«Արհեստական նեյրոնային ցանց»–ի խմբագրումների տարբերություն

 

'''Արհեստական նեյրոնային ցանցեր''' (ԱՆՑ) — [[մաթեմատիկական մոդել|մաթեմատիկական մոդելներ]],ինչպես նաև նրանց ծրագրային կամ սարքային իրականացումներ, որոնք կառուցված են [[բիոլոգիական նեյրոնային ցանց|բիոլոգիական նեյրոնային ցանցերի]] — ցանցեր կենդանի օրգանիզմի [[նեյրոն|նեյրոնային բջիջներից]] կազակերպական կամ ֆունկցիայավորման սկզբունքով : Այդ հասկացությունը առաջացել է [[գլխուղեղ]]-ում առաջացող պրոցեսների ուսումնասիրման և այդ պրոցեսների [[Մոդելավորում|մոդելավորման ]] փորձերի արդյունքում : Այդպիսի առաջին [[Ուղեղի մոդել|փորձը]] [[Մակկալոկ, Ուորեն|Մակկալոկի]]և [[Պիթս, Ուոլտեր|Պիթսի]] նեյրոնային ցանցերն էին <ref name="Մակ-Կալլոկ">''Մակ-Կալլոկ ՈՒ. Ս., Պիթս Վ.'',[http://neuro.net.ua/pub/mcculloch.html Գաղափարների տրամաբանական հաշվարկ, որոնք վերաբերում են նյարդային ակտիվությանը ] // «Սարքավորումներ» ժողովածու Կ. Է. Շեննոնի և Ջ. Մակկարտիի խմբագրությամբ: Արտասահմանյան գրականության խմբագրություն , 1956. — էջ.363-384. (Անգլիական հոդվածի թարգմանություն 1943 թ.)</ref>. Հետագայում, ուսուցողական ալգորիթմների մշակումից հետո , ստացված մոդելները սկսեցին կիրառել պրակտիկ նպատակներով ` [[Կանխատեսման խնդիրներ|կանխատեսման խնդիրներում]], [[Կերպարների ճանաչում|կերպարների չանաչման]] համար, [[Ադապտիվ կառավարում|կառավարման]] խնդիրներում և այլն :

 

=== Կերպարների ճանաչում և դասակարգում ===

 

Որպես կերպարներ կարող են հանդես գալ տարբեր օբյեկտներ ` տեքստի սիմվոլներ , պատկերներ , երաժշտության օրինակներ և այլն : Ուսուցման ժամանակ ցանցին առաջարկվում են կերպարների տարբեր օրինակներ ` նշելով , թե որ դասին է այն պատկանում : Օրինակը, որպես կանոն, ներկայացվում է որպես արժեքների նախանշանների վեկտոր : Այդ դեպքում բոլոր նախանշանների ամբողջությունը պետք է ''միանշանակ որոշի դասը'', որին վերաբերում է օրինակը : Եթե նախանշանները բավարար չեն, ցանցը կարող է միևնույն կերպարը վերագրել մի քանի դասերի, ինչը հավանաբար <ref name="BaseGroup-Class">[http://www.basegroup.ru/neural/practice.htm BaseGroup Labs — Նեյրոցանցերի պրակտիկ կիրառումն է դասակարգման խնդիրներում]</ref> : Ցանցերի ուսուցման ավարտին նրանց կարելի է ներկայացնել անհայտ վաղեմի կերպարներ և ստանալ որոշակի դասին պատկանելության վերաբերյալ պատասխան :

 

=== Կլաստերիզացիա ===

 

Կլաստերիզացիայի ներքո հասկացվում է բազմաթիվ մուտքային ազդանշանների բաժանումը դասերի, ընդ որում այնպես, որ ոչ քանակը և ոչ էլ դասերի նախանշանները նախապես հայտնի չեն : Ուսումնասիրումից հետո նման ցանցը կարող է որոշել , թե որ դասին է պատկանում մուտքային ազդանշանը : Ցանցը կարո է ազդանշան տալ նաև այն մասին, որ մուտքային ազանշանը չի պատկանում առանձնացված դասերից և ոչ մեկին, ինչն էլ հանդիսանում է նոր, ուսուցանվող ընտրանքում բացակայող տվյալների նախանշանը : Այդ պարագայում, նման ցանցը ''կարող է առաջացնել նոր,նախկինում անհայտ ազդանշանների դասեր '' : Դասերի միջև դասերի և ցանցի կողմից առանձնացված, առարկայական տիրույթում գոյություն ունեցող համապատասխանությունը հաստատվւոմ է մարդու կողմից : Կլաստերիզացիան իրականացնում են օրինակ ՝ [[Կոխոնենի նեյրոնային ցանց|Կոխոնենի նեյրոնային ցանցը]]:

