Mirzo ulugʻbek nomidagi oʻzbekiston milliy universitetining jizzax filiali mustaqil ish 2 Mavzu:
Xopfild to’rlari
MIRZO ULUGʻBEK NOMIDAGI OʻZBEKISTON
MILLIY UNIVERSITETINING JIZZAX
FILIALI MUSTAQIL ISH - 2 Mavzu:Xopfild to’rlari
Fan: Sun’iy intellekt va neyron to‘rli texnologiyalar Bajardi:
23-21 guruh Yo’ldoshov G’ulomjon
Kirish




Kirish
Xopfild neyron tarmog'i 1982 yilda Jon Xopfild tomonidan ixtiro qilingan takrorlanuvchi
sun'iy neyron tarmog'ining bir turi. Bu assotsiativ xotira tarmog'ining shakli bo'lib,
naqshni aniqlash, optimallashtirish va boshqa vazifalar uchun ishlatilishi mumkin.
Xopfild tarmoqlari bir-biriga bog'langan neyronlar to'plamidan iborat bo'lib, ular to'liq
bog'langan, ya'ni har bir neyron tarmoqdagi har bir boshqa neyron bilan bog'langan.
Xopfild tarmog'ida har bir neyron ikkita holatdan birida bo'lishi mumkin: "yoqilgan" yoki
"o'chirilgan" (shuningdek, "+1" yoki "-1" deb ataladi). Har bir neyronning holati sinxron
ravishda yangilanadi, ya'ni barcha neyronlar bir vaqtning o'zida yangilanadi. Tarmoq
boshlang'ich holati bilan ishga tushirilishi mumkin va tarmoq vaqt o'tishi bilan tarmoq
energiyasi minimallashtirilgan barqaror holatga o'tadi. Barqaror holat - bu tarmoq o'z
ta'lim ma'lumotlaridan "o'rgangan" namunadir.
Xopfild tarmoqlari shovqinli yoki to'liq bo'lmagan ma'lumotlardan naqshlarni olish va bir
nechta naqshlarni bitta tarmoqda saqlash qobiliyati kabi bir qator qiziqarli xususiyatlarga
ega. Ular tasvir va nutqni aniqlash, optimallashtirish muammolari va kombinatoriy
optimallashtirish kabi turli xil ilovalarda qo'llanilgan.
Xopfild neyron tarmog'i simmetrik ulanish matritsasi bilan
to'liq bog'langan neyron tarmoqdir. Ishlash jarayonida
bunday tarmoqlarning dinamikasi muvozanat
pozitsiyalaridan biriga yaqinlashadi (birlashadi). Bu
muvozanat pozitsiyalari o'quv jarayonida oldindan
aniqlanadi, ular tarmoq energiyasi deb ataladigan
funksionalning mahalliy minimallari (eng oddiy holatda, n
o'lchovli kubdagi manfiy aniq kvadratik shaklning mahalliy
minimallari). Bunday tarmoq avtomatik assotsiativ xotira
sifatida, filtr sifatida, shuningdek, ba'zi optimallashtirish
muammolarini hal qilish uchun ishlatilishi mumkin. Ma'lum
miqdordagi tsikllardan so'ng javob olinmaguncha
ishlaydigan ko'plab neyron tarmoqlardan farqli o'laroq,
Xopfild tarmoqlari muvozanatga erishilgunga qadar,
tarmoqning keyingi holati avvalgisiga to'liq teng bo'lganda
ishlaydi: boshlang'ich holat - kirish tasviri, va muvozanat
holatida ular chiqish tasvirini oladilar.








Xopfild neyron tarmog'i simmetrik ulanish matritsasi bilan to'liq bog'langan neyron
tarmoqdir. Ishlash jarayonida bunday tarmoqlarning dinamikasi muvozanat
pozitsiyalaridan biriga yaqinlashadi (birlashadi). Bu muvozanat pozitsiyalari o'quv
jarayonida oldindan aniqlanadi, ular tarmoq energiyasi deb ataladigan funksionalning
mahalliy minimallari (eng oddiy holatda, n o'lchovli kubdagi manfiy aniq kvadratik
shaklning mahalliy minimallari). Bunday tarmoq avtomatik assotsiativ xotira sifatida,
filtr sifatida, shuningdek, ba'zi optimallashtirish muammolarini hal qilish uchun
ishlatilishi mumkin. Ma'lum miqdordagi tsikllardan so'ng javob olinmaguncha
ishlaydigan ko'plab neyron tarmoqlardan farqli o'laroq, Xopfild tarmoqlari muvozanatga
erishilgunga qadar, tarmoqning keyingi holati avvalgisiga to'liq teng bo'lganda ishlaydi:
boshlang'ich holat - kirish tasviri, va muvozanat holatida ular chiqish tasvirini oladilar.
Xopfild tomonidan ixtiro qilingan Xopfild neyron tarmoqlari "n" to'liq bog'langan
takrorlanuvchi neyronlarning bir qatlamidan iborat. U odatda avtomatik assotsiatsiya va
optimallashtirish vazifalarini bajarishda ishlatiladi. U birlashtiruvchi interaktiv jarayon
yordamida hisoblab chiqiladi va u bizning oddiy neyron tarmoqlarimizdan farqli javob
hosil qiladi. Diskret Xopfild tarmog'i: Bu to'liq o'zaro bog'langan neyron tarmoq bo'lib,
unda har bir birlik boshqa har bir blokga ulanadi. U diskret tarzda harakat qiladi, ya'ni
odatda ikkita turdagi cheklangan aniq natijalarni beradi:
Ushbu tarmoq bilan bog'liq og'irliklar tabiatan nosimmetrikdir va quyidagi xususiyatlarga
ega.
Har bir neyron inverting va inverting bo'lmagan chiqishga ega.
To'liq bog'langan holda, har bir neyronning chiqishi boshqa barcha neyronlarga kirishdir,
lekin o'zini emas.
1-rasmda quyidagi elementlarga ega Discrete Hopfield Neyron Network arxitekturasining
namunaviy ko'rinishi ko'rsatilgan.
Sunniy neyron to’rlari konfigurasiyalari orasida klassifikasiyalashda o’qitish prinsiplari
bo’yicha o’qituvchi yordamida o’rgatish va o’qituvchisiz o’rgatish prinsiplariga to’g’ri
kelmaydi. Bunday hollarda og’irlik koeffisiyentlari qayta ishlanayotgan axborotlar
yordamida izlab topiladi va barcha o’rgatishlar xuddi shu hisoblashga keltiriladi. Bir
tomondan aprior axborotlarni o’qituvchining yordami sifatida qabul qilish kerak, boshqa
tomondan tarmoq tasvirlarni haqiqiy ma’luotlar kelguncha xotirada saqlab qoladi.
Bunday mantiqiy bog’lanishli tarmoqlar sifatida Xopfild va Ximming to’rlarini yaxshi
tanilgan.
Quyida qirishi va chiqishi bitta bo’lgan bir qatlamli Xopfildnig neyron tarmog’i
keltirilgan.
1-Diskret Xopfild tarmoq arxitekturasi
Rasm.1.1. Xopfild tarmog’ining strukturali sxemasi
Assosiativ xotira kabi bu tarmoqda yechiladigan masala qo’yidagicha shakllantiriladi. Shakl
ko’rinishidagi (tasvir, raqamlashgan ovozlar kabi jaryonlarni yoki obyektlarni ifodalovchi)
qandaydir ikkilik signallardan tashkil topgan bo’lsin. Tarmoq unga kirib kelayotgan ideal
bo’magan mos tasvirli signallarni ajratib saqlab qolsin, yoki kirib kelgan ma’lumotlar birorta
ham shaklga mos kelmasligi haqida xabar bersin. Umumiy holda, ixtiyoriy signalni X = { xi:
i=0...n-1} vektor , n – tarmoqdagi neyronlar soni, kiruvchi va chiquvchi vektorlar hajmi. Har bir
xi element + yoki -1 ga teng. k – shaklni ifodalovchi vektorni Xk vektor bilan ifodalaymiz va
uning kompnentalarini mos holda – xik , k=0...m-1, m – shakllar soni, bilan belgilaymiz.
Tarmoqqa berilgan ma’lumotlar asosida u shaklni tanisa, u holda unga kiruvchi ma’lumot Y =
Xk bo’ladi , bu yerda Y tarmoqqa kiruvchi Y = { yi: i=0,...n-1} vektor qiymati. Aks holda,
chiquvchi vektor hyech qanday namunadagi shakl bilan mos kelmaydi.
Agar masalan, signallar qandaydir shaklni ifodalasa, u
holda u tarmoqqa kirishda uni grafik ko’rinishida ifodalaydi
va namunadagi birorta shakl bilan mos kelganligini yoki
mos kelmaganligini aniqlaydi.





