Neyron tarmoq asosida obyektlarni tanib olish

Perseptron deb-quyidagi funksiyaning qiymatini hisoblovchi qurilmaga aytiladi [2]:
,
bu yerda - perseptron vazni, θ - chegaraviy qiymat (porog), - kirish signallarining qiymatlari, -qavs mantiqiy o’zgaruvchilarning «Chin» yoki «Yolg’on» qiymatlaridan 0 yoki 1 sonli qiymatlarga o’tishni bildiradi. Perseptronning kirish signallari sifatida barcha tarmoqlarning kirish x signallari va boshqa perseptronlarning chiqish signallari qatnashishi mumkin. Doimiy kirish signalini qo’chimcha kiritib va e’tiborga olib perseptronni quyidagi ko’rinishda yozish mumkin:

Korinib turibdiki, ushbu ifoda chegaraviy qiymatli chiziqlimas almashtirgichli bitta neyron bilan hisoblanadi. Neyronlarning shunday bir nechta qatlamlari tizmasi (kaskad) ko’pqatlamli perseptron deb ataladi. Endi perseptronning ba’zi bir xossalarini qaraymiz. Perseptronning batafsil tavsifi va ifodasi [2] ishda keltirilgan.
Rozenblatt perseptroni [2] tarixiy birinchi o’rgatuvchi NT hisoblanadi. Perseptronning bir nechta turlari mavjud (15.13 va 15.14-rasmlar).
Klassikli perseptronni, ya’ni chegaraviy qiymatli neyronlarga va kirish signallari qiymati no’l yoki birga teng bo’lgan tarmoqni qaraymiz. [2] ishda keltirilgan natijalarga muvofiq tarmoqlarning strukturasiga quyidagi chegaralarni kiritish mumkin.
Barcha sinaptikli (kirish) vaznlar butun sonlardan iborat bo’lishi mumkin. Ko’pqatlamli perseptron o’zining imkoniyatlari bo’yicha ikkiqatlamliga ekvivalent bo’ladi. Barcha neyronlar sinapsga ega bo’lib, ushbu sinapslarga doimoi birlik signal uzatiladi. Ushbu sinapsning vaznini bundan keyin chegaraviy qiymat (porog) deb ataymiz. Birinchi qatlamning har bir neyroni barcha bog’lanishli aloqalarda kirish signallaridan chiquvchi va minus ishora bilan olingan hamda ikkiga kamaytirilgan chegaraviy qiymati kirish signallarining summatorlar soniga teng bo’lgan bitta sinaptikli vaznga ega bo’ladi.






Shunday qilib, obyektlarni tanib olishga o’rgatmaydigan birinchi qatlamni o’z ichiga olgan ikkiqatlamli perseptronlar bilan chegaralanish mumkin. Ta’kidlaymizki, to’la birinchi qatlamni qurish uchun 2ⁿ ta neyronlardan foydalanish talab qilinar edi, bu yerda n - perseptronning kirish signallari to’plami.
15.2а-rasmda kirish signallarining uch o’lchovli vektori uchun to’liq perseptronning sxemasi keltirilgan. Albatta n ning yetarli katta qiymatlarida bunday tarmoqlarni qurish mumkin bolmaganligi uchun bu holda birinchi qatlamning ba’zi neyronlar to’plamostilaridan foydalaniladi. Bunday to’plamostilari sonini faqat masalani to’liq yechib bo’lgandan keyin aniqlash mumkin. Odatda foydalaniladigan to’plamostilari tadqiqotchi tomonidan qandaydir mazmunli mulohazalar asosida yoki tavakkal ravishda tanlanadi.
Perseptronni o’rgatishning klassikli algoritmi Xebba qoidasining xususiy holi hisoblanadi [1]. Perseptronni birinchi qatlamining vaznlar aloqasi obyektlarni tanib olishda o’rgatuvchi hisoblanmaganligi uchun ikkinchi qatlam neyronining vaznini bundan keyin vaznlar deb ataymiz. Ta’kidlaymizki, agar perseptronga birinchi sinfning obyekti kelib tushsa, u holda perseptron chiqishda nol(0)li signal, agarda obyekt ikkinchi sinfdan kelib tushsa-bir(1)li signal berishi kerak.




Рис.15.3. Rozenblatt perseptroni ikkinchi qatlamining to’g’ri
va teskari ishlashi.