 

=== Կանխատեսում ===

 

Նեյրոնային ցանցերի կանխատեսման հնարավորությունները ողղակիորեն հետևում են նրա ելքային և մուտքային տվյալների միջև թաքնված կախվածությունների ընդհանրացման և առանձնացման հնարավորություններից : Ուսուցումից հետո ցանցը ունակ է գուշակելու որոշակի գործունեության ապագա սպասվող արժեքը ` մի քանի նախկին արժեքների հիման վրա և/կամ ներկա պարագայում գոյություն ունեցող մի քանի փաստերի հիման վրա : Պետք է նշել, որ կանխատեսումը հնարավոր է միայն այն դեպքում, երբ " նախկին փոփոխությունները ինչ-որ մակարդակում որոշում են ապագան " : Օրինակ, բաժնետոմսերի գների կանխատեսումը նախորդ շաբաթվա համեմատ կարող է հաջող հանդիսանալ ( կարող է նաև անհաջող լինել ) , այն դեպքում, երբ վաղվա խաղատոմսի արդյունքների կանխատեսումը վերջին 50 տարվա արդյունքների հիման վրա հավանաբար ոչ մի արդյունք չի տա :

 

=== Ապրոկսիմացիա ===

 

Նեյրոնային ցանցերը կարող են ապրոկսիմացնել անընդհատ ֆունկցիաներ : Ապացուցված է ընդհանրացված [[ապրոկսիմացիա|ապրոկսիմացիոն]] [[թեորեմը]]<ref>''Գորբան Ա.Ն.'', [http://neuroschool.narod.ru/pub/sibzhvm98.pdf Ընդհանրացված ապրոկսիմացիոն թեորեմ և նեյրոնային ցանցերի հաշվողական հնարավորություններ], Հաշվողական մաթեմատիկայի սիբիրյան ամսագիր, 1998. Т.1, № 1. С. 12-24.</ref>: շնորհիվ գծային օպերցիաների և կասկադային կապերի ՝

 

=== Տվյալների սեղմում և ասոցիատիվ հիշողություն ===

 

Նեյրոցանցերի հնարավորությունը տարբեր պարամետրերի միջև փոխկապվածությունների հայտնաբերման հնարավորություն է տալիս մեծ չափերի տվյալները ավելի կոմպակտ ներկայացնել , եթե տվյալները սերտորեն կապված են միմյանց հետ : Հակառակ պրոցեսը ` ինֆորմացիայի մասից տվյալների մուտքային հավաքածուի վերականգնումը կոչվում է ասոցիատիվ հիշողություն : Ասոցիատիվ հիշողությունը թուլ է տալիս նաև վերկականգնելու մուտքային ազդանշան/կերպարը աղավաղված/վնասված մուտքային տվյալներից : Հետերոասոցիատիվ հիշողության լուծումը թույլ է տալի իրականացնել հիշողություն, որը հասցեավորվում է ըստ պարունակության <ref name="OSPNeuro" />:

 

=== Ռեկուրենտիվ նեյրոնային ցանցեր ===

 

