Süni neyron şəbəkələri

Neyronun riyazi modeli
Neyronun ümumiləşdirilmiş riyazi modeli aşağıdakı kimidir



Şəkil 7. Neyronun riyazi modeli

- giriş siqnalları x_i - ətraf mühitdən və ya digər aktiv neyronlardan gələn məlumatlar. Giriş dəyərləri [0, 1] və ya [-1, 1] diapazonlarından diskret qiymətlər ola bilər və ya istənilən real dəyərləri qəbul edə bilər;

- real çəki əmsalları w_i - neyronlar arasında əlaqənin gücünü müəyyən edir;
- neyronun aktivləşmə səviyyəsi (potensial);
- aktivləşdirmə funksiyası f(P) - digər neyronlara ötürülən siqnalın çıxış qiymətini hesablamaq üçün nəzərdə tutulmuşdur.

Süni neyron şəbəkələrinin təsnifatı

Süni neyron şəbəkəsi neyronların qruplaşdırıldığı bir neçə təbəqədən ibarətdir. Sxematik olaraq onu aşağıdakı kimi təqdim etmək olar

Şəkil 8. Süni neyron şəbəkəsi

Obyektin (şəklin) xüsusiyyətlərinin ölçülmüş və dəyişdirilmiş dəyərləri giriş qatının neyronlarına verilir. Giriş qatının neyronları tərəfindən qəbul edilən siqnallar transformasiya edilmədən növbəti qata (gizli və ya çıxış) ötürülür (yəni onlara aktivləşdirmə funksiyası tətbiq edilmir). Biliyin spesifik xüsusiyyətlərini əks etdirən gizli təbəqələr və çıxış təbəqəsi giriş məlumatlarını çevirir. Çıxış təbəqəsi problemin həlli (xüsusən də tanınan şəkildə) olan skalyar (bir dəyər) və ya vektor (bir neçə dəyər) generasiya edir.

Transformasiya edən təbəqələrin sayından (gizli və çıxış) asılı olaraq bir- (şəbəkədə gizli təbəqələr yoxdur) və çoxqatlı şəbəkələr fərqləndirilir.
Aktivləşdirmə funksiyasından asılı olaraq aşağıdakı SNŞ-lər fərqləndirilir.
Cədvəl 1.
Aktivasiya funksiyasından asılı olaraq SNŞ-nin növləri

Funksiya	Y təyini üsulu
Pilləli kandar	Y = 0, P < P* olduqda Y = 1, P ≥ P* olduqda
Xətti kandar	Y = 0, P < P1* olduqda Y = a + b*P, P1* ≤ P < P2* olduqda Y = 1, P ≥ P2* olduqda P2* = P1* + 1 / b
Siqmoidal	Y = 1 / (1 + e^-a(P-P*))
Hiperbolik tangens	Y = a th(b P) = a (e^bP – e^-bP) / (e^bP + e^-bP)
Arktangens	Y = 2 arctg(P) / π
Xətti	Y = a + b*P
Qaussiana

Qeyd 1. P*, P₁* , P₂* - kandar qiymətlərdir.

2. a, b - əmsallardır.
3. e - natural loqarifmin əsasıdır.
Neyronlarası əlaqələrin tipindən asılı olaraq aşağıdakı SNŞ-lərini fərqləndirirlər:

• 
  birbaşa əlaqəli (şəkil 8);
  
• 
  çarpaz əlaqəli;
  

Şəkil 9. Çarpaz əlaqəli SNŞ

• 
  əks (rekurrent) əlaqəli. Belə şəbəkələrdə neyron siqnalı özünə, həmin təbəqənin (qatın) neyronlarına və əvvəlki qatların neyronlarına göndərə bilər.
  

Şəkil 10. Əks əlaqəli SNŞ
Birbaşa istifadə etməzdən əvvəl, yəni, nümunələrin tanınması ilə bağlı konkret problemi həll etməzdən əvvəl şəbəkəni qurmaq (məşq etmək) lazımdır. Şəbəkənin öyrədilməsi prosesi neyronlar arasında əlaqələr toplusunu və əlaqə əmsallarını müəyyən etməkdən ibarətdir. Öyrətmə metodundan asılı olaraq SNŞ-in aşağıdakı növləri fərqləndirilir:
- müəllimlə təlim keçmə (nəzarət və ya müşahidə altında öyrənmə). Müəllimlə öyrənərkən, təlim nümunəsinin bütün nümunələri orijinal məlumatlara (girişlərə) uyğun gələn düzgün cavabları (çıxışları) ehtiva edir. Öyrənmə prosesi zamanı çəkilər (əmsallar) elə tənzimlənir ki, şəbəkə düzgün cavablara ən yaxın cavablar yaratsın;
- müəllimsiz təlim keçmə (nəzarətsiz və ya müşahidəsiz öyrənmə). Təlim toplusunun bütün nümunələri üçün düzgün cavablar məlum olmadıqda nəzarətsiz təlim istifadə olunur. Bu zaman nümunələrin kateqoriyalarını (siniflərini) və onların daha sonra kateqoriyalara bölünməsini müəyyən etmək üçün şəbəkənin əmsallarını müəyyən etməyə cəhdlər edilir. Xüsusilə klasterləşmə problemlərini həll etmək üçün istifadə olunur;
- qarışıq (hibrid) təlimlə. Qarışıq təlimdə çəkilərin bir hissəsi nəzarətli öyrənmə yolu ilə müəyyən edilir, digər hissəsi isə öz-özünə öyrənmə alqoritmlərindən istifadə etməklə əldə edilir.