«Elektronika va avtomatika» fakulteti «intellektuаl oʼLChАSh аsboblаri» fanidan amaliy mashg‘ulotlarni o‘tkazish uchun uslubiy ko’rsatmalar

Neyron tarmoqlarni qo’llash va amaliy vazifalar nimalarni o’ ichiga oladi.
Tasvirlarning tasnifi. Vazifa xususiyat vektori bilan ifodalangan kirish tasviri (masalan, til signali yoki qo'lda yozilgan belgi) bir yoki bir nechta oldindan belgilangan sinflarga tegishli ekanligini aniqlashdan iborat. Ma'lum bo'lgan ilovalar harflarni tanib olish, til, elektrokardiogramma signalini tasniflash, qon hujayralarini o'z ichiga oladi.
Klasterlash (toifalarga ajratish). Klasterlash masalasini hal qilishda o'quv majmuasida sinf belgilari mavjud emas. Klasterlash algoritmi tasvirga asoslangan va o'xshash tasvirlarni bitta klasterga joylashtiradi. Bilimlarni qazib olish, ma'lumotlarni siqish va ma'lumotlar xususiyatlarini tadqiq qilish uchun klasterlash qo'llanilishining ma'lum holatlari mavjud.
Funksiyani yaqinlashtirish. Aytaylik, o'quv namunasi ((% h Y)), (% 2, ..., (Xn, Yn)) (kirish-chiqish ma'lumotlari juftlari),
shovqin bilan buzilgan noma'lum F funktsiyasi tomonidan yaratilgan. Yaqinlashtirish masalasi noma'lum F funksiyani topishdan iborat. Funksiyani yaqinlashtirish modellashtirishning ko'plab muhandislik va ilmiy muammolarini hal qilishda zarur.
Bashorat (prognoz). n ta diskret namunalar •> IO} ketma-ket t2, ..., t „ vaqtlarida berilsin. Vazifa y qiymatini (tn + 1) keyingi vaqtda (tn + 1) taxmin qilishdir. Bashorat qilish (prognoz) qilish uchun katta ahamiyatga ega biznes, fan va texnologiya sohasidagi yechimlar (birjada narxlarni prognoz qilish, ob-havo prognozi).
• sinaptik aloqaning bir nechta joylarining mavjudligi;
• mantiqiy amallarga VA, OR, eksklyuziv OR, maksimal yoki minimal signalni izolyatsiyalash texnik analoglarida mos keladigan turli tartibli dendritlarning dixotomiyali shoxlanishi;
• poya dendritlarining turli diametrlari, neyron tanasiga bevosita tutashgan shoxlari va diametrining o‘lchami dendrit orqali o‘tadigan axborotning ahamiyatlilik darajasini belgilaydi;
• soma yuzasida asosiy o‘zak dendritlardan aksonga o‘tuvchi “yo‘llar”ning mavjudligi, bu parallel axborotni qayta ishlash yo‘llarining mavjudligini aniqlaydi va turli poya dendritlaridan kelayotgan signallarda mantiqiy amallarni qo‘llash imkoniyatini ta’minlaydi;
• aksonal tuberkulyar faoliyatining xususiyatlari; bu neyronning uzatish funktsiyasini o'rnatadigan aksonal tuberkulyar neyron tarmoq texnologiyalarida qabul qilingan sigmasimon yoki chiziqli uzatish funktsiyalariga qaraganda ancha murakkab shaklga ega;
• aksonning dixotom shoxlanishining mavjudligi; dallanma tugunlarida aksonning turli shoxlari diametrlarining nisbatiga qarab signalning tarqalishi nazorat qilinadi; matematik modellashtirishda bu xususiyatlarni mantiqiy amallar yordamida amalga oshirish mumkin;
• takroriy neyron tarmoqlarni qurishda o'z tatbiqini topgan teskari aksosomatik ulanishning mavjudligi.
Biologik neyronning tuzilishini samarali o'zgartirish vositasi sifatida chuqur bilish nafaqat hozirgi vaqtda, balki uzoq muddatda ham neyron tarmoqlarning yangi paradigmalarini yaratish uchun asosiy g'oyalar va tushunchalar manbai sifatida qaralishi mumkin.
Ularning joylashuvi va funksionalligidan qat'i nazar, barcha sun'iy nerv elementlari umumiy komponentlarga ega. Keling, sun'iy neyronning ettita asosiy komponentini ko'rib chiqaylik.
