કૃત્રિમ ચેતાકોષનું ઇનપુટ શું છે. કૃત્રિમ (ગાણિતિક) ચેતાકોષ

કૃત્રિમ ચેતાકોષ

સ્કીમ કૃત્રિમ ચેતાકોષ
1. ન્યુરોન્સ, જેના આઉટપુટ સિગ્નલો આના ઇનપુટ પર આવે છે
2.ઇનપુટ સિગ્નલ એડર
3. ટ્રાન્સફર ફંક્શન કેલ્ક્યુલેટર
4. ન્યુરોન્સ, જેના ઇનપુટ્સ આપેલ આઉટપુટ સિગ્નલ મેળવે છે
5. - વજનઇનપુટ સંકેતો

કૃત્રિમ ચેતાકોષ (ગણિત ચેતાકોષમેકકુલોચ-પિટ્સ, ઔપચારિક ચેતાકોષ) - કૃત્રિમ ન્યુરલ નેટવર્કનો નોડ, જે છે સરળ મોડેલકુદરતી ચેતાકોષ. ગાણિતિક રીતે, કૃત્રિમ ચેતાકોષ સામાન્ય રીતે કેટલાક તરીકે માનવામાં આવે છે બિનરેખીય કાર્યએક જ દલીલમાંથી - તમામ ઇનપુટ સિગ્નલોનું રેખીય સંયોજન. આ કાર્યકહેવાય છે સક્રિયકરણ કાર્યઅથવા ટ્રિગર કાર્ય, ટ્રાન્સફર કાર્ય . પરિણામી પરિણામ એક જ આઉટપુટ પર મોકલવામાં આવે છે. આવા કૃત્રિમ ચેતાકોષોને નેટવર્કમાં જોડવામાં આવે છે - તેઓ કેટલાક ચેતાકોષોના આઉટપુટને અન્યના ઇનપુટ્સ સાથે જોડે છે. કૃત્રિમ ન્યુરોન્સ અને નેટવર્ક એ આદર્શ ન્યુરોકોમ્પ્યુટરના મુખ્ય ઘટકો છે.

જૈવિક પ્રોટોટાઇપ

જૈવિક ચેતાકોષમાં 3 થી 100 માઇક્રોનનો વ્યાસ ધરાવતા શરીરનો સમાવેશ થાય છે જેમાં એક ન્યુક્લિયસ (સાથે મોટી સંખ્યામાંપરમાણુ છિદ્રો) અને અન્ય ઓર્ગેનેલ્સ (સક્રિય રાઈબોઝોમ, ગોલ્ગી ઉપકરણ સાથે અત્યંત વિકસિત રફ ER સહિત), અને પ્રક્રિયાઓ. બે પ્રકારની પ્રક્રિયાઓ છે. ચેતાક્ષ એ સામાન્ય રીતે ચેતાકોષના શરીરમાંથી ઉત્તેજના કરવા માટે સ્વીકારવામાં આવતી લાંબી પ્રક્રિયા છે. ડેંડ્રાઇટ્સ, એક નિયમ તરીકે, ટૂંકી અને ઉચ્ચ શાખાવાળી પ્રક્રિયાઓ છે જે ચેતાકોષને પ્રભાવિત કરતી ઉત્તેજક અને અવરોધક ચેતોપાગમની રચના માટે મુખ્ય સ્થળ તરીકે સેવા આપે છે (વિવિધ ચેતાકોષો અલગ ગુણોત્તરચેતાક્ષ અને ડેંડ્રાઇટ્સની લંબાઈ). ચેતાકોષમાં અનેક ડેંડ્રાઈટ્સ હોઈ શકે છે અને સામાન્ય રીતે માત્ર એક ચેતાક્ષ હોય છે. એક ન્યુરોન 20 હજાર અન્ય ચેતાકોષો સાથે જોડાણ ધરાવી શકે છે. માનવ સેરેબ્રલ કોર્ટેક્સમાં 10-20 બિલિયન ન્યુરોન્સ હોય છે.

વિકાસનો ઇતિહાસ

આ કિસ્સામાં, કાર્યને બંને અક્ષો સાથે સ્થાનાંતરિત કરવું શક્ય છે (આકૃતિમાં બતાવ્યા પ્રમાણે).

સ્ટેપ અને સેમીલીનિયર એક્ટીવેશન ફંક્શનના ગેરફાયદા રેખીયની તુલનામાં એ છે કે તેઓ સમગ્રમાં અલગ નથી. સંખ્યા અક્ષ, જેનો અર્થ છે કે અમુક અલ્ગોરિધમનો ઉપયોગ કરીને તાલીમ આપતી વખતે તેનો ઉપયોગ કરી શકાતો નથી.

થ્રેશોલ્ડ સક્રિયકરણ કાર્ય

થ્રેશોલ્ડ ટ્રાન્સફર કાર્ય

હાયપરબોલિક સ્પર્શક

અહીં ઇનપુટ સિગ્નલોના કેન્દ્ર અને વેક્ટર વચ્ચેનું અંતર છે. સ્કેલર પરિમાણ એ દર નક્કી કરે છે કે જે વેક્ટર કેન્દ્રથી દૂર જાય છે ત્યારે કાર્ય ક્ષીણ થાય છે અને તેને કહેવામાં આવે છે. વિન્ડોની પહોળાઈ, પરિમાણ એબ્સીસા અક્ષ સાથે સક્રિયકરણ કાર્યની શિફ્ટ નક્કી કરે છે. આવા કાર્યોનો ઉપયોગ કરતા ન્યુરોન્સ સાથેના નેટવર્કને RBF નેટવર્ક કહેવામાં આવે છે. વેક્ટર વચ્ચેના અંતર તરીકે વિવિધ મેટ્રિક્સનો ઉપયોગ કરી શકાય છે, સામાન્ય રીતે યુક્લિડિયન અંતરનો ઉપયોગ થાય છે:

અહીં - jth ઘટકચેતાકોષના ઇનપુટને પૂરા પાડવામાં આવેલ વેક્ટર, a એ વેક્ટરનો j-th ઘટક છે જે ટ્રાન્સફર ફંક્શનના કેન્દ્રની સ્થિતિ નક્કી કરે છે. તદનુસાર, આવા ચેતાકોષો સાથેના નેટવર્કને સંભવિત અને રીગ્રેશન કહેવામાં આવે છે.

વાસ્તવિક નેટવર્ક્સમાં, આ ચેતાકોષોનું સક્રિયકરણ કાર્ય કેટલાક રેન્ડમ ચલના સંભવિત વિતરણને પ્રતિબિંબિત કરી શકે છે, અથવા જથ્થાઓ વચ્ચે કોઈપણ હ્યુરિસ્ટિક અવલંબન સૂચવે છે.

અન્ય ટ્રાન્સફર કાર્યો

ઉપર સૂચિબદ્ધ કાર્યો એ ઉપયોગમાં લેવાતા ઘણા ટ્રાન્સફર કાર્યોનો માત્ર એક ભાગ છે આ ક્ષણે. અન્ય ટ્રાન્સફર કાર્યોમાં શામેલ છે:

સ્ટોકેસ્ટિક ન્યુરોન

નિર્ધારિત કૃત્રિમ ચેતાકોષનું મોડેલ ઉપર વર્ણવેલ છે, એટલે કે, ન્યુરોનના આઉટપુટ પરની સ્થિતિ ઇનપુટ સિગ્નલ એડરની કામગીરીના પરિણામ દ્વારા વિશિષ્ટ રીતે નક્કી કરવામાં આવે છે. સ્ટોકેસ્ટિક ચેતાકોષોને પણ ગણવામાં આવે છે, જ્યાં પ્રેરિત સ્થાનિક ક્ષેત્રના આધારે ન્યુરોન સ્વિચિંગ સંભવિતતા સાથે થાય છે, એટલે કે, ટ્રાન્સફર ફંક્શનને આ રીતે વ્યાખ્યાયિત કરવામાં આવે છે.

