Neyron tarmoq asoslari va uni chuqur o'rganish

Perkestronning biologik neyron bilan aloqasi
Bizda miyaning to'liq modeli bo'lmasa-da, idrokning biologik neyronda modellashtirilganligini ko'rish hali ham oson. Kirish signallari unga muvozanatli aloqa orqali kiradi va bu ma'lumotni sinapslar orqali uzatishga o'xshaydi.
Нейронные сети  59
Алгоритм обучения перцептрона

Алгоритм обучения перцептрона изменяет веса до тех пор, пока не будут пра-вильно классифицированы все входные данные. Алгоритм не завершается, если входные данные не допускают линейного разделения. Набор данных называется линейно разделимым, если существует гиперплоскость, делящая его на два класса.

Perceptronni o'rganish algoritmi
Idrokron o'rganish algoritmi barcha kiritilgan ma'lumotlar to'g'ri tasniflanmaguncha og'irliklarni o'zgartiradi. Agar kirish ma'lumotlari chiziqli bo'linishga imkon bermasa, algoritm tugamaydi. Agar ikkita sinfga ajratadigan giperplanet bo'lsa, ma'lumotlar to'plamiga chiziqli ajratish deyiladi.

5888. 
      начале алгоритма обучения вектор весов инициализируется небольшими случайными значениями или нулями. Затем на вход алгоритма по очереди по-даются входные данные, и результат классификации сравнивается с известной меткой. Для выполнения классификации вычисляется взвешенная сумма призна-ков (столбцов) и весов. Первым входным значением всегда является 1.0, а первым весом – смещение модели. Вычисленное скалярное произведение входов и весов подается на вход рассмотренной выше функции активации.
      

O'qitish algoritmining boshida og'irlik vektori kichik tasodifiy qiymatlar yoki nollar bilan boshlanadi. Keyin kirish ma'lumotlari algoritmning kirishiga navbat bilan beriladi va tasniflash natijasi ma'lum yorliq bilan taqqoslanadi. Tasniflashni amalga oshirish uchun atributlar (ustunlar) va og'irliklarning og'irlikdagi summasi hisoblanadi. Birinchi kirish qiymati har doim 1.0, birinchi og'irlik esa modelni ofsetdir. Kirish va og'irliklarning hisoblangan skalyar mahsuloti yuqorida ko'rib chiqilgan faollashtirish funktsiyasining kirishiga beriladi.

Если классификация оказалась правильной, веса не изменяются. В противном случае веса корректируются. Веса отдельных связей изменяются в режиме «он-лайнового обучения». Цикл продолжается, пока все входные примеры не будут классифицированы правильно. Если набор данных не является линейно разде-лимым, то алгоритм не завершается. На рис. 2.4 показан линейно неразделимый набор – логическая функция ИСКЛЮЧАЮЩЕЕ ИЛИ.

Agar tasnif to'g'ri bo'lsa, og'irliklar o'zgarmaydi. Aks holda, og'irliklar sozlanadi. Onlayn trening rejimida individual havolalar og'irligi o'zgaradi. Barcha kirish misollari to'g'ri tasniflanguniga qadar tsikl davom etadi. Agar ma'lumotlar to'plami chiziqli bo'linmasa, u holda algoritm tugamaydi. Shaklda 2.4 chiziqli ajralmas to'plamni - EXCLUSIVE OR mantiqiy funktsiyasini ko'rsatadi.


Рис. 2.4  Функция ИСКЛЮЧАЮЩЕЕ ИЛИ

Однослойный перцептрон не способен решить задачу моделирования этой функции, что является доказательством его ограниченности.