lum, oson bajariladigan sharoitlarda bu qiymatlar cheklangan miqdordagi takrorlashda topiladi.
Aniqlash , tan olish, bashorat qilishda ko'p qatlamli perseptronning kirishida signal qabul qilinadi, bu birlamchi xususiyatlar to'plami bo'lib, ular retseptorlar tomonidan qayd etiladi . Birinchidan, ikkinchi darajali xususiyatlar hisoblab chiqiladi . Har bir bunday ikkilamchi belgi birlamchi xususiyatlardan chiziqli xususiyatga mos keladi. Ikkilamchi xususiyat, agar mos keladigan chiziqli funktsiya chegaradan oshsa, 1 qiymatini oladi . Aks holda, u 0 qiymatini oladi. Keyin sinflarning har biri uchun ikkinchi darajali xususiyatlarga nisbatan chiziqli funktsiya hisoblanadi. Perseptron kirish signalining eng katta qiymatga ega bo'lgan ikkilamchi parametrlar funktsiyasi mos keladigan sinfga tegishli ekanligi to'g'risida qaror qabul qiladi.
Ta'lim to'plami tomonidan belgilangan ixtiyoriy chiziqli bo'lmagan funktsional xaritalashni ifodalash uchun neyronlarning faqat ikkita qatlami etarli ekanligi ko'rsatilgan . Biroq, amalda, murakkab funktsiyalar bo'lsa, bir nechta yashirin qatlamlardan foydalanish neyronlarning umumiy sonini saqlashi mumkin.
Xopfild modeli
Xopfild modeli (JJHopfield, 1982) birinchi bo'lib chiziqli bo'lmagan dinamik tizimlar va neyron tarmoqlar o'rtasidagi aloqani o'rnatdi.
Xopfild modeli ko'p qatlamli perseptron modeliga quyidagi ikkita yangi xususiyatni qo'shish orqali umumlashtirishdir:
1. Neyron tarmog'ida barcha neyronlar bir-biri bilan bevosita bog'langan: i-neyron va j-neyron o'rtasidagi bog'lanish kuchi W ij sifatida belgilanadi .
2. Neyronlar orasidagi bog'lanishlar simmetrikdir: W ij =W ji , neyron o'zi bilan bog'lanmagan W ii =0.
Har bir neyron klassik formula (1) bilan aniqlanadigan faqat ikkita holatni qabul qilishi mumkin. Barcha neyronlarning qo'zg'alish holatlarining o'zgarishi ketma-ket yoki bir vaqtning o'zida (parallel) sodir bo'lishi mumkin, ammo Xopfild tarmog'ining xususiyatlari dinamikaning turiga bog'liq emas.
Xopfild tarmog'i to'liq bo'lmagan va shovqinli manba ma'lumotlariga ega bo'lgan ob'ektlarni tanib olish qobiliyatiga ega, ammo agar tasvir o'quv majmuasida taqdim etilgan asl holatiga nisbatan o'zgartirilsa yoki aylantirilsa, buni amalga oshira olmaydi.
Xulosa
Nolokal neyron modeli taklif etiladi, bu J. Makkaloch va V. Pittsning klassik modelining umumlashtirilishi hisoblanadi. Ushbu modelning nolokalligining mohiyati shundaki, har bir neyronning og'irlik koeffitsientlari nafaqat unga bevosita yoki bilvosita sinaptik bog'langan neyronlarga, balki tarmoqdagi xatoning orqaga tarqalishiga ta'sir qilmaydigan barcha boshqa neyronlarga ham bog'liq. bu neyron. Neyron tarmoqlarning yangi klassi taklif qilinmoqda: "To'g'ridan-to'g'ri hisoblashning mahalliy bo'lmagan izohlanadigan neyron tarmoqlari" (lokal bo'lmagan neyron tarmoqlar - NNN). Neyron tarmog'ini tashkil etish neyron tarmoqlar uchun an'anaviy muammolarni hal qilish variantlaridan birini taqdim etadi:
- kirish signallari intensivligi va tortish koeffitsientlari ma'nosini mazmunli talqin qilish ("vazn koeffitsientlarini izohlash muammosi");
- dalilning qo'shimchaligini va neyronning faollashtirish (o'tkazish) funktsiyasi turini mazmunli talqin qilish va asoslash ("ko'chirish funktsiyasini izohlash muammosi")
NNN ning matematik modeli muallif tomonidan taklif qilingan ma'lumotlarning tizim nazariyasiga va avtomatlashtirilgan tizim-kognitiv tahlilning (ASC-tahlil) semantik axborot modeliga asoslanadi va taniqli neyron tarmoqlardan farqli o'laroq, ular barcha 10 ta asosiy ishni avtomatlashtirishni ta'minlaydi. "kognitiv konfigurator" ni tashkil etuvchi kognitiv operatsiyalar. Nafaqat matematik model, balki tegishli raqamli usul (jumladan, algoritmlar va ma’lumotlar tuzilmalari), shuningdek, bir qator sinovdan muvaffaqiyatli o‘tgan nolokal neyron tarmoqlar uchun dasturiy vositalar (“Eidos” universal kognitiv analitik tizimi 12.5 versiyasi) taklif etiladi. mavzu sohalari. Ushbu tizim qatlamdagi maksimal og'irlik koeffitsientlari soni 16 milliongacha (joriy versiyada), 4000 tagacha chiqish neyronlariga ega bo'lgan cheksiz miqdordagi NNN qatlamlarini, shuningdek, grafik fayllar ko'rinishida avtomatik vizualizatsiya va yozishni ta'minlaydi. mahalliy bo'lmagan neyronlarning yaratilgan modellari va mahalliy bo'lmagan neyron tarmoqning Pareto kichik to'plamlari.
|
| |
