logo

Sun`iy neyron turlari asosida jarayon va tizimlarnimodellarlashtirish LAB

Yuklangan vaqt:

08.08.2023

Ko'chirishlar soni:

0

Hajmi:

226.78125 KB
O’ZBEKISTON RESPUBLIKASI
OLIY VA O’RTA MAXSUS TA’LIM VAZIRLIGI
SAMARQAND DAVLAT UNIVERSITETI 
RAQAMLI TEXNOLOGIYALAR FAKULTETI
INFORMATIKA O’QITISH METODIKASI YO’NALISHI
LABORATORIYA ISHI
MAVZU:  Sun`iy neyron turlari asosida jarayon va tizimlarnimodellarlashtirish
Samarqand-2021
MAVZU:  Sun`iy neyron turlari asosida jarayon va tizimlarni modellarlashtirish 1. ANNlarning tarkibiy qismlari
2. SUGENO algoritmi asosida noqatiy xulosa chiqarish
3. MAMDAE algoritmi asosida noqatiy xulosa chiqarish mexanizmini shakllantirish Sun`iy neyron turlari asosida jarayon va tizimlarnimodellarlashtirish
Neyron   tarmoqlari   misollarni   qayta   ishlash   orqali   o'rganadi   (yoki   o'qitiladi),   ularning
har   biri   ma'lum   bo'lgan   "kirish"   va   "natija"   ni   o'z   ichiga   oladi,   bu   ikkalasi   o'rtasida
aniqlik   tarkibidagi   ma'lumotlar   assotsiatsiyasini   shakllantiradi.   Nerv   tarmog'ini
keltirilgan   misoldan   o'rgatish   odatda   tarmoqning   qayta   ishlangan   chiqishi   (ko'pincha
bashorat qilish) va maqsadli chiqish o'rtasidagi farqni aniqlash orqali amalga oshiriladi.
Bu xato. Keyin tarmoq o'z qoidalariga binoan va ushbu xatolik qiymatidan foydalangan
holda   o'z   vaznli   assotsiatsiyalarini   sozlaydi.   Ketma-ket   tuzatishlar   neyron   tarmoqni
maqsadli chiqishga tobora ko'proq o'xshash ishlab chiqarishni keltirib chiqaradi. Ushbu
tuzatishlarning etarli sonidan so'ng ma'lum mezonlarga asoslanib, mashg'ulot tugatilishi
mumkin. Bu sifatida tanilgan   nazorat ostida o'rganish .
Bunday   tizimlar,   misollarni   ko'rib   chiqish   orqali   vazifalarni   bajarishni   "o'rganadilar",
odatda   vazifalarga   xos   qoidalar   bilan   dasturlashtirilmasdan.   Masalan,   ichida   tasvirni
aniqlash , ular qo'lda qilingan misollarni tahlil qilish orqali mushuklarni o'z ichiga olgan
rasmlarni   aniqlashni   o'rganishlari   mumkin   belgilangan   "mushuk"   yoki   "mushuk   yo'q"
sifatida va boshqa rasmlarda mushuklarni aniqlash uchun natijalardan foydalanish. Ular
buni   mushuklar   haqida   oldindan   bilmasdan   qilishadi,   masalan,   ularning   mo'ynasi,
dumlari,   mo'ylovi   va   mushukka   o'xshash   yuzlari.   Buning   o'rniga,   ular   avtomatik
ravishda ishlov beradigan misollardan aniqlovchi xususiyatlarni yaratadilar.
ANNlarning tarkibiy qismlari
Neyronlar
ANNlar tarkib topgan   sun'iy neyronlar   kontseptual ravishda biologik olingan   neyronlar .
Har   bir   sun'iy   neyronning   kirishlari   mavjud   va   ular   bir   nechta   boshqa   neyronlarga
yuborilishi mumkin bo'lgan bitta ishlab chiqarishni ishlab chiqaradi. Kirish rasmlar yoki
hujjatlar   kabi   tashqi   ma'lumotlar   namunasining   xususiyat   qiymatlari   yoki   boshqa
neyronlarning chiqishi bo'lishi mumkin. Final natijalari   chiqish neyronlari   asab tarmog'i
vazifani bajaradi, masalan, rasmdagi ob'ektni tanib olish.
Neyronning chiqishini topish uchun avval biz tomonidan tortilgan barcha kirishlarning
tortilgan   yig'indisini   olamiz   og'irliklar   ning   ulanishlar   kirishlardan   neyrongacha.   Biz
qo'shamiz   tarafkashlik   ushbu   summa   uchun   muddat.   Ushbu   tortilgan   yig'indiga   ba'zan
deyiladi   faollashtirish .   Ushbu   tortilgan   yig'indidan   keyin   (odatda   chiziqli
bo'lmagan)   faollashtirish   funktsiyasi   mahsulotni   ishlab   chiqarish.   Dastlabki   yozuvlar
tashqi   ma'lumotlar,   masalan,   rasm   va   hujjatlar.   Rasmdagi   ob'ektni   tanib   olish   kabi
yakuniy natijalar vazifani bajaradi. [40]
Aloqalar va og'irliklar
Tarmoq   ulanishlardan   iborat   bo'lib,   har   bir   ulanish   bitta   neyronning   chiqishini   boshqa
neyronga   kirish   sifatida   ta'minlaydi.   Har   bir   ulanishga   uning   nisbiy   ahamiyatini
anglatadigan og'irlik beriladi. [38]
  Berilgan neyron bir nechta kirish va chiqish aloqalariga
ega bo'lishi mumkin. [41] Ko'paytirish funktsiyasi
The   tarqalish   funktsiyasi   oldingi   neyronlarning   chiqishi   va   ularning   birikmalaridan
neyronga   kirishni   og'irlikdagi   summa   sifatida   hisoblab   chiqadi.
[38]
  A   tarafkashlik   targ'ibot natijasiga muddat qo'shilishi mumkin. [42]
Tashkilot
Neyronlar odatda bir nechta qatlamlarga bo'linadi, ayniqsa   chuqur o'rganish . Bir qatlam
neyronlari   faqat   oldingi   va   darhol   keyingi   qatlamlarning   neyronlari   bilan   bog'lanadi.
