|
Muhammad al-xorazmiy nomidagi toshkent axborot texnologiyalari universiteti farg'ona filiali o'quv yili
|
| bet | 1/19 | | Sana | 20.05.2023 | | Hajmi | 373.75 Kb. | | #62634 |
Bog'liq 4-lab Akbar 11-MODUL. KOMPYUTЕRDA MASALALARNI YЕCHISH BOSQICHLARI. , Minerallarning rangi, asakabank.MK120, 3-4 dedline, 2 mustaqil. mashinali, NP-to’liq masalalar, HURMATLI RESPONDENT, DARS JADVALI
MUHAMMAD AL-XORAZMIY NOMIDAGI TOSHKENT
AXBOROT TEXNOLOGIYALARI UNIVERSITETI
FARG'ONA FILIALI
O'quv yili: 2022-2023
Smestr: 6-semestr,
Mutaxassislik: Kompyuter injiniringi: Kompyuter injiniringi
Kafedra: Axborot ta'lim texnologiyalari
Fan nomi: Mashinali o'qitishga kirish
O'qituvch F.I.Sh.: Kubayev
Talaba: Mo`minov Akbar
Mavzu: Neyron tarmoqlarining to'g'ri va teskari tarqalish algaritmlari
Reja:
Neyron tarmoqlari haqida tushuncha.
Neyron tarmoqlari qayerda ishlatilishi haqida.
Neyron tarmoqlarining to'g'ri va teskari tarqalish algaritmlari.
Hozirgi vaqtda sun'iy neyron to'rlari va masalalarni parallel ravishda ishlab chiqish ustida ishlash ustida ishlanishlar va amaliy qo'llanishlar keskin rivojlanmoqda. Neyron to'rlar analitik tavsifi bo'lmagan va tajriba eksperimental ma'lumotlar bilan berilgan katta ko'lamdagi amaliy masalalarni yechish yaratadi. Neyron to'rlarini sintez qilishda algoritmlarning nozik tomoni bu qaror qabul qilinishi mumkin bo'ladi. Bu muammoni yechish bilan ko'pchilik tadqiqotchilar shug'ullanadilar. Buda ishlatadigan usullar evristik bo'lganligi uchun ular maqsadli korekt qaror qabul qilish foydalanuvchining subektiv mulohazasiga bog'liq bo'ladi. Ko'p o'lchovli chiziqsiz optimizasiyaning an'anaviy iterativ gradiyent algoritmlari bilan o'rganadigan neyron to'r modellarining eng ko'p tarqalgani -bu ko'p qatlamli sun'iy neyron to'rlari sinfidir. Ma'lumki, ko'p qatlamli sun'iy neyron to'rlarini o'rganishda iterativ algoritmlar yaqinlashuvi, o'rganiladigan berilganlarning (tanlovning) hajmiga, vaznlarning aniqlashga, aniqlashga, o'rganishdagi maksimal xatolarga (o'rganishning sifat mezonlariga) ), o'rganishdagi takrorlanishlar soniga (o'rganish vaqtining uzayishi mezonlariga) bog'liq. Buning uchun, qo'yilgan masalani yechish uchun optimal modellarnida ularni solishtirish va qaror qabul qilishda neyroto'rlarning yukini oshirishga imkon beruvchi xususiy va umumiy mezonlar majmuasini ishlab chiqarish zarur. Bilimlarni olish algoritmlarini va sifat jihatidan yangi bosqichdagi, kognitolog mutaxassislarga mo'ljallangan, neyron to'rlarining dasturini ishlab chiqishga asos bo'luvchi yangi g'oyalar zarur. Xozirda keng tarqalgan xatolarning teskari tarqalishlarida va Xopfild neyron to rlarida qaror qabul qilish jarayonini boshqarishga yordam beradi. Bu modellardagi algoritmlarning evristik xarakterda qaror qabul qilish neyronlarini to'r shaffoflik muammosini yechishni yetarli darajada matematik formatlashga imkon bermaydi. ney, tasvirlarni olish to'rlari bo'yicha mutaxassisga bog'liq va asosiy tavsiyalarga ega bo'ladi. Ayni, sun'iy to'ri to'g'ridan-to'g'ri foydalanish usullari turli xil amaliy masalalarni yechida neyromodellarni solishtirishga va belgilashga asos bo'ladigan, ko'p qatlamli neyron to'rlarining mantiqiy shaffofligini miqdoriy baholaydi bir nechta mezonlar vaullarish vaullarish. Umum ko'rsatkichlarni tekshirish orqali tajriba ma'lumotlar bazasidan tasvirlarni olish va ularni ifodalash va modellarda parallel ishlab chiqarishni joriy etish imkonini beradi. Standart munosabat bilan qo'yilgan obrazlarni anglash masalasi qaraladi. Ikkita o'zaro ta'sir qilmaydigan K ,K 1 sinflar bo'lgan E o'z