Reja: I. Kirish: Neyronning ramziy ai tizimi haqida ma’lumot

2.Neyron to’rlariga mantiqiy cheklovlar.
Bizning birinchi asosiy g'oyamiz - LNNdagi barcha neyronlarning mantiqiy harakatini kafolatlash uchun o'rganish jarayonida cheklangan optimallashtirishdan foydalanish. LNNlarni batafsil muhokama qilishdan oldin, ularning neyronlari bajaradigan hisob-kitoblar haqida tushunchani ishlab chiqish kerak. Mantiqiy neyronning chiqishi har qanday neyron uchun bo'lgani kabi, x kirish vektori uchun w · x - th kirishlarining chiziqli birikmasiga f : ℝ → [0 , 1] nochiziqli faollashtirish funksiyasini qo'llash orqali hisoblab chiqiladi. 2-rasmda ko'rsatilganidek, og'irlik vektori w va faollashtirish chegarasi th . Biroq, boshqa neyron tarmoqlardan farqi shundaki, LNN ning neyron parametrlari shunday cheklanganki , neyronlar o'zlarining tegishli mantiqiy eshiklarining haqiqat funksiyalariga muvofiq harakat qiladilar. Masalan, tanlangan a haqiqat chegarasini ko'rib chiqing, shunday qilib neyron kirish va chiqishlari a dan katta bo'lsa "to'g'ri" va 1 - a dan kichik bo'lsa "noto'g'ri" deb hisoblanadi . U holda, birlashtiruvchi neyron noto'g'ri, ya'ni 1 - a dan kichik bo'lishi kerak , agar uning kirishlaridan biri ham xuddi shunday 1 - a dan kichik bo'lsa . Boshqa tomondan, xuddi shu neyron haqiqatni qaytarishi kerak, ya'ni a dan kattaroq bo'lsa , agar uning barcha kirishlari a dan xuddi shunday katta bo'lsa . Bunga ko'rsatilganidek, o'rganish jarayonida neyron og'irliklari va chegaralariga chiziqli cheklovlar qo'yish orqali erishishimiz mumkin . Tanish tavtologiyalar ( x ∨ y ) = ¬(¬ x ∧ ¬ y ) va ( x → y ) = (¬ x ∨ y ) yordamida bunday cheklovlarni disjunksiya va implikatsiyalarga qanday moslashtirishni tushunish qiyin emas , bunda inkor aniqlangan ¬ x = 1 - x . f ni tanlash LNN qaysi mantiqni amalga oshirishiga ta'sir qiladi. Bunday funktsiyalarga misol sifatida birlik bilan qisilgan rektifikatsiya qilingan chiziqli birlik (ReLU-1) f ( x ) = max{0, min{1, x}} kiradi, bu Lukasievich

2 .1-rasm: To'g'irlangan, haqiqiy qiymatli mantiqiy neyron va unga bog'liq cheklovlar.

mantiqining vaznli shaklini beradi va logistika funktsiyasini beradi. aytilganning tekislangan shakli. Etarli jazo bilan cheklangan holda, o'qitilgan bunday model klassik xulosa chiqarish xatti-harakatlariga mos kelishi kafolatlanadi. Yengilroq cheklovlar bilan u to'liq bo'lmagan formulalar, kichik qarama-qarshiliklar va asosiy haqiqatdagi noaniqlikning boshqa manbalarini boshqarishga qodir. Serotonerjik neyronlar turli xil fiziologik va xulq-atvor jarayonlarini modulyatsiya qilish uchun miya bo'ylab keng tarqaladi. Biroq, hozirda serotonergik neyronlarning ulanishi to'g'risida bir hujayrali rezolyutsiya tushunchasi mavjud emas. Drosophila ayolining butun miya EM ma'lumotlar to'plamidan foydalanish, biz bir nechta xushbo'y hududlarni qamrab oluvchi keng proyeksiyalangan serotonergik neyronning (CSDn) simi mantiqini har tomonlama aniqlaymiz. Antenna lobida CSDn har bir glomerulni differentsial ravishda innervatsiya qiladi, ammo ajablanarlisi shundaki, bu o'zgaruvchanlik asosan mahalliy interneyronlarga tegishli bo'lgan sinaptik chiqishdagi glomerulaga xos farqlarni emas, balki turli xil presinaptik sheriklarni aks ettiradi. Bundan tashqari, CSDn o'ziga xos mahalliy interneyron subtiplari bilan aniq ulanish munosabatlariga ega, bu CSDn mahalliy tarmoqni qayta ishlashning alohida jihatlariga ta'sir qilishini ko'rsatadi. Xushbo'y hududlar bo'ylab CSDn turli xil ulanish naqshlariga ega, hatto bu hududlarni qamrab oluvchi individual proyeksiya neyronlari bilan har xil ulanishga ega. CSDn antenna lobidagi inhibitiv mahalliy neyronlarni maqsad qilgan bo'lsa, CSDn LHda