Mag str d ssertas yasi



Yüklə 1,19 Mb.
Pdf görüntüsü
səhifə2/7
tarix12.05.2017
ölçüsü1,19 Mb.
1   2   3   4   5   6   7

 

 

Çox mürəkkəb hesablayıcı məsələlər hal-hazırda informasiya emalının digər 

neyron texnologiyası olan neyron şəbəkələrdə informasiyanın emalı üsulu ilə həll 

edilir. 


Neyron  şəbəkə  müəyyyən  bir  struktur  ilə  əlaqləndirilmiş  ayrı-ayrıneyronlar 

toplusudur. Şəbəkənin hesablama gücü, yəni onun yerinə yetirə biləcəyi məsələlər 

məhz  bu  əlaqələrlə  müəyyənləşir.  Əlaqələr  bir  qisim  neyronların  çıxışlarını 

digərlərinin  girişləri  ilə  birləşdirir,  onların  “gücü”  isə  çəki  əmsalları  ilə  (və  ya 

sadəcə olaraq çəkilərlə) verilir. Beləliklə, bir neyronun davranışının digər neyronun 

davranışına təsir gücü əlaqənin uyğun çəki əmsalı ilə müəyyən olunur. Buna görə 



 

13

də  neyron  sistemlərini  çox  vaxt  konneksionist  (connection  birləşmə,  əlaqə 



sözündən) sistemlər də adlandırırlar.  

   Şəbəkədə əlaqələrin düzümü onun arxitekturasını 2 növə ayırmaq olar: tam 

ə

laqəli və iyerarxik şəbəkələr. 



   Qraflar  nəzəriyyəsindən  məlumdur  ki,  tam  əlaqəli  arxitekturada  şəbəkənin 

bütün elementləri bir-biri ilə birləşmiş olur. Neyron şəbəkələrdə bu onu göstərir ki, 

hər  bir  neyronun  çıxışı  bütün  digər  neyronların  girişləri  ilə  birləşmiş  və  onun 

girişləri  qalan  elementlərin  çıxışları  ilə  bağlanmışdır.  Bundan  başqa,  hər  bir 

neyronun çıxışı onun girişinə birləşdirilmişdir (“özü- özü ilə əlaqə”). N  neyrondan 

ibarət  tam  əlaqəli  şəbəkələrdə  hər  bir  düyündən  N    əlaqə  çıxdığından  əlaqələrin 

sayı  N*N-ə  bərabərdir.  Şəkil  1-də  6  neyrondan  ibarət  olan  tam  əlaqəli  şəbəkə 

göstərilmişdir.  

    yerarxik  arxitekturada  ayrı-ayrı  laylarda  və  ya  səviyyələrdə  yerləşmiş 

neyron qruplarını ayırmaq olar. Layın hər bir neyronu əvvəlki və sonrakı layın hər 

bir neyronu ilə əlaqələndirilir.  

 

Şə



kil 1. Tam əlaqəli neyron şəbəkəsi.  

 

14

    Şəkil 2.  yerarxik neyron şəbəkələri. 



 

 Giriş  və  çıxış  laylarını  xüsusi  olaraq  ayırmaq  lazımdır.  Giriş  layının 

neyronları  siqnalları  xarici  mühitdən  alırlar  və  sonrakı  layın  neyronları  üzrə 

paylayırlar.  Çıxış  layının  neyronlarının  çıxışları  xarici  mühitə  daxil  olur.  Girişlər 

və  çıxışlar  arasında  yerləşmiş  laylar  aralıq  və  yaxud  gizli  laylar  adlanır  (onların 

xarici mühitlə bilavasitə əlaqəsi olmur).  

Siqnalların  ötürülməsi  istiqamətinə  görə  şəbəkələri  əks  əlaqəsiz  və  qeyri-

rekurrent  (feed-forward)  və  əks  əlaqəli  və  ya  rekurrent  (feed-back)  şəbəkələrə 

ayırmaq olar.  

Ə

ks əlaqəsiz şəbəkələrdə bir layın neyronları siqnalları yalnız xarici mühitdən 



və  yaxud  da  əvvəlki  layın  neyronlarından  qəbul  edirlər  və  siqnalları  ya  xarici 

mühitə, ya da sonrakı layın neyronlarının girişinə ötürürlər.  

Rekurrent  şəbəkələrdə  müəyyən  laydakı  neyronlar  bundan  əlavə,  siqnalları 

özləri-özlərindən  və  həmin  layda  yerləşən  digər  neyronlardan  qəbul  edə  bilərlər. 

