Персептронды үйрету
Жасанды нейронды желілердің үйренуге қабілеттілігі олардың ең
қызығарлық қасиеті болып табылады. Олар модельдейтін биологиялық жүйелертәрізді бұл нейронды желілер өздерін өздері модельдейді.
Персептрон барлық образдарға керекті шығыс алынғанша салмақты
келтірп, оның кірісіне көптеген образдарды бере отырып, үйретеді. Айталық, кіріс образдары демонстрациялық картаға енгізілген делік. Егер шаршыда
сызық болса, онда одан бір қайтады, қарсы жағдайда нөл қайтады. Картадағы көптеген шаршылар персептрон кірісне берілетіндей нөлднр мен бірлерді береді. Бұның мақсаты персептронды индекаторға тақ сандарды беретін көптеген кірістер кезінде оны қосып, ал жұп сан кезінде оны сөндіруге үйрету
конфигурация көрсетілген. Айталық, Х векторы танылатын демонстрациялық
картаның образы болып табылсын. Әрбір компонент (шаршы) Х - (x1, x2, :, xn)
- W - (w1, w2, ..., wn) салмақтар векторвының сәйкес компоненттеріне
көбейтіледі. Бұл көбейтінді соммаланады. Егер сомма P тұрақтысынан асып
кетсе, онда Y нейронының шығысы бірге тең, қарсы жағдайда ол нөлге тең.
Желіні үйрету үшін Х кіріске беріледі де У есептелінеді. Егер У дұрыс болса, онда ештеңе өзгертілмейді. Бірақ кіріс дұрыс болмаса, онда кіріске қатыстырылып қойылған вес қатені азайту үшін модификацияланады. Бұл қалай жүзеге асырылатынын көру үшін, айталық, У кірісіне және шығысына берілеген 3 цифрлі демонстрациялық карта 1 – ге тең. Бұл дұрыс жауап
болғандықтан, онда салмақтар өзгертілмейді. Егер, бірақ та, кіріске 4 номерлі карта берілсе, және У шығыс бірге тең болса, онда бірлік кірістермен байланыстырылған салмақатар азайтылуы керек, өйткені олар дұрыс емес нәтиже беруге тырысады. Дәл осылай 3 нөмерлі карта нөлдік нәтиже береді,сол кезде бірлік шығыспен байланыстырылған вестер қатені дұрыстау үшін
артуы керек.
Үйретудің бұл әдісі келесі түрде қорытындыланады:
1. Кіру образын беріп, Y-ті есептейді.
2.
a. Егер кіріс дұрыс болса, онда 1-қадамға өту ;
b. Егер кіріс дұрыс емес және нөлге тең болса, онда барлық кірістерді
сәйкес салмақтарға қосу; немесе
c. Егер шығыс дұрыс емес болса, және бірге тең болса, онда, әрбір
кірісті оған сәйкес салмақтан алып тастау.
3. 1-қадамға өту.
Қадамның соңғы санында желі карталарды жұп немесе таққа бөлуге
үйренеді. Бұл әрбір тақ карталар үшін шығыс шектен тыс, ал жұпатар үшін аз
екенін білдіреді.
Жасанды нейронды желілер дегеніміз не? Олар не істей алады? Олар қалай жұмыс жасайды? Оларды қалай қолдануға болады? Осы тәрізді көптеген сұрақтарды әртұрлі облыстағы мамандар қояды.
Сонымен нейронтәрізді желі дегеніміз не? Бұл биологиялық желінің өз параметрі бойынша түпнұсқаға максималды түрде жақын жасанды аналогы. Нейронтәрізді желілер оларды қолдануды толықтай мойындамаудан
бастап адамзат жұмысының көптеген салаларына қолдануға дейін дамудың ұзақ жолынан өтті.
