Neyron tarmoqlari 2-tab:Texnik neyron tarmoqlarning asosiy turlari O'qituvchi bilan tarmoqlar - Perseptron
- getero-assotsiatsiya
- orqaga tarqaladigan tarmoqlar
- Radial asosli funktsiyalar tarmoqlari
- Ta'limni mustahkamlash
Tadqiqot
PTB 8.42 ishchi guruhining diqqat markazida "chuqur o'rganish" natijalari uchun noaniqliklarni tushuntirish va miqdoriy aniqlash usullarini ishlab chiqish. Hozirgi rivojlanish - bu "noqulay misollar" ni aniqlash uchun Fisher ma'lumotlaridan foydalanish. Ushbu maxsus ishlab chiqilgan kirish ma'lumotlari uchun neyron tarmoqlarining xatti-harakatlarini tushunish neyron tarmoqlarning ishonchliligini baholash va yaxshilash uchun muhimdir. Ishning yana bir yo'nalishi metrologiyada chuqur o'rganish usullarini qo'llashdir. Bunga misol qilib rentgen diagnostikasida tasvir sifatini baholash yoki optik yuzalar shaklini kompyuter yordamida aniqlash mumkin.
Neyron tarmoqlar dastlab biologiyadan ma'lum. Ular sutemizuvchilarning miyasiga qo'pol o'xshashlikka ega. Sun'iy neyron tarmoqlar axborotni qayta ishlash tizimlaridir. Ular ko'p sonli oddiy birliklardan, ya'ni neyronlardan iborat bo'lib, axborotni faollashtirish shaklini oladi
Neyronlarni yo'naltirilgan, vaznli ulanishlar orqali yuboring. Ular massiv ravishda parallel, moslashuvchan tizimlardir. Neyron tarmoqlar o'quv misollari yordamida vazifani mustaqil ravishda o'rganish imkoniyatiga ega.
Neyron tarmoqni o'rgatishda neyron tarmoqning haqiqiy chiqishi va kerakli natija o'rtasida farq bor. Bu oldingi bilimlarga asoslangan o'quv ma'lumotlarida ma'lum (masalan, oldindan belgilangan naqshlar, tarixiy ma'lumotlar va boshqalar). Shunday qilib, trening yoki tarmoq xatosi mavjud. Bu har doim manfiy bo'lmasligi uchun u odatda Evklid masofasining kvadrati yordamida aniqlanadi (3.1- tenglamaga qarang). Shunday qilib, treningning maqsadi bu xatoni minimallashtirishdir. Sizda cheklovlarsiz optimallashtirish muammosi mavjud.
Cheklanmagan optimallashtirishdan ma'lum bo'lgan va neyron tarmoqlarda foydalanish uchun moslashtirilgan ta'lim uchun bir qator algoritmlar mavjud. Ushbu ishda gradient tushish usuli, kvazi-Nyuton usuli yoki Gauss-Nyuton usulining modifikatsiyasi, Levenberg-Markvardt usuliga mos keladigan ba'zi algoritmlar keltirilgan. Bundan tashqari, global optimallashtirish jarayonlari muhokama qilinadi. Kesish burchagi usuli neyron tarmoqlarga moslashtirilgan. Bundan tashqari, jarima funktsiyasi bilan birga gradient tushish usulidan foydalanishga asoslangan evristik protsedura taqdim etiladi. Shunday qilib, mahalliy minimumga yana erishish mumkin
tark va global erishiladi.
Ba'zi usullar uchun konvergentsiya isboti taqdim etiladi. Bu jarayonlarning barqarorligi ham muhokama qilinadi.
Vaqtga bog'liq bo'lgan turli xil takroriy neyron tarmoqlar taqdim etiladi va ular bilan bog'liq o'quv jarayonlari mos ravishda moslashtiriladi. Ularning barqarorligi uchun shartlar ham ko'rsatilgan. Barqarorlik neyron tarmog'ining chiqishi o'zgarmasligini bildiradi.
Keyin neyron tarmoqlarni minimallashtirish usullari keltirilgan. Bu ahamiyatsiz ulanishlarni yoki neyronlarni yo'q qilishdir.
Neyron tarmoqlardan ko'p jihatdan foydalanish mumkin, masalan, naqshni aniqlash, avtonom transport vositalarini boshqarish, prognozlash. Qo'shimcha mumkin bo'lgan ilovalarni [52] da topish mumkin.
xulosa Ushbu ishda yo'l belgilarini aniqlashda neyron tarmog'i naqshni aniqlash uchun amaliy misol sifatida ishlatiladi. Maqsad - neyron tarmoq yaratish va uni tanlangan yo'l belgilari bilan o'rgatish. Shu maqsadda yo'l belgilari tasodifiy generator yordamida 25% gacha shovqinli, bu holda R statistika dasturidan foydalaniladi. Shtutgart neyron tarmoqlari simulyatori neyron tarmoqlarni yaratish va o'qitish uchun ishlatilgan. Tarmoq xatolarini minimallashtirish uchun protseduralar tezligidagi ilgari nazariy jihatdan aniqlangan farqlar aniq ko'rinadi. Keyin tarmoq shovqinli bo'lishi mumkin bo'lgan ushbu yo'l belgilarini taniy olishi kerak. Keyin yana bir yo'l belgisini neyron tarmoqda qanday o'rgatish mumkinligi ko'rsatiladi.
