1-variant sun'iy neyron to'rlari

1-VARIANT

1. 
   Sun'iy neyron to'rlari.
   

Sun’iy neyron to‘rlari (SNT) – sun’iy neyronlar birlashuvi bilan yuzaga kelgan, biologik nerv to‘rini juda ham soddalashtirilgan ko‘rinishidir. Bu o‘rinda soddalashtirish darajasi neyronlar va ular o‘rtasidagi bog‘lanishlarning beqiyos murakkabligi bilan belgilanadi. Biologik nerv tizimlarida har bir neyron xossalar va funksiyalar to‘plamiga ega bo‘lib, ular ichida miyaning kommunikatsion tizimini tashkil qiluvchi nerv tolalari bo‘yicha elektroximik signallarni qabul qilish, ishlov berish va uzatish funksiyalari noyob hisoblanadi. Sun’iy neyron to‘rlari o‘z arxitekturasi bilan ajralib turadi: neyron-lar o‘rtasidagi bog‘lanishlar tuzilmasi, qatlamlar soni, neyronlarni faollashtirish funksiyalari, o‘rganish algoritmlari. Bu nuqtayi nazardan mashhur SNT ichidan statistik, dinamik to‘rlar va fuzzytuzilmalar; bir yoki ko‘p qatlamli to‘rlarni ajratib ko‘rsatish mumkin. To‘rlardagi hisoblash jarayonlarning farqlanishi, qisman neyron-larning o‘zaro bog‘lanish usullaridan kelib chiqadi, shu sababli to‘rlarning quyidagi turlarini ajratishadi: – to‘g‘ri tarqalish to‘rlari (feedforward) – signal to‘r bo‘yicha faqat bitta yo‘nalish o‘tadi: kirishdan chiqishga; – teskari bog‘lanishli to‘rlari (feedforward / feedback); – yonlanma bog‘lanishli to‘rlar (laterally connected); – gibrid to‘rlar. Umuman olganda, bog‘lanishlar tuzilmasi bo‘yicha SNT ikkita sinfga guruhlanishi mumkin: 1) to‘g‘ri tarqalishli to‘rlar – tuzilmada teskari bog‘lanishlar yo‘q; 2) rekkurent to‘rlar – teskari bog‘lanishli. To‘rlarning birinchi sinfida eng mashhur va ko‘p ishlatiladigani sun’iy neyronlari qatlamli joylashgan ko‘p qatlamli to‘rlari hisob-lanadi. Qatlamlar o‘rtasidagi bog‘lanishlar – bir yo‘nalishda va aksariyat hollarda har bir neyron chiqishi keyingi qatlamdagi barcha neyronlarning kirishi bilan bog‘langan bo‘ladi. Bunday to‘rlar “statik to‘rlar” deyiladi, chunki o‘z tuzilmasida teskari bog‘lanishlarga va dinamik elementlarga ega emas, to‘r chiqishi esa faqat kirish sifatida berilgan to‘plamga bog‘liq bo‘ladi, to‘rning oldingi holatlariga bog‘liq emas. Statik to‘rlardan farqli ravishda ikkinchi sinfidagi to‘g‘ri tarqalishli to‘rlarga “dinamik to‘rlar” deyiladi. Ularda teskari bog‘lanishning mavjudligi tufayli har bir vaqt momentidagi holat oldingi holatga bog‘liq bo‘ladi. Yechilishida SNT ishlatiladigan masalalarni 4 toifaga bo‘lish mumkin: – anglash va klassifikatsiya (klaster tahlil, masalan, belgili berilganlarni va nutqni anglash, elektrokardiogrammani, qon kataklarini va boshqa berilganlarni sinflarga ajratish; klasterli tahlilda o‘lchov berilganlarini guruhlash va ichki xususiyatlari bilan bir-biriga juda ham o‘xshash bo‘lgan berilganlarni bitta sinf ostilariga (klasterlarga) guruhlash amallari bajariladi); – tasvirlarga ishlov berish: matn, video-, aerofoto suratlar; – identifikatsiya va boshqaruv tizimlari; – signallarni bilan ishlash, xususan, modellashtirish masalalarida funksiya approksimatsiyasi. Topologik nuqtayi nazardan neyron to‘rini o‘lchangan bog‘lanishli yo‘naltirilgan graf ko‘rinishi tasavvur qilish mumkin. Bunda sun’iy neyronlar graf uchlari, sinaptik bog‘lanishlar – graf yoylari bo‘ladi. Sun’iy neyron – biologik neyronning ba’zi funksiyalarini bajaruvchi SNT elementi bo‘lib, uning asosiy vazifasi kirish signallariga bog‘liq holda chiqish signalini shakllantirishdan iborat. Eng keng tarqalgan konfiguratsiyalarda kirish signallari moslashuvchi summatorlar orqali silliqlanadi, keyin summatorning chiqish signali nochiziqli o‘zgartirgichga (faollashtirish funksiyasiga) kiradi va u yerda ham o‘zgartirilib chiqishga uzatiladi.