Agar masalan, signallar qandaydir shaklni ifodalasa, u holda u tarmoqqa kirishda uni
grafik ko’rinishida ifodalaydi va namunadagi birorta shakl bilan mos kelganligini yoki
mos kelmaganligini aniqlaydi.
Tarmoq qiymatlarni qabul qilishda og’irlik koeffisiyenti qo’yidagi shaklda ifodalanadi.
Bu yerda i i j – indekslar bo’lib, mos holda oldsnaptik va orqsnaptik neyronlar;
xik, xjk – i- va j, k- shakl vektorining elementlari.
Tarmoq bajaradigan ishning algoritmi qo’yidagicha (p – iterasiya nomeri):
Tarmoqqa kirish uchun no’malum signal beriladi. Unga aksonlarning qiymatlarini beriladi:
yi(0) = xi , i = 0...n-1, (2) shuning uchun tarmoq sxemasida kiruvchi snapslar shartli xarakterda
bo’ladi. Nol esa, tarmoqning nolinchi iterasiyasini bildiradi. Neyronlarnng yangi holati
hisoblanadi
Mavzuning dolzabligi. Hozirgi vaqtda sun’iy neyron to’rlari
va masalalarni parallel ishlash ustida nazariy izlanishlar va
amaliy qo’llanishlar keskin rivojlanmoqda. Neyron to’rlar
analitik tavsifi bo’lmagan va faqatgina eksperimental
ma’lumotlar bilan berilgan katta ko’lamdagi amaliy
masalalarni yechish imkonini beradi. Neyron to’rlarini
sintez qilishda algoritmlarning nozik tomoni bu qaror qabul
qilishni tushuntirish bo’lib hisoblanadi. Bu muammoni
yechish bilan ko’pchilik tadqiqotchilar shug’ullanmoqdalar.
Bu maqsadda ishlatadigan usullar evristik bo’lganligi uchun
ular asosida korrekt qaror qabul qilish foydalanuvchining
subektiv mulohazasiga bog’liq bo’ladi. Ko’p o’lchovli
chiziqsiz optimizasiyaning an’anaviy iterativ gradiyent
algoritmlari bilan o’rganadigan neyron to’rlari
modellarining eng ko’p tarqalgani - bu ko’p qatlamli sun’iy
neyron to’rlari sinfidir. Ma’lumki, ko’p qatlamli sun’iy
neyron to’rlari o’rganishda iterativ algoritmlar
yaqinlashuvi, o’rganiladigan berilganlarning (tanlovning)
hajmiga, vaznlarning boshlang’ich qiymatiga, shuningdek,
o’rganishdagi maksimal xatolarga (o’rganishning sifat
mezonlariga), o’rganishdagi takrorlanishlar soniga
(o’rganish vaqtining uzayishi mezonlariga) bog’liq. Shuning
uchun, qo’yilgan masalani yechish uchun optimal
modellarni tanlashda ularni solishtirish va qaror qabul
qilishda neyroto’rlarning xususiyatlarini yetarli darajada
baholashga imkon beruvchi xususiy va umumiy mezonlar
majmuasini ishlab chiqish zarur.Bilimlarni ajratib olish
algoritmlarini va sifat jihatdan yangi bosqichdagi,
kognitolog mutaxassislarga mo’ljallangan, neyron
to’rlarining programma vositalarini yaratishga asos
bo’luvchi yangi g’oyalar zarur.

