Neyron tarmoq asosida obyektlarni tanib olish

3) Approksimatsiyalash. Bunday masalada izlangan funksiyaga toʻgʻri keladigan va qanoatlantiradigan approksimatsiyalovchi funksiyasi tanlab olinadi. Bu yerda - funksiyalar oʻrtasidagi masofa uchun berilgan kichik qiymat (porog).
Umumiy holda funksiyaning koʻrinishi noma’lum boʻladi. U turdagi “kirish - chiqish” qiymatlar juftligi bilan beriladi. Bu yerda - kirish oʻzgaruvchilar qiymatlari, esa chiqishdagi funksiyalar qiymatlari. An’anaviy matematik usullardan foydalanib, avval kerakli approksimatsiyalash modeli funksiyaning koʻrinishi) tanlab olinadi. Keyin tanlab olingan mezonlar boʻyicha funksiyaning koeffitsiyentlari topiladi.
NTlar universal approksimatorlar boʻlib, approksimatsiyalovchi funksiyani tanlab olishni talab qilmaydi. Bu yerda NTni oʻrgatish uchun faqat qayd qilingan juftlar qaraladi.
Bu masala obyektlarni identifikatsiyalashda, ularning aniq matematik modellarini qurish murakkab boʻlgan holatlarda keng qoʻllaniladi.
4) Avtoassotsiatsiya. Bu masala assotsiativ xotira modellarini qurish masalasi bilan bogʻliq.
Assotsiativ xotirali neyron modelida neyron guruhlar orqali tegishli obyektlarning ba’zi qismlarini xotiraga olinishi ta’minlanadi. Bunday NTning kirishiga obyektning qismi berilganda uning chiqishida butun obyektni tavsiflaydigan neyronlarning barchasi faollashtiriladi.
Shuni qayd qilish kerakki, bir qatlamli NTlar faqat sodda masalalarni yechish qobiliyatiga ega. Murakkab masalalarni yechish uchun turli tipdagi koʻp qatlamli NTlar ishlatiladi.


2. Ko’p sathli perseptron orqali sinflashtirish masalasini
yechish (Rozenblatt perseptroni)


Perseptron ta’rifi. Perseptron binarli kirish signallari yordamida obyektlarni ikkita sinfga ajratish masalasini yechishi kerak. Kirish signallari naborini n-o’lchovli x vektori bilan belgilaymiz. Vektorning barcha elementlari «Chin(1)» yoki «Yolg’on(0)» mantiqiy o’zgaruvchilarni qabul qiluvchi elementlar hisoblanadi.