જ્યાં સંભાવના વિતરણ સામાન્ય રીતે સિગ્મોઇડનું સ્વરૂપ ધરાવે છે

સંભાવના વિતરણના સામાન્યકરણની સ્થિતિ માટે સામાન્યકરણ સ્થિરાંક રજૂ કરવામાં આવે છે. આમ, ન્યુરોન P(u) સંભાવના સાથે સક્રિય થાય છે. T પરિમાણ એ તાપમાનનું અનુરૂપ છે (પરંતુ ચેતાકોષનું તાપમાન નહીં!) અને તે ડિસઓર્ડર નક્કી કરે છે ન્યુરલ નેટવર્ક. જો T 0 તરફ વળે છે, તો સ્ટોકેસ્ટિક ચેતાકોષ હેવિસાઇડ ટ્રાન્સફર ફંક્શન (થ્રેશોલ્ડ ફંક્શન) સાથે સામાન્ય ચેતાકોષમાં ફેરવાઈ જશે.

ઔપચારિક લોજિકલ કાર્યોનું મોડેલિંગ

થ્રેશોલ્ડ ટ્રાન્સફર ફંક્શન સાથેનો ચેતાકોષ વિવિધ તાર્કિક કાર્યોનું મોડેલ કરી શકે છે. ઈમેજીસ દર્શાવે છે કે કેવી રીતે, ઇનપુટ સિગ્નલોના વજન અને સંવેદનશીલતા થ્રેશોલ્ડને સેટ કરીને, તમે ન્યુરોનને ઇનપુટ સિગ્નલો પર જોડાણ (લોજિકલ “AND”) અને ડિસજંક્શન (લોજિકલ “OR”) કરવા દબાણ કરી શકો છો, તેમજ લોજિકલ નેગેટિવ ઇનપુટ સિગ્નલ. આ ત્રણેય કામગીરી એકદમ કોઈપણનું અનુકરણ કરવા માટે પૂરતી છે તાર્કિક કાર્યકોઈપણ સંખ્યામાં દલીલો.

નોંધો

સાહિત્ય

Terekhov V.A., Efimov D.V., Tyukin I.Yu.ન્યુરલ નેટવર્ક નિયંત્રણ સિસ્ટમો. - 1 લી. - સ્નાતક શાળા, 2002. - પી. 184. - ISBN 5-06-004094-1
ક્રુગ્લોવ વી.વી., બોરીસોવ વી.વી.

ન્યુરોન છે અભિન્ન ભાગન્યુરલ નેટવર્ક. ફિગ માં. 1 2 તેનું માળખું બતાવે છે તે ત્રણ પ્રકારના તત્વો ધરાવે છે: મલ્ટિપ્લાયર્સ (સિનેપ્સ), એડર અને નોનલાઇનર કન્વર્ટર. સિનેપ્સ ચેતાકોષો વચ્ચે વાતચીત કરે છે અને જોડાણની મજબૂતાઈ (સિનેપ્સનું વજન) દર્શાવતી સંખ્યા દ્વારા ઇનપુટ સિગ્નલનો ગુણાકાર કરે છે. ઉમેરનાર અન્ય ચેતાકોષો અને બાહ્ય ઇનપુટ સિગ્નલોમાંથી સિનેપ્ટિક જોડાણો દ્વારા આવતા સિગ્નલોનો ઉમેરો કરે છે. બિનરેખીય કન્વર્ટર એક દલીલના બિનરેખીય કાર્યને અમલમાં મૂકે છે - એડરનું આઉટપુટ. આ કાર્યને સક્રિયકરણ કાર્ય અથવા સ્થાનાંતરણ કાર્ય કહેવામાં આવે છે

ચોખા. 1.2 કૃત્રિમ ચેતાકોષનું માળખું

ચેતાકોષ ન્યુરોન એકંદરે અમલ કરે છે સ્કેલર કાર્યવેક્ટર દલીલ. ન્યુરોનનું ગાણિતિક મોડેલ:

સિનેપ્સનું વજન ક્યાં છે, પૂર્વગ્રહ મૂલ્ય છે, s એ સમેશન (સરવાળા) નું પરિણામ છે; x એ ઇનપુટ વેક્ટર (ઇનપુટ સિગ્નલ) નો ઘટક છે, ન્યુરોનનું આઉટપુટ સિગ્નલ; - ન્યુરોન ઇનપુટ્સની સંખ્યા; - બિનરેખીય પરિવર્તન (સક્રિયકરણ કાર્ય).

IN સામાન્ય કેસઇનપુટ સિગ્નલ, વજન અને ઓફસેટ લઈ શકે છે વાસ્તવિક મૂલ્યો, અને ઘણામાં વ્યવહારુ સમસ્યાઓ- માત્ર અમુક નિશ્ચિત મૂલ્યો. આઉટપુટ સક્રિયકરણ કાર્યના પ્રકાર દ્વારા નક્કી કરવામાં આવે છે અને તે વાસ્તવિક અથવા પૂર્ણાંક હોઈ શકે છે.

સકારાત્મક વજન સાથેના સિનેપ્ટિક જોડાણોને ઉત્તેજક કહેવામાં આવે છે, અને નકારાત્મક વજનવાળાને અવરોધક કહેવાય છે.

વર્ણવેલ કોમ્પ્યુટેશનલ તત્વને સરળ ગણી શકાય ગાણિતિક મોડેલજૈવિક ન્યુરોન્સ. જૈવિક અને કૃત્રિમ ચેતાકોષો વચ્ચેના તફાવત પર ભાર મૂકવા માટે, બાદમાંને ક્યારેક ચેતાકોષ જેવા તત્વો અથવા ઔપચારિક ચેતાકોષો કહેવામાં આવે છે.

બિનરેખીય કન્વર્ટર ઇનપુટ સિગ્નલને આઉટપુટ સિગ્નલ સાથે પ્રતિસાદ આપે છે, જે આઉટપુટ છે

ચેતાકોષ સક્રિયકરણ કાર્યોના ઉદાહરણો કોષ્ટકમાં પ્રસ્તુત છે. 1.1 અને ફિગમાં. 1.3

કોષ્ટક 1.1 (સ્કેન જુઓ) ન્યુરોન સક્રિયકરણ કાર્યો

સૌથી સામાન્ય પૈકીનું એક છે સંતૃપ્તિ સાથે બિનરેખીય સક્રિયકરણ કાર્ય, કહેવાતા લોજિસ્ટિક કાર્ય અથવા સિગ્મોઇડ (એસ-આકારનું કાર્ય)

જેમ જેમ ઘટાડો થાય છે તેમ, સિગ્મોઇડ ચપટી બને છે, અને મર્યાદામાં, તેમાં અધોગતિ થાય છે આડી રેખા 0.5 ના સ્તરે, a વધવા સાથે સિગ્મોઇડ કાર્યના સ્વરૂપની નજીક આવે છે

ચોખા. 1.3 સક્રિયકરણ કાર્યોના ઉદાહરણો a - સિંગલ જમ્પ ફંક્શન, b - રેખીય થ્રેશોલ્ડ (હિસ્ટેરેસિસ), c - સિગ્મોઇડ (લોજિસ્ટિક ફંક્શન), ડી - સિગ્મોઇડ (હાયપરબોલિક ટેન્જેન્ટ)

થ્રેશોલ્ડ સાથે સિંગલ જમ્પ સિગ્મોઇડની અભિવ્યક્તિ પરથી તે સ્પષ્ટ છે કે ચેતાકોષનું આઉટપુટ મૂલ્ય શ્રેણીમાં રહેલું છે તે સિગ્મોઇડ ફંક્શનના મૂલ્યવાન ગુણધર્મોમાંનું એક તેના વ્યુત્પન્ન માટે એક સરળ અભિવ્યક્તિ છે, જેના ઉપયોગની ચર્ચા કરવામાં આવશે. પાછળથી

એ નોંધવું જોઇએ કે સિગ્મોઇડ ફંક્શન સમગ્ર એક્સ-અક્ષ સાથે અલગ છે, જેનો ઉપયોગ કેટલાક લર્નિંગ અલ્ગોરિધમ્સમાં થાય છે, વધુમાં, તે મોટા સિગ્નલો કરતાં વધુ સારી રીતે નબળા સિગ્નલોને એમ્પ્લીફાય કરવાની મિલકત ધરાવે છે, અને તે મોટા સિગ્નલોથી સંતૃપ્તિને અટકાવે છે. દલીલોના વિસ્તારોને અનુરૂપ જ્યાં સિગ્મોઇડ સપાટ ઢાળ છે