Beləliklə,  qeyri-rekurrent  şəbəkələrdən  fərqli  olaraq  rekurrent  şəbəkənin 

neyronalarının  çıxış  siqnallarının  qiyməti  yalnız  girişlərindəki  siqnalların  cari 

qiymətləri və uyğun əlaqələrin çəkiləri ilə deyil, həm də bəzi neyronların əvvəlki 

zaman anındakı çıxış qiymətləri ilə təyin olunurlar. Bu onu göstərir ki, belə şəbəkə 

çıxışların  vəziyyəti  haqqında  informasiyanı  müəyyən  müddtdə  yadda  saxlamağa 

imkan verən yaddaş elementlərinə malikdir. 

Rekurrent şəbəkələrin  öz  layının  neyronları  ilə  əlaqələri  ləngidici  olan  halda 

(yəni mənfi çəkili əlaqələr olan hal) onu lateral ləngidici şəbəkə adandırırlar.  



 

15

Xarici  mühitlə  ən  sıx  qarşılıqlı  əlaqə  supervizor  üsullardan  istifadə  edəndə 



olur.  Bu  zaman  giriş  vektorlar  çoxluğu  və  ona  uyğun  çıxış  vektorları  çoxluğu 

ə

vvəlcədən müəyyənləşdirilir. Hər bir giriş vektorunun i-ci komponenti şəbəkənin 



i

-ci  neyronuna  verilən  siqnala  uyğun  gəlir.  Analoji  olaraq,  çıxış  vektorunun  j-cu 

komponenti  j-cu  çıxış  neyronunda  alınan  siqnalla  uyğun  gəlir.  x  girş  vektoru  və 

ona uyğun Y çıxış vektoru öyrətmə cütləri adlanan cüt təşkil edir. Bütün öyrətmə 

cütləri  toplusu  öyrətmə  çoxluğunu  yaradır.  Öyrətmə  prosesi  zamanı  neyron 

şə

bəkənin  çıxış  vektorunun  cari  qiymətləri  ilə  öyrətmə  çoxluğundan  seçilmiş 



verilmiş qiymətlər arasındakı meyletmələr hesablanır. Bu qiymətləndirməyə uyğun 

olaraq  şəbəkənin  parametrlərində  təshih  aparılır.  Neyron  şəbəkələrin  öyrətmə 

alqoritmləri  arasında  ən  çox  tətbiq  edilən  xətaların  geriyə  yayılması  (error 

backpropagation) alqoritmi bu prinsiplə işləyir.         

                                                 Şəkil 4. Rekurent şəbəkə. 

Şə

kil 3. Əks əlaqəsiz şəbəkə.     



                               

        


 

16

                                       Şəkil 5. Lateral ləngidici şəbəkə.                 



   Süni  neyronların  birlaylı  şəbəkələri.  Siqnalların  paylanması  üçün  ayrılmış  giriş 

neyronları layından başqa bir hesablayıcı neyron layı olan iyerarxik qeyri-rekurent 

şə

bəkə sadə birlaylı şəbəkə adlanır. Hesablayıcı neyronlarda hər bir neyronun çıxış 



siqnalı  onun  girişinə  daxilolan  siqnalların  uyğun  əmsallara  vurulduqdan  sonrakı 

cəmindən asılı funksiya kimi təyin olunur. Ən sadə halda, çıxış hər bir hesablayıcı 

neyronun  girişinə  daxil  olan  siqnalların  sadəcə  olaraq  uyğun  əmsallara 

vurulduqdan  sonrakı  cəmidir.  Çıxış  siqnallartoplusu  şəbəkənin  Y  çıxış  vektorunu 

ə

mələ  gətirir.  Y  vektorunun  m-ölçüsü  şəbəkənin  çıxışlarının  sayına  bərabərdir. 



Analoji qayda ilə n-ölçülü X giriş vektorunu, n*ölçülü W çəki əmsalları matrisini 

təyin  etsək,  biz  şəbəkənin  çıxışının  onun  girişindən  asılılığını  vektor  şəklində 



Y=X*W

 kimi yaza bilərik. 

   Göstərmək  olar  ki,  fəallaşma  funksiyası  xətti  olan  belə  şəbəkənin  hesablama 

gücü yeni laylar əlavə ediləndə artmır. 1-ci və 2-ci layların çəki əmsalları matrisləri 

uyğun olaraq W

1

 

 W



2

 olan ikilaylı şəbəkəyə baxaq. 1-ci layın neyronlarının çıxış 

vektoru Y

1

=X*W



1

? 2-ci layın çıxış vektoru isə Y



2

=Y

1

*W

2

=X*W

1

*W

2

=X*W

 düsturu 

ilə  tapılır,  burada  W=W

1

*W

2

 

  verilmiş  ikilaylı  şəbəkəyə  ekvivalent  olan  birlaylı 



şə

bəkənin çəki əmsalları matrisidir.  

