Kommunikatsiyalarini rivojlantirish vazirligi «vlsi tizimini loyihalashtirish» fanidan amaliy mashg

8.2. Neyron tarmoqlarini(NT) o‘rgatib trening qilish. 
Neyron tarmoqlarini o‘rgatish - bu neyron tarmoq parametrlari ushbu tarmoq 
joylashtirilgan muhitni taqlid qilish orqali to‘g‘rilash jarayonidir. O‘qitish turi 
parametrlarni sozlash yo‘li bilan belgilanadi. O‘qituvchi bilan va o‘qituvchisiz 
o‘rganish algoritmlarini farqlang. Nazorat ostida o‘qitish - bu tarmoqqa o‘quv 
misollari namunasini taqdim etishdir. Har bir namuna tarmoqning kirishiga 
beriladi, keyin u NT strukturasida qayta ishlanadi, tarmoqning chiqish signali 
hisoblab chiqiladi, bu maqsadli javob vektorning mos keladigan qiymati bilan 
taqqoslanadi, agar xatolik bo‘sa uni kamaytirishga uo‘naltirilgan tarmoqning 
og‘irlik va siljish koeffisientlari qayta hisoblab chiqiladi. 
Matematik jihatdan NT o‘rgatish jarayonini quyidagicha ta’riflash mumkin. NT 
ishlash jarayonini Y = G (X) funktsiyasi asosida ishlab Y chiqish signalini hosil 

---

127 
qiladi. Agar tarmoq arxitekturasi aniqlangan bo‘lsa, u holda G funktsiyasining 
shakli sinaptik og‘irliklar va siljitish(surish) qiymatlari bilan belgilanadi. 
Mayli Y = F (X) funktsiyasi, kirish-chiqish juftliglari ma’lumotlari (X1, Y1), 
(X2, Y2), ..., (XN, YN) bilan berilgan biror bir masalaning Yk = F(Xk) (k = 1, 2, 
…, N) echimi bo‘lsin. Unda o‘qitish bu, ba’zi xato E funktsiyasi chegarasida, F ga 
yaqin bo‘lgan G funktsiyani topishdan (sintez qilishdan) iboratdir. 
Agar o‘rgatuvchi juftliklar (XN, YN) (bu erda k = 1, 2, ..., N) to‘plami 
tug‘ri tanlansa va E xato funktsiyasini hisoblash usuli bo‘lsa, neyron tarmog‘ini 
o‘rgatish ko‘p o‘lchovli optimallashtirish muammosiga aylanadi. Umuman 
olganda, E funktsiyasi ixtiyoriy shaklga ega bo‘lishi mumkin ekanligini hisobga 
olsak, bu juda katta o‘lchamli, ko‘p qirrali optimallashtirish muammosidir. 
Bu muammoni hal qilish uchun quyidagi (takrorlanuvchi-iteratsion) 
algoritmlarning biridan foydalanish mumkin: 
1. Birinchi darajali xususiy hosila hisoblash bilan lokal optimallashtirish 
algoritmlari: 
• gradient algoritmi (eng keskin tushish usuli), 
• antigradiyent yo‘nalishi bo‘yicha maqsad funktsiyasini bir o‘lchovli va ikki 
o‘lchovli optimallashtirish usullari; 
• birlashtirilgan gradient usuli, 
• algoritmning bir necha bosqichlarida antigradiyent yo‘nalishini hisobga 
oladigan usullar; 
2. Birinchi va ikkinchi darajali xususiy hosila hisoblash bilan mahalliy 
optimallashtirish algoritmlari: 
• Nyuton usuli, 
• siyrak Gessa matritsalari bilan optimallashtirish usullari, 
• kvazi-Nyuton usullari, 
• Gauss-Nyuton usuli, 
• Levenberg-Markard usuli va boshqalar; 
3. Stoxastik optimallashtirish algoritmlari: 
• tasodifiy yo‘nalishda qidirish, 

---

128 
• tavlanishga taqlid, 
• Monte -Karlo usuli (statistik testlarning sonli usuli); 
4. Global optimallashtirish algoritmlari (global optimallashtirish 
muammolari maqsad funktsiyasi bog‘liq bo‘lgan o‘zgaruvchilar qiymatlarini 
sanash orqali hal qilinadi).