કૃત્રિમ ન્યુરોન સર્કિટ
1. ન્યુરોન્સ, જેના આઉટપુટ સિગ્નલો આના ઇનપુટ પર આવે છે
2.ઇનપુટ સિગ્નલ એડર
3. ટ્રાન્સફર ફંક્શન કેલ્ક્યુલેટર
4. ન્યુરોન્સ, જેના ઇનપુટ્સ આપેલ આઉટપુટ સિગ્નલ મેળવે છે
5. $w_i$ - વજનઇનપુટ સંકેતો

કૃત્રિમ ચેતાકોષ (મેકકુલોચ-પિટ્સ ગાણિતિક ચેતાકોષ, ઔપચારિક ચેતાકોષL. G. Komartsova, A. V. Maksimov “Neurocomputers”, MSTU im. N. E. બૌમન, 2004, ISBN 5-7038-2554-7) - કૃત્રિમ ન્યુરલ નેટવર્કનું નોડ, જે કુદરતી ચેતાકોષનું એક સરળ મોડેલ છે. ગાણિતિક રીતે, કૃત્રિમ ચેતાકોષને સામાન્ય રીતે એક જ દલીલના કેટલાક બિનરેખીય કાર્ય તરીકે રજૂ કરવામાં આવે છે - તમામ ઇનપુટ સંકેતોનું રેખીય સંયોજન. આ કાર્ય કહેવામાં આવે છે સક્રિયકરણ કાર્યસાથે સામ્યતા દ્વારા સક્રિયકરણ ન્યુરોન્સઅથવા ટ્રિગર કાર્ય, ટ્રાન્સફર કાર્ય. પરિણામી પરિણામ એક જ આઉટપુટ પર મોકલવામાં આવે છે. આવા કૃત્રિમ ચેતાકોષોને નેટવર્કમાં જોડવામાં આવે છે - તેઓ કેટલાક ચેતાકોષોના આઉટપુટને અન્યના ઇનપુટ્સ સાથે જોડે છે. કૃત્રિમ ન્યુરોન્સ અને નેટવર્ક એ આદર્શ ન્યુરોકોમ્પ્યુટરના મુખ્ય ઘટકો છે. મિર્કેસ ઇ.એમ., ન્યુરોકોમ્પ્યુટર. ડ્રાફ્ટ ધોરણ. - નોવોસિબિર્સ્ક: વિજ્ઞાન, 1999. - 337 પૃષ્ઠ. ISBN 5-02-031409-9

જૈવિક પ્રોટોટાઇપ

y=\exp(-\frac((S-R)^2)(2\sigma^ 2))

અહીં $S = ||\mathbf(X)-\mathbf(C)||$ - કેન્દ્ર વચ્ચેનું અંતર $\mathbf(C)$ અને ઇનપુટ સિગ્નલોનું વેક્ટર $\mathbf(X)$ . સ્કેલર પેરામીટર $\સિગ્મા$ વેક્ટર કેન્દ્રથી દૂર ખસે છે અને કહેવાય છે તે દરને નિર્ધારિત કરે છે વિન્ડોની પહોળાઈ, પરિમાણ $આર$ એબ્સીસા અક્ષ સાથે સક્રિયકરણ કાર્યની શિફ્ટ નક્કી કરે છે. આવા કાર્યોનો ઉપયોગ કરતા ન્યુરોન્સ સાથેના નેટવર્કને RBF નેટવર્ક કહેવામાં આવે છે. વેક્ટર વચ્ચેના અંતર તરીકે વિવિધ મેટ્રિક્સનો ઉપયોગ કરી શકાય છે વી.વી. ક્રુગ્લોવ, વી.વી. બોરીસોવ - કૃત્રિમ ન્યુરલ નેટવર્ક્સ. સિદ્ધાંત અને વ્યવહાર - પૃષ્ઠ 349, યુક્લિડિયન અંતર સામાન્ય રીતે વપરાય છે:

$S = \sqrt( \sum_(j=1)^(N) ( (x_j-c_j)^2 ) )$ .

અહીં $x_j$ - $j$ - ચેતાકોષના ઇનપુટને પૂરા પાડવામાં આવેલ વેક્ટરનો મી ઘટક, અને $c_j$ - $j$ વેક્ટરનો -મો ઘટક જે ટ્રાન્સફર ફંક્શનના કેન્દ્રની સ્થિતિ નક્કી કરે છે. તદનુસાર, આવા ચેતાકોષો સાથેના નેટવર્કને સંભવિત અને રીગ્રેશન કહેવામાં આવે છે વી.વી. ક્રુગ્લોવ, વી.વી. બોરીસોવ - કૃત્રિમ ન્યુરલ નેટવર્ક્સ. સિદ્ધાંત અને વ્યવહાર - પૃષ્ઠ 348.

આ પણ જુઓ: ((#if: રેડિયલ બેઝિસ ફંક્શન્સનું નેટવર્ક | [[રેડિયલ બેઝિસ ફંક્શન્સનું નેટવર્ક((#if: | ટેમ્પલેટ:! (((l1)))))]])) ((#if: નેટવર્ક રેડિયલ બેઝિસ ફંક્શન્સ ||. )) ))

અન્ય ટ્રાન્સફર કાર્યો

ઉપર સૂચિબદ્ધ કાર્યો હાલમાં ઉપયોગમાં લેવાતા ઘણા ટ્રાન્સફર કાર્યોનો માત્ર એક સબસેટ છે. અન્ય ટ્રાન્સફર કાર્યોમાં શામેલ છે: ટેક્સ્ટ:

પ્રદર્શક $f(x) = \exp (-Ax)$ ;
મોડ્યુલર: $f(x) = \left| x\right|$ ;

સ્ટોકેસ્ટિક ન્યુરોન

$f(u) = \begin(cases)1 & \text(સંભાવના સાથે) P(u) \\0 & \text(સંભાવના સાથે) 1-P(u)\અંત(કેસો)$ ,

સંભાવના વિતરણ ક્યાં છે $પી(યુ)$ સામાન્ય રીતે સિગ્મોઇડનું સ્વરૂપ હોય છે:

$\sigma(u) = \frac (A(T))(1+\exp (-u/T))$ ,

નોર્મલાઇઝેશન કોન્સ્ટન્ટ $A(T)$ સંભાવના વિતરણના સામાન્યકરણની સ્થિતિ માટે રજૂ કરવામાં આવે છે $\int^1_0 \sigma(u) du = 1$ . આમ, ન્યુરોન સંભાવના સાથે સક્રિય થાય છે $પી(યુ)$ . પરિમાણ $ટી$ - તાપમાનનું એનાલોગ (પરંતુ ન્યુરોન તાપમાન નહીં) અને ન્યુરલ નેટવર્કમાં ડિસઓર્ડર નક્કી કરે છે. જો $ટી$ 0 તરફ વળે છે, સ્ટોકેસ્ટિક ચેતાકોષ હેવિસાઇડ ટ્રાન્સફર ફંક્શન (થ્રેશોલ્ડ ફંક્શન) સાથે સામાન્ય ચેતાકોષમાં ફેરવાઈ જશે.

ઔપચારિક લોજિકલ કાર્યોનું મોડેલિંગ

થ્રેશોલ્ડ ટ્રાન્સફર ફંક્શન સાથેનો ચેતાકોષ વિવિધ તાર્કિક કાર્યોનું મોડેલ બનાવી શકે છે. ઈમેજો દર્શાવે છે કે કેવી રીતે, ઇનપુટ સિગ્નલોના વજન અને સંવેદનશીલતા થ્રેશોલ્ડને સેટ કરીને, તમે ન્યુરોનને ઇનપુટ સિગ્નલો પર જોડાણ (લોજિકલ “AND”) અને ડિસજેક્શન (લોજિકલ “OR”) કરવા દબાણ કરી શકો છો, તેમજ લોજિકલ ઇનપુટ સિગ્નલનો ઇનકાર. આ ત્રણ ક્રિયાઓ કોઈપણ સંખ્યાની દલીલોના કોઈપણ તાર્કિક કાર્યને મોડેલ કરવા માટે પૂરતી છે.

