Rəqəmsal iqtisadiyyat və İkt t e. n., dos.Əsgərov H.Ə

İkinci səviyyə neyronlarını sərhəd funksiyası ilə aktivləşdirən şəbəkələr.

Bu şəbəkələrdə ikinci səviyyə neyronları, müxtəlif neyronlar üçün ola bilsin ki müxtılif olan Rj sərhədinə malik sərhəd funksiyasını istifadə edir. j neyronunun çıxışını Pj ilə işarə etsək, alarıq:

P_j=1, əgər d_jj,
P_j=0, əgər d_j≥R_j
Çıxış qatının üçüncü səviyyə neyronları, bir sahənin örtüyünü təşkil edən iknci səviyyə neyronlarının çıxışları yığımını təşkil edir. Əgər ikinci səviyyənin heç olmasa bir neyronunun çıxış siqnalı 1 olarsa onda giriş vektoru baxılan sahəyə aid erilir. əgər müxtəlif sahələrin örtüklərinə daxil olan müxtəlif neyronların çıxış siqnalı 1 olarsa, onda şəbəkənin fəaliyyəti ziddiyyətli hesab edilir.

İkinci səviyyə neyronlarını eksponensial funksiya ilə aktivləşdirən şəbəkələr.

Bu şəbəkələrdə ikinci səviyyə neyronlarının aktivləşməsi

funksiyası ilə reallaşır. Burada a_j – d_j məsafəsi qiymətlərinin dəyişmə ehtimalənə tənzimləyən əmsaldır.
Sonra hər bi çıxış neyronu, onunla birləşən ikinci səviyyə neyronlarının aktivləşmə funksiyaları qiymətlərinin çəkili cəmini hesablayır. Çəki kimi ikinci səviyyə neyronlarının nümayəndəlik sayğacı Ki istifadə edilir:

Burada Mk – k oblastını təşkil edən ikinci səviyyə neyronları çoxluğudur.
X giriş vektorunun C_k oblastına mənsub olmasının şərti ehtimalı P(C_k/X) normallaşma yolu ilə hesablanır:

Burada, N – müxtəlif oblastların miqdarıdır.
Radiuslu bazis funksiyasına malik şəbəkələrin öyrədilməsi əməliyyatı 3 mexanizmdən ibarətdir:
1. İkinci və üçüncü səviyyə neyronlarının formalaşdırılması, onlara aktivləşmə funksiyasının verilməsi və çəkilərin sazlanması;
2. Neyronların sərhəd (paroq) qiymətlərinin modifikasiyası;
3. Neyronların nümayəndəlik sayğaclarının modifikasiyası.
Bir sıra ədəbiyyatlarda qeyd edilir ki, tanıma və təsnifləşdirmə məsələlərinin həlli üçün istifadə edilən çoxsəviyyəli perseptron şəbəkələri o halda Bayesə görə optimal olan diskriminant funksiyanı istifadə edilir ki, öyrənmə çoxluğu asimptotik (kifayət qədər) çox (əlamətlər fəzasını tam əhatə edməyə çalışan) olsun [44]. Ümumi halda, çoxsəviyyəli perseptron neyroşəbəkələri, öyrənmə çoxluğunun natamamlığı səbəbindən öyrənmə çoxluğuna daxil olmayan (onlara oxşamayan) vektorların tanınması zamanı çıxışda ağlagəlməz nəticələr verə bilər.
1990-cı ildə Specht [42] göstərdi ki, təsnifləşdirilən vektorların paylanma sıxlığı funksiyasının qiymətləndirilməsinin parzenov pəncərəsi metoduna əsaslanan qeyri parametrik bayes klassifikatoru ehtimallı neyron şəbəkəsi ilə reallaşa bilər. Ehtimallı şəbəkələr digər neyroşəbəkə istiqamətlərinə nisbətən br sıra üstünlüklərə malikdir: birincisi, onlar üçün tam riyazi əsaslandırma mövcuddur; ikincisi, bu şəbəkələr nisbətən tez, sür`ətli öyrədilir.