Ön söz 5 GiriĢ

Süni neyron Ģəbəkələri. (SNŞ) bioloji neyronun riyazi analoqu olmaqla, insan beynində gedən proseslərin riyazi modelləşdirilməsinə əsaslanır və çox mürəkkəb məsələlərin həllində istifadə edilir.
Neyronun riyazi təhlili belədir: çoxlaylı şəbəkədə hər bir neyron özündən əvvəlki laydakı neyronlardan siqnalları (x₁,x₂,...,x_n) qəbul edir. Giriş siqnalı uyğun

çəki əmsalına (w₁,w₂,...,w_n) vurulur və cəmlənir:



S  w₀  _ w_i x_i
i1

Neyronun çıxış siqnalı (Y) aktivləşmə funksiyası vasitəsi ilə aktivləşir.
Y  f (S)

Bu məqsədlə əsasən aşağıdakı funksiyalardan istifadə edilir:

1. 
   xətti funksiya
   

2. 
   vahid sıçrayış funksiyası
   

Y  kS


_{Y } ^{1, S  0}
_0, S < 0

3. 
   siqmoid funksiyası, siqmoidal funksiya
   

Y 

4. 
   hiperbolik tangens funksiyası
   

1


_{1 e} S

_eS _{ e}S ^{Y } _eS _{ e}S

Axırıncı üç funksiya mürəkkəb məsələlərin həllinə imkan verən çoxlaylı şəbəkələrin qurulmasında istifadə edilir.
SNŞ-in tətbiqi ilə məsələ həllinin riyazi şərhi aşağıdakı kimidir:

1. 
   öyrətmə cütləri (X, Y) müəyyənləşdirilir;
   
2. 
   şəbəkənin arxitekturası seçilir;
   
3. 
   çəki əmsallarının ilkin qiymətləri müəyyənləşdirilir;
   
4. 
   şəbəkənin çıxışı hesablanır;
   
5. 
   xəta qiymətləndirilir;
   

1. 
   əgər xəta qənaətbəxş deyilsə, çəki əmsallarına qradiyent optimallaşdırma və ya digər öyrətmə üsulları ilə düzəlişlər verilir və 3-5 ardıcıllığı təkrar edilir.
   
2. 
   əks halda öyrətmə başa çatmış hesab edilir.
   

SNŞ-in əsas cəlbedici xüsusiyyəti giriş və çıxış siqnalları arasındakı gizli- mürəkkəb asılılıqları tapmaqla empirik xətanın minimuma endirilməsidir ki, bu da neyron şəbəkələr vasitəsi ilə öyrətmə adlanır. Şəbəkənin öyrədilməsi üçün əsasən xətaların geriyə yayılması alqoritmindən və qradiyentlər üsulundan geniş istifadə olunur.
Qeyd edək ki, SNŞ-in tətbiqi ilə təsnifat (klassifikasiya, klasterizasiya) aproksimasiya, proqnozlaşdırma və s. məsələlər həll edilə bilər.