Mavzuning dolzabligi. Hozirgi vaqtda sun’iy neyron to’rlari va masalalarni parallel
ishlash ustida nazariy izlanishlar va amaliy qo’llanishlar keskin rivojlanmoqda. Neyron
to’rlar analitik tavsifi bo’lmagan va faqatgina eksperimental ma’lumotlar bilan berilgan
katta ko’lamdagi amaliy masalalarni yechish imkonini beradi. Neyron to’rlarini sintez
qilishda algoritmlarning nozik tomoni bu qaror qabul qilishni tushuntirish bo’lib
hisoblanadi. Bu muammoni yechish bilan ko’pchilik tadqiqotchilar shug’ullanmoqdalar.
Bu maqsadda ishlatadigan usullar evristik bo’lganligi uchun ular asosida korrekt qaror
qabul qilish foydalanuvchining subektiv mulohazasiga bog’liq bo’ladi. Ko’p o’lchovli
chiziqsiz optimizasiyaning an’anaviy iterativ gradiyent algoritmlari bilan o’rganadigan
neyron to’rlari modellarining eng ko’p tarqalgani - bu ko’p qatlamli sun’iy neyron to’rlari
sinfidir. Ma’lumki, ko’p qatlamli sun’iy neyron to’rlari o’rganishda iterativ algoritmlar
yaqinlashuvi, o’rganiladigan berilganlarning (tanlovning) hajmiga, vaznlarning
boshlang’ich qiymatiga, shuningdek, o’rganishdagi maksimal xatolarga (o’rganishning
sifat mezonlariga), o’rganishdagi takrorlanishlar soniga (o’rganish vaqtining uzayishi
mezonlariga) bog’liq. Shuning uchun, qo’yilgan masalani yechish uchun optimal
modellarni tanlashda ularni solishtirish va qaror qabul qilishda neyroto’rlarning
xususiyatlarini yetarli darajada baholashga imkon beruvchi xususiy va umumiy mezonlar
majmuasini ishlab chiqish zarur.Bilimlarni ajratib olish algoritmlarini va sifat jihatdan
yangi bosqichdagi, kognitolog mutaxassislarga mo’ljallangan, neyron to’rlarining
programma vositalarini yaratishga asos bo’luvchi yangi g’oyalar zarur.
Sun’iy neyron to’rlarining rivojlanishida biologiyaning o’rni
katta. Izlanuvchilar mavjud tarmoq konfigurasiyasi va
algaritmiga mos terminlarni qo’llagan holda aqliy faoliyat
tashkilotini tasvirlashadi. Lekin ehtimol shu o’xshashlik
bilan tugaydi. Bizni miyaning ishlashi haqidagi
bilimlarimiz biroz chegaralangan, oriyentirlab unga taqlid
qilganlar kam topilgan. Shuning uchun to’rni ishlab
chiquvchilar kerakli funksiyani bajarish qobiliyatiga ega
bo’lgan tuzilishni qidirishda zamonaviy biologik bilimlar
doirasidan chiqishga majbur bo’lishadi[1,2,3,4,5]. Ishni
neyronning prototiplarini ko’rib chiqishdan boshlaymiz.
Neyron biologik sistemasining nerv xujayrasi hisoblanadi. U
tana va uni tashqi muhit bilan bog’lovchi shohlardan tashkil
topgan. Biologik neyron Qo’zg’alishni qabul qiluvchi neyron
shoxlari dendrit deb nomlanadi. Qo’zg’alishga javob
beruvchi neyrondagi shoxlar akson deb ataladi. Har bir
neyronda bitta akson mavjud. Dendrit va aksonlar juda
murakkab shoxlangan tuzulishga yega. Neyron aksonlari –
qo’zg’olish manbai bilan dendrit orasidagi bog’lanish joyi
sinaps deb nomlanadi. Neyronning asosiy funksiyasi
qo’zg’alishni Dendritni aksonga uzatishdan iborat. Lekin
turli dendritlardan qabul qilingan signallar, akson
signallariga turli xil ta’sir ko’rsatishi mumkin. Agar
qo’zg’alishning yig’indisi ba’zi umumiy xolatlar doirasida
o’zgaruvchi bo’sag’aviy mohiyatga olib kelsa, neyron
signalni uzatadi. Bunga zid xolatlarda aksonga signal
uzatilmaydi: neyron qo’zg’alishga javob bermaydi. Bu
asosiy sxemada qiyinchilik va cheklanishlar ko’p,
shuningdek ko’pchilik sun’iy neyron to’rlarini shu oddiy
xossalar modellashtiradi.
Sun’iy neyron to’rlarining rivojlanishida biologiyaning o’rni
katta. Izlanuvchilar mavjud tarmoq konfigurasiyasi va
algaritmiga mos terminlarni qo’llagan holda aqliy faoliyat
tashkilotini tasvirlashadi. Lekin ehtimol shu o’xshashlik
bilan tugaydi. Bizni miyaning ishlashi haqidagi
bilimlarimiz biroz chegaralangan, oriyentirlab unga taqlid
qilganlar kam topilgan. Shuning uchun to’rni ishlab
chiquvchilar kerakli funksiyani bajarish qobiliyatiga ega
bo’lgan tuzilishni qidirishda zamonaviy biologik bilimlar
doirasidan chiqishga majbur bo’lishadi[1,2,3,4,5]. Ishni
neyronning prototiplarini ko’rib chiqishdan boshlaymiz.
Neyron biologik sistemasining nerv xujayrasi hisoblanadi. U
tana va uni tashqi muhit bilan bog’lovchi shohlardan tashkil
topgan. Biologik neyron Qo’zg’alishni qabul qiluvchi neyron
shoxlari dendrit deb nomlanadi. Qo’zg’alishga javob
beruvchi neyrondagi shoxlar akson deb ataladi. Har bir
neyronda bitta akson mavjud. Dendrit va aksonlar juda
murakkab shoxlangan tuzulishga yega. Neyron aksonlari –
qo’zg’olish manbai bilan dendrit orasidagi bog’lanish joyi
sinaps deb nomlanadi. Neyronning asosiy funksiyasi
qo’zg’alishni Dendritni aksonga uzatishdan iborat. Lekin
turli dendritlardan qabul qilingan signallar, akson
signallariga turli xil ta’sir ko’rsatishi mumkin. Agar
qo’zg’alishning yig’indisi ba’zi umumiy xolatlar doirasida
o’zgaruvchi bo’sag’aviy mohiyatga olib kelsa, neyron
signalni uzatadi. Bunga zid xolatlarda aksonga signal
uzatilmaydi: neyron qo’zg’alishga javob bermaydi. Bu
asosiy sxemada qiyinchilik va cheklanishlar ko’p,
shuningdek ko’pchilik sun’iy neyron to’rlarini shu oddiy
xossalar modellashtiradi.
Agar aylanish yoʻnalishi mahalliy maydon yoʻnalishiga
toʻgʻri kelsa, uning holati energetik jihatdan barqaror
boʻladi va keyingi vaqt bosqichida aylanish holati
oʻzgarishsiz qoladi. Aks holda (9-rasm) spin pozitsiyasi
beqaror va mahalliy maydon uni ag‘darib, energiya bilan
spinni si(t+1)=-si(t) holatga o‘tkazadi. NN energiyasi har
qanday aylanishda kamayib boradi; ya'ni NN cheklangan
miqdordagi qadamlarda barqaror holatga erishadi. Ba'zi
aniq sharoitlarda har bir barqaror holat o'zaro bog'lanish
matritsasiga qo'shilgan naqshlardan biriga mos keladi.


