|
Neyron tarmoq arxitekturasi va klassik Fon Neyman arxitekturasi o‘rtasidagiBog'liq KENJAYEV BEGZOD Surayyo Mustaqil ish Word. 2, 11. Maxalliy va quvurning uzunligi bo‘ylab yo‘qotilgan energiyani aniqlashga taalluqli masalalar, informatika 8 sinf test 2 chorak, Oksidlanish - qaytarilish reaksiyalari, Nodavlat @talim live, 3-Mavzu Zamonaviy matn muxarrirlari Reja, 6 fizika test banki, 4 КУРС МОЛИЯ дастур (2), 3- Мактаб бланкаси (2), 5-Mavzu PUL BOZORI 222, A2, Environmental Problems, business across culture, HOW TO DO PRESENTATION WORKS IN POWER POINTNeyron tarmoq arxitekturasi va klassik Fon Neyman arxitekturasi o‘rtasidagi
farqlar
Quyidagi o‘xshashlikni chizishimiz mumkin. Aytaylik, y = (2x+1)/2 funksiya
mavjud. x = 3 bo‘lganda y qanday olinadi? Juda oddiy: ikkita uchga
ko‘paytiriladi, keyin bitta qo‘shiladi va natija ikkiga bo‘linadi. 3,5 chiqadi.
Ushbu harakatlar ketma- ketligi eng oddiy dastur hisoblanadi. Biroq, xuddi shu
muammoni hal qilishning yana bir usuli bor. Bu funksiyaning grafigini qurish,
keyin esa grafikdan yechim topish mumkin. Masalan, xatning tasviri ma'lum
bo‘lishi mumkin. Ko‘rinib turibdiki, berilgan tasvirni tavsiflovchi funksiyani izlash
juda mashaqqatli bo‘ladi.
Raqobatbardosh o‘rganish. Ko‘p chiqish neyronlari bir vaqtning o‘zida yonishi
mumkin bo‘lgan Hobbian ta'limidan farqli o‘laroq, raqobatdosh o‘rganishda
chiqish neyronlari faollashish uchun bir-biri bilan raqobatlashadi. Bu barcha
chiqish neyronlari to‘plamidan eng yuqori chiqishga ega bo‘lgan faqat bitta
neyron mavjud. Bunday algoritm biologik neyron tarmoqlarni o‘qitish jarayoniga
o‘xshaydi. Raqobat o‘rganish sizga kiritilgan ma'lumotlarni tasniflash imkonini
beradi: shunga o‘xshash misollar tarmoq bo‘yicha bir sinfga to‘planadi va bitta
namunaviy element bilan ifodalanadi. Bunday holda, chiqish neyronlari
to‘plamidan har bir neyron faqat bitta sinf uchun javobgardir. Shubhasiz, tarmoq
ishlashga qodir bo‘lgan sinflarning umumiy soni chiqish neyronlari soniga teng.
O‘rganish davomida faqat g‘alaba qozongan neyronning og‘irliklari o‘zgartiriladi.
Bu tasvir elementining kirish misoliga biroz yaqinlashishiga olib keladi.
Genetik algoritmlar. Genetik algoritmlar biologik populyatsiyaning rivojlanishini
modellashtirishga asoslangan algoritmlar guruhi hisoblanadi. Populyatsiyani P = {p
i
} = {p,...,p
n
}
vektorlar to‘plami deb ataymiz, bu yerda n - populyatsiya hajmi. p
i
elementlari individualdir.
Har bir vektor p har bir shaxsni tavsiflash uchun ishlatilishi mumkin bo‘lgan barcha
parametrlarni o‘z ichiga oladi.
Faraz qilaylik E(p) funksiya, p vektorga bog‘liq bo‘lsin. Uning yordamida xato hisoblab
chiqiladi. E ning minimalini topish talab qilinadi. P to‘plamning elementlari quyidagi
qoidalarga qarab rivojlanishga qodir:
Agar E(p°) kichik bo‘lsa, u holda individual p° muvaffaqiyatli hisoblanadi va ko‘payishda
ustuvorlikni oladi.
Agar E(p
o
) katta bo‘lsa, u holda individual p° muvaffaqiyatsiz deb hisoblanadi, bu individual
uchun ko‘payish ehtimoli kamayadi.
Mutatsiyalar: har qanday nuqta (individual) mutatsiyaga uchrashi mumkin. Ya'ni, uning
qiymati oz miqdorda p° = p° + Ap boshqalarga siljishi mumkin. Bu yerda Ap - mutatsiyaning
kattaligini tavsiflovchi kichik vector
■Ko‘paytirish: ko‘payish ehtimoli bo‘yicha (1-bosqichga qarang), har bir nuqta bo‘linadi.
Ko‘payish qonunlari tanlangan modelga bog‘liq.
Evolyutsiyaning aniq nazariyasi hali qurilmagan, shuning uchun tanlangan algoritmlarning
optimalligini faqat eksperimental tarzda baholash mumkin.
|
| |