1-rasim
Uskuna ilovalari (neyrokompyuterlar) ma'lumotlarni parallel qayta ishlashning
yuqori tezligi bilan ajralib turadi, biro q bu jarayonda ko'pincha ma'lum texnik
qiyinchiliklar mavjud: modifikatsiyalash nuqtai nazaridan kamroq moslashuvchan
va tashqi ta'sirlarga sezgirligi.
O'tkazilgan tahlil tizimni modellashtirishda tipiklikning fundamental
tushunchasini ifodalovchi "umumiy pozitsiya" modellaridan (ko'ndalang modellar)
foydalanish uchun kontseptual asos bo'lib xizmat qildi. Modulli tizimlar uchun
tipiklik sharti barcha modullar berilgan cheklovlar ostida maksimal imkoniyatlarga
ega ekanligini va barcha modullararo ulanishlar degenerativ emasligini bildiradi.
Ko'ndalang modellarning kichik sinfi silliq tizimlimodellar fazosida zieh
joylashganligi ko'rsatilgan. Modellar sinfini transversal bo'lganlar kichik sinfiga
eheklash strukturaviy tasvirlar darajasida murakkab tizimlarni o'rganishni sezilarli
darajada soddalashtirishga imkon beradi.
Vaqtni modellashtirishga ko'ra, neyron
tarmoqlar real va diskret vaqtda ishlaydigan tarmoqlarga bo'linadi. Diskret vaqtda
ishlaydigan tarmoqlar ko'p hollarda takroriy munosabatlar tizimlari bilan
tavsiflanadi va dasturiy ta'minotda osonlik bilan amalga oshiriladi, bu ularni
aeronavigatsion axborotni qayta ishlashning amaliy muammolarini hal qilish
vositasi sifatida keng qo'llash imkonini beradi.
Neyron modellashtirish
Sun'iy neyron tarmoqlari (SNT) axborot modellarini ifodalash uchun qulay va
tabiiy asosdir. Neyron tarmoqni rasmiy ravishda to‘liq mahalliy ishlaydigan va bir
yo‘nalishli ulanishlar ( sinapslar deb ataladi ) bilan birlashtirilgan oddiy 1 ishlov
berish elementlari ( neyronlar deb ataladi ) to‘plami sifatida aniqlash mumkin.
Tarmoq tashqi dunyodan ma'lum bir kirish signalini oladi va uni har bir qayta
ishlash elementida transformatsiyalar bilan o‘zidan o‘tkazadi. Shunday qilib, -
tarmoq ulanishlari orqali o‘tadigan signal jarayonida u qayta ishlanadi, natijada -
ma'lum bir chiqish signali. Kattalashtirilgan shaklda SNT kirish va chiqish
o‘rtasidagi funktsional yozishmalarni amalga oshiradi va F tizimining G
axborot modeli bo‘lib xizmat qilishi mumkin. Agar tarmoqning strukturaviy
murakkabligi va neyronlarning o‘tish funktsiyalarida chiziqli bo‘lmaganligi uchun
talablar osongina qondirilsa, neyron tarmoq tomonidan aniqlangan funktsiya
o‘zboshimchalik bilan bo‘lishi mumkin. Har qanday tizim funktsiyasini F ni
oldindan belgilangan aniqlik bilan ifodalash qobiliyati neyron tarmog’ini umumiy
maqsadli kompyuter sifatida belgilaydi. Ushbu kompyuter fon Neyman mashinasi
bilan taqqoslaganda, hisoblash jarayonini tashkil etishning tubdan farqli usuliga
ega - u berilgan algoritmga - muvofiq aniq qoidalar va kodlar yordamida
dasturlashtirilmagan , balki sinaptik - ulanishlarni maqsadli moslashtirish orqali
o‘qitiladi (va, kamdan-kam hollarda, ularning strukturaviy o‘zgarishi va
neyronlarning o‘tish funktsiyalarini o‘zgartirish) talab qilinadigan funktsiyani
ifodalaydi. Gipotetik vaziyatda, F tizimining funktsiyasi ma'lum bo‘lganda yoki
uni argumentlarning ixtiyoriy qiymatlari bilan hisoblash algoritmi ma'lum bo‘lsa,
fon Neumann mashinasi modellashtirish uchun eng yaxshi vositadir ( F ni
hisoblashdan iborat ), va axborot modellariga bo‘lgan ehtiyoj yo‘qoladi. F tizim
funksiyasining qiymatlari faqat X sonli parametrlar uchun olib boriladigan
tajribalar yoki kuzatishlar asosida olinadi. Bunday holda, Y va X qiymatlari
taxminan o‘lchanadi va har xil tabiatdagi xatolarga duch keladi (pastga qarang).
