Oʻzbekiston

Koxonenning neyron tarmog’i.
Koxenning o’zi birlashtiruvchi neyron tarmog’i kiruvchi nusxalarni topologik tartibini ta’minlaydi.Ular kirishda n va chiqishda m uzliksiz ketma-ketlikni ta’minlab orasidagi topologik bog’lanish m< aniqlikka ega bo’lgan rasmlarni chegarasini belgilaydi.Chiquvchi rasm bilan bog’liq holda n o’lchamli tasvir olinadi.Xar bir neyron keyingisi bilan bog’langan.Koxonenning bu teoremasida vektor kvantizatsiyasidan unumli foydalanilgan vaxar bir qatlam panjarasi qo’shni neyron bilan aloqasi bor. Ikki o’lchamli tasvirlarda 5x5 o’lchamli bo’lib 25 ta panjara bo’lsa, uch o’lchamli tasvirlarda 5x5x5 o’lchamli bo’lib 125 ta panjara bilan ifodalanishi qabul qilingan. Bu ifodalanish yorug’likning va holatning o’zgarishida bardoshlilikni ta’minlaydi.Agar asosiy ko’rsatkich usulidan foydalanib birgalikda amalga oshirilsa, rasm o’lchami kichiklashtirib foydalanishda afzalliklari oshadi. Koxonen tarmog’i kengaytirish uchun asosiy-radialfunksiyasidan foydalaniladi. Unda tasvirdagi solishtiriluvchi qatlamdan keyin yana bir qatlam qo’shiladi bu qayta qurish imkoniyatini oshiradi.Bu qatlam Gauss funksiyasining asosiy elementi bo’lib xisoblanadi. Asosiy-radial funksiya bir-biriga yaqin va qo’shni qatlamlarning klasterining markazlari orasini ifodalaydi. Asosiy komponent usulini birgalikda qo’llash hisoblsh vaqtini kamaytiradi(m: soqqolli kishini boshqalaridan ajratish).


Koxonen qatlami
Koxonen qatlami, shuningdek, o'z-o'zini tashkil qiluvchi xarita (SOM) qatlami sifatida ham tanilgan, o'z-o'zini tashkil etuvchi neyron tarmoqlarning asosiy komponentidir. U yaratuvchisi Teuvo Koxonen sharafiga nomlangan. Koxonen qatlami o'z-o'zini tashkil qilish jarayoni uchun javobgardir va kirish ma'lumotlarini topologik tasvirga solishda hal qiluvchi rol o'ynaydi.
Koxonen qatlami ikki o'lchovli panjarada joylashgan tugunlar yoki birliklar deb ataladigan neyronlar to'ridan iborat. Qatlamdagi har bir neyron kirish maydonidagi nuqtani ifodalovchi og'irlik vektori bilan bog'langan. O'quv jarayonida neyronlarning og'irlik vektorlari kirish ma'lumotlari asosida kirish maydonining topologik tasvirini yaratish uchun moslashtiriladi.
Koxonen qatlamining asosiy vazifasi tarmoqdagi qaysi neyron ma'lum bir kirish naqshiga eng mos kelishini aniqlashdir. Bu kirish namunasi va neyronlarning og'irlik vektorlari o'rtasidagi o'xshashlikni hisoblash orqali amalga oshiriladi. Kirish naqshiga eng o'xshash vazn vektoriga ega neyron g'olib neyron yoki eng yaxshi mos keladigan birlik (BMU) deb ataladi.
G'olib neyron aniqlangandan so'ng, Koxonen qatlami panjaradagi qo'shni neyronlarning og'irlik vektorlarini yangilaydi, ularni kirish naqshiga ko'proq o'xshash qiladi. Bu jarayon mahalla moslashuvi yoki vazn vektorini sozlash deb nomlanadi. Sozlash darajasi har bir neyronning qo'shnilariga ta'sirini belgilaydigan qo'shnichilik funktsiyasi bilan belgilanadi. Odatda, qo'shni neyronlar uzoqdagi neyronlarga qaraganda og'irlik vektorini sozlashga ko'proq ta'sir qiladi.
Koxonen qatlamidagi o'quv jarayoni tarmoqqa kirish naqshlarini iterativ ravishda taqdim etishni va g'olib neyron va uning qo'shnilariga asoslangan vazn vektorlarini yangilashni o'z ichiga oladi. Vaqt o'tishi bilan Koxonen qatlami kirish maydonining topologik xaritasini yaratishni o'rganadi, bu erda o'xshash kirish naqshlari yaqin atrofdagi neyronlar bilan taqqoslanadi.



Rasm 2. Koxonen neyron tarmog'i, o'z-o'zini tashkil qiluvchi xaritalar, o'rganish.

Koxonen qatlami turli xil ilovalarga ega, jumladan klasterlash, vizualizatsiya va o'lchamlarni kamaytirish. U ma'lumotlardagi yashirin naqshlarni aniqlash, murakkab ma'lumotlar to'plamini vizualizatsiya qilish va ma'lumotlarni o'rganish va anomaliyalarni aniqlash kabi vazifalarni bajarish uchun ishlatilishi mumkin.

Koxonen qatlami o'z-o'zini tashkil etuvchi neyron tarmoqlarning hal qiluvchi tarkibiy qismidir. U o'z-o'zini tashkil qilish jarayoni uchun javobgardir va kirish maydonining topologik tasvirini yaratadi. Koxonen qatlami berilgan kirish namunasi uchun eng yaxshi mos keladigan neyronni aniqlaydi va topologik xaritani yaratish uchun qo'shni neyronlarning vazn vektorlarini yangilaydi. U klasterlash, vizualizatsiya va o'lchamlarni kamaytirishda ilovalarga ega.