Intellektual tizimlar

. 

. 

. 

. . . 

θ 

I - θ 

Y 

x

1 

x

2                                                                                                                      

 

 

x

n 

---

81 

 

 







n

i

i

i

x

w

I

1

 

 

 

Bu  kattalik  (I)  neyronni  qo‘zg‘alish  darajasini    ifodalaydi.  Neyron  kirish 

signalni  F(I)  aktivatsion  yoki  o‘zatma  funktsiya  bo‘yicha  nochiziq  ravishda 

o‘zgartiradi va, natijada, chiqish signalni quyidagi ifoda bo‘yicha shakllantiradi 

)

(

)

(

1









n

i

i

i

x

w

F

I

F

Y

 

 

Agar  neyron  kirishida  chegara  (θ)  o‘rnatilgan  bo‘lsa,  unda    chiqish  signal 

quyidagi ifoda bo‘yicha shakllanadi 

)

(

)

(

1

















n

i

i

i

w

x

F

I

F

Y

 

 

 

 

Odatda F funktsiya sifatida  quyidagi 

 

sodda nochiziq funktsiyalar qo’llanil adi: 

1) 

binarnaya (porogovaya) 













;

,

0

,

,

1





приI

приI

Y

 

2) sigmoid 

)

(

1

1

1

1

















I

x

w

e

e

Y

i

i

 

3) giperbolik tangens 

)

(

)

(











I

th

x

w

th

Y

i

i

 

4) chiziqli  







n

i

i

i

x

w

k

Y

1

 

 

 

 

I -

 θ

 

0 

1 

y 

I -

 θ

 

0 

1 

y 

-1 

---

82 

 

Shularni  ichidan  sigmoid  funktsiyasi  keng  qo’llanil  adi,  chiziqli  -  deyarlik 

ishlatilmaydi. 

 

10.2. Neyron tarmoqlar turi. 

Neyron  majmuimini belgilangan  ravishda bir-biri  bilan  hamda  tashqi  muxit 

bilan bog‘lab, har xil turdagi neyron tarmoqlar modellarni qurish mumkin. Bu holda 

kirish  signallar  tuplami  tarmoqni  kirish  vektorni  tashkil  qiladi,  chiqish  signallar 

tuplami esa - chiqish vektorni (chiqish faollik vektorni). Neyron tarmoqni bog‘lanish 

vaznlari W matritsa ko‘rinishda ifodalanadi. Bunda matritsani  wij elementi i  va  j 

neyronlar  o‘rtasidagi  bog‘lanish  vazni  bo‘ladi.  Neyron  tarmog‘i  o‘zining  ishlash 

paytida kirish vektorni chiqish vetorga o‘zgartiradi, ya’ni axborotni qayta ishlash 

(neyrotarmoqli  hisoblash)  jarayonni  bajaradi.  Bu  qayta  ishlashni  aniq  ko‘rinishi 

(turi)  neyron  modeli  turlari  bilan  hamda  neyron  tarmoqni  arxitekturasi  va 

xarakteristikalari bilan belgilanadi. 

Neyron tarmoqlar arxitekturasi va turlari neyronlarni tarmoqdagi bog‘lanish 

tartibi bilan belgilanadi. Shuning uchun ko‘pincha neyron tarmoqlarni va tizimlarni 

konnektsionistik nomi bilan ataydi (“Connection” -“Bog‘lanish” ingliz so‘zidan). 

Neyron tarmoq (NT)larini ikki asosiy: to‘liq bog‘langan va iyerarxik turlarini 

ajratadi. 

 

  

 

 

 

 

 

 

                         Ris. 2.  

To‘liq bog‘langan NT.                                                      Iyerarxik     NT.   

 

To‘liq bog‘langan NT   - bu har bir neyronni chiqishi barcha boshqa neyronlar 

kirishlari bilan, uning kirishlari esa qolgan neyronlar chiqishlari bilan bog‘langan 

bo‘lgan tarmoq. Shundan tashqari har bir neyronni chiqishi uning kirishiga ulangan 

 

1-qatlam 

2-qatlam 

3-qatlam 

---

83 

 

bo‘ladi (“o‘z - o‘ziga bog‘lanish”). N neyronlardan iborat bo‘lgan to‘liq bog‘langan 

NTda bog‘lanish soni N*N teng. 