Tashqi   ma'lumotlarni   qabul   qiladigan   qatlam   bu   kirish   qatlami .   Yakuniy   natija
beradigan   qatlam   bu   chiqish   qatlami .   Ularning   orasidagi   nol   yoki   undan   ko'p   yashirin
qatlamlar .   Bir   qavatli   va   qatlamsiz   tarmoqlardan   ham   foydalaniladi.   Ikki   qatlam
o'rtasida bir nechta ulanish naqshlari mumkin. Ular bo'lishi mumkin   to'liq ulangan , bitta
qatlamdagi   har   bir   neyron   keyingi   qatlamdagi   har   bir   neyron   bilan   bog'langan   holda.
Ular   bo'lishi   mumkin   hovuzlash ,   bu   erda   bir   qatlamdagi   neyronlar   guruhi   keyingi
qatlamdagi bitta neyronga ulanadi va shu bilan ushbu qatlamdagi neyronlarning sonini
kamaytiradi. [43]
  Faqat shu kabi birikmalarga ega neyronlar a ni hosil qiladi   yo'naltirilgan
asiklik   grafik   va   sifatida   tanilgan   feedforward   tarmoqlari . [44]
  Shu   bilan   bir   qatorda,   bir
xil   yoki   oldingi   qatlamlarda   neyronlar   orasidagi   bog'lanishni   ta'minlaydigan   tarmoqlar
sifatida tanilgan   takroriy tarmoqlar . [45]
Giperparametr
Asosiy maqola:   Giperparametr (mashinada o'rganish)
Giperparametr   doimiydir   parametr   uning   qiymati   o'quv   jarayoni   boshlanishidan   oldin
belgilanadi.   Parametrlarning   qiymatlari   o'rganish   orqali   olinadi.   Giperparametrlarga
misollar kiradi   o'rganish darajasi , yashirin qatlamlar soni va partiyaning hajmi. [46]
  Ba'zi
giperparametrlarning   qiymatlari   boshqa   giperparametrlarga   bog'liq   bo'lishi   mumkin.
Masalan,   ba'zi   qatlamlarning   kattaligi   qatlamlarning   umumiy   soniga   bog'liq   bo'lishi
mumkin.
Shuningdek   qarang:   Matematik   optimallashtirish ,   Baholash   nazariyasi va   Mashinada
o'qitish
O'rganish   -   bu   kuzatuvlarning   namunalarini   ko'rib   chiqish   orqali   vazifani   yaxshiroq
bajarish   uchun   tarmoqni   moslashtirish.   O'rganish   natijaning   aniqligini   oshirish   uchun
tarmoqning   og'irliklarini   (va   ixtiyoriy   chegaralarini)   sozlashni   o'z   ichiga   oladi.   Bu
kuzatilgan   xatolarni   minimallashtirish   orqali   amalga   oshiriladi.   Qo'shimcha
kuzatuvlarni   o'rganishda   xatolik   darajasi   foydali   ravishda   kamaytirilmasa,   o'rganish
tugallanadi. O'rgandan keyin ham xato darajasi odatda 0 ga etmaydi. Agar o'rgangandan
so'ng   xato   darajasi   juda   yuqori   bo'lsa,   tarmoq   odatda   qayta   ishlab   chiqilishi   kerak.
Amalda bu a ni aniqlash orqali amalga oshiriladi   xarajat funktsiyasi   bu o'rganish paytida
vaqti-vaqti bilan baholanadi. Uning ishlab chiqarish hajmi pasayishda davom etar ekan,
o'rganish davom etadi. Xarajat tez-tez a sifatida belgilanadi   statistik   uning qiymati faqat
taxminiy bo'lishi  mumkin. Chiqishlar  aslida raqamlar, shuning uchun xato kam bo'lsa,
chiqish (deyarli mushuk) va to'g'ri javob (mushuk) o'rtasidagi farq juda oz. Kuzatishlar
bo'yicha   farqlarning   umumiy   miqdorini   kamaytirishga   o'rganish. [38]
  Ko'pgina   o'quv
modellari   to'g'ridan-to'g'ri   dastur   sifatida   qaralishi   mumkin   optimallashtirish   nazariya
va   statistik baho . O'quv darajasi
O'quv   darajasi   model   har   bir   kuzatuvdagi   xatolarni   to'g'rilash   uchun   zarur   bo'lgan
tuzatish   bosqichlarining   hajmini   belgilaydi.   O'qishning   yuqori   darajasi   mashg'ulot
vaqtini   qisqartiradi,   ammo   yakuniy   aniqligi   pastroq,   o'qish   darajasi   pastroq   bo'lsa,
ko'proq   aniqlik   olish   imkoniyati   mavjud.   Kabi   optimallashtirishlar   Quickprop   birinchi
navbatda   xatolarni   minimallashtirishni   tezlashtirishga   qaratilgan   bo'lib,   boshqa
yaxshilanishlar   asosan   ishonchliligini   oshirishga   harakat   qiladi.   Tarmoq   ichidagi
o'zgaruvchan ulanish og'irliklari kabi tebranishdan saqlanish va konvergentsiya tezligini
oshirish   uchun   yaxshilanishlar   adaptiv   ta'lim   darajasi   tegishli   ravishda   ko'payadi   yoki
kamayadi. [47]
  Impuls   momenti   tushunchasi   gradient   va   oldingi   o'zgarish   o'rtasidagi
muvozanatni   og'irlik   sozlamalari   avvalgi   o'zgarishga   ma'lum   darajada   bog'liq   bo'lishi
uchun tortish imkonini beradi. 0 ga yaqin momentum gradiyentni ta'kidlaydi, 1 ga yaqin
qiymat oxirgi o'zgarishni ta'kidlaydi.
Xarajat funktsiyasi
Xarajat   funktsiyasini   aniqlash   mumkin   bo'lsa-da   maxsus ,   tez-tez   tanlov   funktsiyaning
kerakli   xususiyatlari   bilan   belgilanadi   (masalan   qavariqlik )   yoki   u   modeldan   kelib
chiqqanligi   sababli   (masalan,   ehtimollik   modelida   modelning)   orqa   ehtimollik   teskari
xarajat sifatida ishlatilishi mumkin).
