Sun’iy intellekt va neyron to’rli texnologiyalar

Shakl.5 dap ning strukturaviy diagrammasi
Loyiha neuro_hn va NEUROHAM fayllaridan tashqari [1] da tasvirlangan SUBFUN va NEURO_FF-ni ham o'z ichiga oladi. Dastur Borland C++ 3.1 muhitida sinovdan o'tkazildi.
Taklif etilgan sinflar ham katta Hamming tarmoqlarini simulyatsiya qilishga imkon beradi. Taniqli naqshlarning soni va murakkabligining oshishi aslida faqat RAM miqdori bilan cheklangan. Shuni ta'kidlash kerakki, Hamming Network Training ushbu maqolalar tsiklida hozirgacha ko'rib chiqilgan barcha algoritmlarning eng oddiy algoritmini taqdim etadi.
Assotsiativ xotirani amalga oshiradigan tarmoqlarning muhokamasi hech bo'lmaganda ikki tomonlama assotsiativ xotira (dap) haqida qisqacha ma'lumot bermasdan to'liq bo'lmaydi. Bu Hopfild tarmog'i paradigmasining mantiqiy rivojlanishi bo'lib, unga ikkinchi qavatni qo'shish kifoya. Dap tuzilishi sek.5. Tarmoq bir-biri bilan bog'liq bo'lgan juft tasvirlarni yodlashga qodir. Tasvir juftlari XK \ u003d (xik:i \ u003d 0 vektorlari sifatida yozilsin...n - 1} va Yk = {yjk: j=0...m-1}, k=0...r-1, bu erda r – juftliklar soni. Ba'zi vektorlarning birinchi qatlamini kiritish uchun ozuqa P = {pi: i=0...n-1} ikkinchi qavat kirishida Q = {QJ:j=0 vektorining paydo bo'lishiga olib keladi...m-1}, keyin yana birinchi qavat kirishiga keladi. Har bir bunday tsikl bilan ikkala qatlamning chiqishidagi vektorlar bir juft namunali vektorlarga yaqinlashadi, birinchisi – X – eng boshida tarmoq kirishiga berilgan P ga o'xshaydi, ikkinchisi – Y – u bilan bog'liq. Vektorlar orasidagi assotsiatsiyalar birinchi qatlamning W(1) vazn matritsasida kodlangan. Ikkinchi qatlamning og'irlik matritsasi W(2) transpozitsiyalangan birinchi (W(1))T ga teng. O'quv jarayoni, shuningdek, Hopfild tarmog'ida bo'lgani kabi, formula bo'yicha W (va shunga mos ravishda WT) matritsa elementlarini oldindan hisoblashdan iborat:

(11)Ushbu formula matritsa tenglamasining kengaytirilgan yozuvidir

(12)
tasvirlar vektor sifatida yozilgan maxsus holat uchun, mos ravishda [n*1] va [1*m] o'lchamdagi ikkita matritsaning mahsuloti (11) ga olib keladi.
Xulosa qilib, siz quyidagi umumlashtirishni amalga oshirishingiz mumkin. Hopfild, Hamming va dap tarmoqlari to'liq bo'lmagan va buzilgan ma'lumotlardan tasvirlarni qayta tiklash vazifasini sodda va samarali hal qilishga imkon beradi. Tarmoqlarning past sig'imi (eslab qolingan tasvirlar soni) tarmoqlar nafaqat tasvirlarni eslab qolibgina qolmay, balki ularni asfaltlashga imkon berishi bilan izohlanadi, masalan, Hamming tarmog'idan foydalanib, maksimal ehtimollik mezoniga ko'ra tasniflash mumkin [3]. Shu bilan birga, dasturiy ta'minot va apparat modellarini yaratish qulayligi ushbu tarmoqlarni ko'plab dasturlar uchun jozibador qiladi.
Mustaqil ishlarda foydalanilgan adabiyotlar