પણ જુઓ

નોંધો

અજ્ઞાત એક્સ્ટેંશન ટૅગ "સંદર્ભ"

સાહિત્ય

((#if: Terekhov V.A., Efimov D.V., Tyukin I.Yu. | ((#ifeq:((#invoke:String|sub|Terehov V.A., Efimov D.V., Tyukin I.Yu.|-1))| |Terehov V.A., Efimov D.V., Tyukin I.Yu.|((#ifeq:( (#invoke:String|sub|Terehov V.A., Efimov D.V., Tyukin I.Yu.|-6|-2))| |Terehov V.A., Efimov D.V., Tyukin I.Yu.|((#ifeq :((#invoke:String|sub|Terehov V.A., Efimov D.V., Tyukin I.Yu.|-6 |-2))|/span|Tamplate:±.| ઢાંચો:±. ))))))))((#if: |(((#if: |[(((લિંક ભાગ))) (((ભાગ)))]|(((ભાગ))))) // ))(#if: |[[:s:((વિકિસ્રોત)))|ન્યુરલ નેટવર્ક કંટ્રોલ સિસ્ટમ્સ]] )))) )((#if:| = ))((#if:| / (((જવાબદાર))).|((#if:||.))))((#if:ન્યુરલ નેટવર્ક નિયંત્રણ સિસ્ટમ )))))((#if:1st| - 1st.))((#switch:((#if:|m))((#if:Higher School |i))((#if:2002|g ))

|mig= - ઢાંચો:બિબ્લિયોલિંકમાં સ્થાનનો સંકેત: ઉચ્ચ શાળા, 2002. |mi= - ઢાંચો:બિબ્લિયોલિંકમાં સ્થાનનો સંકેત: ઉચ્ચ શાળા.

ભૂલ: અમાન્ય DOI! ] ((#જો:||))))))| ઢાંચો:±. ))))))))((#if: |(((#if: |[(((લિંક ભાગ))) (((ભાગ)))]|(((ભાગ))))) // ))(#if: |[[:s:((વિકિસ્રોત))|કૃત્રિમ ન્યુરલ નેટવર્ક્સ થિયરી અને પ્રેક્ટિસ]] અને પ્રેક્ટિસ]|કૃત્રિમ ન્યુરલ નેટવર્ક્સ થિયરી અને પ્રેક્ટિસ)))))(#if:| = ))(#if:| / (((જવાબદાર))).|(#if:||.) )))((#if:કૃત્રિમ ન્યુરલ નેટવર્ક. સિદ્ધાંત અને પ્રેક્ટિસ|((#if:| ((#if:| = (((મૂળ2)))))((#if:| / ((((જવાબદાર2 )) )).|((#if:||.))))))))((#if:1st| - 1st.))(#switch:((#if:M.| m))((# જો: હોટલાઇન- ટેલિકોમ|i))((#if:2001|g))

|mig= - ઢાંચો:બિબ્લિયોલિંકમાં સ્થાન સૂચવે છે: હોટલાઇન - ટેલિકોમ, 2001. |mi= - ઢાંચો:બિબ્લિયોલિંકમાં સ્થાન સૂચવે છે: હોટલાઇન - ટેલિકોમ.

|g= - 2001. ))((#if:| - (((તે છે))))))((#if:|((#if: | [(((લિંક વોલ્યુમ))) - T. (((વોલ્યુમ)) ).]| - T. (((વોલ્યુમ)))))((#if:| - વોલ્યુમ. ))).))((#if:| - (((પૃષ્ઠો જેમ છે))))))((#if:382| - એસ. ((#if:| ). જો: :. | - પૃષ્ઠ નકલ ))((#if:5-93517-031-0| - ISBN 5-93517-031-0 .))(#if:| - ISBN (((isbn2))))))((#if :| - ISBN (((isbn3))).))((#if:| - ISBN (((isbn4))).))((#if:| - ISBN (((isbn5))) .)) ((#if:| - DOI :(((doi)))) ((#ifeq:ટેમ્પલેટ:Str left |10.|| [| ઢાંચો:±. ))))))((#if:Callan R.|

|mig= - ઢાંચો:બિબ્લિયોલિંકમાં સ્થાનનો સંકેત: "વિલિયમ્સ", 2001. |mi= - ઢાંચો:બિબ્લિયોલિંકમાં સ્થાનનો સંકેત: "વિલિયમ્સ".

|g= - 2001. ))((#if:| - (((તે છે))))))((#if:|((#if: | [(((લિંક વોલ્યુમ))) - T. (((વોલ્યુમ)) ).]| - T. (((વોલ્યુમ)))))((#if:| - વોલ્યુમ. )))). )). જો: :. | - પૃષ્ઠ નકલ ))((#if:5-8459-0210-X| - ISBN 5-8459-0210-X.))(#if:| - ISBN (((isbn2)).)) (#if: | - ISBN (((isbn3))).))((#if:| - ISBN (((isbn4))).))((#if:| - ISBN (((isbn5))) .))( (#if:| - DOI :(((doi))) ((#ifeq:Template:Str left |10.|| [| ઢાંચો:±. ))))))((#if: Yasnitsky L. N. | ((#ifeq:((#invoke:String|sub|Yasnitsky L. N.|-1))| |Yasnitsky L. N.|((#ifeq:((#invoke:String|sub|Yasnitsky L. N. .|-6|-2)) ).))((#if: |(((#if: |[(((લિંક ભાગ))) (((ભાગ)))]|(((ભાગ))))) // ))(#if: |[[:s:((વિકિસ્રોત)))|નો પરિચય

કૃત્રિમ બુદ્ધિ

))((#if:| - (((તે છે))))))((#if:|((#if: | [(((લિંક વોલ્યુમ))) - T. (((વોલ્યુમ)) ).]| - T. (((વોલ્યુમ)))))((#if:| - વોલ્યુમ. )))). )). જો: :. | - પૃષ્ઠ નકલ ))((#if:5-7695-1958-4| - ISBN 5-7695-1958-4.))(#if:| - ISBN (((isbn2)).))((#if: | - ISBN (((isbn3))).))((#if:| - ISBN (((isbn4))).))((#if:| - ISBN (((isbn5))) .))( (#if:| - DOI :(((doi))) ((#ifeq:Template:Str left |10.|| [ |g= - 2002.))((#if:| - (((તે છે))))))((#if:|((#if: | [(((લિંક વોલ્યુમ))) - T. (((વોલ્યુમ)) ).]| - T. (((વોલ્યુમ)))))((#if:| - વોલ્યુમ. )))). )). જો: :. | - પૃષ્ઠ નકલ ))((#if:5-06-004094-1| - ISBN 5-06-004094-1 DOI :(((doi))) ((#ifeq:Template:Str left |10.| |

((#if: Komartsova L. G., Maksimov A. V. | ((#ifeq:((#invoke:String|sub|Komartsova L.G., Maksimov A.V.|-1))||Komartsova L.G., Maksimov A.V.|((#ifeq:( (#invoke:String|sub|Komartsova L.G., Maksimov) અ.વી. :±.| ઢાંચો:±. ))))))))((#if: |(((#if: |[(((લિંક ભાગ))) (((ભાગ)))]|(((ભાગ))))) // ))(#if: |[[:s:((વિકિસ્રોત)))|ન્યુરોકોમ્પ્યુટર્સ]]|((#if: |Neurocomputers |((#if:http://www.books.ru/shop/search/advanced?as%5Bisbn) %5D=5703819083&as%5Bsub%5D=%E8%F1%EA%E0%F2%FC%7C ન્યુરોકોમ્પ્યુટર્સ |ન્યુરોકોમ્પ્યુટર્સ)))))((#if:| = ))((#if:| / (( (જવાબદાર)).|((#if:||.))))((#if:Neurocomputers|((#if:| ((#if:| = (((મૂળ2)))))(# જો:| / (((જવાબદાર2)))). |м))((#if: N.E. Bauman|i)ના નામ પરથી MSTUનું પબ્લિશિંગ હાઉસ નામ આપવામાં આવ્યું છે)((#if:2002|g))

|ક્ષણ= - ઢાંચો:બિબ્લિયોલિંકમાં સ્થાનનો સંકેત: MSTU imનું પબ્લિશિંગ હાઉસ. એન.ઇ. બૌમન, 2002. |mi= - ઢાંચો:બિબ્લિયોલિંકમાં સ્થાનનો સંકેત: MSTU imનું પબ્લિશિંગ હાઉસ. એન.ઇ. બૌમન.