Orqaga targ'ib qilish
Asosiy maqola:   Orqaga targ'ib qilish
Backpropagation   -   bu   o'rganish   paytida   topilgan   har   bir   xato   o'rnini   qoplash   uchun
ulanish   og'irliklarini   sozlash   usuli.   Xato   miqdori   ulanishlar   orasida   samarali   ravishda
bo'linadi.   Texnik   jihatdan,   backprop   hisoblaydi   gradient   (lotin)   ning   xarajat
funktsiyasi   og'irliklarga nisbatan berilgan holat bilan bog'liq. Og'irlikni yangilash orqali
amalga   oshirilishi   mumkin   stoxastik   gradient   tushish   yoki   boshqa   usullar,
masalan   Ekstremal   o'quv   mashinalari , [48]
  "Yoqilg'i   yo'q"   tarmoqlari, [49]
  orqaga
qaytmasdan   mashq   qilish, [50]
  "vaznsiz"   tarmoqlar, [51] [52]
  va   konnektistik   bo'lmagan
neyron tarmoqlar .
Paradigmalarni o'rganish
Uchta   asosiy   o'rganish   paradigmalari   nazorat   ostida   o'rganish ,   nazoratsiz
o'rganish   va   mustahkamlashni   o'rganish .   Ularning   har   biri   ma'lum   bir   o'quv   vazifasiga
mos keladi
Nazorat ostida o'rganish
Nazorat   ostida   o'rganish   juftlashtirilgan   kirish   va   kerakli   natijalar   to'plamidan
foydalanadi.   O'quv   vazifasi   har   bir   kirish   uchun   kerakli   natijani   ishlab   chiqarishdir.
Bunday   holda   xarajat   funktsiyasi   noto'g'ri   ajratmalarni   yo'q   qilish   bilan   bog'liq.
[53]
  Odatda ishlatiladigan narx bu   o'rtacha kvadratik xato , bu tarmoq chiqishi va kerakli
chiqish o'rtasidagi o'rtacha kvadratik xatoni minimallashtirishga harakat qiladi. Nazorat
ostida   o'rganish   uchun   mos   vazifalar   naqshni   aniqlash   (shuningdek,   tasnif   deb   ham
ataladi)   va   regressiya   (funktsiyani   yaqinlashtirish   deb   ham   ataladi).   Nazorat   ostidagi
ta'lim   ketma-ket   ma'lumotlarga   ham   tegishli   (masalan,   qo'lda   yozish,   nutq   va   imo-
ishoralarni aniqlash ). Buni "o'qituvchi" bilan o'rganish, shu vaqtgacha olingan echimlar sifati   to'g'risida   uzluksiz   teskari   aloqani   ta'minlaydigan   funktsiya   shaklida   tasavvur
qilish mumkin.
Nazorat qilinmagan o'rganish
Yilda   nazoratsiz o'rganish , kirish ma'lumotlari xarajat funktsiyasi, ma'lumotlarning ba'zi
funktsiyalari   bilan   birga   beriladi     va   tarmoq   chiqishi.   Xarajat   funktsiyasi   vazifaga
(model domeniga) va har qanday narsaga bog'liq   apriori   taxminlar (modelning yashirin
xususiyatlari,   uning   parametrlari   va   kuzatilgan   o'zgaruvchilar).   Arzimas   misol   sifatida
modelni   ko'rib   chiqing     qayerda     doimiy   va   xarajatdir   .   Ushbu   xarajatlarni
minimallashtirish qiymati hosil qiladi     bu ma'lumotlarning o'rtacha qiymatiga teng.
Xarajat   funktsiyasi   ancha   murakkab   bo'lishi   mumkin.   Uning   shakli   dasturga   bog'liq:
masalan,   ichida   siqilish   bilan   bog'liq   bo'lishi   mumkin   o'zaro   ma'lumot   o'rtasida    
va   ,   statistik   modellashtirishda   esa,   bilan   bog'liq   bo'lishi   mumkin   orqa
ehtimollik   ma'lumotlar   berilgan   model   (ushbu   ikkala   misolda   ham   ushbu   miqdorlar
minimallashtirilgan   emas,   balki   maksimal   darajaga   ko'tarilishini   unutmang).   Nazorat
qilinmagan   o'rganish   paradigmasiga   kiradigan   vazifalar   umuman   olganda   taxmin
qilish   muammolar;   dasturlarga   kiradi   klasterlash ,   taxminiy   statistik
taqsimotlar ,   siqilish   va   filtrlash .
Kuchaytirishni o'rganish
Asosiy maqola:   Kuchaytirishni o'rganish
Shuningdek qarang:   Stoxastik nazorat
Video o'yinlarni o'ynash kabi dasturlarda aktyor bir nechta harakatlarni amalga oshiradi,
har   biridan   keyin   atrof-muhitdan   umuman   kutilmagan   javob   oladi.   Maqsad   -   o'yinni
yutish, ya'ni eng ijobiy (eng kam xarajatli) javoblarni yaratish. Yilda   mustahkamlashni
o'rganish ,   maqsadi   uzoq   muddatli   (kutilayotgan   kümülatif)   xarajatlarni
minimallashtiradigan   harakatlarni   amalga   oshirish   uchun   tarmoqni   og'irlashtirish
(siyosat ishlab chiqish). Vaqtning har bir nuqtasida agent harakatni amalga oshiradi va
atrof-muhit   kuzatuv   va   bir   zumda   xarajatlarni   keltirib   chiqaradi,   ba'zi   (odatda
noma'lum)   qoidalarga   muvofiq.   Qoidalar   va   uzoq   muddatli   xarajatlarni   odatda   faqat
taxmin qilish  mumkin. Har   qanday vaqtda  agent   o'z  xarajatlarini   qoplash  uchun yangi
harakatlarni   kashf   etish   yoki   tezroq   davom   etish   uchun   oldindan   o'rganishdan
foydalanish to'g'risida qaror qabul qiladi.