Agar aylanish yoʻnalishi mahalliy maydon yoʻnalishiga toʻgʻri kelsa, uning holati
energetik jihatdan barqaror boʻladi va keyingi vaqt bosqichida aylanish holati
oʻzgarishsiz qoladi. Aks holda (9-rasm) spin pozitsiyasi beqaror va mahalliy maydon uni
ag‘darib, energiya bilan spinni si(t+1)=-si(t) holatga o‘tkazadi. NN energiyasi har qanday
aylanishda kamayib boradi; ya'ni NN cheklangan miqdordagi qadamlarda barqaror
holatga erishadi. Ba'zi aniq sharoitlarda har bir barqaror holat o'zaro bog'lanish
matritsasiga qo'shilgan naqshlardan biriga mos keladi.
Xopfild neyron tarmog'ining tuzilishi. Xopfild tarmog'i biz ilgari ko'rib chiqqanlardan
farqli o'laroq, bir qatlamli. Neyronlarning har biri boshqalar bilan bog'langan, ammo
o'ziga ta'sir qilmaydi. Shunga ko'ra, bu erda bizda 4 ta neyron tarmog'i mavjud. Eshik
funktsiyasi Hopfild tarmoq neyronlarini faollashtirish funktsiyasi sifatida ishlatiladi:
Birlashtirilgan kirish, ya'ni neyronlarning har birining kirishidagi signal, ulanish
og'irliklari yordamida tanish usulda hisoblanadi. U bitta qatlamli neyronlardan iborat
bo'lib, ularning soni bir vaqtning o'zida tarmoqning kirish va chiqishlari soniga teng. Har
bir neyron boshqa barcha neyronlar bilan sinapslar orqali bog'langan, shuningdek, signal
kiritiladigan bitta kirish sinapsiga,ega.
Agar aylanish yoʻnalishi mahalliy maydon yoʻnalishiga
toʻgʻri kelsa, uning holati energetik jihatdan barqaror
boʻladi va keyingi vaqt bosqichida aylanish holati
oʻzgarishsiz qoladi. Aks holda (9-rasm) spin pozitsiyasi
beqaror va mahalliy maydon uni ag‘darib, energiya bilan
spinni si(t+1)=-si(t) holatga o‘tkazadi. NN energiyasi har
qanday aylanishda kamayib boradi; ya'ni NN cheklangan
miqdordagi qadamlarda barqaror holatga erishadi. Ba'zi
aniq sharoitlarda har bir barqaror holat o'zaro bog'lanish
matritsasiga qo'shilgan naqshlardan biriga mos keladi.


Agar aylanish yoʻnalishi mahalliy maydon yoʻnalishiga toʻgʻri kelsa, uning holati
energetik jihatdan barqaror boʻladi va keyingi vaqt bosqichida aylanish holati
oʻzgarishsiz qoladi. Aks holda (9-rasm) spin pozitsiyasi beqaror va mahalliy maydon uni
ag‘darib, energiya bilan spinni si(t+1)=-si(t) holatga o‘tkazadi. NN energiyasi har qanday
aylanishda kamayib boradi; ya'ni NN cheklangan miqdordagi qadamlarda barqaror
holatga erishadi. Ba'zi aniq sharoitlarda har bir barqaror holat o'zaro bog'lanish
matritsasiga qo'shilgan naqshlardan biriga mos keladi.
Xopfild neyron tarmog'ining tuzilishi. Xopfild tarmog'i biz ilgari ko'rib chiqqanlardan
farqli o'laroq, bir qatlamli. Neyronlarning har biri boshqalar bilan bog'langan, ammo
o'ziga ta'sir qilmaydi. Shunga ko'ra, bu erda bizda 4 ta neyron tarmog'i mavjud. Eshik
funktsiyasi Hopfild tarmoq neyronlarini faollashtirish funktsiyasi sifatida ishlatiladi:
Birlashtirilgan kirish, ya'ni neyronlarning har birining kirishidagi signal, ulanish
og'irliklari yordamida tanish usulda hisoblanadi. U bitta qatlamli neyronlardan iborat
bo'lib, ularning soni bir vaqtning o'zida tarmoqning kirish va chiqishlari soniga teng. Har
bir neyron boshqa barcha neyronlar bilan sinapslar orqali bog'langan, shuningdek, signal
kiritiladigan bitta kirish sinapsiga ega.
Hozirgi vaqtda sun’iy neyron to’rlari va masalalarni parallel
ishlash ustida nazariy izlanishlar va amaliy qo’llanishlar
keskin rivojlanmoqda. Neyron to’rlar analitik tavsifi
bo’lmagan va faqatgina eksperimental ma’lumotlar bilan
berilgan katta ko’lamdagi amaliy masalalarni yechish
imkonini beradi. Neyron to’rlarini sintez qilishda
algoritmlarning nozik tomoni bu qaror qabul qilishni
tushuntirish bo’lib hisoblanadi. Bu muammoni yechish bilan
ko’pchilik tadqiqotchilar shug’ullanmoqdalar. Bu maqsadda
ishlatadigan usullar evristik bo’lganligi uchun ular asosida
korrekt qaror qabul qilish foydalanuvchining subektiv
mulohazasiga bog’liq bo’ladi. Ko’p o’lchovli chiziqsiz
optimizasiyaning an’anaviy iterativ gradiyent algoritmlari
bilan o’rganadigan neyron to’rlari modellarining eng ko’p
tarqalgani — bu ko’p qatlamli sun’iy neyron to’rlari
sinfidir. Ma’lumki, ko’p qatlamli sun’iy neyron to’rlari
o’rganishda iterativ algoritmlar yaqinlashuvi,
o’rganiladigan berilganlarning (tanlovning) hajmiga,
vaznlarning boshlang’ich qiymatiga, shuningdek,
o’rganishdagi maksimal xatolarga (o’rganishning sifat
mezonlariga), o’rganishdagi takrorlanishlar soniga
(o’rganish vaqtining uzayishi mezonlariga) bog’liq. Shuning
uchun, qo’yilgan masalani yechish uchun optimal
modellarni tanlashda ularni solishtirish va qaror qabul
qilishda neyroto’rlarning xususiyatlarini yetarli darajada
baholashga imkon beruvchi xususiy va umumiy mezonlar
majmuasini ishlab chiqish zarur