Қазіргі заманғы цифрлі есептеу машиналары алдын ала белгілі
алгоритмдер бойынша анықталған мәліметтермен құрылған есептерді жоғары
тез жылдамдықпен және дәлдікпен шешуге қабілетті. Бірақ есеп құрылымға
келмейтін, ал кіріс мәліметтер толық емес, қарама – қайшылықтары көп болған
жағдайда дәсстүрлі компьютерлерді қолдану тиімді болмайды. Оларға
альтернатива ретінде дәстүрлі емес нейрожелілік технологияны жүзеге
асыратын арнайы компьютерлерді ұсынуға болады. Бұл кешендердің күшті
жағына ақпаратты өңдеудің стандартты емес сипаттамаларын жатқызуға
болады. Ол жадының жеке ұяшықтарында емес, нейрондар арасындағы
байланыстарды үлестіруде кодталып, сақталады, сондықтан әрбір жеке
нейронның күйі олармен байланысты басқа да көптеген нейрондардың күйімен
анықталады. Демек, бір немесе бірнеше байланыстарды жоғалту бүтін жүйенің
жұмысына қатты әсерін тигізбейді, яғни оның жоғары сенімділігін қамтамасыз
етеді. Жоғары «табиғи» шуға қарсылық пен функционалды беріктілік
өзгертілген ақпарат ағынымен қатар, жеке процессорлы элементтердің істен
шығуына да қатысты. Бұнымен жоғары оперативтілік пен ақапаратты өңдеудің
дұрыстығы қамтамасыз етіледі.
Нейронтәрізді желілер. (НТЖ) модельдері
Жоғарыда көрсетілген мәліметтерді нейрожелілік өңдеудің артықшылығы
НТЖ қолданылу облысын анықтайды:
Кескіндерді өңдеу және талдау;
Диктордан тәуелсіз сөзді тану, аудару;
Жоғарыжылдамдықты цифрлі ағындарды өңдеу;
Ақпаратты тез іздеудің ақпараттандырылған жүйесі;
Ақпаратты нақты уақыт масштабында зерттеу;
Күштер мен құралдарды үлкен масштабта қолдануды жоспарлау;
Тиімділеудің күрделі есептерін шешу;
Адаптацияланған басқару және болжау.
Нақты емес білімдерді нейронды желілір модельдерінде қолдану
Жеке нейрондар, бір бірімен байланыса отырып, нейронаралық бірігулер
қасиетіне тәуелді биологиялық модельдеудің әртүрлі деңгейінен тұратын жаңа
сапаны құрады:
Нейрондар тобының;
Нейронды желінің;
Жүйке жүйесінің;
Ойлау қабілетінің;
мидың.
Басқаша айтқанда, нейронтәрізді желі — биологиялық жүйке жүйесі
тәрізді нақты өмір объектілерімен өзара қарым – қатынаста болатын қарапайым
адамптацияланған элементтердің параллель байланысқан желісі.
Нейронтәрізді желілердің ең негізгі қасиеттеріне өзін өзі ұйымдастыру, қызмет көрсетудің сапасын көтеру мақсатында өздігінен адаптациялану қасиетін жатқызуға болады. Бұл алгоритмі үйретуші ережелер жиынымен берілетін желіні үйрету жолымен алынады. Үйретуші ережелер кіріске жауап ретінде байланыстардың қалай өзгеретінін анықтайды. Математикалық түрде бұл ережені келесі түрде жазуға болады:
мұндағы wij(t) және wij(t+1) –i-шіден j-шіге дейінгі байланыс салмағының
мәні, α — үйрету жылдамдығы, yi және yj –i-ші және j-гі дейінгі нейрондардың
шығыс сигналдары. Қазіргі уақытта көптеген әртүрлі үйретуші ережелер бар.
Нейронтәрізді желі дегеніміз- бұл биологиялық желінің өз параметрі
бойынша түпнұсқаға максималды түрде жақын жасанды аналогы.
Жеке нейрондар, бір бірімен байланыса отырып, нейронаралық
бірігулер қасиетіне тәуелді биологиялық модельдеудің әртүрлі деңгейінен тұратын жаңа сапаны құрады.
Достарыңызбен бөлісу: |