Modellashtirishning maqsadi X ning o‘zboshimchalik bilan o‘zgarishi uchun tizim
javoblarining qiymatlarini olishdir. Bunday vaziyatda o‘rganilayotgan F tizimining
G axborot (statistik) modeli muvaffaqiyatli qo‘llanilishi mumkin. parametrik
bo‘lmagan statistikaning an'anaviy usullari asosida tuzilishi mumkin. Ushbu fan
ko‘plab eksperimental ma'lumotlar to‘plamida (tarqatishning - tabiati haqidagi
statistik farazlarni isbotlash uchun etarli ) va ularning parametrlar maydonida
nisbatan bir xil taqsimlanishi bilan tizimlarning asoslangan modellarini yaratishga
imkon beradi . Biroq, eksperimental ma'lumotlarning narxi yuqori bo‘lsa yoki
ularning etarli miqdorini olishning iloji bo‘lmasa (masalan, tirik tizimlar
modellarini qurishda va hokazo), ularning yuqori shovqin darajasi , to‘liq emasligi
va nomuvofiqligi, neyron. modellar ko‘proq afzalroq bo‘lib chiqadi. Neyron
tarmoq ma'lumotlar to‘plash sohalarida selektiv sezgir bo‘lib chiqadi va boshqa
sohalarda silliq interpolyatsiya beradi. Neyron tarmoq modellarining bu xususiyati
umumiyroq printsipga asoslanadi - adaptiv ma'lumotlar klasteri. Moslashuvchan
klasterlash xususiyatlariga ega bo‘lgan birinchi tarmoqlardan biri T. Koxonenning
o‘zini o‘zi tashkil etish xaritasi 2 edi. Kohonen neyron tarmog’ining vazifasi
avtomatik ravishda yuqori o‘lchamdagi kirish vektorlari to‘plamining xaritasini
pastki o‘lchamdagi klasterlar xaritasiga yaratishdir, shunda xaritadagi yaqin
klasterlar birbiriga yaqin joylashgan kirish vektorlariga mos keladi. asl joy.
Shunday qilib, makon o‘lchamining sezilarli darajada pasayishi bilan
ma'lumotlarni - joylashtirishning topologik tartibi saqlanib qoladi . Har bir
klasterning barcha vektorlari uning centroidi bilan almashtirilsa , uning
strukturasini bir butun sifatida saqlab qolgan holda yuqori darajadagi axborotni
siqish darajasiga erishiladi . Kohonen kartalari asosan ikki maqsadda ishlatiladi.
Ulardan birinchisi ko‘p parametrli ma'lumotlarni vizual tartiblashdir. Amalda
odatda bir o‘lchovli va ikki o‘lchovli xaritalardan foydalaniladi. Xarita tugunlari
bilan belgilangan klasterlar qaysidir ma'noda o‘xshash bo‘lgan kuzatishlar
guruhlarini o‘z ichiga oladi, ularga guruh semantik ma'nosi berilishi mumkin.
Kohonen tarmog’ining yangi samarali ilovalaridan biri global kompyuter
tarmoqlarida elektron xabarlarning tematik xaritasini yaratishdir. Bunday xarita
yordamida foydalanuvchi shaxsiy qiziqish doirasiga muvofiq cheksiz xabarlar
oqimida bepul navigatsiya qilish imkoniyatini oladi. Texnik tizimlarni
modellashtirishda
qo‘llanilganda,
Kohonen
xaritalari
tizimning
xatti-
harakatlaridagi farqlarni aniqlash va anomal rejimlarni aniqlash uchun ishlatilishi
mumkin. Bunday holda, yaqin ma'lumotlarning kutilmagan to‘planishi aniqlanishi
juda muhim, ularning keyingi talqini foydalanuvchi tomonidan o‘rganilayotgan
tizim haqida yangi bilimlarni olishga olib kelishi mumkin.
Do'stlaringiz bilan baham: |