Hozirgi vaqtda sun’iy neyron to’rlari va masalalarni parallel ishlash ustida nazariy
izlanishlar va amaliy qo’llanishlar keskin rivojlanmoqda. Neyron to’rlar analitik tavsifi
bo’lmagan va faqatgina eksperimental ma’lumotlar bilan berilgan katta ko’lamdagi
amaliy masalalarni yechish imkonini beradi. Neyron to’rlarini sintez qilishda
algoritmlarning nozik tomoni bu qaror qabul qilishni tushuntirish bo’lib hisoblanadi. Bu
muammoni yechish bilan ko’pchilik tadqiqotchilar shug’ullanmoqdalar. Bu maqsadda
ishlatadigan usullar evristik bo’lganligi uchun ular asosida korrekt qaror qabul qilish
foydalanuvchining subektiv mulohazasiga bog’liq bo’ladi. Ko’p o’lchovli chiziqsiz
optimizasiyaning an’anaviy iterativ gradiyent algoritmlari bilan o’rganadigan neyron
to’rlari modellarining eng ko’p tarqalgani — bu ko’p qatlamli sun’iy neyron to’rlari
sinfidir. Ma’lumki, ko’p qatlamli sun’iy neyron to’rlari o’rganishda iterativ algoritmlar
yaqinlashuvi, o’rganiladigan berilganlarning (tanlovning) hajmiga, vaznlarning
boshlang’ich qiymatiga, shuningdek, o’rganishdagi maksimal xatolarga (o’rganishning
sifat mezonlariga), o’rganishdagi takrorlanishlar soniga (o’rganish vaqtining uzayishi
mezonlariga) bog’liq. Shuning uchun, qo’yilgan masalani yechish uchun optimal
modellarni tanlashda ularni solishtirish va qaror qabul qilishda neyroto’rlarning
xususiyatlarini yetarli darajada baholashga imkon beruvchi xususiy va umumiy mezonlar
majmuasini ishlab chiqish zarur
Bilimlarni ajratib olish algoritmlarini va sifat jihatdan yangi
bosqichdagi, kognitolog mutaxassislarga mo’ljallangan,
neyron to’rlarining programma vositalarini yaratishga asos
bo’luvchi yangi g’oyalar zarur. Hozirda keng tarqalgan
xatolarning teskari tarqalish algoritmlarida va Xopfild
neyron to’rlarida qaror qabul qilish jarayonini
tushuntirishga harakatlar qilindi. Bu modellardagi
algoritmlarning evristik xarakterda ekanligi qaror qabul
qilishda neyron to’rlarining shaffoflik muammosini
yechishni yetarli darajada matematik formallashtirishga
imkon bermaydi. Natijada, tasvirlarni ajratib olish neyron
to’rlari bo’yicha mutaxassisga bog’liq va asosan tavsiya
xususiyatiga ega bo’ladi. Ayni paytda, sun’iy neyron to’ri
sohasidagi olimlar tomonidan turli xil amaliy masalalarni
yechishda neyromodellarni solishtirishga va tanlashga asos
bo’ladigan, ko’p qatlamli neyron to’rlarining mantiqiy
shaffofligini miqdoriy baholaydigan bir nechta mezonlar va
usullar Ehtimol, bu bosqichda ta'rif unchalik aniq
ko'rinmaydi, ammo endi hamma narsa misol bilan o'z joyiga
tushadi. Aytaylik, biz Xopfild tarmog'i yordamida noldan
to'qqizgacha bo'lgan raqamlarni saqlamoqchimizTarmoq
allaqachon o'qitilgan bo'lsin, ya'ni biz bu raqamni,
qolganlari kabi, xotirada saqladik. Keyin, agar biz
saqlangan raqamning buzilgan versiyasini kiritishga
kiritsak, tarmoq bizga to'g'ri tasvirni berishi kerak (biz
mashg'ulot paytida saqlangan, buzilmasdan). Masalan,
kirish namunasi quyidagicha ko'rinishi mumkin Xopfildning
Asinxron tarmoq ishlash prinsipi.

Bilimlarni ajratib olish algoritmlarini va sifat jihatdan yangi bosqichdagi, kognitolog
mutaxassislarga mo’ljallangan, neyron to’rlarining programma vositalarini yaratishga
asos bo’luvchi yangi g’oyalar zarur. Hozirda keng tarqalgan xatolarning teskari tarqalish
algoritmlarida va Xopfild neyron to’rlarida qaror qabul qilish jarayonini tushuntirishga
harakatlar qilindi. Bu modellardagi algoritmlarning evristik xarakterda ekanligi qaror
qabul qilishda neyron to’rlarining shaffoflik muammosini yechishni yetarli darajada
matematik formallashtirishga imkon bermaydi. Natijada, tasvirlarni ajratib olish neyron
to’rlari bo’yicha mutaxassisga bog’liq va asosan tavsiya xususiyatiga ega bo’ladi. Ayni
paytda, sun’iy neyron to’ri sohasidagi olimlar tomonidan turli xil amaliy masalalarni
yechishda neyromodellarni solishtirishga va tanlashga asos bo’ladigan, ko’p qatlamli
neyron to’rlarining mantiqiy shaffofligini miqdoriy baholaydigan bir nechta mezonlar va
usullar Ehtimol, bu bosqichda ta'rif unchalik aniq ko'rinmaydi, ammo endi hamma narsa
misol bilan o'z joyiga tushadi. Aytaylik, biz Xopfild tarmog'i yordamida noldan
to'qqizgacha bo'lgan raqamlarni saqlamoqchimizTarmoq allaqachon o'qitilgan bo'lsin,
ya'ni biz bu raqamni, qolganlari kabi, xotirada saqladik. Keyin, agar biz saqlangan
raqamning buzilgan versiyasini kiritishga kiritsak, tarmoq bizga to'g'ri tasvirni berishi
kerak (biz mashg'ulot paytida saqlangan, buzilmasdan). Masalan, kirish namunasi
quyidagicha ko'rinishi mumkin Xopfildning Asinxron tarmoq ishlash prinsipi.
Agar tarmoq ishi ketma-ket algoritm sifatida
modellashtirilgan bo'lsa, u holda asinxron ish rejimida
neyronlarning keyingi vaqt momentidagi holatlari ketma-ket
o'zgaradi: t momentida birinchi neyron uchun mahalliy
maydon hisoblanadi,uning reaktsiyasi aniqlanadi va neyron
yangi holatga o'rnatiladi (bu hozirgi vaqtda uning chiqishiga
t + 1 to'g'ri keladi), so'ngra mahalliy maydon ikkinchi
neyron uchun hisoblab chiqiladi. birinchisining yangi holati,
ikkinchi neyronning holati o'zgaradi va hokazo - har bir
keyingi neyronning holati oldingi neyronlar hisoblangan
holatlardagi barcha o'zgarishlarni hisobga olgan holda
hisoblanadi.