|mg= -

અનુકૂલનશીલ માહિતી સિસ્ટમો અનુકૂલનશીલતાની જરૂર છેમાહિતી સિસ્ટમો આહ ત્યારે ઉદ્દભવે છે જ્યારે તેઓ જે સમસ્યાના વિસ્તારોને સમર્થન આપે છે તે સતત વિકસિત થાય છે. આ કારણેઅનુકૂલનશીલ સિસ્ટમો સંખ્યાને સંતોષવી જોઈએચોક્કસ જરૂરિયાતો

, એટલે કે:

સમયના દરેક બિંદુએ સમસ્યા વિસ્તારના જ્ઞાનને પૂરતા પ્રમાણમાં પ્રતિબિંબિત કરો;

માહિતી પ્રણાલીઓના અનુકૂલનશીલ ગુણધર્મો તેમના આર્કિટેક્ચરના બૌદ્ધિકીકરણ દ્વારા સુનિશ્ચિત કરવામાં આવે છે. આવી સિસ્ટમોનો મુખ્ય ભાગ સમસ્યા ડોમેનનું સતત વિકસતું મોડેલ છે, જે વિશિષ્ટ જ્ઞાન આધાર - એક ભંડારમાં જાળવવામાં આવે છે. સિસ્ટમ કોર સોફ્ટવેર જનરેટ કરવા અથવા પુનઃરૂપરેખાંકિત કરવાની પ્રક્રિયાઓને નિયંત્રિત કરે છે.

અનુકૂલનશીલ માહિતી સિસ્ટમો વિકસાવવાની પ્રક્રિયામાં, મૂળ અથવા પ્રમાણભૂત ડિઝાઇનનો ઉપયોગ થાય છે. મૂળડિઝાઇનમાં માહિતી સિસ્ટમના વિકાસનો સમાવેશ થાય છે " સ્વચ્છ સ્લેટ» ઘડવામાં આવેલી જરૂરિયાતોને આધારે. આ અભિગમનો અમલ કોમ્પ્યુટર-સહાયિત ડિઝાઇન સિસ્ટમ્સ અથવા CASE ટેક્નોલોજી (Designer2000, SilverRun, Natural Light Storm, વગેરે)ના ઉપયોગ પર આધારિત છે.

મુ ધોરણડિઝાઇન દરમિયાન, પ્રમાણભૂત વિકાસ સમસ્યા વિસ્તારની લાક્ષણિકતાઓને સ્વીકારવામાં આવે છે. આ અભિગમને અમલમાં મૂકવા માટે, માહિતી પ્રણાલી (R/3, BAAN IV, Prodis, વગેરે)ના ઘટક (એસેમ્બલી) ડિઝાઇન માટેના સાધનોનો ઉપયોગ કરવામાં આવે છે.

અભિગમો વચ્ચેનો મુખ્ય તફાવત એ છે કે જ્યારે CASE ટેક્નોલોજીનો ઉપયોગ કરવામાં આવે છે, ત્યારે દર વખતે સમસ્યા વિસ્તાર બદલાય છે, પેઢીસામાન્ય રીતે સોફ્ટવેર, અને એસેમ્બલી ટેકનોલોજીનો ઉપયોગ કરતી વખતે - રૂપરેખાંકનમોડ્યુલો અને માત્ર દુર્લભ કિસ્સાઓમાં - તેમના રિસાયક્લિંગ

વિષય 2. કૃત્રિમ ન્યુરલ નેટવર્ક્સ. ન્યુરલ નેટવર્કનું આર્કિટેક્ચર અને વર્ગીકરણ.

મગજની વિગતવાર રચનાનો વિચાર લગભગ સો વર્ષ પહેલાં જ દેખાયો. 1888 માં, સ્પેનિશ ડૉક્ટર રામોની કાયાલે પ્રાયોગિક ધોરણે બતાવ્યું કે મગજની પેશીઓનો સમાવેશ થાય છે મોટી સંખ્યામાંસમાન પ્રકારના ગાંઠો એકબીજા સાથે જોડાયેલા છે - ન્યુરોન્સ. પાછળથી ઉપયોગ કરીને અભ્યાસ ઇલેક્ટ્રોન માઇક્રોસ્કોપદર્શાવે છે કે તમામ ચેતાકોષો, પ્રકારને ધ્યાનમાં લીધા વિના, સમાન હોય છે સંસ્થાકીય માળખું(ફિગ. 2.1). કુદરતી ચેતા કોષ (ચેતાકોષ) એ શરીર (સોમા) નો સમાવેશ કરે છે જેમાં ન્યુક્લિયસ અને પ્રક્રિયાઓ હોય છે - ડેંડ્રાઇટ્સ, જેના દ્વારા ઇનપુટ સંકેતો ચેતાકોષમાં પ્રવેશ કરે છે. પ્રક્રિયાઓમાંથી એક, છેડે શાખા, આ ચેતાકોષના આઉટપુટ સિગ્નલોને અન્ય લોકો સુધી પહોંચાડવાનું કામ કરે છે. ચેતા કોષો. તેને ચેતાક્ષ કહેવાય છે. ચેતાક્ષ અને બીજા ચેતાકોષના ડેંડ્રાઈટ વચ્ચેના જોડાણને સિનેપ્સ કહેવામાં આવે છે. ચેતાકોષ ઉત્તેજિત થાય છે અને ચેતાક્ષ દ્વારા સંકેત પ્રસારિત કરે છે જો ડેંડ્રાઇટ્સ સાથે આવતા ઉત્તેજક સંકેતોની સંખ્યા અવરોધકની સંખ્યા કરતા વધારે હોય.

આકૃતિ 2.1 - જૈવિક ચેતાકોષનું માળખું.

1943 માં, વી. મેકકુલોચ અને વી. પિટ્સે જૈવિક ચેતાકોષના સિદ્ધાંત પર બનાવેલ સરળ કમ્પ્યુટર્સ ધરાવતા નેટવર્કના સ્વરૂપમાં માહિતી પ્રક્રિયા સિસ્ટમનો પ્રસ્તાવ મૂક્યો. કૃત્રિમ ન્યુરલ નેટવર્ક (ANN) એ સરળ કમ્પ્યુટિંગ તત્વો (પ્રોસેસર્સ) - કૃત્રિમ ચેતાકોષોનો સંગ્રહ છે, જે અમુક રીતે જોડાયેલા હોય છે જેથી તેમની વચ્ચે ક્રિયાપ્રતિક્રિયા સુનિશ્ચિત થાય. કૃત્રિમ ચેતાકોષોને ઇનપુટ સિગ્નલો અને ટ્રાન્સફર ફંક્શનને સંયોજિત કરવાના નિયમ દ્વારા વર્ગીકૃત કરવામાં આવે છે જે આઉટપુટ સિગ્નલની ગણતરી કરવાની મંજૂરી આપે છે.

આકૃતિ 2.2 - સાયબરનેટિક મોડલચેતાકોષ

ચેતાકોષના ઇનપુટ પર પ્રાપ્ત માહિતીનો સારાંશ સિગ્નલોના ભારાંક ગુણાંકને ધ્યાનમાં લઈને કરવામાં આવે છે:

, (2.1)

જ્યાં w 0- ચેતાકોષની શિફ્ટ (થ્રેશોલ્ડ, ડિસ્પ્લેસમેન્ટ).

વેઇટીંગ ગુણાંકના મૂલ્યના આધારે w i, ઇનપુટ સિગ્નલ x iક્યાં તો ઉન્નત અથવા દબાવવામાં આવે છે. ઇનપુટ સિગ્નલોના ભારિત સરવાળાને ન્યુરોનનું સંભવિત અથવા સંયુક્ત ઇનપુટ પણ કહેવામાં આવે છે.