   Analoji  qayda  ilə  xətti  fəallaşma  funksiyanın  istənilən  çoxsaylı  şəbəkəni 

ekvivalent birlaylı şəbəkəyə çevirmək olar.  

   Biz yuxarıda şəbəkənin laylarının sayını göstərəndə paylaşdırıcı rolunu oynayan 

giriş layını nəzərə almamışıq. Bundan sonra layın sayını göstərəndə bütün layları 

nəzərə alacağıq.  

    Çoxsaylı  süni  neyron  şəbəkələri.  Qeyri-xətti  fəallaşma  funksiyasından  istifadə 

edilən şəbəkədə layların sayının artırılması onun hesablama gücünün artırılmasına, 

daha mürəkkəb inikasların qurulmasına imkan verir.  

    Gizli  layları  olmayan  sadəşəbəkələr  bir  sıra  məsələləri  həll  edə  bilmir.  Belə 

məsələyə hamıya yaxşı məlum olan məşhur “istismaredici və ya” (modul 2-yə görə 

toplama)  problemi  nümunə  ola  bilər  ki,  köməkçi  laylar  əlavə  edilməyən  sadə 

şə

bəkə  ilə  bu  məsələni  həll  etmək  mümkün  deyil.  Problemin  məhz  nədən  ibarət 





 

17

olduğunu başa düşmək üçün neyronun funksiyasına daha müfəssəl baxaq. Tutaq ki, 



neyronun n girişi var.  

   Determinik  neyron  şəbəkələr.  Elementlərinin  fəallaşma  funksiyaları  determinik 

olan neyron şəbəkələri determinik neyron şəbəkələri adlanır. Fəallaşma funksiyası 

kimi müxtəlif funksiyalardan istifadə olunur. Tədqiqatlarda ən çox istifadə olunan 

fəallaşma funksiyalarnın əsas növlərini sadalayaq.  

1.

 



Xətti funksiya.  

                                   y=k x



i

w

   


Xətti funksiyanın qrafiki şəkil 6-da verilmişdir. k=1 halında neyronun çıxışı onun 

giriş siqnallarının əmsallaşdırılmış cəmi olur. Bu funksiyanın tətbiq dairəsi olduqca 

məhduddur.  stənilən xətti elementli çoxsaylı şəbəkəni birlaylı şəbəkəyə gətirmək 

mümkün  olduğundan  bu  funksiya  əsasında  çoxsaylı  şəbəkənin  qurulması  onun 

hesablama gücünü artırmır. y 

                             Şəkil 6.     

                  

                                            0                       ∑x

i

w

i



  

   Vahid sıçrayış unksiyası 

                                        y=  1, əgər  ∑w

i

x

i

>=Ө 

                                            Өəks halda 

Burada Ө hüdud qiymətidir. 

   Bu  funksiyanın  qrafiki  şəkil  7-də  göstərilmişdir.  Vahid  sıçrayış  funksiyasından 

istiadə  edən  neyronlar  girişlərin  əmsallara  vurulmuş  cəmi  hüdud  kəmiyyətinə 

çatanda ani olaraq özlərinin vəziyyətlərini “0”-dan “1”-ə dəyişir.   

i=1 




 

18

 



                                                    Şəkil 7. 

   Bu iki funksiya mürəkkkəb məsələləri həll etməyə imkan verən çoxlaylı neyron 

şə

bəkələrinin qurulmasında xüsusi maraq kəsb edir. Yuxarıda qeyd etdiyimiz kimi 



determinik  neyron  şəbəkələr  həm  əks  əlaqəsiz  (feed-forward),  həm  əks  əlaqəli 

(feed-back)  ola  bilir.  Əks  əlaqəli  neyron  şəbəkələr  daha  böyük  maraq  kəsb  edir. 

Qeyd  edildiyi  kimi,  şəbəkələr  rekurent  şəbəkələr  adlanır.  Sadə  və  çoxlaylı  qeyri-

rekurent  şəbəkələrdə  giriş  vektoru  daxil  olduqda  şəbəkə  üzrə  girişlayından  çıxış 

layına  doğru  istiqamətdə  neyronların  fəallaşmsaı  baş  verir.  Çıxış  neyronlarının 

fəallaşma  səviyyələri  təyin  edildikdən  sonra  neyronların  vəziyyətlərində  heç  bir 

dəyişiklik aparılmır. Bu proses neyron şəbəkələrin relaksiyası adlanır. 