Rasmiy   ravishda   atrof   muhit   modellashtirilgan   Markovning   qaror   qabul   qilish
jarayoni   (MDP)   davlatlar   bilan     va   harakatlar   .   Shtat   o'tishlari   ma'lum
bo'lmaganligi   sababli,   ehtimollik   taqsimotidan   foydalaniladi:   xarajatlarni   oniy
taqsimlash   ,  kuzatuv   taqsimoti     va  o'tish   taqsimoti   ,  siyosat   esa   kuzatuvlar
asosida  amallar bo'yicha shartli  taqsimlash  sifatida aniqlanadi. Birgalikda ikkalasi  a ni
belgilaydi   Markov zanjiri   (MC). Maqsad eng arzon narxlardagi MCni topishdir.
ANNlar   bunday   dasturlarda   o'quv   komponenti   bo'lib   xizmat   qiladi. [54] [55]
  Dinamik
dasturlash   ANNlar   bilan   birgalikda   (neyrodinamik   dasturlash) [56]
  kabi   muammolarga nisbatan qo'llanilgan   transport vositasini yo'naltirish , [57]
  video O'yinlar,   tabiiy resurslarni
boshqarish    [58]
    [59]
      va   Dori    [60]
      ANN-larning   aniqligi   yo'qotishlarini   yumshatish   qobiliyati
tufayli,   diskretizatsiya   panjarasi   zichligini   kamaytirganda   ham,   boshqaruv   masalalari
echimini   son   jihatdan   yaqinlashtirish   uchun.   Armaturani   o'rganish   paradigmasiga
kiradigan vazifalar nazorat muammolari,   o'yinlar   va boshqa ketma-ket qaror qabul qilish
vazifalari.
O'z-o'zini o'rganish
Nerv   tarmoqlarida   o'z-o'zini   o'rganish   1982   yilda   "Crossbar   Adaptive   Array"   (CAA)
nomli   o'z-o'zini   o'rganishga   qodir   bo'lgan   neyron   tarmoq   bilan   birga   joriy   qilingan.
[61]
  Bu faqat  bitta kirish, vaziyat  s va faqat bitta chiqish, harakat  (yoki xatti-harakatlar)
ga ega bo'lgan tizim. Unda tashqi maslahat va atrof-muhitning tashqi mustahkamlovchi
ma'lumotlari   mavjud   emas.   CAA   shpal   shaklida   har   ikkala   qarorni   va   duch   kelgan
vaziyatlarga   nisbatan   his-tuyg'ularni   (hissiyotlarni)   hisoblab   chiqadi.   Tizim   idrok   va
hissiyotlarning o'zaro ta'siridan kelib chiqadi. [62]
  Berilgan xotira matritsasi W = || w (a, s)
||,   har   bir   iteratsiyada   o'zaro   faoliyat   o'qitish   algoritmi   quyidagi   hisoblashni   amalga
oshiradi:
    Vaziyatda  s   harakatni   bajaring  a;   Oqibatlarga   olib  keladigan   vaziyatni   oling;   V  (lar)
holatida   bo'lish   hissiyotini   hisoblash;   W   '(a,   s)   =   w   (a,   s)   +   v   (s   ’)   xoch   xotirasini
yangilang.
Backpropagated   qiymati   (ikkilamchi   mustahkamlash)   oqibat   vaziyatiga   nisbatan
hissiyotdir.   CAA   ikki   muhitda   mavjud   bo'lib,   ulardan   biri   o'zini   tutadigan   xulq-atvori
muhiti,   ikkinchisi   genetik   muhit   bo'lib,   undan   dastlab   va   faqat   bir   marta   xulq-atvor
muhitida   yuzaga   keladigan   vaziyatlarga   duch   keladigan   dastlabki   hissiyotlarni   oladi.
Genetika   muhitidan   genom   vektorini   (turlar   vektori)   olgan   CAA,   istalgan   va   kiruvchi
vaziyatlarni o'z ichiga olgan xulq-atvor muhitida maqsadga intilishni o'rganadi. [63]
Boshqalar
A   Bayesiyalik   ramka,   tannarxni   minimallashtirish   uchun   ruxsat   berilgan   modellar
to'plami   bo'yicha   taqsimlash   tanlanadi.   Evolyutsion   usullar , [64]
  gen   ekspressionini
dasturlash , [65]
  simulyatsiya   qilingan   tavlanish , [66]
  kutish-maksimallashtirish ,   parametrik
bo'lmagan usullar   va   zarrachalar to'dasini optimallashtirish    [67]
      boshqa o'quv algoritmlari.
Konvergent   rekursiya   -   bu   o'rganish   algoritmi   serebellar   modeli   artikulyatsiyasi
tekshiruvi   (CMAC) neyron tarmoqlari. [68] [69]
Rejimlar
O'qishning   ikkita   usuli   mavjud:   stoxastik   va   ommaviy.   Stoxastik   o'rganishda   har   bir
ma'lumot og'irlik sozlamasini yaratadi. Partiyada o'qitish og'irliklari to'plamdagi xatolar
to'planib,   ma'lumotlar   to'plami   asosida   o'rnatiladi.   Stoxastik   ta'lim   jarayonga   bitta
shovqin   nuqtasidan   hisoblangan   lokal   gradyan   yordamida   "shovqin"   kiritadi;   bu
tarmoqning   mahalliy   minimalarga   yopishib   qolish   imkoniyatini   pasaytiradi.   Biroq,
ommaviy   o'rganish   odatda   mahalliy   minimal   darajaga   tezroq   va   barqaror   tushishni
ta'minlaydi,  chunki   har   bir   yangilanish   partiyaning   o'rtacha   xatosi   yo'nalishida   amalga
oshiriladi.   Umumiy   kelishuv   -   bu   "mini-partiyalar",   har   bir   partiyadagi   namunalari
bo'lgan kichik partiyalar, butun ma'lumotlar to'plamidan stoxastik ravishda tanlangan.
 Funktsiyani yaqinlashtirish    , yoki   regressiya tahlili , shu jumladan   vaqt qatorini bashorat
qilish ,   fitnessni taxmin qilish   va modellashtirish.  Tasnifi    ,   shu   jumladan   naqsh   va   ketma-ketlikni   aniqlash,   yangiliklarni   aniqlash   va
ketma-ket qaror qabul qilish.
 Ma'lumotlarni   qayta   ishlash    jumladan,   filtrlash,   klasterlash,   manbani   ko'r-ko'rona
ajratish   va siqishni.
