|
Farg’ona filiali kompyuter injiniringi fakulteti 716 – 20 guruh talabasi karimov Anvarjoning
|
| bet | 4/5 | | Sana | 18.02.2024 | | Hajmi | 144.16 Kb. | | #158422 |
Bog'liq 5-amaliy mashg\'ulot шартнома ЖПОН 2022 янги 1 апрелдан бошлаб, ozodaxon, saminova ozodaxonXatolarni tuzatish qoidasi. 1957-yilda Rosenblatt tadqiqotchilarda katta qiziqish uyg‘otgan modelni ishlab chiqdi. Model nazorat ostida o‘rganish algoritmidan foydalanadi, ya’ni o‘quv majmuasi kirish vektorlari to‘plamidan iborat. Ularning har biri uchun chiqish vektori ko‘rsatilgan. Ba’zi cheklovlarga qaramay, u bugungi kunda eng murakkab nazorat ostidagi o‘rganish algoritmlarining ko‘pchiligi uchun asos bo‘ldi.
Algoritmning mohiyati quyidagicha: har bir kiritish misoli uchun kerakli chiqish ko‘rsatiladi. Agar haqiqiy tarmoq chiqishi kerakligiga mos kelmasa, tarmoq parametrlari o‘rnatiladi. Tuzatish qiymatini hisoblash uchun haqiqiy va kerakli tarmoq chiqishi o‘rtasidagi farq ishlatiladi. Bundan tashqari, og‘irliklar faqat xato javob berilgan taqdirda tuzatiladi.
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 { pi} { pi ,..., pn}
vektorlar to‘plami deb ataymiz, bu yerda n -
populyatsiya hajmi.
pi 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:
E( p)
kichik bo‘lsa, u holda individual p muvaffaqiyatli hisoblanadi va
ko‘payishda ustuvorlikni oladi.
E( p)
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 p boshqalarga siljishi mumkin. Bu
yerda p - 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.
|
| |