   Rekurent  şəbəkələr  özlərini  tam  başqa  cür  aparırlar.  Şəbəkənin  girişinə  siqnal 

vektoru  veriləndə  neyronların  vəziyyətləri  müəyyənləşir,  lakin  sonra  neyronların 

çıxışları  əks  əlaqəli  olduqları  üçün  onların  girişlərinə  yenidən  yeni  vektor  daxil 

olur  və  vəziyyətlər  yenidən  dəyişirlər.  Rekurent  şəbəkələrdə  dayanıqlıq  anlayışı 

çox vacibdir. Şəbəkə ozaman dayanıqlı hesab olunur ki, sonlu sayda iterasiyadan 

sonra neyronlar dəyişilməyən vəziyyət almış olsun. Dayanıqlı rekurent şəbəkələrin 

girişinə  siqnal  vektoru  veriləndə  neyronların  çıxış  siqnallrı  formalaşır  ki,  bu 

siqnallar  sonra  yenidən  yeni  vəziyyətlər  vektoru  generasiya  etməklə  bir  də 

(təkrarən) girişlərə daxil olur. Lakin şəbəkənin son vəziyyəti qərarlaşmayana qədər 

iterasiyaların  sayının  artması  ilə  düyünlərin  vəziyyətlərinin  dəyişməsinin  sayım 

azalır. Əks əlaqəsiz şəbəkələr həmişə dayanıqlıdırlar. Çünki bir giriş vektoru üçün 

şə

bəkənin düyünləri öz vəziyyətini yalnız bir dəfə dəyişə bilər.  





Ө

 

w



i

x

i

 


 

19

   Dayanıqsız  şəbəkələr  giriş  vetorunu  verəndə  sonra  təkrarən  girişlərə  ötürülən 



çıxış  siqnalları  yaranır  və  yeni  vəziyyət  dəyişmələrinə  səbəb  olur.  Həm  də  bu 

proses sonsuz olaraq davam edir və qərarlaşmışbir vəziyyət yaranmır.  

   Dayanıqlı olmayan neyron şəbəkələrində həm də xaotik relaksasiya baş verə bilər 

ki, bu da tədqiqatçılar üçün böyük əhəmiyyət kəsb edir. 

   Neyron  şəbəkələrin  dayanıqlığını  hansı  meyarlarla  təyin  etmək  məsələsi  uzun 

müddət  açıq  qalmışdır.  Lakin  rekurent  şəbəkələrin  dayanıqlı  alt  çoxluğunu  təyin 

etməyə imkan verən teoremin isbatı sayəsində bu msələ həll olundu və mürəkkəb 

rekurent şəbəkələrin tətbiqi üçün imkanlar artdı.  

   Rekurent  şəbəkələr  assosiativ  yaddaşı  modellərinə  nümunə  ola  bilər.  nsanın 

yaddaşıilə ənənəvi kompüter yaddaşı arasında köklü fərq var. Maşın yaddaşından 

informasiyanı oxumaq üçün onun yerləşdiyi ünvanı göstərmək tələb olunur.  nsan 

yaddaşı  bir  qədər  başqa  cür  təşkil  edilmişdir.  nsan  yaddaşından  informasiya 

götürmək üçün məzmuna uyğun bəzi açar informasiya tələb olunur. Məsələn, əgər 

adam  ona  tanış  olan  kitabın  adını  eşidərsə,  o,  kitabın  müəlliflərini,  məzmununu, 

cildinin rəngini və s. yada sala bilər. Poeziya biliciləri şerin birinci sətirlərinə görə 

bütün şeri  tamamilə  yadına  sala bilərlər, musiqi biliciləri  fraqmentinə görə  bütün 

ə

səri yaddaşında bərpa edə bilərlər və s. 



   Rekurent  şəbəkələrdə  assosiativ  yaddaşı  modelləşdirmək  üçün  onların  məqsəd 

vəziyyətlərini  müəyyən  etmək  və  vəziyytələr  fəzasının  bu  nöqtələrində  enerjinin 

minimallaşdırəlmasını təmni etmək lazımdır. Əgər bu şərtlər ödənilərsə, onda tam 

surətin  hissəsi  veriləndə  və  ya  xarab  olmuş  variantında  şəbəkə  yüksək  ehtimalla 

tam  surəti  canlandıra  biləcəkdir.  Rekurent  şəbəkələrin  verdiyi  bu  imkan 

informasiyanın  bərpa  olunması  üsullarının  işələnməsində  əhəmiyyətli  rol  oynaya 

bilər. 