પાળીને સામાન્ય રીતે એવા તત્વમાંથી નીકળતા જોડાણ તરીકે અર્થઘટન કરવામાં આવે છે જેની પ્રવૃત્તિ હંમેશા 1 ની બરાબર હોય છે. સામાન્ય રીતે, સગવડ માટે, ઇનપુટ વેક્ટરને x = (1,x 0,...,x n) અને આ સિગ્નલને ઉમેરીને વિસ્તૃત કરવામાં આવે છે. થ્રેશોલ્ડ w 0 સરવાળા ચિહ્ન હેઠળ દાખલ થયેલ છે:

ટ્રાન્સફર ફંક્શન, અથવા ચેતાકોષનું સક્રિયકરણ કાર્ય, એ નિયમ છે કે જે મુજબ આવનારા સિગ્નલોનો ભારાંકિત સરવાળો P ને ન્યુરોન Y ના આઉટપુટ સિગ્નલમાં રૂપાંતરિત કરવામાં આવે છે, જે નેટવર્કના અન્ય ચેતાકોષોમાં ટ્રાન્સમિટ થાય છે, એટલે કે Y=f( પી). આકૃતિ 2.3 સૌથી સામાન્ય ન્યુરોનલ સક્રિયકરણ કાર્યોના આલેખ બતાવે છે.

થ્રેશોલ્ડ ફંક્શન માહિતીને પસાર કરવાની મંજૂરી આપે છે જો બીજગણિત રકમઇનપુટ સંકેતો ચોક્કસ કરતાં વધી જાય છે સતત મૂલ્ય P*, ઉદાહરણ તરીકે:

થ્રેશોલ્ડ ફંક્શન તાલીમ દરમિયાન ANN માટે પૂરતી સુગમતા પ્રદાન કરતું નથી. જો ગણતરી કરેલ સંભવિતનું મૂલ્ય નિર્દિષ્ટ થ્રેશોલ્ડ સુધી પહોંચતું નથી, તો આઉટપુટ સિગ્નલ જનરેટ થતું નથી અને ન્યુરોન "ફાયર થતું નથી." આ ચેતાકોષના આઉટપુટ સિગ્નલની તીવ્રતામાં ઘટાડો તરફ દોરી જાય છે અને પરિણામે, ન્યુરોન્સના આગામી સ્તરમાં ભારિત ઇનપુટ્સની સંભવિતતાના નીચા મૂલ્યની રચના તરફ દોરી જાય છે.

રેખીય કાર્યવિભેદક અને ગણતરીમાં સરળ છે, જે કેટલાક કિસ્સાઓમાં નેટવર્કમાં આઉટપુટ સિગ્નલોમાં ભૂલો ઘટાડવાનું શક્ય બનાવે છે, કારણ કે નેટવર્કનું ટ્રાન્સફર કાર્ય પણ રેખીય છે. જો કે, તે સાર્વત્રિક નથી અને ઘણી સમસ્યાઓના ઉકેલો પ્રદાન કરતું નથી.

લીનિયર અને સ્ટેપ ફંક્શન્સ વચ્ચે ચોક્કસ સમાધાન એ સિગ્મોઇડલ એક્ટિવેશન ફંક્શન Y = 1/(1+exp(-kP)) છે, જે જૈવિક ચેતાકોષ (ફિગ. 3.3, c) ની ટ્રાન્સફર લાક્ષણિકતાને સફળતાપૂર્વક મોડેલ કરે છે.

આકૃતિ 2.3 - કૃત્રિમ ચેતાકોષોના સ્થાનાંતરણ કાર્યો:

એ) રેખીય; b) પગલું ભર્યું; c) સિગ્મોઇડલ.

ગુણાંક k એ બિનરેખીય કાર્યની ઢાળ નક્કી કરે છે: k જેટલું મોટું, સિગ્મોઇડ કાર્ય થ્રેશોલ્ડની નજીક છે; નાનું k, તે રેખીયની નજીક છે. ટ્રાન્સફર ફંક્શનનો પ્રકાર ન્યુરલ નેટવર્કનો ઉપયોગ કરીને હલ કરવામાં આવેલી ચોક્કસ સમસ્યાને ધ્યાનમાં લઈને પસંદ કરવામાં આવે છે. ઉદાહરણ તરીકે, અંદાજ અને વર્ગીકરણ સમસ્યાઓમાં, સિગ્મોઇડલ વળાંકને પ્રાધાન્ય આપવામાં આવે છે.

ANN નું આર્કિટેક્ચર અને વર્ગીકરણ

દરેક ચેતાકોષ ઇનકમિંગ કનેક્શનના સમૂહ સાથે સંકળાયેલું છે, જેના દ્વારા અન્ય નેટવર્ક તત્વોમાંથી સિગ્નલો આ તત્વ સુધી પહોંચે છે, અને આઉટગોઇંગ કનેક્શનનો સમૂહ, જેના દ્વારા સિગ્નલો આવે છે. આ તત્વનીઅન્ય ન્યુરોન્સમાં પ્રસારિત થાય છે. કેટલાક ચેતાકોષો સિગ્નલ પ્રાપ્ત કરવા માટે રચાયેલ છે બાહ્ય વાતાવરણ(ઇનપુટ તત્વો), અને કેટલાક - ગણતરીના પરિણામોને બાહ્ય પર્યાવરણ (આઉટપુટ તત્વો) માટે આઉટપુટ કરવા માટે.

1958 માં, ફ્રેન્ક રોઝેનબ્લાટે ન્યુરલ નેટવર્કના નીચેના મોડેલની દરખાસ્ત કરી - પરસેપ્ટ્રોન. રોસેનબ્લાટ પરસેપ્ટ્રોન (ફિગ. 2.4) k ચેતાકોષો ધરાવે છે, તેમાં d ઇનપુટ, k આઉટપુટ અને એડજસ્ટેબલ વજનનો માત્ર એક સ્તર છે.

આકૃતિ 2.4 – રોસેનબ્લાટ પરસેપ્ટ્રોન.

ઇનપુટ ચેતાકોષો સામાન્ય રીતે નેટવર્કમાં અન્ય ચેતાકોષો વચ્ચે ઇનપુટ સિગ્નલ વિતરિત કરવા માટે રચાયેલ છે, તેથી તેમને જરૂરી છે કે તત્વમાંથી આવતા સિગ્નલ સિગ્નલ દાખલ થાય તેટલા જ હોય. નેટવર્કમાં અન્ય ચેતાકોષોથી વિપરીત, ઇનપુટ ચેતાકોષોમાં માત્ર એક ઇનપુટ હોય છે. બીજા શબ્દોમાં કહીએ તો, દરેક ઇનપુટ તત્વ તેને અનુરૂપ એક સેન્સરમાંથી સિગ્નલ પ્રાપ્ત કરી શકે છે. કારણ કે ઇનપુટ તત્વો ફક્ત બાહ્ય વાતાવરણમાંથી પ્રાપ્ત સિગ્નલોને વિતરિત કરવા માટે રચાયેલ છે, ઘણા સંશોધકો ઇનપુટ તત્વોને ન્યુરલ નેટવર્કનો ભાગ જ માનતા નથી.

પરસેપ્ટ્રોન નક્કી કરવામાં સક્ષમ છે રેખીય સમસ્યાઓ. નેટવર્ક ઇનપુટ્સની સંખ્યા તે જગ્યાના પરિમાણને નિર્ધારિત કરે છે જેમાંથી ઇનપુટ ડેટા પસંદ કરવામાં આવે છે: બે સુવિધાઓ માટે જગ્યા દ્વિ-પરિમાણીય, ત્રણ માટે - ત્રિ-પરિમાણીય અને d સુવિધાઓ માટે - ડી-પરિમાણીય છે. જો ઇનપુટ ડેટા સ્પેસમાં રેખા અથવા હાયપરપ્લેન તમામ નમૂનાઓને તેમના અનુરૂપ વર્ગોમાં વિભાજિત કરી શકે છે, તો સમસ્યા રેખીય છે, અન્યથા તે બિનરેખીય છે. આકૃતિ 2.5 પ્લેન પરના બિંદુઓના સેટ બતાવે છે, અને કિસ્સામાં a) સીમા રેખીય છે, કિસ્સામાં b) તે બિનરેખીય છે.

આકૃતિ 2.5 – ભૌમિતિક રજૂઆતરેખીય(a) અને

બિનરેખીય (b) સમસ્યાઓ.

