Sunʼiy neyron tarmoqlari (SNT), odatda oddiygina neyron tarmoqlari (NT) deb ataladi, hayvonlar miyasini tashkil etuvchi biologik neyron tarmoqlardan ilhomlangan hisoblash tizimlari.
SNT sunʼiy neyronlar deb ataladigan bogʻlangan birliklar yoki tugunlar toʻplamiga asoslanadi, ular biologik miyadagi neyronlarni erkin modellashtiradi. Sunʼiy neyron signallarni oladi, keyin ularni qayta ishlaydi va unga ulangan neyronlarga signal berishi mumkin. Ulanishdagi „signal“ haqiqiy raqam boʻlib, har bir neyroNTing chiqishi uning kirishlari yigʻindisining chiziqli boʻlmagan funksiyasi bilan hisoblanadi. Ulanishlar deyiladi qirralar. Neyronlar va chekkalar odatda oʻrganish davom etayotganda sozlanadigan vaznga ega. Neyronlar shunday chegaraga ega boʻlishi mumkinki, signal faqat yigʻilgan signal ushbu chegarani kesib oʻtgan taqdirdagina yuboriladi. Odatda, neyronlar qatlamlarga yigʻiladi. Signallar birinchi qatlamdan (kirish qatlami), oxirgi qatlamga (chiqish qatlami), ehtimol, qatlamlarni bir necha marta bosib oʻtgandan keyin oʻtadi.
Neyron tarmoqlar misollarni qayta ishlash orqali oʻrganadi (yoki oʻqitiladi), ularning har biri maʼlum „kirish“ va „natija“ ni oʻz ichiga oladi va ular oʻrtasida ehtimollik bilan oʻlchangan assotsiatsiyalarni hosil qiladi, ular tarmoqning oʻzida saqlanadigan maʼlumotlar tuzilmasida saqlanadi. Berilgan misol boʻyicha neyron tarmoqni oʻrgatish odatda tarmoqning qayta ishlangan chiqishi (koʻpincha bashorat) va maqsadli chiqishi oʻrtasidagi farqni aniqlash orqali amalga oshiriladi. Keyin tarmoq oʻz vaznli assotsiatsiyalarini oʻrganish qoidasiga koʻra va ushbu xato qiymatidan foydalanib sozlaydi. Ushbu tuzatishlarning etarli sonidan soʻng, mashgʻulot muayyan mezonlar asosida toʻxtatilishi mumkin.
Bunday tizimlar misollarni koʻrib chiqish orqali topshiriqlarni bajarishni „oʻrganadi“, odatda vazifaga xos qoidalar bilan dasturlashtirilmaydi. Masalan, tasvirni aniqlashda ular „mushuk“ yoki „mushuk yoʻq“ deb qoʻlda yorliqlangan misol tasvirlarni tahlil qilish va boshqa tasvirlardagi mushuklarni aniqlash uchun natijalardan foydalanish orqali mushuklar bor tasvirlarni aniqlashni oʻrganishi mumkin.
Sun'iy neyron tarmog'i
Neyron tarmoq muhim tarkibiy qismlardan biridir Sun'iy intellekt (AI). Bu ko'pchilik uchun o'rganilgan
yilda insoniy ko'rsatkichlarga erishish umidida yillar nutq va tasvirni aniqlash kabi ko'plab sohalar ma'lumot olish sifatida. Neyron tarmoq – bu oddiy ishlov berish elementlarini o'zaro bog'langan yig'ish,
Funktsionalligi erkin asosga ega bo'lgan birliklar yoki tugunlar hayvon neyroni. Tarmoqning qayta ishlash qobiliyati birliklararo ulanish kuchlari yoki og'irliklarida saqlanadi, moslashish yoki undan o'rganish jarayoni bilan olingan ta'lim shakllari to'plami. Eng umumiy shaklda neyron tarmoq - bu kirish yo'lini modellashtirish uchun mo'ljallangan mashina miya ma'lum bir vazifa yoki funktsiyani bajaradi
qiziqish; tarmoq odatda foydalanish orqali amalga oshiriladi elektron komponentlar yoki dasturiy ta'minotda simulyatsiya qilingan raqamli kompyuter. Neyron tarmog'i parallel taqsimlangan tarmoqdir protsessor oddiy ishlov berish bloklaridan tashkil topgan bo'lib, u mavjud tajribaviy bilimlarni saqlashga tabiiy moyillik va foydalanish uchun qulay qilish. U ikki qismda miyaga o'xshaydi hurmat qiladi: Bilimni tarmoq undan oladi ta'lim jarayoni orqali atrof-muhit; Interneyron sinaptik og'irliklar deb nomlanuvchi ulanish kuchlari ishlatiladi olingan bilimlarni saqlash. Xulosa qilib aytganda, asabiy tarmoqlar yaxshi ishlashga intiladigan modellardir oddiy hisoblash elementlarini zich o'zaro bog'lash orqali.