Agar tarmoq ishi ketma-ket algoritm sifatida modellashtirilgan bo'lsa, u holda asinxron
ish rejimida neyronlarning keyingi vaqt momentidagi holatlari ketma-ket o'zgaradi: t
momentida birinchi neyron uchun mahalliy maydon hisoblanadi,uning reaktsiyasi
aniqlanadi va neyron yangi holatga o'rnatiladi (bu hozirgi vaqtda uning chiqishiga t + 1
to'g'ri keladi), so'ngra mahalliy maydon ikkinchi neyron uchun hisoblab chiqiladi.
birinchisining yangi holati, ikkinchi neyronning holati o'zgaradi va hokazo - har bir
keyingi neyronning holati oldingi neyronlar hisoblangan holatlardagi barcha
o'zgarishlarni hisobga olgan holda hisoblanadi.
Aslida, Xopfild tarmog'ining ketma-ket amalga oshirilishi bilan, asinxroniya nima
ekanligini aniq ko'rsatmaydi, ammo Xopfild tarmog'i parallel hisoblash bilan amalga
oshirilganligini ko'rish mumkin. Bunda Xopfild tarmog'ining asinxron rejimi
soddalashtirilgan bo'lib, asinxron tarmoqlarning umumiy shakliga nisbatan alohida holat
bo'lib, bunda uzatish vaqti uchun elementlar orasidagi har bir aloqa har xil, lekin
doimiydir. Tarmoqning ishlashini parallel amalga oshirishda ko'rib chiqish uchun tsikl
tushunchasini kiritish kerak - bu ulanish orqali signal uzatiladigan minimal vaqt, ya'ni
Keyin oʻrtasidagi vaqt oraligʻida maʼlum miqdordagi N sikl sodir boʻladi.Va aynan N
sikl vaqtida signallar oqimida asinxroniya sodir boʻladi. va hisob-kitoblarni amalga
oshirish. Ya'ni, masalan, 3-neyron holatini hisoblashingiz kerak bo'lganda, siz 1-neyron
va 2-neyron holatini hisoblashingiz va uni mos keladigan og'irliklarga ko'paytirishingiz
kerak. Ammo ma'lum bo'lishicha, 2-neyronning holatini hisoblash uchun siz №1
neyronning yangilangan holatini va neyronning eski holatini bilishingiz kerak, ularni
og'irliklarga ko'paytirishingiz kerak.
Xopfild neyron tarmog'i simmetrik ulanish matritsasi bilan
to'liq bog'langan neyron tarmoqdir. Ishlash jarayonida
bunday tarmoqlarning dinamikasi muvozanat
pozitsiyalaridan biriga yaqinlashadi (birlashadi). Bu
muvozanat pozitsiyalari o'quv jarayonida oldindan
aniqlanadi, ular tarmoq energiyasi deb ataladigan
funksionalning mahalliy minimallari (eng oddiy holatda, n
o'lchovli kubdagi manfiy aniq kvadratik shaklning mahalliy
minimallari). Bunday tarmoq avtomatik assotsiativ xotira
sifatida, filtr sifatida, shuningdek, ba'zi optimallashtirish
muammolarini hal qilish uchun ishlatilishi mumkin. Ma'lum
miqdordagi tsikllardan so'ng javob olinmaguncha
ishlaydigan ko'plab neyron tarmoqlardan farqli o'laroq,
Xopfild tarmoqlari muvozanatga erishilgunga qadar,
tarmoqning keyingi holati avvalgisiga to'liq teng bo'lganda
ishlaydi: boshlang'ich holat - kirish tasviri, va muvozanat
holatida ular chiqish tasvirini oladilar.


Xopfild neyron tarmog'i simmetrik ulanish matritsasi bilan to'liq bog'langan neyron
tarmoqdir. Ishlash jarayonida bunday tarmoqlarning dinamikasi muvozanat
pozitsiyalaridan biriga yaqinlashadi (birlashadi). Bu muvozanat pozitsiyalari o'quv
jarayonida oldindan aniqlanadi, ular tarmoq energiyasi deb ataladigan funksionalning
mahalliy minimallari (eng oddiy holatda, n o'lchovli kubdagi manfiy aniq kvadratik
shaklning mahalliy minimallari). Bunday tarmoq avtomatik assotsiativ xotira sifatida,
filtr sifatida, shuningdek, ba'zi optimallashtirish muammolarini hal qilish uchun
ishlatilishi mumkin. Ma'lum miqdordagi tsikllardan so'ng javob olinmaguncha
ishlaydigan ko'plab neyron tarmoqlardan farqli o'laroq, Xopfild tarmoqlari muvozanatga
erishilgunga qadar, tarmoqning keyingi holati avvalgisiga to'liq teng bo'lganda ishlaydi:
boshlang'ich holat - kirish tasviri, va muvozanat holatida ular chiqish tasvirini oladilar.
Xopfild tomonidan ixtiro qilingan Xopfild neyron tarmoqlari "n" to'liq bog'langan
takrorlanuvchi neyronlarning bir qatlamidan iborat. U odatda avtomatik assotsiatsiya va
optimallashtirish vazifalarini bajarishda ishlatiladi. U birlashtiruvchi interaktiv jarayon
yordamida hisoblab chiqiladi va u bizning oddiy neyron tarmoqlarimizdan farqli javob
hosil qiladi. Diskret Xopfild tarmog'i: Bu to'liq o'zaro bog'langan neyron tarmoq bo'lib,
unda har bir birlik boshqa har bir blokga ulanadi. U diskret tarzda harakat qiladi, ya'ni
odatda ikkita turdagi cheklangan aniq natijalarni beradi
Sun’iy neyron to’rlarining rivojlanishida biologiyaning o’rni
katta. Izlanuvchilar mavjud tarmoq konfigurasiyasi va
algaritmiga mos terminlarni qo’llagan holda aqliy faoliyat
tashkilotini tasvirlashadi. Lekin ehtimol shu o’xshashlik
bilan tugaydi. Bizni miyaning ishlashi haqidagi
bilimlarimiz biroz chegaralangan, oriyentirlab unga taqlid
qilganlar kam topilgan. Shuning uchun to’rni ishlab
chiquvchilar kerakli funksiyani bajarish qobiliyatiga ega
bo’lgan tuzilishni qidirishda zamonaviy biologik bilimlar
Ishni neyronning prototiplarini ko’rib chiqishdan
boshlaymiz. Neyron biologik sistemasining nerv xujayrasi
hisoblanadi. U tana va uni tashqi muhit bilan bog’lovchi
shohlardan tashkil topgan.



