12 mavzu. Sun’iy neyron tarmoqlariga kirish. Bir va ko’p sathli neyron tarmoqlari va ularning turlari

12.7.5. Ikki yo’nalishli assotsiativli xotira(IAX)


Ikkiyo’nalishli assotsiativli xotira (IAX) Xopfild tarmoqlarining mantiqiy davomi bo’lib, ularga ikkinchi qatlam qoshiladi. IAX strukturasi 12.29 -rasmda keltirilgan [8, 18-20].
Tarmoq bir-biri bilan assotsiatsiyalashgan juft obyektlarni eslsh qobiliyatiga ega. Aytaylik juft obyektlar X^k = {x_i^k:i=0...n-1} va Y^k = {y_j^k: j=0...m-1}, k=0...r-1 (bu yerda r-juft obyektlar soni) vektorlar ko’rinishida yozilgan bo’lsin. Tarmoqning birinchi qatlamining kirishiga qandaydir P = {p_i:i=0...n-1} vektorning uzatilishi ikkinchi qatlamning kirishida qandaydir boshqa Q = {q_j:j=0...m‑1} vektorni tashkil qilishga chaqiradi va ushbu vektor keyin yana birinchi qatlamning kirishiga tushadi. Vektorlarning har bir shunday siklida birinchi va ikkinchi qatlamlarning chiqishlarida etalon obyektlarning juftligiga yaqinlashadi, ya’ni ulardan eng boshida tarmoqning kirishiga uzatilgan birinchisi X -obyekt P ga juda o’xshash bo’ladi, ikkinchisi - Y - esa u bilan assotsiyalhgan bo’ladi. Vektorlar o’rtasidagi assotsiyalashuv birinchi qatlamning vaznli W⁽¹⁾ matritsasida kodlashtiriladi. Ikkinch qatlamning vaznli W⁽²⁾ matritsasi birinchi qatlamning vaznli W⁽¹⁾ matritsasining transponirlangan (W⁽¹⁾)^T matritsasiga teng. IAX tarmoqini obyeklarni anglab olishga o’rgatish jarayoni.

Xuddi Xopfild tarmoqlari kabi, W va W^T matritsalarning elementlari qiymatlarini oldindan quyidagi formula yordamida hisoblashdan iborat [8, 18-20]:

(12.16)
Bu formula xususiy hol uchun, ya’ni obyektlar vektor ko’rinishda yozilganda
(12.17)
matritsali tenglamaning kengaytirilgan ko’rinishdagi yozuvi hisonlanadi. Bunda mos [n*1] va [1*m] o’chovli ikkita matritsaning ko’paytmasi (12.16) ko’rinishga keladi.
Yuqoridagilardan quyidagicha xulosaga kelamiz. Xopfildа, Xemming va IAX tarmoqlari noto’liq va noto’g’ri (buzilgan) axborotlar bo’yicha obyektlarni tiklash masalasini oddiy va samarali yechishga imkoniyat yaratadi. Ushbu tarmoqlar hajmining unchalik katta emasligi (eslab qoladigan obyktlar soni) shundan iboratki, ular nafaqat obyektlarni eslab qoladi, balkim ularni umumlashtiradi ham, masalan, Xemming tarmoqlari yordamida maksimal o’zshashlik kriteriyasi asosida obyektlarni sinflashni ham amalga oshiradi [8]. Shuning bilan birgalikda leltirilgan NTlar uchun daturiy va apparatik modellarni qurish ularning ko’plab sohalarda qo’llanilishiga imkoniyat yaratadi.