 Robototexnika    , shu jumladan boshqaruvchi manipulyatorlar va   protezlar .
 Bir   qavatli   oziqlantiruvchi   sun'iy   neyron   tarmoq.   Boshlangan   o'qlar  x2   aniqlik   uchun
qoldirilgan. Ushbu tarmoqqa p kirish va q chiqish mavjud. Ushbu tizimda q-chi chiqish
qiymati,	
yq     would be calculated as  

 A single-layer feedforward artificial neural network with 4
inputs,   6   hidden   and   2   outputs.   Given   position   state   and
direction outputs wheel based control values.




 A two-layer feedforward artificial neural network with 8
inputs,  2x8  hidden  and  2  outputs.   Given  position  state,
direction and other environment values outputs thruster
based control values. SUGENO algoritmi asosida noqatiy xulosa chiqarish
Loyqa xulosa chiqarish jarayonining tipik tuzilishi shaklda ko'rsatilgan. 17.
Guruch, 17
Avvalo, loyqa ishlab chiqarishlar uchun cheklangan qoidalar to'plami bo'lgan qoidalar 
bazasini shakllantirish kerak. Qoidalar bazasini shakllantirish kirish va chiqish 
lingvistik o'zgaruvchilarni, shuningdek, qoidalarning o'zini aniqlashni o'z ichiga oladi. 
Kirish lingvistik o zgaruvchilari qoida subshartlarida qo llaniladigan lingvistik ʻ ʻ
o zgaruvchilardir. Chiqish o'zgaruvchilari - Qoidalar kichik bandlarida ishlatiladigan 	
ʻ
o'zgaruvchilar. Lingvistik o zgaruvchilarning ta rifi o zgaruvchilarning asosiy atama 	
ʻ ʼ ʻ
to plamlari va atamalar to plamining a zolik funksiyalarini belgilashni anglatadi. 	
ʻ ʻ ʼ
Qoidalar 2.4-bo'limda muhokama qilinganidek shakllantiriladi. Har bir qoidaga 
intervaldan qiymat oladigan vazn belgilanishi mumkin. Og'irlik bo'lmasa, vazn nolga 
teng deb hisoblanishi mumkin.
Loyqa xulosalar tizimining kiritilishida lingvistik o'zgaruvchilarning aniq 
qiymatlarining x * = [*, *, * 2, »? **,] vektori olinadi. o'zgaruvchilar. Buning uchun 
lingvistik o'zgaruvchining har bir atamasining vazifalari ma'lum bo'lishi kerak.
Fuzzifikatsiya quyidagi tarzda amalga oshiriladi. Har bir kirish lingvistik o'zgaruvchisi 
q uchun uning son qiymati ma'lum bo'lsin   NS*.   q o'zgaruvchisi paydo bo'ladigan har bir 
subshart bayonoti, masalan, "p.   u yerda   qayerdan   os ( -ma'lum a'zolik funksiyasi bilan 
atama   [la).   Ma'nosi   NS*   argument sifatida ishlatiladi // (l), natijada = d (x *). Bunday 
holda, modifikatorlardan foydalanish mumkin. Shunday qilib, loyqa xulosalar 
tizimining barcha pastki shartlarining haqiqat qiymatlari hisoblanadi. Subshartlardagi 
gaplar raqamlar bilan almashtiriladi. Loyqalanish blokining chiqishida vektor m = hosil 
bo'ladi, bu chiqish blokining kirish qismidir.
Loyqa xulosa bloki kirishda barcha pastki shartlarning haqiqat darajasining vektorini 
oladi   T   va chiqish qiymatining hosil bo'lgan a'zolik funksiyasini hisoblab chiqadi 
(chiqarish tizimi bir nechta chiqishlarga ega bo'lishi mumkin, keyin biz chiqish vektori 
haqida gapiramiz). Olingan a'zolik funktsiyasini hisoblash quyidagi protseduralarni o'z 
ichiga oladi (protseduralar nomlari IEC 1131 - Programlanadigan kontrollerlar 
kontrollerlari uchun dasturlash tillarining xalqaro standartiga muvofiq qavs ichida 
ko'rsatilgan.  7-qism - Loyqa boshqaruv dasturlash):
 - shartlarning haqiqat darajasini hisoblash (Aggregatsiya - yig'ish);
 - xulosalar a'zoligining faollashtirilgan funksiyalarini aniqlash (Activftion - 
faollashtirish);
 - chiqish lingvistik o'zgaruvchilarning natijaviy a'zolik funktsiyalarini aniqlash 
(Akkumulyatsiya). Loyqa xulosalar tizimi (agregatsiya) qoidalarining har biri uchun shartlarning haqiqat 
darajasini hisoblash tartibida loyqa xulosalar tizimi qoidalarining har bir sharti ko'rib 
chiqiladi va shartlarning haqiqat darajasi hisoblanadi. Dastlabki ma'lumotlar pastki 
shartlarning haqiqat darajalari (vektor   T ) loyqalanish blokida hisoblangan. Agar shart 
shaklning bitta noaniq bayonotini o'z ichiga olsa, u holda shartning haqiqat darajasi 
shart bayonining haqiqat darajasiga teng bo'ladi. Agar shart konyunksiya yoki 
dis'yunksiya yo'li bilan bog'langan ikkita subshartdan iborat bo'lsa, shartning bajarilishi 
darajasi uchburchak me'yorlar yordamida hisoblanadi (1.5-bo'lim). Masalan, IF 
qoidasining sharti uchun "(3,   u yerda   a, "men" P 2   ha 2"   c (c, ds z ") = 7 '(c 11 (x;) 
c„ (l-;)), ni olamiz.
NS   va   x 2 -   kirish o'zgaruvchilari qiymatlari l ;, va   x 2,
T   t-norma operatorlaridan biri,   / va a (x) va   M a, (*) - atamalarning a'zolik funktsiyalari 
", va   a 2.
