Bog'liq 401-19 NozimaMusaboyeva SuniyIntelect MustaqiIsh
401-19 guruh magistranti Nozima Musaboyeva Mustaqi ish.
Hozirgi vaqtda mashinasozlikda foydalanilayotgan sun'iy neyron tarmoqlarining 6 turi Sun'iy neyron tarmoqlari - bu insonning asab tizimining ishlashiga o'xshash ishlaydigan hisoblash modellarining yig’indisi hisoblanadi. Hozirda ularning ko’plab turlari mavjud hamda ular bir-biridan matematik amallari va algoritmlari bilan ajralib turadi:
Feedforward sun'iy neyron tarmog’i – nu neural tarmoq qolgan sun’iy neural tarmoqlar ichida eng soddasi hisoblanadi. Unda ma’lumot kiruvchi nuqtadan kirib chiquvchi nuqtadan chiqadi. Odatda ular orasida berkitilgan(hidden) qatlamlari bo’lmaydi. Quyidagi rasmda eng sodda oldinga harakatlanuvchi tarmoq ko’ratilgan. Bu yerda kiruvchilarning va og’irlik(weights)larning yig’indisi hioblanadi va chiquvchiga yo’naltiriladi. Agar chiquvchining qiymati belgilangan qiymatdan yuqori bo’lsa, output 1ni yoqadi, agar kiruvchi qiymat belgilangan qiymatdan kichik bo’lsa, unda 0ni yoqadi:
Feedforward neyron tarmoqlari orqali murakkab hisoblangan kompyuter vision va nutqni aniqlashda foydalanish mumkin. Chunki, bu turdagi neyron tarmoqlari shovqinli ma'lumotlarga javob beradi va ularni saqlash oson hisoblanadi. X-ray tasvirini birlashtirishni ham bunga misol qilishimiz mumkin. Bunda ikki yoki undan ortiq tasvirni qirralarga asoslangan holda yopishtirish jarayoni ketadi:
Radial asos funktsiyasi neyron tarmog'i. Radial asosiy funksiyalar nuqtaning markazga nisbatan masofasini ko'rib chiqadi. Radial asos funksiyalari ikkita qatlamga ega. Kiruvchi qiymatlar kiruvchi qismda Radial asos funksiyasi bilan birlashtiriladi, so'ngra ushbu funksiyalarning natijasi keyingi bosqichda bir xil natijani hisoblashda hisobga olinadi(ya’ni xotirada). Quyida nuqtadan aylana radiusigacha bo’lgan masofani aks ettiruvchi diagramma keltirilgan.
Bunday model orqali qiymatlarning turli toifalarga tasniflashda maksimal erishish nuqtasi yoki eng maqbul qiymatni(aylana radiusi orqali masalan) toppish mumkin. Agar nuqta radiusga juda yaqin yoki radius atrofida bo'lsa, output nuqtaning ushbu sinfga kirish ehtimoli katta hisoblanadi. Ushbu neyron tarmoq Quvvatni tiklash tizimlarida qo'llaniladi.
Kohonen o'zini o'zi tashkil etuvchi neyron tarmog'i. Kohonen xaritasining maqsadi neyronlardan tashkil topgan diskret xaritaga ixtiyoriy o'lchamdagi vektorlarni kiritishdir. Xaritani o’ziga kerakli bo’lgan ma’lumotlarni o’zida saqlashga o'rgatish kerak. U bitta yoki bir nechta o'lchamdan iborat. Xaritani o'rgatish paytida neyronning joylashuvi doimiy bo'lib qoladi, ammo og'irliklari qiymatiga qarab farqlanadi.
Ushbu o'z-o'zini tashkil qilish jarayoni turli qismlarga ega, birinchi bosqichda har bir neyron qiymati kichik vazn va kirish vektori bilan boshlanadi. Ikkinchi bosqichda nuqtaga eng yaqin bo'lgan neyron "yutuvchi neyron" dir va g'olib bo'lgan neyronga ulangan neyronlar ham quyidagi grafikdagi kabi nuqtaga qarab harakatlanadi. Nuqta va neyronlar orasidagi masofa evklid masofasi bilan hisoblanadi, eng kam masofa bo'lgan neyron g'olib chiqadi. Takrorlashlar orqali barcha nuqtalar klasterlanadi va har bir neyron klasterning har bir turini ifodalaydi.
