Fakultet Kompyuter injinering

Oʻz-oʻzini oʻrganish[tahrir | manbasini tahrirlash]
Neyron tarmoqlarda oʻz-oʻzini oʻrganish 1982-yilda Crossbar Adaptive Array (CAA) deb nomlangan oʻz-oʻzini oʻrganishga qodir neyron tarmogʻi bilan birga kiritilgan.[65] Bu faqat bitta kirish, vaziyat s va faqat bitta chiqish, harakat (yoki xatti-harakatlar) boʻlgan tizimdir. Unda na tashqi maslahat kiritish, na atrof-muhitdan tashqi mustahkamlash kiritish mavjud. Tizim idrok va hissiyot oʻrtasidagi oʻzaro taʼsir orqali boshqariladi.[66] Xotira matritsasi W =||w(a, s)|| ni hisobga olgan holda, har bir iteratsiyada oʻzaro bogʻliqlikni oʻz-oʻzidan oʻrganish algoritmi quyidagi hisoblashni amalga oshiradi:
In situation s perform action a;
Receive consequence situation s';
Compute emotion of being in consequence situation v(s');
Update crossbar memory w'(a,s) = w(a,s) + v(s').
CAA ikkita muhitda mavjud boʻlib, biri oʻzini tutadigan xulq-atvor muhiti va ikkinchisi genetik muhit boʻlib, u erdan dastlab va faqat bir marta xulq-atvor muhitida duch keladigan vaziyatlar haqida dastlabki his-tuygʻularni oladi. Genetik muhitdan genom vektorini (turlar vektorini) olgandan soʻng, CAA kerakli va nomaqbul vaziyatlarni oʻz ichiga olgan xulq-atvor muhitida maqsadga intiladigan xatti-harakatni oʻrganadi.[67]
Neyroevolyutsiya[tahrir | manbasini tahrirlash]
Neyroevolyutsiya evolyutsion hisoblash yordamida neyron tarmoq topologiyalari va ogʻirliklarini yaratishi mumkin. Neyroevolyutsiyaning afzalliklaridan biri shundaki, u „oʻlik nuqtalar“ ga tushib qolishga kamroq moyil boʻlishi mumkin.
Stokastik neyron tarmogʻi[tahrir | manbasini tahrirlash]
Sherrington-Kirkpatrik modellaridan kelib chiqqan stoxastik neyron tarmoqlar tarmoqqa tasodifiy oʻzgarishlar kiritish yoki tarmoqning sunʼiy neyronlariga stokastik uzatish funksiyalarini, berish yoki ularga stokastik ogʻirliklar berish orqali qurilgan sunʼiy neyron tarmoq turidir.Bu ularni optimallashtirish muammolari uchun foydali vositalarga aylantiradi, chunki tasodifiy tebranishlar tarmoqni mahalliy minimaldan qochishga yordam beradi.
Evolyutsion usullar,[69] gen ifodasini dasturlash,[70] simulyatsiya qilingan tavlanish,[71] kutish-maksimizatsiya, parametrik boʻlmagan usullar va zarrachalar toʻdasini optimallashtirish[72] boshqa oʻrganish algoritmlaridir. Konvergent rekursiya — serebellar model artikulyatsiya boshqaruvchisi (CMAC) neyron tarmoqlarini oʻrganish algoritmi
Oʻrganishning ikkita usuli mavjud: stokastik va ommaviy. Stokastik oʻrganishda har bir kiritish vazNTi sozlashni yaratadi. Toʻplamda oʻrganish ogʻirliklari partiya boʻyicha xatolar toʻplanib, kirishlar partiyasi asosida oʻrnatiladi. Biroq, toʻplamli oʻrganish odatda mahalliy minimal darajaga tezroq va barqaror pasayish imkonini beradi, chunki har bir yangilash partiyaning oʻrtacha xatosi yoʻnalishi boʻyicha amalga oshiriladi. Umumiy kelishuv „mini-partiyalar“ dan, har bir partiyadagi namunalar bilan butun maʼlumotlar toʻplamidan stokastik tarzda tanlangan kichik partiyalardan foydalanishdir.
Turlari[tahrir | manbasini tahrirlash]
SNT koʻplab sohalarda eng ilgʻor texnologiyalarning keng oilasiga aylandi. Eng oddiy turlar bir yoki bir nechta statik komponentlarga ega. Jumladan birliklar soni, qatlamlar soni, birlik ogʻirliklari va topologiya.Dinamik turlar ulardan bir yoki bir nechtasini oʻrganish orqali rivojlanishiga imkon beradi. Ikkinchisi ancha murakkab, ammo oʻrganish muddatlarini qisqartirishi va yaxshi natijalar berishi mumkin. Baʼzi turlari faqat apparatda ishlaydi, boshqalari esa sof dasturiy taʼminot boʻlib, umumiy maqsadli kompyuterlarda ishlaydi. Baʼzi asosiy yutuqlarga quyidagilar kiradi: vizual va boshqa ikki oʻlchovli maʼlumotlarni qayta ishlashda ayniqsa muvaffaqiyatli boʻlgan konvolyutsion neyron tarmoqlari mavjuddir.
http://fayllar.org