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
i
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
Ө, əks 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
i
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.
y
1
0
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
.
i