1.2
Tasvirlarni tanishda neyron tarmoqlarining dasturiy
vositalarini ko’pyadroli prosessorlar muhitida ishlab chiqish.
Hozirgi vaqtda sun’iy neyron to’rlari va masalalarni parallel ishlash ustida nazariy
izlanishlar va amaliy qo’llanishlar keskin rivojlanmoqda. Neyron to’rlar analitik
tavsifi bo’lmagan va faqatgina eksperimental ma’lumotlar bilan berilgan katta
ko’lamdagi amaliy masalalarni yechish imkonini beradi. Neyron to’rlarini sintez
qilishda algoritmlarning nozik tomoni bu qaror qabul qilishni tushuntirish bo’lib
hisoblanadi. Bu muammoni yechish bilan ko’pchilik tadqiqotchilar
shug’ullanmoqdalar. Bu maqsadda ishlatadigan usullar evristik bo’lganligi uchun ular
asosida korrekt qaror qabul qilish foydalanuvchining subektiv mulohazasiga bog’liq
bo’ladi. Ko’p o’lchovli chiziqsiz optimizasiyaning an’anaviy iterativ gradiyent
algoritmlari bilan o’rganadigan neyron to’rlari modellarining eng ko’p tarqalgani —
bu ko’p qatlamli sun’iy neyron to’rlari sinfidir. Ma’lumki, ko’p qatlamli sun’iy
neyron to’rlari o’rganishda iterativ algoritmlar yaqinlashuvi, o’rganiladigan
berilganlarning (tanlovning) hajmiga, vaznlarning boshlang’ich qiymatiga,
shuningdek, o’rganishdagi maksimal xatolarga (o’rganishning sifat mezonlariga),
o’rganishdagi takrorlanishlar soniga (o’rganish vaqtining uzayishi mezonlariga)
bog’liq. Shuning uchun, qo’yilgan masalani yechish uchun optimal modellarni
tanlashda ularni solishtirish va qaror qabul qilishda neyroto’rlarning xususiyatlarini
yetarli darajada baholashga imkon beruvchi xususiy va umumiy mezonlar
majmuasini ishlab chiqish zarur. Bilimlarni ajratib olish algoritmlarini va sifat
jihatdan yangi bosqichdagi, kognitolog mutaxassislarga mo’ljallangan, neyron
to’rlarining programma vositalarini yaratishga asos bo’luvchi yangi g’oyalar zarur.
Hozirda keng tarqalgan xatolarning teskari tarqalish algoritmlarida va Xopfild neyron
to’rlarida qaror qabul qilish jarayonini tushuntirishga harakatlar qilindi. Bu
modellardagi algoritmlarning evristik xarakterda ekanligi qaror qabul qilishda neyron
to’rlarining shaffoflik muammosini yechishni yetarli darajada matematik
formallashtirishga imkon bermaydi. Natijada, tasvirlarni ajratib olish neyron to’rlari
bo’yicha mutaxassisga bog’liq va asosan tavsiya xususiyatiga ega bo’ladi. Ayni
paytda, sun’iy neyron to’ri sohasidagi olimlar tomonidan turli xil amaliy masalalarni
yechishda neyromodellarni solishtirishga va tanlashga asos bo’ladigan, ko’p qatlamli
neyron to’rlarining mantiqiy shaffofligini miqdoriy baholaydigan bir nechta mezonlar
va usullar ishlab chiqilgan.
Umumlashgan ko’rsatkichlarni hisoblash orqali tajriba ma’lumotlar bazasidan
tasvirlarni ajratib olish va ularni ifodalash va modellarda parallel ishlov berishni joriy
etish tadqiqot maqsadi hisoblanadi. Standart ravishda qo’yilgan obrazlarni anglash
masalasi qaraladi. Ikkita o’zaro kesishmaydigan K 1 ,K 2 sinflar vakillarini o’z ichiga
olgan E 0 = {S 1 ,…,S m } obektlar to’plami berilgan deb hisoblanadi. Obektlar n ta
turli toifadagi (miqdoriy va sifat) alomatlar bilan tavsiflangan bo’lib, ularning ξ tasi
intervallarda ( J to’plam), n — ξ tasi nominal ( J to’plam) o’lchamlarda o’lchanadi.