   Qeyri-səlis neyron şəbəkələr.  ndiyə kimi baxdığımız adi və ya “səlis” neyronalrı 



ümumi şəkildə aşağıdakı kimi təsvir etmək olar. Süni neyronalar – bunlar bir neçə 

girişə  müəyyən  f



i

(x

i

)

  funksiyası  uyğun  tutulur  ki,  bu  funksiya  giriş  siqnalını 

müvafiq  qaydada  emal  edir.  Ən  sadə  və  ən  çox  yayılmış  halda  bu  funksiya  giriş 

qiymətini  əlaqələrin  çəki  əmsallarına  vurmaqla  onu  gücləndirir,  yəni  f



i

(x

i

)=x

i

*w

i





 

20

Neyronun  çıxış  qiyməti  isə  giriş  parametrləri  f



fnksiyalarının  verdiyi  qiymətlər 

olan  n-ölçülü  g(y

1

,  y

2

,  ...,  y

n

)

  funksiyasıdır.  g  funksiyası  kimi  çox  hallarda 



g(l)=1/(1+e

-1

)

    siqmoid  funksiyası  götürülür.  Burada  l,  f    funksiyalarının  bütün 

ə

laqələr üçün qiymətləri və müəyyən bir Ө sabitinin cəmidir: l =f



i

(x

i

)+Ө

.   


   Ө tərs hüdud və ya sürüşmə (bias) adlanır.  

   Qeyri-səlis neyronda yeni anlayışlar – qeyri-səlis ədəd, mənsubiyyət funksiyası, 

qeyri-səlis  əməliyyatlar  anlayışları  istifadə  olunur.  Bu  halda  f    və  g  qeyri-səlis 

dəyişənli və qeyri-səlis qiymətli funksiyalar ola bilər.  

   Neyron şəbəkələrin bəzi xüsusiyyətlərini təhlil edək.  nsan beyni sinaqtik əlaqlər 

vasitəsilə  bir  şəbəkədə  birləşmiş  14  milyarda  yaxın  neyrondan  ibarətdir.  nsanda 

qavrama,  duyğu,  təfəkkür  proseslərinin  hamısı  bu  şəbəkədə  elektrik  siqnallarının 

keçməsi hesabına həyata keçirilir. Bioloji neyronlarda siqnalların real emalı prosesi 

çox  mürəkkəbdir  və  kifayət  qədər  öyrənilməmişdir.  Neyronların  işə  düşməsi  real 

vaxt  şəraitində  asinxron  baş  verir.  Neyronların  fəallığı  zamana  görə  dəyişir. 

Sinaptik  əlaqələrin  gücü  də  dəyişir,  amma  çox  yavaş.  Biz  daha  tez  fikirləşirik, 

nəinki öyrənirik. Əgər i-ci neyronun vəziyyətini x



1

 ilə əlaqənin j-cu çəki əmsalını 

isə w

j

 ilə işarə etsək, onda     



                                               dw

j               

dx

i      

 

yazmaq olar. 



   Neyronların  aktivliyinin  dəyişməsi  neyrona  daxil  olan  siqnalların  qiymətindən, 

həm də onların təsir müddətindən (sürəkliliyindən) asılıdır. Əlaqələrin çəkilərinin 

çəkilərinin  dinamikası  xüsusi  maraq  kəsb  edir.  Xebbinn  çəki  əmsallarının 

dəyişməsi  haqqında  söylədiyi  ideya  bioloji  həqiqətə  uyğun  sayılır.  O,  qeyd 

etmişdir  ki,  əgər  bir-biri  ilə  əlaqəli  iki  neyron  eyni  zamanda  fəallaşırsa,  bir 

neyronun  aksonunu  digərinin  gövdəsi  (və  ya  dendriti)  ilə  əlaqələndirən 

düyünlərinin sayı artır, ya da bu düyünlərin ölçüləri böyürür. Bu və ya digər hal iki 

neyron  arasında  əmsallaşdırılmış  əlaqənin  gücləndirilməsio  deməkdir.  Xebbin 

öyrətmə  alqoritmi  bu  ideyaya  əsaslanmışdır.  Bu  neyron  şəbəkələrdə  öyrətmə 

alqoritminin  tarixən  birincisidir.  Süni  neyron  şəbəkələri  müəyyən  quruluşda 

birləşmiş süni neyronlar çoxluğundan ibarətdir.  

 dt 

<< 

dt 


 

21

   Neyron  şəbəkələrin  xassələri.  Neyron  şəbəkələrin  əsas  xassələrindən  biri 



şə

bəkələrdə iformasiyanın paralel emalıdır. Neyronların hər biri başqa elementlərin 

hər  hansı  qrupu  ilə  paralel  olaraq  işləyən  ayrıca  hesablama  qurğusudur.  Hər  bir 

neyron  şəbəkənin  çıxış  siqnalları  vektorunun  formalaşdırılmasında  öz  hesablama 

payı  ilə  iştirak  edir.  Buna  görə  də  paralel  aparatlarda  onların  realizə  olunması 

neyron hesablamaların yüksək sürətini müəyyənləşdirir.  