બિનરેખીય સમસ્યાઓને ઉકેલવા માટે, મલ્ટિલેયર પરસેપ્ટ્રોન (MLP) મોડલ્સની દરખાસ્ત કરવામાં આવી છે જે માન્યતા પ્રાપ્ત છબીઓ વચ્ચે બહુકોણીય સીમા બાંધવામાં સક્ષમ છે. મલ્ટિલેયર નેટવર્ક્સમાં, દરેક ચેતાકોષ ફક્ત આગલા સ્તરમાં આઉટપુટ મોકલી શકે છે અને આકૃતિ 2.6 માં બતાવ્યા પ્રમાણે માત્ર પાછલા સ્તરમાંથી જ ઇનપુટ પ્રાપ્ત કરી શકે છે. ઇનપુટ અને આઉટપુટ વચ્ચે સ્થિત ચેતાકોષોના સ્તરોને છુપાયેલા કહેવામાં આવે છે, કારણ કે તેઓ બાહ્ય વાતાવરણમાંથી સીધા ડેટા પ્રાપ્ત અથવા ટ્રાન્સમિટ કરતા નથી. આવા નેટવર્ક વધારાના સિનેપ્ટિક કનેક્શન્સની હાજરી અને ન્યુરોન્સની ક્રિયાપ્રતિક્રિયાના સ્તરમાં વધારો થવાને કારણે ડેટાના વૈશ્વિક ગુણધર્મોને પ્રકાશિત કરવાનું શક્ય બનાવે છે.

આકૃતિ 2.6 – મલ્ટિલેયર પરસેપ્ટ્રોનનું ડાયાગ્રામ.

છુપાયેલા સ્તરોની સંખ્યા અને દરેક સ્તરમાં ચેતાકોષોની સંખ્યા નક્કી કરવી ચોક્કસ કાર્યછે અનૌપચારિક સમસ્યા, જેને ઉકેલતી વખતે તમે હ્યુરિસ્ટિક નિયમનો ઉપયોગ કરી શકો છો: આગલા સ્તરમાં ન્યુરોન્સની સંખ્યા પાછલા એક કરતા બે ગણી ઓછી છે

હાલમાં, મલ્ટિલેયર પરસેપ્ટ્રોન ઉપરાંત, ન્યુરલ નેટવર્કની રચનાને વ્યાખ્યાયિત કરવાની ઘણી રીતો છે. તમામ પ્રકારના ન્યુરલ નેટવર્કને પ્રત્યક્ષ પ્રચાર નેટવર્ક અને સાથે નેટવર્કમાં વિભાજિત કરી શકાય છે પ્રતિસાદ. નામ સૂચવે છે તેમ, પ્રથમ પ્રકારના નેટવર્ક્સમાં, ચેતાકોષથી ચેતાકોષ સુધીના સંકેતો સ્પષ્ટ રીતે નિર્ધારિત દિશામાં પ્રસારિત થાય છે - નેટવર્ક ઇનપુટ્સથી તેના આઉટપુટ સુધી. બીજા પ્રકારનાં નેટવર્ક્સમાં, નેટવર્કમાં કોઈપણ ચેતાકોષના આઉટપુટ મૂલ્યો તેના પોતાના ઇનપુટ્સમાં પ્રસારિત કરી શકાય છે. આ ન્યુરલ નેટવર્કને વધુ જટિલ પ્રક્રિયાઓનું મોડેલ બનાવવાની મંજૂરી આપે છે, જેમ કે સમય પ્રક્રિયાઓ, પરંતુ અગાઉના ચક્રમાં નેટવર્કની સ્થિતિને આધારે આવા નેટવર્કના આઉટપુટને અસ્થિર બનાવે છે. આકૃતિ 2.7 માં. સૌથી સામાન્ય પ્રકારના ન્યુરલ નેટવર્કનું વર્ગીકરણ રજૂ કરવામાં આવ્યું છે.

આકૃતિ 2.7 – ANN ના સામાન્ય પ્રકારોનું વર્ગીકરણ.

વિષય 3. પરસેપ્ટ્રોન-પ્રકાર નેટવર્ક્સ

છબી વર્ગીકરણની સમસ્યા. ટ્યુટર તાલીમ

એફ. રોઝેનબ્લાટે વર્ગીકરણ સમસ્યાઓ માટે પરસેપ્ટ્રોનનો ઉપયોગ કરવાની દરખાસ્ત કરી. ઘણી એપ્લિકેશનોને વર્ગીકરણ સમસ્યાઓ તરીકે અર્થઘટન કરી શકાય છે. ઉદાહરણ તરીકે, ઓપ્ટિકલ કેરેક્ટર રેકગ્નિશન. સ્કેન કરેલા અક્ષરો તેમના અનુરૂપ વર્ગો સાથે સંકળાયેલા છે. એક ચોક્કસ ફોન્ટ માટે પણ "H" અક્ષરની છબીની ઘણી ભિન્નતા છે - ઉદાહરણ તરીકે, પ્રતીક અસ્પષ્ટ હોઈ શકે છે - પરંતુ આ બધી છબીઓ "H" વર્ગની હોવી જોઈએ.

જ્યારે તે દરેક કયા વર્ગના છે તે જાણી શકાય છે શિક્ષણ ઉદાહરણો, તમે નિરીક્ષિત શિક્ષણ વ્યૂહરચનાનો ઉપયોગ કરી શકો છો. નેટવર્ક માટેનું કાર્ય એ શીખવાનું છે કે નેટવર્ક પર રજૂ કરાયેલા નમૂનાને નિયંત્રણ લક્ષ્ય નમૂના સાથે કેવી રીતે મેચ કરવું જરૂરી વર્ગ. બીજા શબ્દોમાં કહીએ તો, પર્યાવરણ વિશેનું જ્ઞાન ન્યુરલ નેટવર્કને ઇનપુટ-આઉટપુટ જોડીના સ્વરૂપમાં રજૂ કરવામાં આવે છે. ઉદાહરણ તરીકે, નેટવર્કને "H" અક્ષરની છબી સાથે રજૂ કરી શકાય છે અને નેટવર્કને શીખવવામાં આવી શકે છે કે "H" ને અનુરૂપ આઉટપુટ ઘટક ચાલુ હોવું જોઈએ, અને અન્ય અક્ષરોને અનુરૂપ આઉટપુટ તત્વો બંધ કરવા જોઈએ. આ કિસ્સામાં, ઇનપુટ નમૂના એ ગ્રેસ્કેલ ઇમેજના પિક્સેલ્સને દર્શાવતા મૂલ્યોનો સમૂહ હોઈ શકે છે, અને લક્ષ્ય આઉટપુટ નમૂના એક વેક્ટર હોઈ શકે છે જેની તમામ કોઓર્ડિનેટ્સની કિંમતો 0 ની બરાબર હોવી જોઈએ, અપવાદ સિવાય વર્ગ "H" ને અનુરૂપ સંકલન, જેનું મૂલ્ય સમાન હોવું જોઈએ.

આકૃતિ 3.1 શિક્ષણના આ સ્વરૂપને દર્શાવતો બોક્સ ડાયાગ્રામ બતાવે છે. ચાલો ધારીએ કે શિક્ષક અને શિક્ષણ નેટવર્કને તાલીમ વેક્ટર તરફથી આપવામાં આવે છે પર્યાવરણ. બિલ્ટ-ઇન જ્ઞાનના આધારે, શિક્ષક આપેલ ઇનપુટ વેક્ટરને અનુરૂપ ઇચ્છિત પ્રતિભાવ પ્રશિક્ષિત ન્યુરલ નેટવર્કમાં જનરેટ અને ટ્રાન્સમિટ કરી શકે છે. નેટવર્ક પરિમાણો તાલીમ વેક્ટર અને ભૂલ સંકેતને ધ્યાનમાં લઈને ગોઠવવામાં આવે છે. ભૂલ સંકેતઇચ્છિત સિગ્નલ અને ન્યુરલ નેટવર્કના વર્તમાન પ્રતિભાવ વચ્ચેનો તફાવત છે. તાલીમ પૂર્ણ થયા પછી, શિક્ષકને બંધ કરી શકાય છે અને ન્યુરલ નેટવર્કને તેના પોતાના પર પર્યાવરણ સાથે કામ કરવાની મંજૂરી આપી શકાય છે.