Xuddi shunday qoida sharti uchun:
qayerda   S -   s-norma operatorlaridan biri. Agar shartda ayirma va qo`shma gaplar orqali 
bog`langan pastki shartlar to`plami mavjud bo`lsa, avval qo`shma gaplar orqali 
bog`langan pastki shartlarning haqiqat darajalari, so`ngra -dizyunksiyalar orqali 
hisoblanadi. Odatdagidek, qavslar tartibsiz. Haqiqatni hisoblash uchun kelishilgan 
qoidalardan foydalanish tavsiya etiladi. Masalan, loyqa konyunksiyani hisoblash uchun 
min-kesishma operatsiyasidan foydalanilsa, loyqa diszyunksiyani hisoblash uchun max-
birlashma amalidan foydalanish kerak.
Xulosalarning faollashtirilgan a'zolik funksiyalarini aniqlash (faollashtirish) tartibi 
loyqa implikatsiya operatsiyasiga asoslanadi (2.1-bo'lim). Jarayon uchun kirish 
ma'lumotlari - bu qoidalar shartlarining haqiqat darajalari va chiqish qiymatlarining 
a'zolik funktsiyasi, chiqish ma'lumotlari - barcha kichik xulosalarning a'zolik 
funktsiyalari. Keling, bir misolni ko'rib chiqaylik. Qoida IF (x = A) SHUNDA (y =) 
ko'rinishga ega bo'lsin   V) , a'zolik funktsiyalari   c A (x) va   MV (y) -uchburchak (18-rasm),
kirish qiymati   NS* = 6,5, shartning haqiqat darajasi / i, f (x *) = 0,5 (18-rasmga qarang). Guruch .   18 -
Sugeno algoritmi
Sugeno va Takagi quyidagi shaklda qoidalar to'plamidan foydalanganlar (avvalgidek, 
bu erda ikkita qoidaga misol):
P 1: agar   NS   A 1 va   da   B 1 bo'lsa, u holda   z   1   =   a   1   NS   +   b   1   y,
P 2: agar   NS   A 2 va   da   B 2 bo'lsa, u holda   z   2 =   a   2   x +   b   2   y .
Algoritmni tasvirlash
2. Ikkinchi bosqichda   α   1 = A 1 (   x   0)   B 1 (˄   y   0), a 2 = A 2 (   x   0)   B 2 (	˄   da   0) va 
individual qoida natijalari:
H. Uchinchi bosqichda chiqish o'zgaruvchisining aniq qiymati aniqlanadi:
Algoritm rasmda ko'rsatilgan. 1.11. Guruch. 1.11. Sugeno algoritmi uchun rasm
MAMDAE   algoritmi   asosida   noqatiy   xulosa   chiqarish   mexanizmini   shakllantirish
Mamdani algoritmi
Ushbu algoritm ko'rib chiqilgan misolga mos keladi va rasm. 1.9. Ko'rib chiqilayotgan 
vaziyatda uni matematik jihatdan quyidagicha ta'riflash mumkin.
1. Noaniqlik: har bir qoidaning binolari uchun haqiqat darajalari topiladi: A 1 (   x   0), A 2
(   x   0), B 1 (   y   0), B 2 (   y   0).
2. Noaniq xulosa: qoidalarning har birining oldingi binolari uchun "kesish" darajalari 
topiladi (MINIMUM operatsiyasidan foydalangan holda)
a 1 = A 1 (   x   0)   B 1 (˄   y   0)
a 2 = A 2 (   x   0)   B 2 (
˄   y   0)
Bu erda " " mantiqiy minimumning (min) ishlashini bildiradi, keyin "kesilgan" a'zolik 	
˄
funktsiyalari topiladi. 3. Tarkibi: MAXIMUM (maksimal, bundan keyin “ ” deb yuritiladi) operatsiyasidan ˅
foydalanib, topilgan kesilgan funksiyalar birlashtiriladi, bu esa quyidagilarga olib 
keladi.   final   a'zolik funktsiyasi bilan o'zgaruvchan chiqish uchun loyqa kichik to'plam
4. Nihoyat, aniqlikka qisqartirish (topish uchun   z   0   )   masalan, centroid usuli bilan 
amalga oshiriladi.
Tsukamoto algoritmi
Dastlabki binolar oldingi algoritmdagi kabi, ammo bu holda C 1 (   z ), S 2 (   z ) 
monotondir.
1. Birinchi bosqich Mamdani algoritmidagi kabi.
2. Ikkinchi bosqichda dastlab (Mam-dani algoritmidagi kabi) a 1 va a 2 “kesish” 
darajalari topiladi, keyin esa - tenglamalarni yechish orqali.
a 1 = C 1 (   z   1),   a 2 =   C 2 (   z   2)
- aniq qiymatlar (   z   1   va   z   2   ) har bir asl qoidalar uchun.
3. Chiqaruvchi o'zgaruvchining aniq qiymati aniqlanadi (o'rtacha og'irlik 
sifatida   z   1   va   z   2   ) :
umuman (centroid usulining diskret versiyasi)
Misol. Bizda A 1 (   x   0) = 0,7, A 2 (   x   0) = 0,6, B 1 (   y   0) = 0,3, V 2 (   y   0) = 0,8, mos 
keladigan chegara darajalari
a 1 =   min (A 1 (   x   0), B 1 (   y   0)) = min (0,7; 0,3) = 0,3,
a 2 =   min (A 2 (   x   0), B 2 (   y   0)) = min (0,6; 0,8) = 0,6
va qadriyatlar   z   1   = 8 va   z   2 = 4 tenglamalarni yechish orqali topiladi
C 1 (   z   1) = 0,3, C 2 (   z   2) = 0,6. Guruch. 1.10. Tsukamoto algoritmi uchun rasmlar
Bunday holda, chiqish o'zgaruvchisining aniq qiymati (1.10-rasmga qarang)
z 0 = (8 * 0,3 + 4 * 0,6) / (0,3 + 0,6) = 6.