   Paralellik  prinspindən  neyron  şəbəkələrində  informasiyanın  paylanmış  təsviri 

irəli çıxır. Əgər kiməsə “Bir əlin barmaqları ilə neçə ədədi göstərmək olar?” sualını 

versək,  onda  yəqin  ki,  o,  “beş”  deyə  cavab  verəcəkdir.  Lakin  bükülü  və  açıq 

barmaqların  kombinasiyalarının  köməyi  ilə  32  ədədi  göstərmək  olar.  ş 

burasındadır  ki,  birinci  halda  1-lik  (bir  əsaslı)  say  sistemi,  ikincidə  isə  ikilik  say 

sistemi  istifadə  olunur.  1-lik  say  sistemində  lokal  təsvir  istifadə  olunur,  əsası  n 

(n>1)  olan  sistemlərdə  paylanmış  təsvirdən  istifadə  olunur.  Paylanmış  təsvir 

zamanı hər bir element hər bir obrazın təsvirində iştirak edir.  

Süni  neyroşəbəkə  prinsipcə  paralel  struktur  olmaqla,  təbii  halda  məlumat 

axını  prinsipini  reallaşdırır.  “Neyron  şəbəkələr”i  termini  keçən  əsrin  ortalarından 

etibarən  bioloji  neyron  şəbəkələrin  təşkili  və  fəaliyyəti  prinsiplərini  öyrənən 

tədqiqatlar  arasında  formalaşmağa  başlamışdır.  ndi  neyroinormatika  elmi 

sahəsində informasiyanın işlənməsinin bir sıra modelləri hazırlanmışdır ki, onlarda 

süni neyron şəbəkələri vəya sadəcə olaraq neyroşəbəkələr adlandırılır.  

Adətən  neyron  şəbəkələri  dedikdə  sinirəbənzər  və  bir-birinə  informasiya 

mübadiləsi  kanalları  ilə  birləşdirilən,  birgə  fəaliyyət  göstərən  elementar 

informasiya çeviriciləri olan neyronlar yığını başa düşülür. 

Neyroşəbəkələrin daha sevindirici nəticələri surətləin dərk edilməsi, assosiativ 

yaddaşın  qurulması,  özü  öyrənən  ekspert  sistemlərinin  yaradılması,  iri  həcmli 

optimallaşdırma məsələlərinin həlli zamanı əldə edilmişdir.  

Neyroşəbəkənin 3 əsas tipi vardır: 

-birbaşa yayımlanan şəbəkələr, 

-tam əlaqəli Kopfild şəbəkələr, 

-Kohonen kartı. 



 

22

Mövcud neyroşəbəkələrin aşağıdakı təsnifat tiplərindən istifadə oluna bilər: 



a)

 

giriş informasiyasının tipinə görə: 



 ikilik informasiyanı təhlil edən şəbəkələr; 

 həqiqi ədədlər üzərində əməliyyat aparan şəbəkələr. 



b)

 

öyrətmə üsullarına görə: 



 qoyulmuş  meyarlara  cavab  vermək  üçün  real  şəraitə  qoşulmaqdan  əvvəl, 

irəlicədən öyrətməni tələb edən (müəllimlə olan modellər) şəbəkələr; 

 iş  prosesində  özünüöyrətmək  (öz  xarakteristikalarını  təkmilləşdirmə) 



qabiliyyətinə malik olan, irəlicədən öyrətməni tələb edən şəbəkələr; 

 

c)



 

informasiyanın yayılma xarakterinə görə:  

 bir istiqamətli  şəbəkələr  (burada informasiya  yalnız bir istiqamətdə verilir, 



elementlərin bir qatından digərinə yayılır): 

 rekkurent  şəbəkələr  (elementin  çıxış  siqnalı  yenidən  həmin  elementə  və 



digər  elementlərə  və  ya  elementin  əvvəlki  qatlarına  giriş  siqnalı  kimi  daxil  ola 

bilər). Belə şəbəkələrə əks əlaqəli şəbəkələrdə demək olar. 

d)

 

giriş  informasiyanın  çevrilməsi  üsullarına  görə  isə  avtoassosiativ 



şə

bəkələri fərqləndirmək lazımdır.  

Bunlar  aşağıdakı  cəhətləri  ilə  seçilir.  Bütövlükdə  şəbəkədə,  yaxud  onun  bir 

qatinda müəyyən vaxt anında neyronların ilkin vəziyyəyi, başqa sözlə, giriş surəti 

(obrazı)  verilir,  yəni  x  =(x

1  ,

x

2,  ......

x

n

).

