O‘zbekiston respublikasi fanlar akademiyasi



Download 2,9 Mb.
Pdf ko'rish
bet21/79
Sana24.02.2022
Hajmi2,9 Mb.
#247036
1   ...   17   18   19   20   21   22   23   24   ...   79
Bog'liq
5e463f2487433

s
T
y
s
T





маълум доимий бўсаға қиймат; 
Агар активация функцияси катталиги ўзгариши оралиғини қисқартирса, у 
ҳолда нинг ҳар қандай қийматида нинг қиймати маълум якуний оралиқга 
тегишли бўлади ва f “сиқувчи” функция деб аталади. “Сиқувчи” функция 
сифатида кўпинча мантиқий ёки “сигмоид” (S- шаклидаги) функция қўлланилади 
(2-расм). 
2-расм. Сигмоид функция 
 
Сигмоид функция қуйидаги формула орқали ифодаланади.
 
 
1
.
1 exp
f x
x



Активация функцияси яна бир бошқа кенг фойдаланиладигани гиперболик 
тангенс функцияси ҳисобланади: 

Гиперболик тангенс функцияси графиги 3-расмда келтирилган. 


30 
3-расм. Гиперболик тангенс функцияси 
Битта нейрон ҳам содда таниб олиш процедураларини бажара олса-да, 
бироқ нейрон ҳисоблашлар кучи нейронларни яхлит тармоқ сифатида боғлашда 
сезилади.
Нейрон тармоқлар ўзида ўзаро боғланган нейронларни бирлаштирган 
структура бўлиб, уларнинг ички характеристикалари, индивидуал топологияси 
(архитектураси) ҳамда ўқитиш қоидалари билан характерланади. Тармоқ маълум 
кириш тўпламига кутилган чиқувчи тўпламни олиш учун ўқитилади. Ҳар бир 
шундай кирувчи ёки чиқувчи тўпламлар вектор сифатида қаралади. Тармоқни 
ўқитиш маълум процедура ёрдамида кирувчи векторларни кетма-кет узатиш ва 
бир вақтда вазнларни коррекция қилиш билан амалга оширилади. Ўқитиш 
жараёнида тармоқнинг вазнлари босқичма-босқич кириш векторларини мос 
чиқиш векторлариги ўтказади. Ўқитишнинг уч хил алгоритми мавжуд: 
“ўқитувчили”, “ўқитувчисиз” ва аралаш. Биринчи ҳолатда нейрон тармоғини 
ўқитиш кириш мисолларига мос тўғри жавоблар асосида амалга оширилади. 
Нейрон тармоғи вазнлари тармоқ ҳақиқатга яқин жавобларни чиқариши учун 
созланади. “Ўқитувчисиз” ўқитишда ўқитиш танланмасидаги ҳар бир мисолга мос 
жавоблар бўлишини талаб этмайди. Бу ҳолатда маълумотларнинг ички 
структураси ёки тизимдаги маълумотлар намуналари орасидаги корреляция 
очилади ва бу намуналарнинг қайси категорияга тааллуқли эканлигини аниқлашга 
имкон бериши зарур. Аралаш турдаги ўқитишда вазн коэффициентларининг бир 
қисми ўқитувчи орқали қолган қисми ўқитувчисиз аниқланади. Нейрон 
тармоқларнинг классификация масаласини ечишда унумли фойдаланиладиган 
қатор архитектураларини кўриб чиқамиз. Мазкур ишда улардан биридан 
фойдаланилган [13].
Персептрон. Нейрон тармоғи содда архитектураларидан бири бу бир 
қатламли персептрондир. У бир нечта кириш вазн коэффициентлари билан 
боғланган бир қатламли сунъий нейронлардан ташкил топади (4-расм). Бунда 
қатлам – ягона кириш сигнали бўлган нейронлар мажмуидан иборат.
Σ элементи ҳар бир х киришни w вазнларга кўпайтиради ва вазнлашган 
киришларнинг суммасини олади. Агар бу йиғинди бўсаға қийматидан катта 
бўлса, у ҳолда чиқиш 1 га , акс ҳолда 0 га тенглаштирилади.
Персептронни ўқитишда унинг киришига кўплаб намуналар бирма-бир 
берилади ва вазнлар маълум талаб даражасидаги чиқиш натижаси олингунча 
созланади.
Юқори чизиқли масалаларни ечишда бундай топология ўзини оқлайди. 
Бироқ, бир қатламли нейрон билан ҳал қилиб бўлмайдиган кўплаб функциялар 
мавжуд. Тасодифий олинган функциянинг чизиқли бўлиниш эҳтимоли жуда 
кичик ҳисобланади. Шу сабабли бир қатламли персептронлар амалда чекланган 
масалалар учун фойдаланилади[13]. 