Iyerarxik  NT  -  neyron  guruxlari  tegishli  alohida  qatlam  va  darajalarda 

joylashgan bo‘lgan tarmoq. Bunday NT tegishli qatlamni har bir neyroni oldingi va 

keyingi  qatlamlarni  xar  bir  neyronlar  bilan  bog‘langan.  Uning  kirish  va  chiqish 

qatlamlari  tashqi muxit bilan bog‘langan. 

Bog‘lanish  yo‘nalishlari  bo‘yicha    teskari  aloqasiz  -  norekurrent  (feed  - 

forward) va teskari aloqali - rekurrent (feed-back)  NTlar ajratiladi.  

 

 

 

 

 

 

 

 

Ris. 3. Rekurrent NT. 

  

Agar rekurrent NTda o‘zining bir qatlamni neyron o‘rtasida tormozlaydigan 

(manfiy  bog‘lanish  vaznlar  bilan)  aloqalari  bo‘lsa,  unda  bunday  tarmoqni  lateral  

yoki lateralli tormzlanishi bilan tarmoq deb ataydi. 

 

 

 

 

 

4 –rasm. NT 

Bir qatlamli NT - bu sodda, iyerarxik, norekurrent  turdagi tarmoq. Bunday 

tarmoqda  tashqi  muxit  signallarni  qabul  qiladigan  va  taqsimlaydigan  kirish 

neyronlar qatlami hamda hisoblashli neyronlar qatlami mavjud. Ularni har bittasini 

chiqish  signallari  uning  kirishiga  keladigan  vaznlangan  yig‘indisi  funktsiyasi 

sifatida belgilanadi. Chiqish signallar majmuisi NT chiqish vektorni  

Y=WX 

                 

Y

  

 

 

---

84 

 

tashkil qiladi. Bu yerda X - n o‘lchamli kirish vektori; W - nm o‘lchamli (m- chiqish 

katlamni  neyronlar  soni)  bog‘lanish  vaznlar  matritsasi;  Y  -  m  o‘lchamli  chiqish 

vektori. 

 

Ko‘p  qatlamli  NT  -  bu bir  necha  hisoblashli neyronlar  qatlamlardan iborat 

bo‘lgan  tarmoqlar.  Bunday  qatlamlar  soni  ko‘payishi  bilan  tarmoqni  hisoblash 

quvvati ham oshadi. 

 

 

 

Xopfild neyron tarmog‘i - bu aloxida turdagi rekurrent NT. Bunday tarmoqda 

har bir neyron krishiga, X kirish vektorni tegishli komponentasidan tashqari, birinchi 

qatlamni  taqsimlovchi  neyronlar  orqali  boshqa  neyronlar  chiqish  signallari  ham 

keladi. 

 

 

 

5 - Rasm. Sodda rekurrent Xopfild NT. 

 

Bunday Xopfild NTda chiqish signallar quyidagi 

 











































j

j

j

i

j

i

ji

j

j

j

i

j

i

ji

j

j

j

i

j

i

ji

i

x

w

y

w

àãàð

¢çãàðìàéäè

x

w

y

w

àãàð

x

w

y

w

àãàð

y







0

0

0

,

,

0

,

1

 

 

 

 

x

1 

x

2 

x

3 

y

3 

y

1 

y

2

 

 

1

 2  

3 

1 

2 

3 

---

85 

 

 

Perseptron turdagi NT. 

Bunday  NTni    1958y.  F.  Rozenblat  taklif  qildi.  Uni  tasvir  (timsol,  obraz)larni 

aniqlash uchun ishlatgan. Bu ko‘p qatlamli norekurrent tarmoq.  Uning tuzilmasi 

uch qatlamlardan iborat (13.8 rasm).  

1-  qatlamda  sezgirli  retseptor  (S-  sensor)  elementlar  joylashgan.  Ularga  kirish 

tasvirlar signallari keladi. S- elementlar keyingi (ikkinchi) qatlamni assotsiativ A-

elementlari bilan bog‘langan. A-elementi faqat u bilan bog‘langan yetarli miqdorda 

S- elementlar qo‘zg‘alishgandagina qo‘zg‘alanadi. A-elementlar chiqish (uchinchi) 

qatlamni binar R- elementlar (echuvchi elementlar) bilan o‘zgaradigan qiymatlarga 

ega bo‘lgan bog‘lanish (aloqa) vaznli yoylar orqali bog‘langan. R1 element chiqish 

qiymati  R2  element  chiqish  qiymatidan  oshsa  unda  perseptron  aniqlaydigan 

ob'yektni birinchi sinfga kiritadi, aks holda - ikkinchi sinfga.