Ma’ruza №15 Mavzu: Neyron tarmoqlari

To’labog’langan tarmoqlar. Har bir neyron o’zi bilan birgalikda chiquvchi signallarini qolgan neyronlarga uzatadi. Tarmoqlarning chiquvchi signallari-barcha signallar yoki tarmoqlarning bir nechta taktlarining ishlashi natijasida hosil bo’lgan ba’zi bir chiquvchi signallardan iborat bo’lishi mumkin. Bunda barcha kirish signallari barcha neyronlarga uzatiladi.
To’labo’g’langan tarmoqlar uchun neyronning kirish summatori ikkiga tarqaladi: birinchisi-tarmoqlarning kirish signallarining chiziqli funksiyasini hisoblaydi, ikkinchisi esa-oldingi qadamda olingan boshqa neyronlarning chiquvchi signallarining chiziqli funksiyasini hisoblaydi.
Summatorning chiquvchi signalini almashtiruvchi - chiziqlimas ozgartkichning neyronlarni faollashtiruvchi funksiyasi (xarakteristikali funksiyasi) tarmoqlarning barcha neyronlari uchun bir xil bo’lishi mumkin (15.7-rasmga qarang). Bu holda tarmoq birjinsli deyiladi. Agarda - chiziqlimas o’zgartkich qiymatlari neyrondan neyronga o’tganda o’zgaradigan yana bitta yoki bir nechta parametrlardan bog’liq bo’lsa, u holda bunday tarmoq birjinslimas tarmoq deb ataladi.
To’labog’langan va qatlamli tarmoqlar o’rtasidagi muhim farq mavjud boladi, qachonki taktlar sonining ishlashi oldindan chegaralanmagan bo’lsa. Qatlamli tarmoqda taktlar sonining ishlashi oldindan chegaralangan, to’labog’langan tarmoqda esa - chegaralanmagan bo’ladi. Shuning uchun qatlamli tarmoq to’labog’langan tarmoqning xususiy xoli hisoblanadi.

4. Neyron tarmoqlar yordamida yechiladigan asosiy masalalar

Quyida keltiriladigan predmet sohalarining har birida NTlar uchun masalaning qoʻyilishini aniqlashtirish mumkin. Hozirgi kunda bunday masalalarni yechishning muvaffaqiyatli amaliy tadbiqiy sohalarini birma-bar qarab chiqamiz.

