Sun’iy intelekt va neyron to’rli texnologiyalar fanidan

Xemming tarmog'i
Reja:

1. 
   Xemming tarmog’i.
   
2. 
   Hamming tarmog'ining strukturaviy diagrammasi.
   
3. 
   dap ning strukturaviy diagrammasi.
   

Shakl.3 Hamming tarmog'ining strukturaviy diagrammasi
Tarmoq aniq namuna berishi shart bo'lmaganda, ya'ni, masalan, namuna raqamini olish kifoya, assotsiativ xotira Hamming tarmog'ini muvaffaqiyatli amalga oshiradi. Ushbu tarmoq Hopfild tarmog'i bilan taqqoslaganda, uning tuzilishidan ko'rinib turadigan xotira va hisoblash hajmining arzonligi bilan ajralib turadi .
Tarmoq ikki qatlamdan iborat. Birinchi va ikkinchi qatlamlarda m neyronlar mavjud, bu erda m – namunalar soni. Birinchi qatlam neyronlari tarmoq kirishlari bilan bog'langan n sinapsga ega (qo'g'irchoq nol qatlamini hosil qiladi). Ikkinchi qatlam neyronlari Inhibitor (salbiy teskari) sinaptik aloqalar bilan bog'langan. Har bir neyron uchun ijobiy teskari aloqa bilan bitta sinaps o'z aksoniga ulangan.
Tarmoqning g'oyasi sinovdan o'tgan tasvirdan barcha namunalarga Hamming masofasini topishdir. Hamming masofasi ikki ikkilik vektorda farq qiluvchi bitlar soni deb ataladi. Tarmoq noma'lum kirish signaliga minimal Hamming masofasi bilan namunani tanlashi kerak, natijada ushbu namunaga mos keladigan faqat bitta tarmoq chiqishi faollashadi.
Ishga tushirish bosqichida birinchi qatlamning og'irlik koeffitsientlari va faollashtirish funktsiyasining chegarasi quyidagi qiymatlarga beriladi:
, i=0...n-1, k=0...m-1 (5)
Tk = n / 2, k = 0...m-1 (6)
Bu erda xik-k-namunaning i-chi elementi.
Ikkinchi qavatdagi inhibitiv sinapslarning og'irlik koeffitsientlari ma'lum bir qiymatga teng 0 <  < 1 / m. o'z aksoni bilan bog'langan neyron Sinapsining vazni +1 ga teng.
Hamming tarmog'ining ishlash algoritmi quyidagicha:
1. Noma'lum vektor x \ u003d (xi:i \ u003d 0 tarmoq kirishlariga beriladi...n-1}, undan birinchi qatlam neyronlarining holati hisoblab chiqiladi (qavs ichidagi yuqori belgi qatlam raqamini bildiradi):
, j=0...m-1 (7)
Shundan so'ng, olingan qiymatlar ikkinchi qatlam aksonlarining qiymatlarini ishga tushiradi:
yj(2) = yj(1), j = 0...m-1 (8)
2. Ikkinchi qatlam neyronlarining yangi holatlarini hisoblang:
(9)
va ularning aksonlarining qiymatlari:
(10)
F faollashtirish funktsiyasi chegara shakliga ega (1-rasm). 2b) va f qiymati argumentning har qanday mumkin bo'lgan qiymatlari to'yinganlikka olib kelmasligi uchun etarlicha katta bo'lishi kerak.
3. Oxirgi iteratsiyada ikkinchi qatlam neyronlarining chiqishi o'zgarganligini tekshiring. Agar shunday bo'lsa-2-bosqichga o'ting. Aks holda-oxiri.
Algoritmni baholashdan ko'rinib turibdiki, birinchi qatlamning roli juda o'zboshimchalik bilan amalga oshiriladi: 1-bosqichda bir marta uning og'irlik koeffitsientlarining qiymatlaridan foydalangan holda, tarmoq endi unga murojaat qilmaydi, shuning uchun birinchi qatlam tarmoqdan butunlay chiqarib tashlanishi mumkin (og'irlik matritsasi bilan almashtirildi), bu quyida tavsiflangan aniq amalga oshirishda amalga oshirildi.
Hamming tarmog'ining dasturiy modeli neuronhn, LayerHN va NetHN maxsus sinflari to'plami asosida qurilgan – tsiklning oldingi maqolalarida ko'rib chiqilgan sinflarning hosilalari . Sinf tavsiflari 1-ro'yxatda keltirilgan. Barcha funktsiyalarning chiqarilishi NEURO_HN faylida (listing 2). NeuronHN va LayerHN sinflari ko'p usullarni asosiy sinflardan meros qilib oladi.
NetHN sinfida quyidagi elementlar aniqlangan:
Nin va Nout mos ravishda ma'lumotlar va namunalar soni bilan kirish vektorining o'lchamidir; dx va dy-kirish tasvirining o'lchamlari ikkita koordinatada (uch o'lchovli tasvirlar uchun siz dz o'zgaruvchisini qo'shishingiz kerak), dx*dy Nin ga teng bo'lishi kerak, bu o'zgaruvchilar LoadNextPattern faylidan ma'lumotlarni yuklab olish funktsiyasi tomonidan ishlatiladi; DX va DY-chiqish qatlamining o'lchamlari( faqat Show funktsiyasidan foydalangan holda chiqish qatlamining ko'rsatilishiga ta'sir qiladi); ikkala o'lcham juftligi setdxdy funktsiyasi bilan o'rnatiladi; Sinf-setclasses funktsiyasi bilan to'ldirilgan namunaviy ma'lumotlarga ega bo'lgan massiv, bu funktsiya namunaviy ma'lumotlarni eslab qolish uchun qisqartirilgan umumiy tarmoqni ishga tushirishni amalga oshiradi.
Initialize usuli sinovdan o'tgan ma'lumotlar darajasida qo'shimcha ishga tushirishni amalga oshiradi (algoritmning 1-bosqichi). Cycle usuli 2-bosqichni amalga oshiradi va isconverged usuli neyronlarning holati barqarorlashganligini tekshiradi . Global funktsiyalardan-SetSigmoidAlfaHN sizga faollashtirish funktsiyasining f parametrini o'rnatishga imkon beradi va SetLimitHN noldan birgacha bo'lgan koeffitsientni belgilaydi va величины ni tashkil etuvchi 1/m qiymatining ulushini aniqlaydi .
Listing 3-da tarmoqni tekshirish uchun sinov dasturi mavjud. Bu erda beshta neyrondan iborat ikkinchi qatlamli tarmoq qurilib, beshta kirish naqshini tanib oladi, ular 5 dan 6 gacha bo'lgan harflarning sxematik tasvirlari (1-rasmga qarang).4a). Tarmoqni o'rganish aslida "charh" faylida yozilgan mukammal rasmlarni yuklash va eslab qolish bilan bog'liq.img", 4-ro'yxatda keltirilgan. Keyin 8/30 shovqinli tasvirlar navbat bilan uning kirishiga beriladi (rasmga qarang.4B) "charhh" faylidan.img " 5 ro'yxatidan muvaffaqiyatli ajratib turadi.