bob sun’iy neyron modeli. Perseptron modeli

Perseptronlarning imkoniyatlari va cheklovlari
Rozenblatning o'zi uch qatlamli perseptronlar uchun ikkita asosiy cheklovlarni aniqladi (bitta S-qatlam, bitta Aqatlam va R-qatlamdan iborat):
• ularning xususiyatlarini yangi stimullarga umumlashtirish
qobiliyatining yo'qligi.
• tashqi muhitdagi murakkab vaziyatlarni oddiyroqlarga bo‘lish yo‘li bilan tahlil qila olmaslik.
1969 yilda M. Minsky va S. Papert "Perseptronlar" kitobini nashr etishdi, ularda ular Rosenblatt kabi perseptronlar perseptronlardan olishni istagan ko'plab funktsiyalarni tubdan bajara olmasligini matematik tarzda ko'rsatdilar.
ANN va, xususan, perseptronning qobiliyatlari reklama qilingan darajada katta emas. Va bu hatto prognozni amalga oshiradigan qurilma yoki algoritm bilan emas, balki hodisaning o'zi bilan bog'liq. Faqatgina prognoz asoslanadigan muhim parametrlar hisobga olingan taqdirdagina muvaffaqiyatga erishiladi. Bunday parametrlar aniqlangach, statistik ma'lumotlarni qayta ishlashni boshlash va hodisaning modelini qurish mumkin. Ammo bu model faqat tanlangan kirish parametrlarining o'tmishda sodir bo'lgan chiqish parametrlariga og'liqligini ko'rsatadi. Minskiy boshqa statistik prognozlash usullari bilan solishtirganda perseptronning bu borada jiddiy afzalliklari yo'qligini ko'rsatishga harakat qildi.
Ammo farq shundaki, klassik statistik usullar ko'plab murakkab tenglamalarni hisoblashni talab qiladi va perseptron kerakli tenglamalarni tabiiyroq hal qiladi, bu uning dizayni bilan bog'liq. Agar siz perseptronga matematikning ko'zi bilan qarasangiz, bu ko'p sonli noma'lum koeffitsientli tenglamalar tizimini echish usuli
ekanligi ayon bo'ladi. Ushbu koeffitsientlarni qidirish algoritmi tenglamalarni echishning o'xshash klassik usullariga qaraganda texnik jihatdan tezroq.
Eng muhim parametrlarni o'z ichiga olgan tenglamalar tizimini qurib, biz fizika qonunlariga yaqin bo'lgan, lekin faqat ko'p sonli o'zgaruvchilar bilan ishlaydigan qonunni topdik, deb aytishimiz mumkin. Aynan shu modellar ko'p sonli holatlarga ega bo'lgan tizimlarni tavsiflash imkonini beradi - biologik, ijtimoiy va boshqalar. Aynan shu ma'noda prognoz haqida gapirish mumkin.
Bajarilgan bashoratning sifati yoki tuzilgan modelning to'g'riligi uni qurishda foydalanilgan bilimlar miqdoriga bog'liq . Agar model barcha zaruriy bilimlarning yarmiga tayangan holda noma’lum bilimlarning ikkinchi yarmini to‘ldirish (bashorat qilish) imkoniyatiga ega bo‘lishini istasak, unda barcha mumkin bo‘lgan holatlar makonida bir xilda taqsimlangan ma’lumotlarga ega bo‘lish maqsadga muvofiqdir. Bunday holda, perseptron noma'lum, ammo ma'lumga yaqin natijalarni ma'lum bir to'g'rilik ehtimoli bilan bashorat qilishga qodir.
Inson bunday vazifani tezda engadi, chunki u ma'lum bir o'xshashlikni topadi. Perseptron uchun (shuningdek, boshqa bir qator ANN uchun) bu vazifa juda murakkab. Bu ANNning asosiy cheklovi – invariant topa olmaslik bilan bog'liq, buning natijasida perseptron faqat statistik mashina sifatida ishlaydi, qaror qabul
qilish uchun asos bo'ladigan invariantlarni mustaqil ravishda topa olmaydi.
Bunday muammolar paydo bo'ladi, masalan, agar biz bosma harflar yoki raqamlarni o'qish uchun mashina qurmoqchi bo'lsak, bu mashina ularni sahifadagi joylashuvidan qat'iy nazar taniy olishi uchun; yoki figuraning necha qismdan iboratligini aniqlashimiz kerak bo'lsa; yoki ikkita raqam qo'shnimi yoki yo'qmi.

https://yandex.ru/search/?text=perseptron+modeli.pdf&search_source=dzen_desktop_safe&src=suggest_Pers&lr=21606

Perseptron arxitekturasi