31 
4-расм. Персептрон 
 
Кўпқатламли персептрон. Бир қатламли тармоқ камчилигини қўшимча 
қатлам қўшиш орқали ҳал қилиш мумкин. Бунда тармоқ нисбатан умумий 
таснифлашни бажара олади ва бундай тармоқ деярли ҳар қандай мураккаб 
даражадаги функцияларни моделлаштира олиши мумкин. Қатламлар сони ва ҳар 
бир қатламдаги элементлар сони функциянинг мураккаблигини аниқлайди. 5-
расмда хатоларни қайта тақсимлаш алгоритми ёрдамида ўқитиладиган икки 
қатламли персептрон келтирилган.
5-расм. Икки қатламли персептрон 
Бир қатламнинг нейронлари ўзаро боғланмайди ва ҳар бир нейрон кейинги 
қатламнинг ҳар бир нейрони билан боғланади (фақат сўнгги қатламдан ташқари, 
сўнгги қатлам чиқиши нейрон тармоқнинг якуний чиқиши ҳисобланади). Биринчи 
қатлам нейронлари (кириш билан боғланган) фақат тарқатиш нуқталари бўлиб 
хизмат қилади, киришларни йиғиндиси бу ерда бажарилмайди. Кириш сигнали 
улар орқали шунчаки вазнларга узатилади. Кириш сигналини қабул қилиб, 
кейинги қатлам нейрони вазнлашган қийматларни жамлайди ва натижа узатиш 
функцияси орқали ўтади. Натижа кейинги қатлам нейронларидан бирига 
узатилади ва у ҳам ўз навбатида вазнлашган қийматларни жамлашни амалга 
оширади. Тармоқнинг тўғри ишлаши қуйидаги муносабат билан тавсифланади: 
 
 
1
1
1

1:

n k
k
k
k
j
ij
i
i
y
f
w y
j
n k














бу ерда – кириш сигнали, 
- –қатламдаги – нейрон қиймати, 
- –
қатламдаги – нейрони билан 
–қатламнинг – нейрони орасидаги 
боғлиқлик вазни, – активация функцияси, 
- –қатламдаги нейронлар сони. 
Активация функцияси сифатида тескари тарқатиш тармоқларида одатда 
сигмоид функциясидан фойдаланилади. Кўпқатламли нейрон тармоқлари 


32 
ночизиқлилик шартида катта ифодалаш қувватига эга. Сиқувчи функция 
ночизиқлиликни таъминлаб беради [13]. Кўпқатламли нейрон тармоқларини 
ўқитиш учун хатоликларни тескари тақсимлаш алгоритми қўлланилади. Агар 
тўғридан-тўғри ишлаш жараёнида кириш сигнали кириш қатлами орқали чиқишга 
томон тарқалса, вазнларни созлашда аксинча, тармоқ хатолиги чиқиш қатламидан 
кириш қатламига томон йўналади.
Шахсни нутқи асосида автоматик идентификация қилиш алгоритмлари 
юқорида келтириб ўтилган усуллар ёрдамида амалга оширилди. Идентификация 
тизими Java дастурлаш тилида ёзилган. Чунки Java тилида кўплаб 
кутубхоналарнинг мавжудлиги ва масалани ҳал қилишда катта маълумотлар 
массивлари билан юқори тезликда ишлаш талаб этмайди. Белгиларни ажратиш 
масаласини ҳал этишда эса Sphinx4 нутқ таниб олиш кутубхонасидан 
фойдаланилган. Sphinx4 – очиқ кодли мослашувчан кутубхона бўлиб, нутқ таниб 
олиш соҳасида тадқиқотлар олиб бориш учун яратилган. Машинани ўқитиш 
алгоритмлари кутубхонаси сифатида Weka кутубхонасидан фойдаланилди. Ушбу 
кутубхона 
катта 
миқдордаги 
машинани 
ўқитиш 
соҳасидаги 
кўплаб 
алгоритмларнинг реализациясини ўз ичига олади. Ушбу ишда фойдаланилган K-
means++ алгоритми ҳам бу кутубхонада мавжуд. 
1 ва 2 – расмларда суҳандонни овоз бўйича идентификация қилиш 
тизимининг ўқитиш ва идентификация режимида ишлаш схемалари келтирилган. 
6-расм. Ўқитиш режимида тизим ишлашининг умумий схемаси 

Download 2,9 Mb.

Do'stlaringiz bilan baham:
1   ...   17   18   19   20   21   22   23   24   ...   79




Ma'lumotlar bazasi mualliflik huquqi bilan himoyalangan ©hozir.org 2024
ma'muriyatiga murojaat qiling

kiriting | ro'yxatdan o'tish
    Bosh sahifa
юртда тантана
Боғда битган
Бугун юртда
Эшитганлар жилманглар
Эшитмадим деманглар
битган бодомлар
Yangiariq tumani
qitish marakazi
Raqamli texnologiyalar
ilishida muhokamadan
tasdiqqa tavsiya
tavsiya etilgan
iqtisodiyot kafedrasi
steiermarkischen landesregierung
asarlaringizni yuboring
o'zingizning asarlaringizni
Iltimos faqat
faqat o'zingizning
steierm rkischen
landesregierung fachabteilung
rkischen landesregierung
hamshira loyihasi
loyihasi mavsum
faolyatining oqibatlari
asosiy adabiyotlar
fakulteti ahborot
ahborot havfsizligi
havfsizligi kafedrasi
fanidan bo’yicha
fakulteti iqtisodiyot
boshqaruv fakulteti
chiqarishda boshqaruv
ishlab chiqarishda
iqtisodiyot fakultet
multiservis tarmoqlari
fanidan asosiy
Uzbek fanidan
mavzulari potok
asosidagi multiservis
'aliyyil a'ziym
billahil 'aliyyil
illaa billahil
quvvata illaa
falah' deganida
Kompyuter savodxonligi
bo’yicha mustaqil
'alal falah'
Hayya 'alal
'alas soloh
Hayya 'alas
mavsum boyicha


yuklab olish