Faollashtirish funksiyasi – sun’iy neyronning chiqish signalini (OUT) hisoblovchi nochiziqli funksiya bo‘lib, bu o‘rinda asosan quyidagi funksiyalar ishlatiladi:
Neyroinformatika – biologik neyron to‘rlar ishlash tamoyili asosida hisoblash tizimlarini tadqiq qiladigan fan yo‘nalishi bo‘lib, oldingi avlod hisoblash qurilmalaridan bunday tizimlarning asosiy farqi:  hisoblashda yuqori parallellik;  mavjud berilganlarni umumlashtirish qobiliyati;  dasturlash o‘rnini o‘rganish bilan almashtirish;  shovqinga nisbatan yuqori turg‘unlik. Neyron to‘rining arxitekturasi – neyron to‘rlari alohida element-larining bog‘lanish va tashkil qilish usuli.
Neyronlarning arxitekturaviy farqlanishidan biri – bu har xil faollashtirish funksiyadan foydalanishiga bog‘liqligidir. Neyron to‘rlari arxitekturasiga ko‘ra 2 sinfga ajratish mumkin: to‘g‘ri tarqalgan to‘rlar va rekurrent to‘rlar.
Neyroto‘rlarni o‘rganish algoritmi – to‘rni talab etilgandek ishlatish maqsadida arxitektura, sinaptik bog‘lanishlar vazni va o‘rgatuvchi tanlanma bo‘yicha neyron ostonalarini sozlash protsedurasidir. O‘rganishning asosiy paradigmalari: “O‘qituvchili o‘rganish” – o‘rgatuvchi tanlanmada kirish-chiqish juftliklari, ya’ni, har bir kirish uchun to‘g‘ri javoblar (to‘rlarning chiqishi) ma’lum bo‘ladi. “Yordam bilan o‘rganish” – to‘g‘ri javoblar ma’lum emas, lekin to‘r chiqishi to‘g‘riligining kritik bahosi ma’lum. “O‘qituvchisiz o‘rganish” – o‘rgatuvchi tanlanma sifatida faqat kirish qiymatlaridan foydalaniladi. “Aralash o‘rganish” – bir qism vaznlar “o‘qituvchili o‘rganish” orqali, qolgan o‘z-o‘zini o‘rganish bilan topiladi. Neyroto‘rni o‘rgatuvchi genetik algoritm – bu neyroto‘rni optimal arxitekturasini evolutsion yo‘l bilan topuvchi algoritmdir. Bir nechta to‘rlar tasodifiy arxitektura bilan yaratiladi va har bir to‘r genetik kodning xromosomasi sifatida qaraladi. Xromosomalar ustida chatishtirish (crossover), urchitish, mutatsiya amallari bo‘lishi mumkin. Moslashish (fitness) funksiyasini hisoblashda berilgan qadamdagi eng optimal to‘rlar arxitekturasi tanlanadi. Umumlashtirish – neyron to‘rining kirish signallarini o‘rganish-dagiga nisbatan chetlashishlarning qandaydir darajasigacha ta’sirchan bo‘lmasdan qolish qobiliyati. Masalan, obrazlarni anglash masalarida neyron to‘ri shovqinli va buzilgan obrazlarni anglash va tiklash imkonini beradi.
Xatolar funksiyasi (xatolik funksionali, xatolik funksiyasi) – neyron to‘rini o‘rganish boshqarish jarayonida minimizatsiyani talab qiluvchi maqsad funksiya. Xatolik funksiya neyron to‘rini o‘rganish paytida ish sifatini baholash imkoniyatini beradi.
Agar xatolik funksiyasi gradiyentini hisoblashning samarali usuli bo‘lsa, neyron to‘rini o‘rganish uchun optimizatsiyalashning gradiyent usullaridan foydalanish mumkin. Davr – o‘rganish jarayonidagi bitta itaratsiya bo‘lib, u o‘rgatuvchi to‘plamdagi barcha namunalarni taqdim etish va mumkin qadar nazorat tanlanmasida o‘rganish sifatini tekshirishni o‘z ichiga oladi.