આકૃતિ 3.1 - શિક્ષક સાથે ANN ને પ્રશિક્ષણ આપવાનો ખ્યાલ.

પરસેપ્ટ્રોન તાલીમ અલ્ગોરિધમ નીચેના પગલાંઓ સમાવે છે:

· સિસ્ટમને સંદર્ભ છબી સાથે રજૂ કરવામાં આવે છે.

· જો ઓળખ પરિણામ ઉલ્લેખિત પરિણામ સાથે એકરુપ હોય, તો જોડાણોના ભારાંક ગુણાંક બદલાતા નથી.

· જો ANN ખોટી રીતે પરિણામને ઓળખે છે, તો વેઇટીંગ ગુણાંકને માન્યતાની ગુણવત્તા વધારવાની દિશામાં વધારવામાં આવે છે.

કૃત્રિમ ચેતાકોષ

કૃત્રિમ ચેતાકોષ (ગણિત ચેતાકોષમેકકુલોચ-પિટ્સ, ઔપચારિક ચેતાકોષ) - કૃત્રિમ ન્યુરલ નેટવર્કનું નોડ, જે કુદરતી ચેતાકોષનું એક સરળ મોડેલ છે. ગાણિતિક રીતે, કૃત્રિમ ચેતાકોષને સામાન્ય રીતે એક જ દલીલના કેટલાક બિનરેખીય કાર્ય તરીકે રજૂ કરવામાં આવે છે - તમામ ઇનપુટ સંકેતોનું રેખીય સંયોજન. આ કાર્ય કહેવામાં આવે છે સક્રિયકરણ કાર્યઅથવા ટ્રિગર કાર્ય, ટ્રાન્સફર કાર્ય. પરિણામી પરિણામ એક જ આઉટપુટ પર મોકલવામાં આવે છે. આવા કૃત્રિમ ચેતાકોષોને નેટવર્કમાં જોડવામાં આવે છે - તેઓ કેટલાક ચેતાકોષોના આઉટપુટને અન્યના ઇનપુટ્સ સાથે જોડે છે. કૃત્રિમ ન્યુરોન્સ અને નેટવર્ક એ આદર્શ ન્યુરોકોમ્પ્યુટરના મુખ્ય ઘટકો છે.

જૈવિક પ્રોટોટાઇપ

જૈવિક ચેતાકોષમાં 3 થી 100 μm વ્યાસ ધરાવતા શરીરનો સમાવેશ થાય છે, જેમાં ન્યુક્લિયસ (મોટી સંખ્યામાં પરમાણુ છિદ્રો સાથે) અને અન્ય ઓર્ગેનેલ્સ (સક્રિય રાઈબોઝોમ, ગોલ્ગી ઉપકરણ સાથે અત્યંત વિકસિત રફ ER સહિત), અને પ્રક્રિયાઓ હોય છે. બે પ્રકારની પ્રક્રિયાઓ છે. ચેતાક્ષ એ સામાન્ય રીતે ચેતાકોષના શરીરમાંથી ઉત્તેજના કરવા માટે સ્વીકારવામાં આવતી લાંબી પ્રક્રિયા છે. ડેંડ્રાઇટ્સ, એક નિયમ તરીકે, ટૂંકી અને અત્યંત શાખાવાળી પ્રક્રિયાઓ છે જે ચેતાકોષને પ્રભાવિત કરતી ઉત્તેજક અને અવરોધક ચેતોપાગમની રચનાના મુખ્ય સ્થળ તરીકે સેવા આપે છે (વિવિધ ચેતાકોષોમાં ચેતાક્ષ અને ડેંડ્રાઇટ્સની લંબાઈના વિવિધ ગુણોત્તર હોય છે). ચેતાકોષમાં અનેક ડેંડ્રાઈટ્સ હોઈ શકે છે અને સામાન્ય રીતે માત્ર એક ચેતાક્ષ હોય છે. એક ન્યુરોન 20 હજાર અન્ય ચેતાકોષો સાથે જોડાણ ધરાવી શકે છે. માનવ સેરેબ્રલ કોર્ટેક્સમાં 10-20 બિલિયન ન્યુરોન્સ હોય છે.

વિકાસનો ઇતિહાસ

રેખીયની તુલનામાં સ્ટેપ અને સેમિલિનિયર એક્ટિવેશન ફંક્શનના ગેરફાયદા એ છે કે તેઓ સમગ્ર સંખ્યાત્મક અક્ષ પર ભિન્ન નથી, અને તેથી કેટલાક અલ્ગોરિધમનો ઉપયોગ કરીને તાલીમ આપતી વખતે તેનો ઉપયોગ કરી શકાતો નથી.

થ્રેશોલ્ડ સક્રિયકરણ કાર્ય

થ્રેશોલ્ડ ટ્રાન્સફર કાર્ય

હાયપરબોલિક સ્પર્શક

અહીં ચેતાકોષના ઇનપુટને પૂરા પાડવામાં આવેલ વેક્ટરનો j-th ઘટક છે, અને વેક્ટરનો j-th ઘટક છે જે ટ્રાન્સફર ફંક્શનના કેન્દ્રની સ્થિતિ નક્કી કરે છે. તદનુસાર, આવા ચેતાકોષો સાથેના નેટવર્કને સંભવિત અને રીગ્રેશન કહેવામાં આવે છે.

અન્ય ટ્રાન્સફર કાર્યો

ઉપર સૂચિબદ્ધ કાર્યો હાલમાં ઉપયોગમાં લેવાતા ઘણા ટ્રાન્સફર કાર્યોનો માત્ર એક સબસેટ છે. અન્ય ટ્રાન્સફર કાર્યોમાં શામેલ છે:

સ્ટોકેસ્ટિક ન્યુરોન

જ્યાં સંભાવના વિતરણ સામાન્ય રીતે સિગ્મોઇડનું સ્વરૂપ ધરાવે છે

સંભાવના વિતરણના સામાન્યકરણની સ્થિતિ માટે સામાન્યકરણ સ્થિરાંક રજૂ કરવામાં આવે છે. આમ, ન્યુરોન P(u) સંભાવના સાથે સક્રિય થાય છે. પરિમાણ T એ તાપમાનનું એનાલોગ છે (પરંતુ ન્યુરોનનું તાપમાન નહીં!) અને ન્યુરલ નેટવર્કમાં ડિસઓર્ડર નક્કી કરે છે. જો T 0 તરફ વળે છે, તો સ્ટોકેસ્ટિક ચેતાકોષ હેવિસાઇડ ટ્રાન્સફર ફંક્શન (થ્રેશોલ્ડ ફંક્શન) સાથે સામાન્ય ચેતાકોષમાં ફેરવાઈ જશે.

ઔપચારિક લોજિકલ કાર્યોનું મોડેલિંગ

થ્રેશોલ્ડ ટ્રાન્સફર ફંક્શન સાથેનો ચેતાકોષ વિવિધ તાર્કિક કાર્યોનું મોડેલ કરી શકે છે. ઈમેજીસ દર્શાવે છે કે કેવી રીતે, ઇનપુટ સિગ્નલોના વજન અને સંવેદનશીલતા થ્રેશોલ્ડને સેટ કરીને, તમે ન્યુરોનને ઇનપુટ સિગ્નલો પર જોડાણ (લોજિકલ “AND”) અને ડિસજંક્શન (લોજિકલ “OR”) કરવા દબાણ કરી શકો છો, તેમજ લોજિકલ નેગેટિવ ઇનપુટ સિગ્નલ. આ ત્રણ ક્રિયાઓ કોઈપણ સંખ્યાની દલીલોના કોઈપણ તાર્કિક કાર્યને મોડેલ કરવા માટે પૂરતી છે.

નોંધો

સાહિત્ય

Terekhov V.A., Efimov D.V., Tyukin I.Yu.ન્યુરલ નેટવર્ક નિયંત્રણ સિસ્ટમો. - 1 લી. - ઉચ્ચ શાળા, 2002. - પૃષ્ઠ 184. - ISBN 5-06-004094-1
ક્રુગ્લોવ વી.વી., બોરીસોવ વી.વી.