ichiga 0 = {S 1 , … ,S m } ob'ektlar to'plami berilgan deb hisoblanadi. Ob'ektlar n ta turli darajadagi (miqdoriy va sifat) alomatlar bilan tavsiflangan bo'lib, sharhlar l tasi intervallarda ( J to'plam), n - p tasi nominal ( J to'plam) o'lchamlarda o'lchanadi. O'ng'aylik uchun, K 1 sin 2 ro'y bergan huquqlari (no s ) va K - ro'y bermagan holatlar (no s ) deb hisoblaymiz. Ikki sinfli masala qaralishiga sabablardan biri - har qanday obektning umumiylashgan bahosi nisbiydir, u qarama-qarshi sinf obektlariga qiyoslash natijasida kelib chiqadi. Ikkinchidan, har qanday k (k>2) sinfli masalani ikki sinfli masalalar kaskadi ko'rinishida yechish mumkin. Har bir miqdori alomat uchun, chegaralarida “holat” yoki “no holat” sinfi ustun bo'lgan intervallarni belgilash masalasi to'g'risida qaror qabul qilish. Umumlashgan ko'rsatkichlarni tajriba ma'lumotlar bazasidan tasvirlarni olish va modellarda ifodalash jarayoni va uning zaxira medisina, geologiya, sosiyologiya sohalarining foydali xususiyatlari va shuning uchun foydali algoritmlarni yaratish mumkin. Sunniy neyron to'rlari konfiguratsiyalari qatorida klassifikasiyalashda o'qitish tamoyillari bo'yicha o'qituvchi vositasi o'rgatish va o'qituvchisiz o'rgatish tamoyillariga to'g'ri kelmaydi. Bunday holatda og'irlik koeffisiyentlari qayta ishlanayotgan axborotlar orqali izlab topiladi va barcha'rgatishlar shunga o'xshash tarzda keltiriladi. Bir tomondan aprior axborotlarni o'qituvchining yordamiga muvofiq qabul qilish kerak, boshqa tomondan tarmoq tasvirlarni haqiqiy ma'luot kelguncha xotirada saqlaydi. Bunday mantiqiy bog'lanishli sifatida Xopfild va Ximming to'rlarini yaxshi tanilgan. olinadigan chiqish va chiqishi bitta bo'lgan bir qatlamli Xopfilnig neyron tashqi ko'rinishi. Rasm. Xopfildning strukturali boshqaruvi Dasturiy vositani++ dasturlash tilida, buning uchun Borland C++ Bulder dasturini ishga tushiramiz va shaklga kerakli mahsulotni yaratamiz (1-rasm) shakl nomini “Xopfild neyron to'ri” deb nomlaymiz va unga StringGrid1, StringGrid2, StringGrid3 larni o' ri rnatamiz. Bundan sung, zarur tugmachalarni shaklga qo'yib chiqamiz. Ularga mos datur kodlarini ilovada keltiramiz. 1-rasm. Xopfildning neyron to'ri shakli Eng oldin paydo bo'ladigan “Matrisaning o' paydo bo'lishi” shaklni yaratamiz, bu shaklda dastur matrisadagi qatorlar soni, ustunlar soni, bosh shakldagi kataklar o'lchami, qo'shish dialog oynasidagi kataklar o'lchami, ko'rishdagi kataklar o'lchami va ularni ishga to'shiruvchi tugmalardan shaklni hosil qilish, bekor qilish, chiqish tugmachalarini o'rnatamiz va ularga mos dastur kodlarini kiritamiz. Dastur kodlarini ilovada keltiramiz.(2-rasm) 2-rasm. Matrisaning o'rnatishni tekshirish Dastur haqida ma'lumot beruvchi shaklni, buning uchun unga oddiy Label tekshirishdan, dasstur nomi, dastur versiyasi, tayerlangan joyi, qaysi tilda yangiligi va kim nazorati haqida ma'lumotlarni kiritamiz va u dasturiy ta'minotni monommizish. 3-rasm. Dastur haqida Uch shakl dasturni to'g'ridan-to'g'ri to'g'ridan-to'g'ri barcha ma'lumotlarni chiqarish uchun. shakl shakl, yangilonlarni tuzatish uchun yordam dasturlari sha kodlarni shakllantiradi. Bu shaklni yaratish uchun RadioGroup, StringGrid va Button ishlatish usullarini ishlab chiqamiz, bu moddani mos ravishda shaklni yaratishda, unga yuklash usullarini va unga yuklatilgan ishlab chiqarishni bajarish uchun ishlatiladi. Tugmachalarga mos kodlarni yaratamiz, bu tugmachalar buyash, tozalash, ishni bajarish uchun foydalaniladi. 4.-rasm. Yangi shablon shakli Ushbu shakl yangi shablonda foydalaniladi.
|
| |