Me’yoridan ortiq o‘rganish (haddan tashqari yaqin moslash) – neyron to‘rinining konkret o‘rganish namunalarga haddan tashqari aniqlikdagi moslashuvi muammosi bo‘lib, uning natijasida to‘r umumlashtirish qobiliyatini yo‘qotadi. Me’yoridan ortiq o‘rganish juda uzoq vaqt o‘rganishda, o‘rgatuvchi namunalar soni yetarlicha bo‘lmaganda yoki neyron to‘ri juda ham murakkab tuzilishga ega bo‘lganida yuzaga keladi. Barcha SNT umumiy xossalaridan biri signallar bilan parallel ravishda ishlash xossasi bo‘lib, uni amalga oshirish uchun neyronlar to‘plamini qatlamlarga ajratish va ma’lum bir usulda turli qatlamlarini, ayrim hollarda bitta qatlamdagi neyronlarni o‘zaro bog‘lash zarur bo‘ladi. U yoki bu turdagi masalalarni yechish uchun sun’iy neyron to‘rining zarur va yetarli xossalarini asoslash neyrokompyuter texnikasini ishlab chiqarishdagi muhim bosqichlaridan biri hisoblanadi. Fundamental nazariy ishlanmalar yo‘qligi yechilayotgan masalaga qat’iy bog‘langan neyron to‘rini sintez qilish imkonini bermaydi. Aksariyat holatlarda fiksirlangan tuzilmaga (konfiguratsiyaga) ega bo‘lgan neyron to‘ri parametrlari konkret masala yechimiga mos sozlanadi va optimal variant intuitiv tanlanma asosida olinadi. Neyronlarning minimal soni va ular o‘rtasidagi bog‘lanishlarni izlash qo‘yilgan masalani yechish uchun yetarli bo‘lib, minimal konfiguratsiyali neyron to‘rini qurish jarayonini aniqlab beradi. Bu jarayon, agar qandaydir maxsus ko‘rsatmalar bo‘lmaganda, mumkin bo‘lgan yechimlar to‘plamidan ularning eng soddasini afzal bilish kerakligi asoslangan Okkam keskichi g‘oyasiga zid kelmaydi. Turli toifadagi alomatlar fazosida neyron to‘rini amalga oshirishning qiyinchiligi, birinchi navbatda kuchsiz shkalalarda o‘lchanadigan kirish parametrlarining vaznlarini tanlash bilan bog‘liqdir. Kuchli o‘lcham shkalalaridan kuchsiz shkalaga o‘tish orqali berilganlarni unifikatsiyalash ishlatiladigan alomatlar informativligini kamaytiradi, obyektlar tanlanmasini kombinator ravishda cheklangan holatga olib keladi. Bu o‘rinda aniq bir aprior ma’lumotlar bo‘lishi va ishlanadigan berilganlarning o‘zlarining xossalari kuchsiz shkalalarni “boyitishga”, ya’ni kuchsiz shkalalarga tartib va miqdoriy xossalarini berish imkonini beradi. Akasariyat hollarda neyron to‘rini o‘rganish jarayoni, oldindan berilgan, fiksirlangan sondagi neyronlar uchun ularning har birining chegirilgan yig‘indilar vaznlarini ketma-ket ravishda aniqlashtirish bilan olib boriladi. Minimal sondagi neyronlarga ega neyron to‘rini sintez qilish jarayoni tavsiya xususiyatiga ega va nazariy ravishda yetarlicha asoslanmagan. Har bir tadbiqiy soha uchun o‘zining mezonlari mavjud bo‘lib, ularni neyron to‘rini tuzilmasini tanlashda inobatga olish kerak bo‘ladi. Ko‘p qatlamli sun’iy neyron to‘rini o‘rganish (moslashuv-chanlik) darajasini (hajmini) hisoblash formulalari mavjud bo‘lib, ularga ko‘ra ko‘p qatlamli sun’iy neyron to‘rining o‘rganish sig‘imi bir qatlamli perseptrondan yuqori emas [3]. Funksiyani approksimatsiyalash uchun neyron to‘ri konfiguratsiyasini tanlash. Sun’iy neyron to‘ri yordamida ko‘p o‘zgaruvchili uzluksiz funksiyani oldindan berilgan aniqlikda approksimatsiya qilish ko‘pgina tadbiqiy tadqiqotlarda asosiy masala hisoblanadi. Bu masalani yechishdagi neyron to‘rini o‘rganish usullari hali mukammalikdan uzoqda. Xususan, bu holat neyron konfiguratsiyasini tiklanayotgan funksiya murakkabligiga moslashtirishning qat’iy formal protseduralari yo‘qligida namoyon bo‘ladi. Odatda konfiguratsiyani tanlash evristik usulda amalga oshiriladi va u tadqiqotchining intuitsiyasi, hamda tajribasiga bog‘liq bo‘ladi. Bir qatlamli sun’iy neyron to‘rini tuzilmaviy va algoritmik sintez qilishning taklif qilinayotgan usul miqdoriy hamda turli toifadagi alomatlar fazosida tavsiflangan o‘rgatuvchi tanlanmaning etalon-obyektlar bilan minimal qoplamasini qurishning optimizatsiya masalasini yechishga asoslangan [4]. Masala qo‘yilishi. Funksiyaning jadval qiymatlarining approksi-matsiyasi qilinuvch qiymatidan maksimal chetlashishi  kattaligi berilganda o‘rgatuvchi tanlanmaning lokal-optimal qoplamasi qurish masalasi qaraladi. Obyekt-etalonlar atrofida (lokal sohada) funksiya approksi-matsiyasi radialbazis faollashtirish funksiyalari yordamida amalga oshiriladi. Ma’lum approksimatsiya usullaridan farqli ravishda to‘r-ning tayanch elementlari alomatlar fazosining lokal sohalari bo‘yicha nisbatan tekis (beriladigan aniqlik ma’nosida) taqsimlangan. Yechilayotgan masala chegarasida uzluksiz funksiya approksimatsiya-sining aniqligi va o‘rgatuvchi tanlanma hajmiga bog‘liq ravishda neyron to‘rinining umumlashtirish darajasi haqidagi masala qaraladi.

2.