Translated from Russian to Uzbek

Munozara.Kvazi-Nyuton usulining afzalliklari va kamchiliklarini ko'rib chiqing va uni orqaga tarqalish usuli bilan taqqoslang. Kvazi-Nyuton usuli iteratsiyalarning murakkabligi va qo'shimcha xotira uchun o'rtacha talablar bilan birga keladi. Ushbu algoritm yuqori o'lchamli muammolarni hal qilish uchun mos keladi va o'rta va kichik o'lchamli masalalarda yaxshi ishlaydi. To'xtash mezonlari kichik qadam o'lchamidir. Ko'p hollarda to'xtatish mezoni xato funksiyasining etarlicha kichik qiymati hisoblanadi. Muammo shundaki, agar murakkab muammo hal qilinayotgan bo'lsa, uni qanchalik yaxshi hal qilish mumkinligi oldindan ma'lum emas. Ba'zi muammolarni yuqori aniqlik bilan hal qilish mumkin va 25% tasniflash xatosi yaxshi natija hisoblanadi.
Orqa tarqalish har bir kuzatish qayta ishlangandan keyin og'irliklarni moslashtirganda, kvazi-Nyuton algoritmi barcha kuzatishlar bo'yicha xato yuzasining o'rtacha gradientini tekshiradi va har bir mashg'ulot davri oxirida og'irliklarni yangilaydi. Bundan tashqari, o'rganish tezligi va inersiya parametrlarini o'rnatishning hojati yo'q va shuning uchun bu usuldan foydalanish orqaga tarqalish usulidan osonroqdir.
Usul kabi zamonaviy ikkinchi tartibli algoritmlar mavjudkonjugat gradientlarva ko'p vazifalarda boshqa algoritmlarga qaraganda ancha tez ishlaydigan Levenberg-Marquard usuli. Ayniqsa, kichik va o'rta o'lchamdagi, ya'ni bir necha yuz vazn koeffitsientigacha bo'lgan masalalarda Levenberg-Marquardt usuli [13, 14] ko'pincha boshqa algoritmlarga qaraganda tezroq bo'ladi. Trening uchun tanlangan Levenberg-Marquardt algoritmining asosiy afzalligi shundaki, unda to'xtash mezonlarini ko'rsatish kerak emas. Bu usul har doim funktsiyaning mahalliy minimallaridan birini aniq topadi. Levenberg-Marquardt algoritmidan foydalanganda muammoni hal qilish tugagunga qadar, minimal topildi va algoritm to'xtab qolishi mumkin, deb noto'g'ri qaror qabul qilish mumkin bo'lgan ba'zi bir murakkab muammolar bundan mustasno bo'lishi mumkin. Levenberg-Marquardt o'rganish algoritmi tarmoqni o'nlab marta tezroq o'rganishni ta'minlaydi, masalan,
O'rganish algoritmi sifatida Levenberg-Marquardt algoritmidan foydalanib, NN o'qitildi. Yashirin qatlamdagi neyronlarning dastlabki soni dastlab uchta deb taxmin qilingan. Har birida o'quv ketma-ketligining barcha elementlari NN kirishiga ketma-ket etkazib beriladigan, so'ngra uning chiqish qiymatlari va ta'lim sifati ko'rsatkichlari hisoblangan davrlar soni 150 ni tashkil qiladi.
Xulosa.Neyron tarmoqlarni o'rganish algoritmlarini qiyosiy baholash Levenberg-Marquardt algoritmi yordamida eng yaxshi ta'lim sifatiga erishish mumkinligini ko'rsatdi. So'nggi paytlarda ushbu algoritm bir nechta o'zgaruvchilar funksiyasini optimallashtirishda eng samarali hisoblanadi va neyron tarmoq modellarini o'qitishda keng qo'llaniladi.
Shunday qilib, sun'iy neyron tarmoqlarga asoslangan kechikish bilan intervalli berilgan ob'ektni aqlli boshqarish tizimlarini ishlab chiqishning bir necha xil usullari aniqlandi va tahlil qilindi va neyron tarmoqlarini o'qitish uchun mavjud algoritmlarning qiyosiy tahlili o'tkazildi. Tadqiqot natijasida ko'p qatlamli neyron tarmog'ining eng mos arxitekturasi aniqlandi, uni o'qitish uchun Levenberg-Marquardt algoritmi tanlandi. Sun’iy neyrotarmoqlar asosidagi kechikishli ob’ektni aqlli boshqarish tizimini qurish algoritmi, jumladan, intellektual tizimni tashkil etuvchi modullar uchun neyron tarmoq arxitekturasini tanlash algoritmi olindi. Murakkab ob'ektlar uchun aqlli boshqaruv tizimlarini yaratish orqali texnik ob'ektlarni boshqarish samaradorligini sezilarli darajada oshirish mumkin, masalan,