  Sonra  həmin  surət  elementlərin  çevrilmə 

funksiyalarına uyğun olaraq transformasiya edilir.  nformasiya şəbəkə üzrə yayılır 

və  onun  işlənməsi  baş  verir.  Biristiqamətli  şəbəkələrdə  informasiya  bir  qatdan 

digər  qata  yayılır  və  çıxış  qatı  nəticənin  çıxarılması  vektorunu  verir,yəni  y  =(y

1



y

2

,......y



n

    ).  Birqatlı  şəbəkələrdə  vəziyyətlərin  birində  şəbəkənin  stabilləşməsi 

gedir.  Nəhayət  çıxış  vektorunu  göstərən  şəbəkə  qovşaqlarının  qiymətləri 

hesablanır. Burada iki variant ola bilər: 

a)

  heteroassosiativ şəbəkə xolduqda, giriş vektorunun y çıxış vektorunda 



ə

ks etdirilməsini həyata keçirir; 



 

23

b)



  x  giriş  vektoru  x

0   

etalonunun  təhrif  olunmuş  və  ya  sıxlaşdırılmış  surətini 

göstərir.  

Neyroşəbəkənin  işi  nəticəsində  alınan  çıxış  vektoru  şəbəkə  elementlərinin 

vəziyyətini  xarakterizə  edir.  Onun  mənası  bu  vektorun  qiymətinə  malik  olmaqla, 

həll edilən problemdən asılı olaraq müəyyən edilir.  

Neyrokompüterdə  məsələnin  həlli  onun  adi  EHM-də  həllindən  prinsipcə 

fərqlənir. Adi EHM-də məsələnin həlli hazırlanmış proqrama uyğun olaraq maşına 

daxil  edilən  məlumatların  işlənməsi  yolu  ilə  həyata  keçirilir.  Proqramın  tərtibi 

üçün  irəlicədən  məsələ  həllinin  alqoritmi  hazırlanmalı,  yəni  riyazi    və  məntiqi 

ə

məliyyatların ardıcıllığı müəyyən edilməlidir. Alqoritmlər və proqramlar insanlar 



tərəfindən işlənib hazırlanıb, lakin kompüter yalnız toplama, çıxma, vurma, bölmə, 

məntiqi  şərtlərin  yoxlanması  və  s.  Bu  kimi  çoxsaylı  elementar  əməliyyatların 

yerinə yetirilməsi üçün istifadə olunur. 

Neyrokompüter isə bu və ya digər sinifdən olan məsələlərin həlli məqsədləri 

üçün öyrədilməsi mümkün olan “qara qutu” kimi istifadə olunur. Neyrokompüterə 

məsələnin  ilkin  məlumatları  və  həmin  məlumatlara  uyğun  cavab  “göstərilir”.  Bu 

zaman  neyrokompüter  özünün  daxilində  düzgün  cavabların  alınması  üçün  həll 

edilən məsələlərin alqoritmlərini qurmalıdır. Təbiidir ki, neyrokompüterə nə qədər 

çox  müxtəlif  ilkin  məlumat-cavab  cütlükləri  verilərsə,  o,  həll  edilən  məsələlərə 

uyğun bir o qədər çox model formalaşdıracaqdır. Əgər neyrokompüteri öyrədilmə 

mərhələsində sonra, onun əvvəllər qarşılaşmadığı ilkin məlumatlar verildiyi halda, 

belə  düzgün  həll  nəticələri  verə  bilsin.  Neyrokompüterin  qabiliyyəti  məhz  özünü 

bu  ümumiləşmədə  göstərir.  Neyrokompüterin  qurulmasının  əsasında  süni 

neyroşəbəkə  durduğuna  görə,  öyrədilmə  prosesi  həmin  şəbəkənin  parametrlərinin 

sazlanmasından  ibarət  olur.  Adətən  ədəbiyyatda  öyrədilmə  dedikdə  neyronla 

arasındakı əlaqələrin çəkilərinin dəyişilməsi prosesi başa düşülür.  

Neyron  şəbəkələrin  bir  sıra  modelləri  məlumdur  və  həmin  modellərə 

aşağıadakılar aid edilə bilər:  

  çoxqatlı biristiqamətli şəbəkələr; 

  tam əlaqəli Hopfild şəbəkəsi (birqatlı şəbəkə); 



 

24

ikiistiqamətli  assosiativ  yaddaş  (iki  rejimdə-binar  surətlərin  öyrədilməsi  və                



surətlərin dərk edilməsi rejimində ola bilər);  

özünütəşkil edən Kohonen şəbəkəsi. 