O’ng’aylik uchun, K 1 sinf vakillarini ro’y bergan holatlar (no holatlar) va K 2 —
ro’y bermagan holatlar (no holatlar) deb hisoblaymiz. Ikki sinfli masala qaralishiga
sabablardan biri — har qanday obektning umumlashgan bahosi nisbiydir, u qarama-
qarshi sinf obektlariga qiyoslash natijasida yuzaga keladi. Ikkinchidan, har qanday k
(k>2) sinfli masalani ikki sinfli masalalar kaskadi ko’rinishida yechish mumkin. Har
bir miqdoriy alomat uchun, chegaralarida “holat” yoki “no holat” sinfi ustun bo’lgan
intervallarni tanlash masalasi tadqiq qilinadi. Umumlashgan ko’rsatkichlarni
hisoblash orqali tajriba ma’lumotlar bazasidan tasvirlarni ajratib olish va ularni
modellarda ifodalash jarayoni va uning natijalari medisina, geologiya, sosiyologiya
sohalarining asosiy masalasi hisoblanadi va shuning uchun yaratilgan algoritm hamda
dasturiy ta’minotdan ushbu sohalarda foydalanish mumkin. Sunniy neyron to’rlari
konfigurasiyalari orasida klassifikasiyalashda o’qitish prinsiplari bo’yicha o’qituvchi
yordamida o’rgatish va o’qituvchisiz o’rgatish prinsiplariga to’g’ri kelmaydi. Bunday
hollarda og’irlik koeffisiyentlari qayta ishlanayotgan axborotlar yordamida izlab
topiladi va barcha o’rgatishlar xuddi shu hisoblashga keltiriladi. Bir tomondan aprior
axborotlarni o’qituvchining yordami sifatida qabul qilish kerak, boshqa tomondan
tarmoq tasvirlarni haqiqiy ma’luotlar kelguncha xotirada saqlab qoladi. Bunday
mantiqiy bog’lanishli tarmoqlar sifatida Xopfild va Ximming to’rlarini yaxshi
tanilgan. Quyida qirishi va chiqishi bitta bo’lgan bir qatlamli Xopfildnig neyron
tarmog’i keltirilgan.
Rasm. Xopfild tarmog’ining strukturali sxemasi.
Dasturiy vositani С++ dasturlash tilida yaratamiz, buning uchun Borland C++
Bulder dasturini ishga tushiramiz va shaklga zarur elementlarni o’rnatamiz (1-rasm)
shakl nomini “Xopfild neyron to'ri” deb nomlaymiz va unga StringGrid1,
StringGrid2, StringGrid3 larni o’rnatamiz. Shundan sung, zarur tugmachalarni
shaklga qo’yib chiqamiz. Ularga mos datur kodlarini ilovada keltiramiz.
1-
rasm. Xopfildning neyron to’ri shakli
Eng oldin paydo bo’ladigan “Matrisaning o’lchamlarini kiritish” shaklni yaratamiz,
bu shaklda dastur matrisadagi qatorlar soni, ustunlar soni, bosh shakldagi kataklar
o’lchami, qo’shish dialog oynasidagi kataklar o’lchami, ko’rishdagi kataklar o’lchami
va ularni ishga to’shiruvchi tugmalardan shaklni hosil qilish, bekor qilish, chiqish
tugmachalarini o’rnatamiz va ularga mos dastur kodlarini kiritamiz. Dastur kodlarini
ilovada keltiramiz.(2-rasm)
2-rasm. Matrisaning o’lchamlarini kiritish
Dastur haqida ma’lumotlarni beruvchi shaklni yaratamiz, buning uchun unga oddiy
Label elementlaridan foydalanib, dasstur nomi, dastur versiyasi, tayerlangan joyi,
qaysi tilda yaratilganligi va kim tomonidan yaratilganligi haqida
ma’lumotlarnikiritamiz va u elementlarni mos ravishda nomlaymiz.
3-rasm. Dastur haqida
Ushbu shakl dasturni yaratilganligi to’g’risidagi barcha ma’lumotlarni chiqarish
uchun ishlatiladi. Keyingi shakl, yangi shablonlarni yaratish uchun yordam beruvchi
dasturiy kodlarni shakllantiradi. Bu shaklni yaratish uchun RadioGroup, StringGrid
va Button elementlaridan foydalanamiz, bu elementlar mos ravishda shaklni
yarattishda, unga ishlov berish usullari va unga yuklattilgan vazifalarni bajarish
uchun foydalaniladi. Tugmachalarga mos kodlarni yaratamiz, bu tugmachalar buyash,
tozalash, invertlash va ishni bajarish uchun foydalaniladi.
Dostları ilə paylaş: |