1. Og'irlik omillari. Neyron ishlayotganda bir vaqtning o'zida ko'plab kirish signallarini oladi. Har bir kirishning o'ziga xos sinaptik og'irligi bor, bu unga ta'sir qiladi va qo'shimcha funktsiyasi uchun zarur. Og'irlik kirish ulanishlarining ahamiyatini o'lchovidir va biologik neyron sinapslarining xatti-harakatlarini simulyatsiya qiladi. Ta'sirli kirishning og'irligi va aksincha, og'irligi ortadi
muhim bo'lmagan kirish majburiy ravishda kamayadi, bu esa kirish signalining intensivligini belgilaydi. Og'irliklarni o'qitish misollari, tarmoq arxitekturasi va o'qitish qoidalariga muvofiq o'zgartirish mumkin.
2. Totalizator funksiyasi. Neyronning birinchi harakati
barcha kirishlarning vaznli yig'indisini hisoblash. Matematik jihatdan kirish signallari va mos keladigan og'irliklar vektorlar (x10, x20, •••> x «o) va (u> w, ^ 20, • ••, ^ lo) bilan ifodalanadi - Bu vektorlarning mahsuloti quyidagicha bo'ladi. umumiy kirish signali. Soddalashtirilgan qo‘shiluvchi funksiya x vektorining har bir komponentini u vektorning tegishli komponentiga ko‘paytirishdan iborat. Bxj = x10 m> 10, Vx2 = x20 w2o> va barcha ko'paytmalar yig'indisini topish: VX] + Vx2 + + Vx „. Natijada ko'p elementli vektor emas, balki bitta raqam bo'ladi.
Qo'shimcha funksiyasi murakkabroq bo'lishi mumkin, masalan, minimal, maksimal, o'rtacha arifmetik, mahsulot yoki boshqa algoritmni tanlash. O'tkazish funktsiyasiga kirishdan oldin kirish signallari va og'irliklari ko'p jihatdan birlashtirilishi mumkin. Neyron kirishlarini birlashtirish algoritmlari arxitektura va o'qitish qoidalariga qarab belgilanadi.
Ba'zi neyron tarmoqlarda qo'shimcha funktsiyasiga faollashtirish funksiyasi qo'shiladi, bu esa vaqtga nisbatan qo'shuvchi funktsiyasining chiqishini o'zgartiradi. Afsuski, hozirda faollashtirish funktsiyalari cheklangan darajada qo'llaniladi, ko'pchilik zamonaviy neyron ilovalari "identifikatsiya" faollashtirish funktsiyasidan foydalanadi, bu uning yo'qligiga teng. Uni alohida neyronning tarkibiy qismi sifatida emas, balki butun tarmoqning tarkibiy qismi sifatida ishlatish yaxshiroqdir.
3. Transfer funksiyasi. Topuvchi funksiyaning natijasi uzatish funksiyasidan o‘tadi va chiqish signaliga aylanadi. Neyronning chiqishini aniqlash uchun uzatish funktsiyasida umumiy summa ma'lum bir chegara bilan taqqoslanadi. Agar yig'indi chegara qiymatidan katta bo'lsa, u holda neyron signal hosil qiladi, aks holda signal nolga teng yoki inhibitor bo'ladi.
To'g'ri chiziqli (to'g'ri chiziqli) funktsiyalar cheklangan va ularning chiqishi kirishga mutanosib bo'lganligi sababli, chiziqli bo'lmagan uzatish funktsiyasidan foydalaniladi. Chiziqli uzatish funktsiyalaridan foydalanish dastlabki tarmoq modellarida muammo bo'lgan va ularning cheklovlari va amaliy bo'lmaganligi Minsky va Papertning Perceptrons kitobida isbotlangan.
Chizma. 2.10 tipik uzatish funktsiyalarini tasvirlaydi. Oddiy uzatish funktsiyasi uchun neyron tarmoq 0 va 1, 1 va -1 yoki boshqa raqamli kombinatsiyalarni chiqarishi mumkin. Bunday hollarda uzatish funktsiyasi "qattiq cheklovchi" yoki chegara funktsiyasidir (2.10-rasmga qarang, a). To'yinganlik bilan chiziqli uzatish funktsiyasining yana bir turi ma'lum diapazondagi kirishni xaritalaydi va bu diapazondan tashqarida qattiq cheklovchi vazifasini bajaradi. Bu minimal va maksimal qiymatlar bilan kesilgan chiziqli funktsiya bo'lib, uni chiziqli bo'lmagan holga keltiradi (2.10-rasm, b ga qarang). Keyingisi S-ga o'xshash egri chiziq bo'lib, u asimptotalardagi minimal va maksimal qiymatlarga yaqinlashadi va sigmasimon deb ataladi (2.10-rasmga qarang, c), diapazoni [0, 1] yoki giperbolik tangens
( 2.10-rasmga qarang, d) - [-1, 1] diapazoni bilan.