Sun’iy neyron to’rlarining rivojlanishida biologiyaning o’rni katta. Izlanuvchilar mavjud
tarmoq konfigurasiyasi va algaritmiga mos terminlarni qo’llagan holda aqliy faoliyat
tashkilotini tasvirlashadi. Lekin ehtimol shu o’xshashlik bilan tugaydi. Bizni miyaning
ishlashi haqidagi bilimlarimiz biroz chegaralangan, oriyentirlab unga taqlid qilganlar kam
topilgan. Shuning uchun to’rni ishlab chiquvchilar kerakli funksiyani bajarish
qobiliyatiga ega bo’lgan tuzilishni qidirishda zamonaviy biologik bilimlar Ishni
neyronning prototiplarini ko’rib chiqishdan boshlaymiz. Neyron biologik sistemasining
nerv xujayrasi hisoblanadi. U tana va uni tashqi muhit bilan bog’lovchi shohlardan
tashkil topgan.
Sunniy neyron to’rlari konfigurasiyalari orasida klassifikasiyalashda o’qitish prinsiplari
bo’yicha o’qituvchi yordamida o’rgatish va o’qituvchisiz o’rgatish prinsiplariga to’g’ri
kelmaydi. Bunday hollarda og’irlik koeffisiyentlari qayta ishlanayotgan axborotlar
yordamida izlab topiladi va barcha o’rgatishlar xuddi shu hisoblashga keltiriladi. Bir
tomondan aprior axborotlarni o’qituvchining yordami sifatida qabul qilish kerak, boshqa
tomondan tarmoq tasvirlarni haqiqiy ma’luotlar kelguncha xotirada saqlab qoladi.
Bunday mantiqiy bog’lanishli tarmoqlar sifatida Xopfild va Ximming to’rlarini yaxshi
tanilgan.
Quyida qirishi va chiqishi bitta bo’lgan bir qatlamli Xopfildnig neyron tarmog’i
keltirilgan.
Xopfild tarmog’ining strukturali sxemasi.Assosiativ xotira
kabi bu tarmoqda yechiladigan masala qo’yidagicha
shakllantiriladi. Shakl ko’rinishidagi (tasvir, raqamlashgan
ovozlar kabi jaryonlarni yoki obyektlarni ifodalovchi)
qandaydir ikkilik signallardan tashkil topgan bo’lsin.
Tarmoq unga kirib kelayotgan ideal bo’magan mos tasvirli
signallarni ajratib saqlab qolsin, yoki kirib kelgan
ma’lumotlar birorta ham shaklga mos kelmasligi haqida
xabar bersin. Umumiy holda ixtiyoriy signalni X = { xi:
i=0...n-1} vektor , n – tarmoqdagi neyronlar soni, kiruvchi
va chiquvchi vektorlar hajmi. Har bir xi element + yoki -1
ga teng. k – Xk vektor bilan ifodalaymiz va uning
kompnentalarini mos holda – xik , k=0...m-1, m – shakllar
soni, bilan belgilaymiz. Tarmoqqa berilgan
ma’lumotlar asosida u shaklni tanisa, u holda unga kiruvchi
ma’lumot Y = Xk bo’ladi , bu yerda Y tarmoqqa Y = { yi:
i=0,...n-1} vektor qiymati. Aks holda, chiquvchi vektor hyech
qanday namunadagi shakl bilan mos kelmaydi. Agar,
masalan, signallar qandaydir shaklni ifodalasa, u holda u
tarmoqqa kirishda uni grafik ko’rinishida ifodalaydi va
namunadagi birorta shakl bilan mos kelganligini yoki mos
kelmaganligini aniqlaydi. Tarmoq qiymatlarni qabul
qilishda og’irlik koeffisiyenti qo’yidagi shaklda ifodalanadi.

Xopfild tarmog’ining strukturali sxemasi.Assosiativ xotira kabi bu tarmoqda
yechiladigan masala qo’yidagicha shakllantiriladi. Shakl ko’rinishidagi (tasvir,
raqamlashgan ovozlar kabi jaryonlarni yoki obyektlarni ifodalovchi) qandaydir ikkilik
signallardan tashkil topgan bo’lsin. Tarmoq unga kirib kelayotgan ideal bo’magan mos
tasvirli signallarni ajratib saqlab qolsin, yoki kirib kelgan ma’lumotlar birorta ham
shaklga mos kelmasligi haqida xabar bersin. Umumiy holda ixtiyoriy signalni X = { xi:
i=0...n-1} vektor , n – tarmoqdagi neyronlar soni, kiruvchi va chiquvchi vektorlar hajmi.
Har bir xi element + yoki -1 ga teng. k – Xk vektor bilan ifodalaymiz va uning
kompnentalarini mos holda – xik , k=0...m-1, m – shakllar soni, bilan belgilaymiz.
Tarmoqqa berilgan ma’lumotlar asosida u shaklni tanisa, u holda unga kiruvchi
ma’lumot Y = Xk bo’ladi , bu yerda Y tarmoqqa Y = { yi: i=0,...n-1} vektor qiymati.
Aks holda, chiquvchi vektor hyech qanday namunadagi shakl bilan mos kelmaydi. Agar,
masalan, signallar qandaydir shaklni ifodalasa, u holda u tarmoqqa kirishda uni grafik
ko’rinishida ifodalaydi va namunadagi birorta shakl bilan mos kelganligini yoki mos
kelmaganligini aniqlaydi. Tarmoq qiymatlarni qabul qilishda og’irlik koeffisiyenti
qo’yidagi shaklda ifodalanadi.
Neyron yoki nerv hujayrasi (boshqa yunoncha néῦrón —
tola, nerv) — yuqori darajada ixtisoslashgan hujayra, asab
tizimining strukturaviy va funksional birligi. Neyron - bu
elektr va kimyoviy signallar yordamida tashqi ma'lumotni
qabul qilish, qayta ishlash, saqlash, uzatish va chiqarish
uchun mo'ljallangan elektr qo'zg'aluvchan hujayra. Oddiy
neyron hujayra tanasi, dendritlar va bitta aksondan iborat.
Neyronlar nerv tarmoqlarini hosil qilish uchun bir-biri bilan
bog'lanishi mumkin. Nerv tizimining chegarasi va axborot
uzatish yo'nalishi bo'yicha neyronlar retseptorlarga
bo'linadi (chegara, tashqaridan signallarni qabul qiladi, ular
asosida shakllanadi va asab tizimiga ma'lumot uzatadi),
effektor (chegara, signallarni uzatish). asab tizimidan tashqi
hujayralarga) va interkalyar (asab tizimi uchun ichki).Nerv
tizimi funktsiyalarining murakkabligi va xilma-xilligi
neyronlar o'rtasidagi, shuningdek, neyronlar va mushaklar
va bezlar o'rtasidagi o'zaro ta'sir bilan belgilanadi. Bu
o'zaro ta'sir ionlar yordamida uzatiladigan turli signallar
to'plami bilan ta'minlanadi. Ionlar neyron tanasi bo'ylab
harakatlanadigan elektr zaryadini (harakat potentsialini)
hosil qiladi.Xopfild neyron tarmog'ining tuzilishi. Xopfild
tarmog'i biz ilgari ko'rib chiqqanlardan farqli o'laroq, bir
qatlamli. Neyronlarning har biri boshqalar bilan
bog'langan, ammo o'ziga ta'sir qilmaydi. Shunga ko'ra, bu
erda bizda 4 ta neyron tarmog'i mavjud. Eshik funktsiyasi
Hopfild tarmoq neyronlarini faollashtirish funktsiyasi
sifatida ishlatiladi: Birlashtirilgan kirish, ya'ni
neyronlarning har birining kirishidagi signal, ulanish
og'irliklari yordamida tanish usulda hisoblanadi.

