• Asosiy qism
  • Research and education issn: 181-3191 volume




    Download 153.79 Kb.
    bet2/4
    Sana22.12.2023
    Hajmi153.79 Kb.
    #127141
    1   2   3   4
    Bog'liq
    123-130
    xudo xoxlasa tushadi99%, 3-labarotoriya ishi Saralash usul va algoritmlarini tadqiq qilis, cmd buyruqlari, Incremental model nima, 1matematik, word sAM 1 savol, Документ Microsoft Word (4), Ma\'ruzalar (2), ЛАБОРАТОРНАЯ РАБОТА N1, Dasturlash 2, Ariza, Qalandarova Gulshoda, 1648631455, 1650692784, 1651669892 (2)

    Kirish


    Haqiqiy muammolarni hal qilishda ko‘pincha muammoni bayon qilish va uni analitik yechish qiyin bo‘lgan vaziyat yuzaga keladi. O‘tgan asrning o‘rtalarida paydo bo‘lgan bu muammo bilan birga, ushbu muammoni hal qilishga hissa qo‘shgan sun’iy neyron tarmoqlari paydo bo‘ldi va bugungi kungacha inson faoliyatining turli sohalarida qo‘llaniladi. "Neyron tarmoqlar" nomi u yoki bu darajada miya ishini taqlid

    qiluvchi tizim hisoblanadi. Ya’ni, u ma’lum darajada tirik organizmning asab hujayralarida joylashgan bir xil printsiplar va ishlash usullari asosida ishlaydi[11]. Ammo bunday modellashtirish, umuman olganda yaqin kelajakda sun’iy miya yoki hatto eng ibtidoiy tirik mavjudotlar miyasining ishini takrorlaydigan modellarini yaratish haqida gapirishga hali erta.
    Hozirgi vaqtda sun’iy neyron tarmoqlarini qo‘llashning juda ko‘p sohalari ma’lum, ularda inson intellekti samarasiz, analitik hisob-kitoblar esa ancha mashaqqatli va jismoniy jihatdan yetarli emas. Ulardan eng keng tarqalganlari: moliya, iqtisodiyot, ishlab chiqarish, tibbiyot, harbiy sanoat va aviatsiya, energetika, ilmiy tadqiqotlar, axborot texnologiyalari, sun’iy intellekt va boshqalar.

    Asosiy qism


    Bugungi kunga kelib, sun’iy neyron tarmoqlari (SNT) texnologiyasining imkoniyatlaridan foydalanadigan juda ko‘p dasturiy ta’minotlar mavjud. Nutq va yuzni aniqlashdan bashorat qilish masalalarini hal qilishgacha bo‘lgan muammolarni hal qilish uchun SNTdan foydalanadigan universal dasturlar mavjud [2,4,15].
    Dasturiy ta’minotning quyidagi turlari ma’lum: SNTni modellashtirish uchun universal va amaliy dasturiy mahsulotlar (Neural Network Simulators).
    Universal yoki ularni ob’ektga yo‘naltirilgan dasturiy ta’minot muhiti deb ham ataladigan bo‘lsa, muammolarning katta sinfini yechishda o‘z qo‘llanilishini topgan optimal neyron tarmoqlarni sintez qilish imkoniyatini beradi. Bu erda universal dasturiy ta’minotning ba’zilari: Matlab Neural Network Toolbox, Trajan, Delta, X- Sim, Brain Wave, VieNet2, NeuroWindows, Aspirin/MIGRAINES, Atree, Cnaps, ICSIM, Neural Shell, Senkom, SOMPAK, Xerion, Nets.
    Amaliy dasturiy ta’minotni modellashtirish muhitlari asosan turli xil maxsus va yuqori ixtisoslashgan vazifalarda SNTni sintez qilish uchun mo‘ljallangan.
    Neyron tarmoq simulyatorlarining dasturiy ta’minotining eng muhim xossasi bu hosil bo‘lgan neyron tarmoqning dastur kodini yuqori darajadagi algoritmik tilda sintez qilish qobiliyatidir. Kelajakda bunday kodni har qanday foydalanuvchi dasturiga integratsiya qilish murakkab bo‘lmaydi.
    Sun’iy neyron tarmoq - biologik neyron tarmoqlari - tirik organizm nerv hujayralari tarmoqlarini tashkil etish va ishlash prinsipi asosida qurilgan matematik model, shuningdek uning dasturiy yoki apparat ta’minoti. Ushbu kontseptsiya miyada sodir bo‘ladigan jarayonlarni o‘rganish jarayonida, xususan, ushbu jarayonlarni modellashtirishga urinishda paydo bo‘lgan [17]. Matematik nuqtai nazardan, neyron tarmoqlarni o‘qitish ko‘p parametrli chiziqli bo‘lmagan optimallashtirish muammosidir. O‘rganish qobiliyati klassik algoritmlarga nisbatan neyron tarmoqlarning asosiy ijobiy tomonlaridan biridir. Texnik jihatdan o‘rganish neyronlar orasidagi bog‘lanish koeffitsientlarini aniqlashdan iborat. O‘rganish davomida neyron
    tarmoq kirish va chiqish ma’lumotlari o‘rtasidagi murakkab munosabatlarni aniqlashi va qo‘shimcha ravishda sintezni amalga oshirishi mumkin.
    Neyron tarmog‘ining modellashtirish imkoniyatlari to‘g‘ridan-to‘g‘ri uning kirish va chiqish ma’lumotlari o‘rtasidagi yashirin aloqalarni umumlashtirish va ajratish qobiliyatidan kelib chiqadi. O‘rganish jarayonidan so‘ng, tarmoq oldingi qiymatlar va
    / yoki ma’lum bir davrda mavjud bo‘lgan ba’zi shartlar asosida ma’lum bir ketma- ketlikning yaqinlashib kelayotgan qiymatini bashorat qilishi mumkin. Ko‘p qatlamli neyron tarmoqlarni o‘qitish muammosi 1980-yillarning o‘rtalarida xatolarni teskari tarqalish usuli (Backpropagation) bilan hal qilindi [12,13]. Bu neyron tarmog‘ining xatosini minimallashtirish uchun ishlatiladigan iterativ gradient algoritmi bo‘lib, kerakli natijani beradi. Neyron tarmog‘ining sifatini aniqlash uchun yo‘qotish funksiyasi (loss function)dan foydalaniladi. Odatda, bunday funksiya uchun Yevklid masofasi, o‘rtacha kvadratik xato yoki krossentropiya funksiyasi tanlanadi [14].
    Asosiy SNTlar quyidagilar:

    • To‘g‘ridan-to‘g‘ri tarqatish tarmoqlari;

    • Radial asosli funksiyalar tarmog‘i;

    • O‘z-o‘zini tashkil qiluvchi xaritalar yoki Kohonen tarmoqlari; To‘g‘ridan-to‘g‘ri tarqalish turi bo‘lgan tarmoqlarda kirish neyronlaridan barcha ulanishlar qat’iy ravishda chiqishga yo‘naltiriladi. Bu tarmoqlarga oddiy perseptron va ko‘p qatlamli perseptron kiradi. Perseptron neyron tarmoqlarning birinchi modellaridan biridir. O‘zining soddaligiga qaramay, perseptron juda murakkab muammolarni o‘rganishga va hal qilishga qodir. U hal qiladigan asosiy matematik muammo - chiziqli bo‘linishni ta’minlash deb ataladigan har qanday chiziqli bo‘lmagan to‘plamlarni chiziqliga ajratish. Shuni ta’kidlash kerakki, Rosenblatt perseptroni perseptronni amalga oshirish usullaridan biridir. Ko‘p qatlamli perseptronning tipik arxitekturasi sxematik tarzda 1-rasmda ko‘rsatilgan.



    1. rasm - Ko‘p qatlamli perseptron arxitekturasi

    Perseptron uch turdagi elementlardan iborat, xususan: sensorlardan keladigan, assosiativ elementlarga, so‘ngra reaksiyaga kirishuvchi elementlarga uzatiladigan
    signallar. Shunday qilib, perseptronlar kirish stimullari va kerakli chiqish reaktsiyasi o‘rtasida "assotsiatsiyalar" to‘plamini yaratishga imkon beradi [7]. Biologik nuqtai nazardan, bu, masalan, vizual ma’lumotlarning neyronlarning fiziologik reaktsiyasiga aylanishiga mos keladi.
    Perceptron klassik mashinalarni o‘rganish muammolarini (tasniflash, regressiya) yechishda alohida model sifatida ham, murakkabroq modellarning bir qismi sifatida ham ishlatiladi.
    Radial asosli funktsiyalar tarmog‘i radial elementlardan va chiziqli elementlarning chiqish qatlamidan iborat yashirin qatlamga ega bo‘lgan neyron tarmoq turidir (2-rasm). Bu turga mansub tarmoqlar ixcham hisoblanadi va tez o‘zlashtiriladi [16]. Birinchi marta Radial asosli funktsiyalar tarmog‘i Broomhead va Loular tomonidan 1988 yilda hamda Moody va Darkinlar tomonidan 1989 yilda tilga olingan. Ushbu turdagi tarmoqlar quyidagi xususiyatlarga ega: bitta yashirin qatlam mavjud, faqat yashirin qatlamning neyronlari chiziqli bo‘lmagan faollashtirish funktsiyasiga ega hamda kirish va yashirin qatlamlarga tegishli sinaptik og‘irliklar birga teng.

    1. rasm. Radial asosli funksiyalar tarmog‘i arxitekturasi

    O‘z-o‘zini tashkil etuvchi xaritalar yoki Kohonen tarmoqlari - bu o‘qituvchisiz o‘qitilgan va tanib olish, bashorat qilish va yaqinlashtirish masalalarida muvaffaqiyatli qo‘llaniladigan tarmoqlar sinfidir. Mazkur tarmoq strukturasi 3-rasmda keltirilgan. Ushbu toifadagi tarmoqlar kirish ma’lumotlaridagi yangilikni aniqlay oladi: agar o‘rganishdan so‘ng tarmoq ma’lum namunalarning birortasiga o‘xshamaydigan ma’lumotlar to‘plamiga duch kelsa, u bu to‘plamni tasniflay olmaydi va shu bilan uning yangiligini ochib beradi. Kohonen tarmog‘i faqat ikkita radial elementlardan iborat bo‘lgan kirish va chiqish qatlamlaridan iborat [1,6,10].
    Kohonen tarmoqlari vizualizatsiya va birlamchi ma’lumotlarni tahlil qilish uchun ishlatiladi.




    1. rasm. Kohonen tarmog‘i

    1-jadvalda SNTlar yordamida hal qilinadigan iqtisodiy muammolar keltirilgan.
    1-jadval
    SNT lar va ular hal qiladigan iqtisodiy muammolar


    Download 153.79 Kb.
    1   2   3   4




    Download 153.79 Kb.

    Bosh sahifa
    Aloqalar

        Bosh sahifa



    Research and education issn: 181-3191 volume

    Download 153.79 Kb.