O’ZBEKISTON RESPUBLIKASI OLIY VA O’RTA MAXSUS TA’LIM VAZIRLIGI SAMARQAND DAVLAT UNIVERSITETI RAQAMLI TEXNOLOGIYALAR FAKULTETI INFORMATIKA O’QITISH METODIKASI YO’NALISHI LABORATORIYA ISHI MAVZU: Sun`iy neyron turlari asosida jarayon va tizimlarnimodellarlashtirish Samarqand-2021 MAVZU: Sun`iy neyron turlari asosida jarayon va tizimlarni modellarlashtirish

1. ANNlarning tarkibiy qismlari 2. SUGENO algoritmi asosida noqatiy xulosa chiqarish 3. MAMDAE algoritmi asosida noqatiy xulosa chiqarish mexanizmini shakllantirish

Sun`iy neyron turlari asosida jarayon va tizimlarnimodellarlashtirish Neyron tarmoqlari misollarni qayta ishlash orqali o'rganadi (yoki o'qitiladi), ularning har biri ma'lum bo'lgan "kirish" va "natija" ni o'z ichiga oladi, bu ikkalasi o'rtasida aniqlik tarkibidagi ma'lumotlar assotsiatsiyasini shakllantiradi. Nerv tarmog'ini keltirilgan misoldan o'rgatish odatda tarmoqning qayta ishlangan chiqishi (ko'pincha bashorat qilish) va maqsadli chiqish o'rtasidagi farqni aniqlash orqali amalga oshiriladi. Bu xato. Keyin tarmoq o'z qoidalariga binoan va ushbu xatolik qiymatidan foydalangan holda o'z vaznli assotsiatsiyalarini sozlaydi. Ketma-ket tuzatishlar neyron tarmoqni maqsadli chiqishga tobora ko'proq o'xshash ishlab chiqarishni keltirib chiqaradi. Ushbu tuzatishlarning etarli sonidan so'ng ma'lum mezonlarga asoslanib, mashg'ulot tugatilishi mumkin. Bu sifatida tanilgan nazorat ostida o'rganish . Bunday tizimlar, misollarni ko'rib chiqish orqali vazifalarni bajarishni "o'rganadilar", odatda vazifalarga xos qoidalar bilan dasturlashtirilmasdan. Masalan, ichida tasvirni aniqlash , ular qo'lda qilingan misollarni tahlil qilish orqali mushuklarni o'z ichiga olgan rasmlarni aniqlashni o'rganishlari mumkin belgilangan "mushuk" yoki "mushuk yo'q" sifatida va boshqa rasmlarda mushuklarni aniqlash uchun natijalardan foydalanish. Ular buni mushuklar haqida oldindan bilmasdan qilishadi, masalan, ularning mo'ynasi, dumlari, mo'ylovi va mushukka o'xshash yuzlari. Buning o'rniga, ular avtomatik ravishda ishlov beradigan misollardan aniqlovchi xususiyatlarni yaratadilar. ANNlarning tarkibiy qismlari Neyronlar ANNlar tarkib topgan sun'iy neyronlar kontseptual ravishda biologik olingan neyronlar . Har bir sun'iy neyronning kirishlari mavjud va ular bir nechta boshqa neyronlarga yuborilishi mumkin bo'lgan bitta ishlab chiqarishni ishlab chiqaradi. Kirish rasmlar yoki hujjatlar kabi tashqi ma'lumotlar namunasining xususiyat qiymatlari yoki boshqa neyronlarning chiqishi bo'lishi mumkin. Final natijalari chiqish neyronlari asab tarmog'i vazifani bajaradi, masalan, rasmdagi ob'ektni tanib olish. Neyronning chiqishini topish uchun avval biz tomonidan tortilgan barcha kirishlarning tortilgan yig'indisini olamiz og'irliklar ning ulanishlar kirishlardan neyrongacha. Biz qo'shamiz tarafkashlik ushbu summa uchun muddat. Ushbu tortilgan yig'indiga ba'zan deyiladi faollashtirish . Ushbu tortilgan yig'indidan keyin (odatda chiziqli bo'lmagan) faollashtirish funktsiyasi mahsulotni ishlab chiqarish. Dastlabki yozuvlar tashqi ma'lumotlar, masalan, rasm va hujjatlar. Rasmdagi ob'ektni tanib olish kabi yakuniy natijalar vazifani bajaradi. [40] Aloqalar va og'irliklar Tarmoq ulanishlardan iborat bo'lib, har bir ulanish bitta neyronning chiqishini boshqa neyronga kirish sifatida ta'minlaydi. Har bir ulanishga uning nisbiy ahamiyatini anglatadigan og'irlik beriladi. [38] Berilgan neyron bir nechta kirish va chiqish aloqalariga ega bo'lishi mumkin. [41]

Ko'paytirish funktsiyasi The tarqalish funktsiyasi oldingi neyronlarning chiqishi va ularning birikmalaridan neyronga kirishni og'irlikdagi summa sifatida hisoblab chiqadi. [38] A tarafkashlik targ'ibot natijasiga muddat qo'shilishi mumkin. [42] Tashkilot Neyronlar odatda bir nechta qatlamlarga bo'linadi, ayniqsa chuqur o'rganish . Bir qatlam neyronlari faqat oldingi va darhol keyingi qatlamlarning neyronlari bilan bog'lanadi. Tashqi ma'lumotlarni qabul qiladigan qatlam bu kirish qatlami . Yakuniy natija beradigan qatlam bu chiqish qatlami . Ularning orasidagi nol yoki undan ko'p yashirin qatlamlar . Bir qavatli va qatlamsiz tarmoqlardan ham foydalaniladi. Ikki qatlam o'rtasida bir nechta ulanish naqshlari mumkin. Ular bo'lishi mumkin to'liq ulangan , bitta qatlamdagi har bir neyron keyingi qatlamdagi har bir neyron bilan bog'langan holda. Ular bo'lishi mumkin hovuzlash , bu erda bir qatlamdagi neyronlar guruhi keyingi qatlamdagi bitta neyronga ulanadi va shu bilan ushbu qatlamdagi neyronlarning sonini kamaytiradi. [43] Faqat shu kabi birikmalarga ega neyronlar a ni hosil qiladi yo'naltirilgan asiklik grafik va sifatida tanilgan feedforward tarmoqlari . [44] Shu bilan bir qatorda, bir xil yoki oldingi qatlamlarda neyronlar orasidagi bog'lanishni ta'minlaydigan tarmoqlar sifatida tanilgan