|
8.3. Audio ma’lumotlarni kodlashda uchun neyrotarmoqli
texnologiyalar taxlili. Audioma’lumotlarni siqish uchun
neyroprotsessor va neyrokompyuterlarning ishlatish
samaradorligini zamonaviy baholash
Ovoz elementlari va lingvistik elementlarni kodlash hozirgi kunda
keng ommalashayotgan va deyarli o‘rganilmagan siqish usullaridan
hisobalanadi. Ushbu kodlash ovoz signallarini tanib olish va sintez qilish
usullari bilan amalga oshiriladi. Kodlash asosan yashirin markov
modellari va neyron tarmoqlari yordamida amalga oshiriladi.
Neyron tarmoqlar tahlili natijasida, bitta neyron tahlil qilinayotgan
signal va uning og‘irligiga kiritilgan lokal vaqt funksiyalari orasidagi
xatolikni hisoblash imkonini berishi mumkinligi xulosasiga kelindi.
Ushbu xususiyatni batafsil yoritish uchun neyronning matematik
modelini ko‘rib chiqamiz. (8.5-rasm)
8.5-rasm. Neyron matematik modeli
Keltirilgan matematik modelni quyidagi ifoda yordamida ifodalash
mumkin:
(20.1)
bu yerda, xi – xususiyatlarning kiruvchi vektori, wi – og‘irliklar
matritsasi, b0 – neyronlarning qo‘zg‘alishi, f(x) – neytronni
aktivlashtirish funksiyasi.
Agar kiruvchi vektor sifatida xi kiruvchi signal x
i
=x(t
i
) hisoblariga
va wi=w(ti) og‘irlik hisobalirga mos bo‘lgan holda diskret signal kesimi
olinsa, bundan tashqari neyronni aktivlashtirish funksiyasi chiziqli va
neyron siljishi nolga teng deb qabul qilinsa, quyidagi ifodani olamiz:
241
(20.2)
Δt=ti – ti-1→0, bo‘lgan holatda integral ko‘rinishga keltirib
olamiz:
(20.3)
Neyronning kiruvchi vektori “oyna”ga kiruvchi signal qirqimi
hisoblanganligi va ushbu “oyna” vaqt o‘qi bo‘ylab harakatlanishini
hisobga olib, neyron chiqishi quyidagi ko‘rinishga ega bo‘ladi:
(20.4)
bu yerda τ – kiruvchi signalga nisbatan oynaning siljishi.
(20.4) ifodadan ma’lumki, tavsiflangan usul bilan neyronni
kirishiga diskret signalni uzatganda kiruvchi signal va ichki neyron
funksiya
og‘irligi orasidagi korrelyatsiya neyronning chiqishi
hisoblanadi.
Ushbu xususiyatlar asosida ovoz signalarini tanib olishning
quyidagi struktura sxemasi taklif qilingan:
8.6-rasm. Fonemani tanib olish struktura sxemasi
Tahlillovchi kadrga kiruvchi signalning kesmasi bo‘lgan neyron
tarmog‘ining kirish vektorini shakllantiruvchi kechiktirish yo‘lagiga
(KY) kirish ovoz signali keladi. Kechiktirish yo‘lagidan so‘ng signal
neyronlarni korrelyatsiya qatlamiga (KQ) keladi. Neyronlarning soni
nechta korrelyator shakllantirish kerakligiga bog‘liq. Xatolik qatlamidan
signal ikki qatlamdan iborat bo‘lgan neyronli taxlillovchi tarmoq
242
kirishiga tushadi. Taxlillovchi tarmoqning ikkinchi qatlamida har bir
neyron ma’lum bir fonema belgilariga mos keladi. Tahlillovchi qatlam
chiqishi sifatida qaysi fonema hozirda kiruvchi signal tarkibida
ekanligini ko‘rsatuvchi signal xizmat qiladi Ushbu tizimning avfzalligi
sifatida korrelyatsion qatlamni o‘rganishda ovoz signallari korrelyantlari
guruhi shakllanadi, ya’ni ovoz signallarining avtomatik tarzda neyron
tarmoqlariga kiruvchi vektor hosil qilinadi. Ushbu qatlamga kiruvchi
neyronlar xususiyatlari soni kirishga berilgan neyronlar soniga bog‘liq.
Tahlillanuvchi qatlamda ushbu korrelyatlarni ularning fonem belgilari
bilan moslashuvchi tahlillish usuli shakllanadi. Shuni ta’kidlash lozimki,
ushbu tizim ish rejimida holatdagi tezligi Fure va Veyvlet
almashtirishlar asosida ishlovchi analizatorlar tezligidan yuqoridir.
Neyron tarmoqlar tamoyillari tahlili shuni ko‘rsatadiki, ular ish
faoliyatida bo‘lishi uchun juda murakkab matematik amallarni paralell
ravishda bajarish talab etiladi. Shuning uchun ham hisob kitoblar
tezligini sezilarli darajada oshirish uchun maxsus neyroprotsessorlar va
neyrokompyuterlardan keng foydalanilmoqda. Ular tasvir va ovoz
signallarini qayta ishlash bo‘yicha murakkab amallarni bajarishda ancha
samarali. Ammo hozirgi kunda neyrokompyuterlar narxi balandligi
tufayli ulardan ommaviy ravishda foydalanish cheklanib kelmoqda,
hozirda asosan ShKlarga mos keladigan neyroprotsessorlardan keng
foydalanib kelinmoqda. Bundan tashqari, murakkab masalalarni
yechishda maxsus dasturiy ta’minotga esha Shklardan foydalaniladi.
Tahlilar
shuni
ko‘rsatmoqdaki,
neyrokompyuterlar
biz
foydalanayotgan Shklardan sezilarli darajada farq qiladi. Ularning asosiy
farqi shundaki, ularda dasturlash o‘rnini ta’lim olish xususiyati
egallashidadir. Bunday holatda katta miqdordagi oson hisoblash amallari
paralell ravishda o‘ta katta tezlikda amalga oshiriladi, bundan tashqari
xalqitbardoshlilik va muntazam faoliyat ta’minlanishi oshiriladi.
Hozirgi
kunda
videoma’lumotlarni qayta ishlash uchun
L1879VM1 va L1879VM3 markali rossiyada ishlab chiqarilgan
neyroprotsessorlar
keng
foydalanib
kelinmoqda.
L1879VM1
protsessorining o‘ziga xos xususiyati shundaki, uning 64 razryad
o‘lchamli to‘r protsessori yordamida bir vaqtning o‘zida bir nechta
neyronlarga mos keluvchi matematik amallar bajariladi. O‘z navbatida
L1879VM3 mikrosxemasi kristallar hisobiga qurilgan yakunlangan
tizim bo‘lib, ular keng polosali kvadratur signallarni qayta ishlash va
yuqorichastotali
analog
signallarni
tahlil
qilish
uchun
243
mo‘ljallanganUshbu mikrosxema kam energiya sarflaydi, yuqori
ishonchlilik va xalaqitbardoshlikka ega, bundan tashqari signal tarqalish
tezligi kristal sxema tuzilishiga mos ravishda oshiriladi.
Shunday
qilib,
neyrokompyuterlar
yangi
texnologiyalar
rivojlanishidagi istiqbolli yo‘nalish hisoblanadi. Hozirgi vaqtda ovoz
signalari sifatini oshirish maqsadida neyron tarmoqlar bo‘yicha
izlanishlar olib borilmoqda.
244
Do'stlaringiz bilan baham: |