 Çoxqatlı  biristiqamətli  bir  neçə  neyron  qatlarından  –  giriş  qatından,  çıxış 

qatından  və  bir  sıra  “gizli  qatlardan”  ibarətdir.  Bu  şəbəkənin  fəaliyyəti  aşağıdakı 

kimi  həyata  keçirilir:  şəbəkəyə  verilən  girişsiqnalları  giriş  qatlarının  neyronlarına 

daxilolur,  növbə  ilə  bütün  qatlardan  keçir  və  nəticələr  çıxış  qatlarının  çıxış 

neyronlarından alınır. 

 Tam əlaqəli Hopfild şəbəkəsi birqatlı şəbəkəolmaqla, onun bütün neyronları 

bir-biri  ilə  əlaqəli  olur  və  özü  də  neyronun  çıxış  siqnalı  onun  öz  girişinə  verilə 

bilər.  Hopfild  şəbəkəsi  müxtəlif  sahələrdə  tətbiq  edilə  bilər.  Onların  bəziləri  bu 

şə

bəkənin  müxtəlif  surətəri  yadda  saxlamaq  və  sonradan  həmin  surətləri  tam 



olmayan giriş informasiyası üzrə bərpa etmək qabiliyyəti ilə bağlıdır. Onun digər 

tətbiq sahələri optimallaşdırma məsələlərinin həlli üçün istifadə edilmək imkanı ilə 

ə

laqədardır.  



Neyroşəbəkə  bazasında  qurulan  neyrokompüterlər  assosiativ  yaddaşa  malik 

olmaqla  daxil  olan  surətlərin  sayından  asılı  olmayaraq  lazım  olan  tezliklə  onları 

təsnifləşdirir  və  yeni  surəti  təcili  olaraq  yaxınlıqda  mövcud  olan  surətlə 

ə

laqələndirir.  



 Özünütəşkiledən  Kohonen  şəbəkəsi  kartlardan  və  yaxud  çoxölçülü 

çəpərlərdən ibarət olmaqla onların hər bir qovşağı ilə girişçəki vektoru assosiasiya 

edilir.  Giriş  çəki  vektoru  şəbəkənin  girişinin  ölçülərinə  uyğun  ölçülərə  malikdir. 

Öyrətmə  prosesi  alınmış  giriş  siqnalına  reaksiya  vermək  istiqamətində  şəbəkənin 

qovşaqları  arasında  meydana  çıxan  element  yaxın  əhatəsində  olan  elementlərlə 

birlikdə özünün bilik əlaqələrinin çəkilərini modiikasiya edir. 

Özünütəşkiledən şəbəkələrin irəlicədən müəyyən misallar üzrə öyrədilməsinə 

ehtiyacı  olmur  və  vektor  kəmiyyətləri  ilə  verilmiş  surətlərin  dərk  edilməsi, 

təsnifləşdirilməsi  məsələlərində  istifadə  edilir.  Bu  zaman  vektorun  hər  bir 

komponenti surətin elementinə uyğun gəlir. 



Kataloq: application -> uploads -> 2015
2015 -> 4 İstehlakçıların davranışının modelləşdirilməsi Son istehlakçıların davranışının modelləşdirilməsi
2015 -> MİkrobiologiYA, sanitariya və GİGİyena fəNNİ azərbaycan böLMƏSİ
2015 -> Magistrantların dissertasiya mövzusunun yazılması, müzakirəsi və müdafiəsi üçün yaddaş qeydi Birinci tədris ILI üzrə
2015 -> AZƏrbaycan respublikasinin təHSİl naziRLİYİ azərbaycan döVLƏT İQTİsad universiteti
2015 -> План: Məqsəd auditoriyasının elementləri və mövqeləşdirmənin prinsipləri
2015 -> АзярбайжАН РЕСПУБЛИКАСЫ ТЯЩСИЛ НАЗИРЛИЙИ азярбайжан дювлят игтисад университети
2015 -> MÖvzu giriş. Materiya. Kimya, yaranması, inkişaf tarixi, əsas kimya qanunları
2015 -> Bazarların cəlbediciliyi plan bazarın mütləq və cari potensialı
2015 -> İqtisad elminin tarixi və metodologiyasы “
2015 -> Ali təhsil müəssisəsinin Nümunəvi Nizamnaməsi"nin və "Azərbaycan Respublikası Nazirlər Kabinetinin dəyişiklik edilmiş bəzi qərarlarının siyahısı"nın təsdiq edilməsi haqqında Azərbaycan Respublikasının Nazirlər Kabinetinin Qərarı

Yüklə 1,19 Mb.

Dostları ilə paylaş:
1   2   3   4   5   6   7




Verilənlər bazası müəlliflik hüququ ilə müdafiə olunur ©azkurs.org 2020
rəhbərliyinə müraciət

    Ana səhifə