Kohonen Neural Network ma'lumotlardagi patternlarni aniqlash uchun ishlatiladi. Uning qo'llanilishini tibbiy tahlilda ma'lumotlarni turli toifalarga to'plash orqali topish mumkin. Masalan, quyida sog'lom va kasal to’qimalar o'rtasidagi taqqoslashni aks ettirilgan:
Qayta tiklanadigan neyron tarmoq (RNN) - qatlamning natijasi(output)ni saqlash hamda uni orqaga ya’ni kiruvchi nuqta(input)ga olib borish orqali prognoz qilishda yordam beradi. Bu erda birinchi qatlam og'irlik va xususiyatlar yig'indisi mahsuloti bilan oldinga yo'naltirilgan neyron tarmog'iga o'xshash shakllanadi. Takroriy neyron tizimining jarayoni bu hisoblab chiqilgandan so'ng boshlanadi, demak, har bir neyron avvalgi vaqt sathida bo'lgan ba'zi ma'lumotlarni eslab qoladi.
Recurrent Neural Networks orqali matndan nutqqa (TTS) konversiyalashni modellashtirishda qo’llash mumkin. Birinchidan, matn "fonema"ga aylantiriladi va audio sintez modeli uni nutqqa aylantiradi:
Konvolyutsion neyron tarmoq. Konvolyutsion neyron tarmoqlari oldinga siljiydigan(Feedforward) neyron tarmoqlariga o'xshaydi, bu yerda neyronlarning og'irliklari va nuqtalari o'rganilishi mumkin. Uning qo'llanilishi kompyuter vision sohasida signal va tasvirni qayta ishlashda bo'lgan. Quyidagi rasmda misol keltirilgan. Bu neyron tarmog'ida kirish xususiyatlari filtr kabi ommaviy ravishda olingan. Bu tarmoqdagi rasmlarni qismlarga bo'lib eslab qolishga yordam beradi va operatsiyalarni hisoblashi mumkin. Ushbu hisoblashlar tasvirni RGB yoki HSI shkalasidan Grey shkalasiga o'tkazishni o'z ichiga oladi. Bunga erishganimizdan so'ng, piksel qiymatidagi o'zgarishlar bo’laklarni aniqlashga yordam beradi va rasmlarni turli toifalarga ajratish mumkin:
Konvolyutsion neyron tarmoqlari signalni qayta ishlash va tasvirni klassifikatsiyalashda qo'llaniladi. Kompyuter vision texnikasi tasvirlarni klassifikatsiyalashda aniqligi sababli konvolyutsion neyron tarmoqlari tomonidan boshqariladi. Hozirgi kunda, Konvolyutsion neyron tarmoqlaridan foydalanadigan texnologiyalarga LSAT kabi ochiq manbali sun'iy yo'ldoshlarni kiritishimiz mumkin. Ular ob-havo xususiyatlaridan olinadigan tasvirni tahlil qilish va tanib olish texnikasi orqali ma'lum bir yerning kelajakdagi o'sishi va hosilini taxmin qilish orqali qishloq xo’jaligida hosil miqdorini oshirishga hissa qo’shmoqda:
Modulli neyron tarmoq. Modulli neyron tarmoqlari mustaqil ravishda ishlaydigan va outputni chiqarishga hissa qo'shadigan turli xil tarmoqlar to'plamlaridan iborat. Har bir neyron tarmog'ida subvazifalarni tuzadigan va bajaradigan boshqa tarmoqlarga nisbatan noyob bo'lgan ma'lumotlar to'plami mavjud. Ushbu tarmoqlar vazifalarni bajarishda bir-biriga o'zaro ta'sir qilmaydi yoki bir-biriga signal bermaydi.
Modulli neyron tarmog'ining afzalligi shundaki, u katta hisoblash jarayonini kichik qismlarga ajratib, murakkabligini pasaytiradi. Ushbu bo’linish ulanishlar sonini kamaytirishga yordam beradi va ushbu tarmoqlarning bir-biri bilan o'zaro ta'sirini bekor qiladi, bu esa hisoblash tezligini oshiradi. Biroq, processing vaqti neyronlarning soniga va ularning natijalarni hisoblashdagi ishtirokiga bog'liq bo'ladi
Modulli neyron tarmoqlari (MNN) - bu sun'iy neyron tarmoqlarini tadqiq qilishda tez sur'atlar bilan o'sib borayotgan sohadir. Modulli neyron tarmog’I orqali biologik, psixologik, texnik va komputatsional masalalarga yechim toppish mumkin.