Chizma. 2.10. Odatda uzatish funktsiyalari:

a - chegara; b - chiziqli; c - sigmasimon; r - giperbolik tangens

Bu egri chiziqlarning muhim xususiyati funksiyalar va ularning hosilalarining uzluksizligidir. S-funksiyalardan foydalanish yaxshi natijalar beradi va keng qo'llaniladi. Turli neyron tarmoqlar uchun turli xil uzatish funktsiyalari tanlanishi mumkin.

O'tkazish funktsiyasiga kirishdan oldin, ba'zan kirish signaliga bir xil taqsimlangan tasodifiy shovqin qo'shiladi, uning manbai va miqdori o'quv rejimi bilan belgilanadi. Adabiyotda bu shovqin sun'iy neyronlarning "harorati" deb ataladi, bu matematik modelga haqiqat elementini beradi.
4. Masshtablash. O'tkazish funktsiyasidan so'ng, chiqish signali qo'shimcha masshtabli ishlovdan o'tadi, ya'ni. o'tkazish funktsiyasining natijasi masshtab koeffitsientiga ko'paytiriladi va ofset qo'shiladi.
5. Chiqish funksiyasi (raqobat). Biologik neyronga o'xshab, har bir sun'iy neyron bitta chiqish signaliga ega bo'lib, u yuzlab boshqa neyronlarga uzatiladi. Foydasi shundaki, chiqish uzatish funktsiyasining natijasiga to'g'ridan-to'g'ri proportsionaldir. Ba'zi tarmoq arxitekturalarida uzatish funktsiyasi natijalari qo'shni neyronlar o'rtasida raqobat yaratish uchun o'zgartiriladi. Neyronlarga zaif signal bilan neyronlarning harakatlarini blokirovka qilib, bir-biri bilan raqobatlashishga ruxsat beriladi. Raqobat (raqobat) bir xil yoki turli qatlamlarda joylashgan neyronlar o'rtasida paydo bo'lishi mumkin. Birinchidan, raqobat qaysi sun'iy neyron faol bo'lishini aniqlaydi va natijani beradi. Ikkinchidan, raqobatbardosh natijalar o'quv jarayonida qaysi neyron ishtirok etishini aniqlashga yordam beradi.
6. Xato funksiyasi va orqaga yoyilgan qiymat. Ko'pgina nazorat qilinadigan o'quv tarmoqlari olingan natija va kerakli natija o'rtasidagi farqni hisoblab chiqadi. Og'ish xatosi (oqim xatosi) berilgan arxitektura bo'yicha xato funksiyasi bilan o'zgartiriladi. Asosiy arxitekturalarda og'ish xatosi to'g'ridan-to'g'ri ishlatiladi, ba'zi paradigmalarda belgilarni saqlash bilan kvadrat yoki xato kubi ishlatiladi.
Barcha qatlamlardan o'tgandan so'ng, oqim xatosi oldingi qatlamga qaytadi va to'g'ridan-to'g'ri xato yoki tarmoq turiga qarab ma'lum bir tarzda o'lchov qilingan xato bo'lishi mumkin (masalan, uzatish funktsiyasining hosilasi). Qayta yoyilgan bu qiymat keyingi o'quv tsiklida hisobga olinadi.
7. O‘rganish funksiyasi. Treningning maqsadi istalgan natijaga erishish uchun har bir neyronning kirishlarida ulanish og'irliklarini ma'lum bir o'quv algoritmiga muvofiq sozlashdir. Ta'limning ikki turi mavjud: nazorat ostida va nazoratsiz. Nazorat ostidagi oʻrganish tarmoq natijalarining ishlashini kuzatuvchi trening maʼlumotlar toʻplami yoki kuzatuvchini talab qiladi. Nazoratsiz o'rganish holatida tizim o'rganish algoritmiga kiritilgan ichki mezon bo'yicha o'zini o'zi tashkil qiladi.