Iqtisodiyot va biznesda: vaqtga doir qatorlar (valyuta kurslari, kursi, tovar narxi, savdo hajmi, … ), avtomatlashtirilgan savdo (valyuta, aksiyalari yoki tovar birjasida savdo), kreditning qaytmaslik xavflarini baholash; bankrotlikni bashoratlash, koʻchmas mulkni baholash; narxlarining oshishiga va yetarli darajada baholanmagan kompaniyalarni aniqlash, reytingni baholash, tovar va pul oqimlarini optimallashtirish, chek va hujjatlarni oʻqish va tanib olish, plastik kartochkalar boʻyicha tranzaksiyalar xavfsizligi.
Tibbiyotda: bemorga tashxis qoʻyish, tibbiy tasvirlarni qayta ishlash, bemorning holatini monitoringlash, davolash samaradorligini tahlil qilish, tibbiy asboblar shovqin(xatolik)lari koʻrsatkichlarini tozalash.
Aviatsiyada: oʻqitilgan avtopilotlar, radar signallarini tanib olishga, kuchli zarar koʻrgan samolyotni adaptiv boshqaruvi, uchuvchisiz uchish apparatlari - dronlarni boshqarish.
Aloqada: video axborot siqishni, tezkor kodlash-dekodlash, tarmoq va paketli marshrutlash loyihalarni optimallashtirish.
Internetda: axborotni assotsiativ qidirish, internetda elektron kotiblar va muxtor agentlar, spamlarni filtrlash va toʻsib qoʻyish, yangiliklar lentasidan xabarlarni avtomatik boʻlimlarga ajratish, elektron tijorat uchun avto manzilli reklamalar va marketing.
Ishlab-chiqarishni avtomatlashtirishda: ishlab-chiqarish jarayonlarining holatini optimallashtirish, mahsulot sifatini nazorat qilish, koʻp oʻlchovli dispetcherli ma’lumotlarni monitoringlash va vizuallashtirish, favqulodda vaziyatlar haqida xabar berish.
Robototexnikada: robot oldindagi koʻrish maydonini, obyektlarni va toʻsiqlarni tanib olishgai, harakat yoʻlini qurish; manipulyatorni nazorat qilish, muvozanatni saqlash.
Siyosiy va ijtimoiy texnologiyalarda: saylov natijalarini taxmin qilish; soʻrovnomalarni tahlil qilish, reytinglar dinamikasini bashoratlash, muhim omillarni aniqlash, saylovchilarning klasterlarini aniqlash, aholini ijtimoiy dinamikasini oʻrganish va tasvirlash.
Xavfsizlik va qoʻriqlash tizimlarida: shaxs yuzini tanib olishga, barmoq izidan, ovozidan, imzosi va yuzidan shaxsini identifikatsiyalash, avtomashina davlat nomer belgisini tanib olishga, aerokosmik tasvirlarni tahlil qilish, kompyuter tarmoqlarida axborot oqimini monitoringi va hujumlarni aniqlab berish, soxtalikni aniqlash, videodatchik va turli sensorlardan tushayotgan ma’lumotlarni tahlil qilish.
Axborotni kiritish va qayta ishlashda: qoʻlyozma matnlarni tanib olishga, skanerlangan pochta, toʻlov, moliyaviy va buxgalteriya hujjatlarini tanib olishga.
Geologik oʻrganish(razvedka)da: seysmik ma'lumotlarni tahlil qilish, foydali qazilmalarni qidirishning assotsiativ uslublari, qazilma boylik manbalarini baholash.
NTlarning yuqorida keltirilgan sohalarda qoʻllanilishining to’liq tavsiflari [22, 24, 29, 64, 65, 71, 78, 92, 94, 117] ishlarda to’liq keltirilgan. Haqiqatan ham NTlar - ma’lumotlarga ishlov berish va tahlil qilishning turli xil masalalarini yechish uchun kuchli va moslashuvchan vositalar majmuidir. Ya’ni:
1) Sinflash. Bunday masalalarda obyektning belgilar vektori beriladi. Bular asosida har bir obyektni oʻzaro kesishmaydigan sinflardan biriga, ya’ni sinfga kiritish kerak. Masalan, uchadigan obyektlarning belgilari qanotlar, dvigatel, patlar va h.k. boʻlishi mumkin. Bunday obyektlarning sinflari: Samolyot, Qush, Raketa va h.k. kabilar boʻlishi mumkin. Belgilarning majmuisi kirish vektorini, sinflar majmuisi esa - chiqish vektorini tashkil qiladi. Mazkur masalani yechish uchun ta kirish va ta chiqish neyronlardan iborat boʻlgan perseptron turdagi NT quriladi. Aniq belgilar vektori kirishga berilganda NTning chiqish qatlamida eng yuqori darajadagi faol neyron tanlanadi. Bu neyron beriladigan belgilarga muvofiq boʻlgan sinfni belgilaydi. Masala toʻgʻri yechilishi uchun NTni oʻrgatish kerak. Oʻrgatish jarayonida tadqiq qilinayotgan obyektlarning oʻzgaruvchan bogʻlanishli koeffitsiyentlarining qiymatlari belgilar va sinflarning aniq qiymatlariga munosib etib moslanadi.
2) Klasterlash. Bu masalalarda belgilar majmuisi asosida obyektlar alohida klaster(sinf)larga ajratiladi. Bitta sinfga kiradigan obyektlar belgilar majmuisi boʻyicha bir-biriga yaqin boʻlishi kerak. Turli sinflarga kiradigan obyektlar esa belgilar majmuisi boʻyicha bir-biridan uzoq boʻlishi kerak. Bunday masalani yechish uchun dastlabki belgilar majmuasida qatnashadigan belgilar soniga teng boʻlgan kirish va sinflar soniga teng boʻlgan chiqish neyronlardan iborat boʻlgan NT quriladi. Bunday NTning vaznli koeffitsiyent qiymatlari oʻrgatish jarayonda topiladi.
3) Approksimatsiyalash. Bunday masalada izlangan funksiyaga toʻgʻri keladigan va qanoatlantiradigan approksimatsiyalovchi funksiyasi tanlab olinadi. Bu yerda - funksiyalar oʻrtasidagi masofa uchun berilgan kichik qiymat (porog). Umumiy holda funksiyaning koʻrinishi noma’lum boʻladi. U turdagi “kirish - chiqish” qiymatlar juftligi bilan beriladi. Bu yerda - kirish oʻzgaruvchilar qiymatlari, esa chiqishdagi funksiyalar qiymatlari. An’anaviy matematik usullardan foydalanib, avval kerakli approksimatsiyalash modeli funksiyaning koʻrinishi) tanlab olinadi. Keyin tanlab olingan mezonlar boʻyicha funksiyaning koeffitsiyentlari topiladi. NTlar universal approksimatorlar boʻlib, approksimatsiyalovchi funksiyani tanlab olishni talab qilmaydi. Bu yerda NTni oʻrgatish uchun faqat qayd qilingan juftlar qaraladi. Bu masala obyektlarni identifikatsiyalashda, ularning aniq matematik modellarini qurish murakkab boʻlgan holatlarda keng qoʻllaniladi.
4) Avtoassotsiatsiya. Bu masala assotsiativ xotira modellarini qurish masalasi bilan bogʻliq. Assotsiativ xotirali neyron modelida neyron guruhlar orqali tegishli obyektlarning ba’zi qismlarini xotiraga olinishi ta’minlanadi. Bunday NTning kirishiga obyektning qismi berilganda uning chiqishida butun obyektni tavsiflaydigan neyronlarning barchasi faollashtiriladi.
Shuni qayd qilish kerakki, bir qatlamli NTlar faqat sodda masalalarni yechish qobiliyatiga ega. Murakkab masalalarni yechish uchun turli tipdagi koʻp qatlamli NTlar ishlatiladi.