Mahsuliy produksiya ekspert tizimlari taraqqiyoti va tatbiqlari

Radial neyron to’rlar.
Yuqorida tavsiflangan sigmasimon tipdagi ko'p qatlamli tarmoq tarmoqlari matematik nuqtai nazardan   bir nechta o'zgaruvchilar funksiyasini chiqish o'zgaruvchilari to'plamiga yaqinlashtirishni amalga oshiradi . Neyronlarning faollashuv funktsiyasi rolini o'ynaydigan sigmasimon funktsiya kirish ma'lumotlarining butun diapazonida nolga teng bo'lmagan qiymatga ega bo'lganligi sababli, uning ko'pgina (agar hammasi bo'lmasa) neyronlari kirish ma'lumotlarini chiqish ma'lumotlariga aylantirishda ishtirok etadilar. tarmoq. Natijada, sigmasimon (va tabiiy ravishda chiziqli) neyronlar tomonidan yaqinlashish global yaqinlashish deb ataladi. Radial tarmoqlar faollashtirish funktsiyasi nolga teng bo'lmagan qiymatlarga ega bo'lgan radial neyronlar yordamida qurilgan. Shuning uchun bunday tarmoqlardan foydalangan holda yaqinlashish mahalliy yaqinlashish deyiladi.
Radial tarmoq ikki qatlamli tuzilishga ega, birinchi qatlam radial neyronlardan iborat, chiqish bir yoki bir nechta chiziqli. Rasmda bitta chiqish neyroniga ega radial tarmoqning blok diagrammasi ko'rsatilgan.

Radial tarmoqni o'rganish jarayoni ikki bosqichga bo'linadi:har bir radial neyron uchun fi radial funksiyasining parametrlarini tanlash (Gauss funktsiyasi bo'lsa, bu markaz C_i va kenglik parametri s_i ); neyronlarning chiqish qatlami uchun og'irliklarni tanlash.
Bunday holda, ikkinchi bosqich birinchisiga qaraganda ancha sodda, chunki u W= G ⁺ *D ifodasini hisoblashga qisqartiradi , bu erda asosiy hisoblash xarajatlari G Green matritsasining psevdo-inversiyasini hisoblash hisoblanadi.
Birinchi qatlamning barcha neyronlari uchun radial Gauss funktsiyalarining parametrlarini topish vazifasi, o'z navbatida, ikkita kichik vazifaga bo'linadi:

1. 
   markazlarni aniqlash C _i ;
   
2. 
   kenglik parametrlarini hisoblash s_i 
   

Ko’rinib turibdiki, X kirish ma’lumotlarini aniqlash sohasida C_i markazlarining joylashishiga qo’yiladigan asosiy talablar quyidagilardan iborat:

• 
  ta'rif sohasini qamrab olishning to'liqligi;
  
• 
  taqsimotning bir xilligi.
  

Ushbu talablar raqobat asosida o'z-o'zini tashkil qilish bilan ANN tomonidan taqdim etilgan ma'lumotlarni klasterlash yechimi bilan qondiriladi. Shu sababli, ma'lumotlar klasterlarida o'rtacha vektorlarni topish uchun ushbu tarmoqlarda qo'llaniladigan o'rganish algoritmlari radial funktsiyalar markazlarini topish uchun radial tarmoqlarda bevosita qo'llaniladi.
Radial funktsiyalarning parametrlarini aniqlashtirish orqali keyingi o'quv tsikli yakunlanadi. Amalda, tanlangan bosqichlar turli xil yaqinlashish tezligiga ega: radial funktsiyalar parametrlarini gradient bilan takomillashtirish ancha sekinroq. Ushbu nomutanosiblikni bartaraf etish uchun chiqish qatlamining og'irliklarini bitta hisoblash radial funktsiyalarning parametrlarini tozalashning bir necha davrlari bilan birga keladi.
Taxminlovchi tarmoqlarni yaratishda asosiy muammo bazis funktsiyalari sonini tanlashdir. Ularning kichik soni yaqinlashish xatosini oshiradi va juda katta umumlashma xatosi. Kerakli va etarli miqdordagi neyronlarni tanlash ko'plab omillarga bog'liq: kirish ma'lumotlari maydonining o'lchami, o'quv namunalari soni va eng muhimi, taxmin qilinayotgan funktsiyaning fazoviy tuzilishi.
Radial tarmoqlarda kirish qatlamining L o'lchamini aniqlash muammosini hal qilish uchun ham rasmiy, ham evristik usullar ishlab chiqilgan.