ko'proq taqsimlangan ulanishga ega, asosan transmitter tarkibiga asoslangan asosiy neyron turlari bilan sinapslanadi. Va nihoyat, biz CSDn ga kuchli, yuqoridan pastga kirishni ta'minlaydigan boshqa sensorli domenlar bilan bog'langan individual yangi sinaptik sheriklarni aniqlaymiz. Birgalikda bizning tadqiqotimiz serotonergik neyronlarning murakkab ulanishini ochib beradi, ular mahalliy va tashqi sinaptik kirishni nuansli, mintaqaga xos tarzda birlashtiradi. Barcha hissiy tizimlar serotonergik modulyatsiya qiluvchi kirishni oladi. Biroq, individual serotonergik neyronlarning sinaptik bog'lanishini to'liq tushunish yo'q. Ushbu tadqiqotda biz Drosophila hidlash tizimidagi keng proyeksiyalovchi serotonergik neyronning simi mantiqini har tomonlama aniqlash uchun butun miya EM mikroskopining ma'lumotlar to'plamidan foydalanamiz.. Birgalikda, bizning tadqiqotimiz bitta hujayra darajasida serotonergik neyronlarning maqsadli tarmoqlari ichidagi murakkab ulanishini namoyish etadi, hidlash tizimida serotonergik modulyatsiya uchun mo'ljallangan maxsus hujayra sinflarini aniqlaydi va ushbu serotonergik ta'sirga kuchli kirishni ta'minlaydigan yangi tashqi neyronlarni ochib beradi. tizim hidlash kontekstidan tashqarida. Alohida modulyatsiya qiluvchi neyronlarning ulanish mantig'ini tushuntirish modulyatsiya tizimlarining heterojen ko'rinadigan ta'siri uchun zamin rejasini taqdim etadi. Bir hujayrali ruxsatda CSDn ulanishini har tomonlama o'rganish uchun biz butun miya EM ma'lumotlar to'plamidan foydalandik AL va LHdagi CSDnni qayta qurish uchun neyropil bo'ylab individual sinaptik sheriklarni aniqladi va tanlangan AL glomeruli ichida CSDn ning keng qamrovli konnektorlarini yaratdi. CSDn ning ba'zi bir qo'pol anatomik xususiyatlari miya mintaqalarida izchil bo'lsa-da, CSDn ning ulanishi murakkab bo'lib, glomeruliyalar va AL va LH o'rtasida farqlanadi. AL ichida CSDn o'ziga xos LN subtiplari bilan aniq ulanish munosabatlariga ega va har bir glomerulus ichidagi AL neyronlarining noyob demografiyasi bilan o'zaro ta'sir qiladi. Ushbu tashkilot modeli LHda saqlanmaydi, bu erda CSDn ulanishi asosiy LH neyronlarining transmitter tarkibiga qarab o'zgaradi. Nihoyat, biz CSDn tashqi neyronlarning uchta populyatsiyasidan ilgari tavsiflanmagan yuqoridan pastga kirishni olishini ko'rsatamiz. Bizning tadqiqotimiz mahalliy va tashqi sinaptik kirishni nuansli, mintaqaga xos tarzda birlashtiradigan yagona serotonerjik neyronning murakkab ulanishini ochib beradi. Bitta hujayra darajasidagi bu murakkablik, ehtimol, modulyatsiya qiluvchi neyronlar populyatsiyalarining roliga qo'shimcha murakkablik darajasini oshiradi. Fuzzy mantiqqa asoslangan inspektsiyada qarorlar qabul qilishdan foydalanish, siz kuchli boshqaruv tizimini yaratishingiz mumkin. Shubhasiz, bu ikkita tushuncha birgalikda ishlaydi: uchta loyqa shtatlari (masalan, 0,2, 0,0, 0,0) bilan kirish qiymatlari sifatida (masalan, 0,2, 0,0, issiq, issiq, issiq, issiq) amalga oshirilishi mumkin uchta neyron uchun, ularning har biri uchta to'plamdan biri. Har bir neyron kirish qiymatini o'z funktsiyasiga muvofiq qayta ishlaydi va natijada neyronlarning ikkinchi qatlami uchun kirish qiymatini oladi va hk. Masalan, Rasmga ishlov berish uchun neyrokputer ko'plab video yozuvlarni, yoritish va jihozlarni sozlashni olib tashlashi mumkin. Bunday erkinlik, neyron tarmog'i sizga misollarni o'rganish orqali tanib olish mexanizmini qurishga imkon beradi. Natijada, tizim qattiq va zaif yoritgichli mos va nuqsonli mahsulotlarni tan olish uchun o'qitilishi mumkin, ularning turli burchaklardagi joylari va boshqalar. Mantiqiy chiqish mexanizmi yorug'lik sharoitlarini "baholash" bilan ishlashni boshlaydi (boshqacha qilib aytganda, tizimni qanday harakat qilishni biladigan boshqa yorug'lik sharoitlariga o'xshash darajani belgilaydi). Shundan so'ng, tizim sud majlisining mazmunidan foydalangan holda mezonlardan foydalangan holda qaror qabul qiladi. Tizim loyqa kontseptsiyalar sifatida yoritish shartlarini ko'rib chiqadi, mantiqiy chiqish mexanizmi taniqli misollarga muvofiq yangi sharoitlarni osonlikcha belgilaydi.Ko'proq misollar tizimni o'rganadi, aksariyati tasvirni qayta ishlash mexanizmiga ega. Ushbu o'quv jarayoni osongina avtomatlashtirilgan bo'lishi mumkin, masalan, o'xshashlik va farqlar sohalarida o'rganish uchun yaqin mulkka ega bo'lgan qismlar guruhlari tomonidan dastlabki qismlar tomonidan oldindan saralash. Ushbu kuzatuv qilingan o'xshashliklar va tafovutlar bundan keyin ham ins uchun ma'lumot berishi mumkin, uning vazifasi ushbu toifalar uchun kiruvchi ma'lumotlarni saralashdir. Shunday qilib, tizimning muvaffaqiyati uskunalar narxiga emas, balki malaka oshirish va ishonchli mantiqiy chiqish mexanizmini qurish va qurish bog'liq. Rasmni qayta ishlash neyrokompyuteri diagnostika tajribaga va algoritmlar bo'yicha emas, balki operatorning tajribasi va ekspertini baholashga tayanadigan talabnomalarga mos keladi. Protsessor tan olish mexanizmini oddiy sharhlardan olib chiqishi mumkin, so'ngra operator tomonidan qilingan rasmga, so'ngra ularni sharhlar bilan jihozlangan ob'ektlardan yoki ularni neyron tarmog'iga o'tkazadi. Ko'zga ko'rinadigan ob'ektlarni tasvirlaydigan xarakterli vektorlar piksogramma yoki intensiv taqsimot, intensiv taqsimlash, intensiv taqsimlash, intensiv taqsimlash profillari yoki grandenziyalar ma'lumotlariga ko'ra. Ko'proq murakkab xususiyatlar va to'lqinni o'zgartirish elementlari va tezkor to'rtliklar misol bo’ladi.Misollar haqida bilib olgandan so'ng, neyron tarmog'i umumlashtirilib, hech qachon ularni misollar bilan bog'lash orqali hech qachon kuzatib bo'lmaydigan vaziyatlarni tasniflashi mumkin. Boshqa tomondan, agar tizim keraksiz erkinlikka moyil bo'lsa va vaziyatni umumlashtirishga moyil bo'lsa va istalgan vaqtda harakatsiz misollarni o'rganish orqali sozlanishi mumkin.Neron tarmog'i nuqtai nazaridan, ushbu operatsiya eritma maydonining mavjudligini namoyish etish bilan qarama-qarshi bo'lgan yangi misollar bilan uyg'unlashgan neyronlarning ta'sirini kamaytirishdir.Imsni tan olishni aniqlashning muhim omili - bu mustaqil va moslashishni moslashtirish. Bu shuni anglatadiki, qurilma ob'ektni operatorning minimal ishtiroki bilan o'qish yoki aralashuvi bo'lmagan aralashuvsiz o'qish imkoniyatiga ega bo'lishi kerak. Kelgusida, masalan, qo'g'irchoqlar, birinchi marta ularni birinchi marta ochib, ismini so'rashi mumkin. Uyali telefon uchun mustaqil trening birinchi egasi barmoq izida qamalgan bo'lishi mumkin. Qurilmani aniqlash moslamasi, barmoq izlari va nutqini birlashtirib, uni identifikatsiyalash ham kuchaytirilishi mumkin.Mustaqil o'qitish nuqtai nazaridan, qurilma o'zining ish muhitida eng yaxshi faoliyat ko'rsatadigan o'ziga xos tan olinmaydigan mexanizmini qurishi kerak. Masalan, aqlli qo'g'irchoq sochlari va terisining rangidan, joyidan yoki mavsumidan qat'iy nazar uning egasini taniydi. Avvaliga mexanizm, u biladigan xususiyatlarni tanlash uchun barcha usullardan foydalanishlari kerak. Bu bir qator oraliq mexanizmlarni shakllantirishga olib keladi, ularning har biri ob'ektlarning bir xil turlarini aniqlash uchun mo'ljallangan, ammo turli xil xususiyatlarni (rang, g'alla, kontrast, chegaralar va boshqalar) ga asoslangan holda. Shundan so'ng, umumiy mexanizm faoliyat ko'rsatkichi va / yoki aniqligini beradigan vositalarni tanlab, o'rta mexanizmlarning faoliyatini baholaydi.