Neyron yoki nerv hujayrasi (boshqa yunoncha néῦrón — tola, nerv) — yuqori darajada
ixtisoslashgan hujayra, asab tizimining strukturaviy va funksional birligi. Neyron - bu
elektr va kimyoviy signallar yordamida tashqi ma'lumotni qabul qilish, qayta ishlash,
saqlash, uzatish va chiqarish uchun mo'ljallangan elektr qo'zg'aluvchan hujayra. Oddiy
neyron hujayra tanasi, dendritlar va bitta aksondan iborat. Neyronlar nerv tarmoqlarini
hosil qilish uchun bir-biri bilan bog'lanishi mumkin. Nerv tizimining chegarasi va
axborot uzatish yo'nalishi bo'yicha neyronlar retseptorlarga bo'linadi (chegara,
tashqaridan signallarni qabul qiladi, ular asosida shakllanadi va asab tizimiga ma'lumot
uzatadi), effektor (chegara, signallarni uzatish). asab tizimidan tashqi hujayralarga) va
interkalyar (asab tizimi uchun ichki).Nerv tizimi funktsiyalarining murakkabligi va
xilma-xilligi neyronlar o'rtasidagi, shuningdek, neyronlar va mushaklar va bezlar
o'rtasidagi o'zaro ta'sir bilan belgilanadi. Bu o'zaro ta'sir ionlar yordamida uzatiladigan
turli signallar to'plami bilan ta'minlanadi. Ionlar neyron tanasi bo'ylab harakatlanadigan
elektr zaryadini (harakat potentsialini) hosil qiladi.Xopfild neyron tarmog'ining tuzilishi.
Xopfild tarmog'i biz ilgari ko'rib chiqqanlardan farqli o'laroq, bir qatlamli. Neyronlarning
har biri boshqalar bilan bog'langan, ammo o'ziga ta'sir qilmaydi. Shunga ko'ra, bu erda
bizda 4 ta neyron tarmog'i mavjud. Eshik funktsiyasi Hopfild tarmoq neyronlarini
faollashtirish funktsiyasi sifatida ishlatiladi: Birlashtirilgan kirish, ya'ni neyronlarning har
birining kirishidagi signal, ulanish og'irliklari yordamida tanish usulda hisoblanadi.
Sunniy neyron to’rlari konfigurasiyalari orasida
klassifikasiyalashda o’qitish prinsiplari bo’yicha o’qituvchi
yordamida o’rgatish va o’qituvchisiz o’rgatish prinsiplariga
to’g’ri kelmaydi. Bunday hollarda og’irlik koeffisiyentlari
qayta ishlanayotgan axborotlar yordamida izlab topiladi va
barcha o’rgatishlar xuddi shu hisoblashga keltiriladi. Bir
tomondan aprior axborotlarni o’qituvchining
yordami sifatida qabul qilish kerak, boshqa tomondan
tarmoq tasvirlarni haqiqiy ma’luotlar kelguncha xotirada
saqlab qoladi. Bunday mantiqiy bog’lanishli tarmoqlar
sifatida Xopfild va Ximming to’rlarini yaxshi tanilgan.
Xopfild neyron tarmog'i simmetrik ulanish matritsasi bilan
to'liq bog'langan neyron tarmoqdir. Ishlash jarayonida
bunday tarmoqlarning dinamikasi muvozanat
pozitsiyalaridan biriga yaqinlashadi (birlashadi). Bu
muvozanat pozitsiyalari o'quv jarayonida oldindan
aniqlanadi, ular tarmoq energiyasi deb ataladigan
funksionalning mahalliy minimallari (eng oddiy holatda, n
o'lchovli kubdagi manfiy aniq kvadratik shaklning mahalliy
minimallari). Bunday tarmoq avtomatik assotsiativ xotira
sifatida, filtr sifatida, shuningdek, ba'zi optimallashtirish
muammolarini hal qilish uchun ishlatilishi mumkin.

Sunniy neyron to’rlari konfigurasiyalari orasida klassifikasiyalashda o’qitish prinsiplari
bo’yicha o’qituvchi yordamida o’rgatish va o’qituvchisiz o’rgatish prinsiplariga to’g’ri
kelmaydi. Bunday hollarda og’irlik koeffisiyentlari qayta ishlanayotgan axborotlar
yordamida izlab topiladi va barcha o’rgatishlar xuddi shu hisoblashga keltiriladi. Bir
tomondan aprior axborotlarni o’qituvchining yordami sifatida qabul qilish kerak, boshqa
tomondan tarmoq tasvirlarni haqiqiy ma’luotlar kelguncha xotirada saqlab qoladi.
Bunday mantiqiy bog’lanishli tarmoqlar sifatida Xopfild va Ximming to’rlarini yaxshi
tanilgan. Xopfild neyron tarmog'i simmetrik ulanish matritsasi bilan to'liq bog'langan
neyron tarmoqdir. Ishlash jarayonida bunday tarmoqlarning dinamikasi muvozanat
pozitsiyalaridan biriga yaqinlashadi (birlashadi). Bu muvozanat pozitsiyalari o'quv
jarayonida oldindan aniqlanadi, ular tarmoq energiyasi deb ataladigan funksionalning
mahalliy minimallari (eng oddiy holatda, n o'lchovli kubdagi manfiy aniq kvadratik
shaklning mahalliy minimallari). Bunday tarmoq avtomatik assotsiativ xotira sifatida,
filtr sifatida, shuningdek, ba'zi optimallashtirish muammolarini hal qilish uchun
ishlatilishi mumkin.
Xulosa.

Xopfild neyron tarmog'i simmetrik ulanish matritsasi bilan to'liq bog'langan neyron
tarmoqdir. Ishlash jarayonida bunday tarmoqlarning dinamikasi muvozanat
pozitsiyalaridan biriga yaqinlashadi (birlashadi). Bu muvozanat pozitsiyalari o'quv
jarayonida oldindan aniqlanadi, ular tarmoq energiyasi deb ataladigan funksionalning
mahalliy minimallari (eng oddiy holatda, n o'lchovli kubdagi manfiy aniq kvadratik
shaklning mahalliy minimallari). Bunday tarmoq avtomatik assotsiativ xotira sifatida,
filtr sifatida, shuningdek, ba'zi optimallashtirish muammolarini hal qilish uchun
ishlatilishi mumkin. Ma'lum miqdordagi tsikllardan so'ng javob olinmaguncha
ishlaydigan ko'plab neyron tarmoqlardan farqli o'laroq, Xopfild tarmoqlari muvozanatga
erishilgunga qadar, tarmoqning keyingi holati avvalgisiga to'liq teng bo'lganda ishlaydi:
boshlang'ich holat - kirish tasviri, va muvozanat holatida ular chiqish tasvirini oladilar.
Foydalanilgan adabiyotlar:





1. https://www.geeksforgeeks.org/hopfield-neural-network/
2. https://en.wikipedia.org/wiki/Hopfield_network
3. https://fayllar.org/
4. Hemis resurslar
5.Chat GPT
http://fayllar.org