Neyron tarmoq uchta komponentdan iborat: tarmoq va faollashtirish qoidasi va o'rganish qoidasi. Tarmoq yo'naltirilgan havolalar orqali bir-biriga bog'langan tugunlar (birliklar) to'plamidan iborat. Tarmoqdagi har bir tugun raqamli faollashtirish darajasiga ega u bilan bog'liq. Faollashtirishning umumiy naqsh vektori
tarmoqning joriy holatini ifodalaydi. Faollashtirish qoidasi har bir tugunni yangilashda amal qiladigan mahalliy protsedura qo'shnidan kirish kontekstida faollashtirish darajasi tugunlar. O'rganish qoidasi qanday qilishni tasvirlaydigan mahalliy protseduradir ulanishlardagi og'irliklar funktsiya sifatida o'zgartirilishi kerak vaqt. Faollashtirish funksiyalarining turlariga quyidagilar kiradi: pol funktsiya; Parcha-chiziqli funktsiya va sigmasimon funktsiya. Grafigi s shaklidagi grafik bo'lgan sigmasimon funktsiya by faollashtirish funktsiyasining eng keng tarqalgan shakli neyron tarmoqlarni qurish. Sun'iy neyronning oddiy jarayon elementi tarmoq uchta qatlamga ega; kirish, yashirin va chiqish qatlamlar. Kirish va chiqish qatlamlari tugunlar sifatida belgilanadi va yashirin qatlam kirish va o'rtasidagi munosabatni ta'minlaydi
.
1 variant - 5 savol Parzen oynasi metodi uchun informativ alomatlar to'plamini hisoblash.
|
Parzen Window - bu parametrik bo'lmagan zichlikni baholash usuli. Pattern Recognition-da zichlikni baholashga Parzen Windows-ning yondashuvidan foydalanish orqali erishish mumkin. Parzen oynasi zichligini baholash texnikasi gistogramma texnikasini umumlashtirishning bir turidir.
U { f(x) zichlik funksiyasini olish uchun ishlatiladi.
{ f(x) Bayes klassifikatorini amalga oshirish uchun ishlatiladi. Yangi namunaviy xususiyatga ega bo'lganimizda va sinfning shartli zichligi qiymatini hisoblash zarurati tug'ilganda, { f(x) ishlatiladi.
{ f(x) namunaviy kirish maʼlumotlari qiymatini oladi va berilgan maʼlumotlar namunasining zichligi taxminini qaytaradi.
K-ma'lumotlar namunalariga ega bo'lgan n-o'lchovli giperkub ko'rib chiqiladi.
Giperkubning chetining uzunligi hn deb qabul qilinadi
Demak, giperkubning hajmi: Vn = hnd
Biz giperkub oyna funksiyasini aniqlaymiz, ph(u) u boshlang'ich nuqtasida joylashgan giperkub birligining indikator funksiyasi.
ph(u) = 1, agar |ui| <= 0,5
ph(u) = 0 aks holda
Bu yerda u vektor, u = (u1, u2, …, ud)T.
ph(u) quyidagilarni qondirishi kerak:
|
2 – variant - 1 savol Faktorli tahlil. Bosh komponentlar metodi.
|
|
Do'stlaringiz bilan baham: |