takroriy tarmoqlar . [45] Giperparametr Asosiy maqola: Giperparametr (mashinada o'rganish) Giperparametr doimiydir parametr uning qiymati o'quv jarayoni boshlanishidan oldin belgilanadi. Parametrlarning qiymatlari o'rganish orqali olinadi. Giperparametrlarga misollar kiradi o'rganish darajasi , yashirin qatlamlar soni va partiyaning hajmi. [46] Ba'zi giperparametrlarning qiymatlari boshqa giperparametrlarga bog'liq bo'lishi mumkin. Masalan, ba'zi qatlamlarning kattaligi qatlamlarning umumiy soniga bog'liq bo'lishi mumkin. Shuningdek qarang: Matematik optimallashtirish , Baholash nazariyasi va Mashinada o'qitish O'rganish - bu kuzatuvlarning namunalarini ko'rib chiqish orqali vazifani yaxshiroq bajarish uchun tarmoqni moslashtirish. O'rganish natijaning aniqligini oshirish uchun tarmoqning og'irliklarini (va ixtiyoriy chegaralarini) sozlashni o'z ichiga oladi. Bu kuzatilgan xatolarni minimallashtirish orqali amalga oshiriladi. Qo'shimcha kuzatuvlarni o'rganishda xatolik darajasi foydali ravishda kamaytirilmasa, o'rganish tugallanadi. O'rgandan keyin ham xato darajasi odatda 0 ga etmaydi. Agar o'rgangandan so'ng xato darajasi juda yuqori bo'lsa, tarmoq odatda qayta ishlab chiqilishi kerak. Amalda bu a ni aniqlash orqali amalga oshiriladi xarajat funktsiyasi bu o'rganish paytida vaqti-vaqti bilan baholanadi. Uning ishlab chiqarish hajmi pasayishda davom etar ekan, o'rganish davom etadi. Xarajat tez-tez a sifatida belgilanadi statistik uning qiymati faqat taxminiy bo'lishi mumkin. Chiqishlar aslida raqamlar, shuning uchun xato kam bo'lsa, chiqish (deyarli mushuk) va to'g'ri javob (mushuk) o'rtasidagi farq juda oz. Kuzatishlar bo'yicha farqlarning umumiy miqdorini kamaytirishga o'rganish. [38] Ko'pgina o'quv modellari to'g'ridan-to'g'ri dastur sifatida qaralishi mumkin optimallashtirish nazariya va statistik baho .

O'quv darajasi O'quv darajasi model har bir kuzatuvdagi xatolarni to'g'rilash uchun zarur bo'lgan tuzatish bosqichlarining hajmini belgilaydi. O'qishning yuqori darajasi mashg'ulot vaqtini qisqartiradi, ammo yakuniy aniqligi pastroq, o'qish darajasi pastroq bo'lsa, ko'proq aniqlik olish imkoniyati mavjud. Kabi optimallashtirishlar Quickprop birinchi navbatda xatolarni minimallashtirishni tezlashtirishga qaratilgan bo'lib, boshqa yaxshilanishlar asosan ishonchliligini oshirishga harakat qiladi. Tarmoq ichidagi o'zgaruvchan ulanish og'irliklari kabi tebranishdan saqlanish va konvergentsiya tezligini oshirish uchun yaxshilanishlar adaptiv ta'lim darajasi tegishli ravishda ko'payadi yoki kamayadi. [47] Impuls momenti tushunchasi gradient va oldingi o'zgarish o'rtasidagi muvozanatni og'irlik sozlamalari avvalgi o'zgarishga ma'lum darajada bog'liq bo'lishi uchun tortish imkonini beradi. 0 ga yaqin momentum gradiyentni ta'kidlaydi, 1 ga yaqin qiymat oxirgi o'zgarishni ta'kidlaydi. Xarajat funktsiyasi Xarajat funktsiyasini aniqlash mumkin bo'lsa-da maxsus , tez-tez tanlov funktsiyaning kerakli xususiyatlari bilan belgilanadi (masalan qavariqlik ) yoki u modeldan kelib chiqqanligi sababli (masalan, ehtimollik modelida modelning) orqa ehtimollik teskari xarajat sifatida ishlatilishi mumkin). Orqaga targ'ib qilish Asosiy maqola: Orqaga targ'ib qilish Backpropagation - bu o'rganish paytida topilgan har bir xato o'rnini qoplash uchun ulanish og'irliklarini sozlash usuli. Xato miqdori ulanishlar orasida samarali ravishda bo'linadi. Texnik jihatdan, backprop hisoblaydi gradient (lotin) ning xarajat funktsiyasi og'irliklarga nisbatan berilgan holat bilan bog'liq. Og'irlikni yangilash orqali amalga oshirilishi mumkin stoxastik gradient tushish yoki boshqa usullar, masalan Ekstremal o'quv mashinalari , [48] "Yoqilg'i yo'q" tarmoqlari, [49] orqaga qaytmasdan mashq qilish, [50] "vaznsiz" tarmoqlar, [51] [52] va konnektistik bo'lmagan neyron tarmoqlar . Paradigmalarni o'rganish Uchta asosiy o'rganish paradigmalari nazorat ostida o'rganish , nazoratsiz o'rganish va mustahkamlashni o'rganish . Ularning har biri ma'lum bir o'quv vazifasiga mos keladi Nazorat ostida o'rganish Nazorat ostida o'rganish juftlashtirilgan kirish va kerakli natijalar to'plamidan foydalanadi. O'quv vazifasi har bir kirish uchun kerakli natijani ishlab chiqarishdir. Bunday holda xarajat funktsiyasi noto'g'ri ajratmalarni yo'q qilish bilan bog'liq. [53] Odatda ishlatiladigan narx bu o'rtacha kvadratik xato , bu tarmoq chiqishi va kerakli chiqish o'rtasidagi o'rtacha kvadratik xatoni minimallashtirishga harakat qiladi. Nazorat ostida o'rganish uchun mos vazifalar naqshni aniqlash (shuningdek, tasnif deb ham ataladi) va regressiya (funktsiyani yaqinlashtirish deb ham ataladi). Nazorat ostidagi ta'lim ketma-ket ma'lumotlarga ham tegishli (masalan, qo'lda yozish, nutq va imo- ishoralarni aniqlash ). Buni "o'qituvchi" bilan o'rganish, shu vaqtgacha olingan echimlar