Ելքային նեյրոնից կամ նեյրոններից ազդանշանը թաքնված շերտից մասնակիորեն փոխանցվում է ետ նեյրոնի մուտքային շերտին ([[ետադարձ կապ]]): Ռեկուրենտիվ [[Խոպֆիլդի նեյրոնային ցանց|Խոպֆիլդի ցանցը]] «ֆիլտրում է» մուտքային տվյալները, վերադառնալով կայուն վիճակի, և այդ կերպ թույլ է տալիս լուծել [[Տվյալների նեյրոցանցային սեղմում|տվյալների սեղմման]] և [[Ասոցիատիվ հիշողություն|ասոցիատիվ հիշողության]]կառուցման խնդիրներ <ref>http://www.intuit.ru/department/expert/neuro/10/ INTUIT.ru — Ռեկուրենտիվ ցանցերը ինչպես ասոցիատիվ հիշող սարքեր]</ref>: Ռեկուրենտիվ ցանցերի մասնավոր դեպք են հանդիսանում երկուղղվածության ցանցերը: Նման ցանցերում շերտերի միջև առկա են կապեր ինչպես մուտքային շերտից ելքայինին, այնպես էլ ընդհակառակը : Դասական օրինակ է հանդիսանում [[Կոսկոյի նեյրոնային ցանցը]]:

 

=== Ինքնակազմակերպվող քարտեզ ===

 

Նմանատիպ ցանցերը իրենցից ներկայացնում են [[ուսուցչի հետ ուսուցում|ուսուցչի հետ ուսուցանվող]] մրցակցային նեյրոնային ցանց,որը իրականացնում է վիզուալիզացիայի և [[կլաստերիզացիա|կլաստերիզացիայի]] խնդիր : Հանդիսանում է բազմաչափ տարածության նախագծման մեթոդ ավելի փոքր չափողականություն ունեցող տարածությունում (առավել հաճախ երկչափ) , կիրառվում է նաև մոդելավորման խնդիրներում, կանխատեսման խնդիրներում և այլն : Հանդիսանում է [[Կոխոնենի նեյրոնային ցանց|Կոխոնենի նեյրոնային ցանցի]] տեսակներից մեկը : <ref>Kohonen, T. (1989/1997/2001), Self-Organizing Maps, Berlin — New York: Springer-Verlag. First edition 1989, second edition 1997, third extended edition 2001, ISBN 0-387-51387-6, ISBN 3-540-67921-9</ref> Կոխոնենի ինքնաձևավորվող քարտեզները առաջին հերթին ծառայում են վիզուալիզացիայի և սկզբնական («բանական») [[Տվյալների ինտելեկտուալ վերլուծություն|տվյալների վերլուծության]] համար : <ref name="Зиновьев">{{գիրք

 

=== Նեյրոկառավարում ===

 

Նեյրոնային ցանցերը հաջող կերպով ընդունվում են [[Կարգավորիչ_(կառավարման_տեսություն)|կառավարման համակարգերի]] սինթեզի համար դինամիկ օբյեկտներով <ref>{{գիրք |վերնագիր = Նեյրոկառավարում և նրա հավելվածները|բնօրինակ = Neuro-Control and its Applications |հեղինակ = Սիգերու Օմատու, արզուկի Խալիդ, Ռուբիա Յուսոֆ |հղում = |isbn = ISBN 5-93108-006-6 |էջ = 272 |տարեթիվ = 2000 |հրատարակություն = 2-րդ |վայր = Մ. |հրատարակչություն = [["Ռադիոտեխնիկա" ամսագրի հրատարակչական ընկերություն)|ՌԱՀԸ]]}}</ref><ref>''Ա. Ն. Չերնոդուբ, Դ. Ա. Ձյուբա'' [http://ailen.org/wp-content/uploads/2011/08/2011_NeuroControl_Survey.pdf Նեյրոկառավարման մեթոդների ներկայացում] // Ծրագրավորման խնդիրներ. — 2011. — No 2. — Էջ 79-94.</ref>: Նեյրոցանցերը օժտված են ունիկալ հատկությունների շարքով, որոնք դրանք ավելի հզոր գործիք են դարձնում ղեկավարման համակարգերի ստեղծման համար : Դրանք են ՝ օրինակների վրա ուսուցման հնարավորությունը և տվյալների ընդհանրացում , կառավարման օբյեկտի հատկություններին և արտաքին միջավայրի փոփոխություններին հարմարվելու ունակությունը , ոչ գծային կարգավորիչների սինթեզին հարմարվելու ունակություն, վնասված տարերրի բարձր դիմադրողականությունը իսկզբանե ներդրված է երկակի նեյրոցանցային կառուցվածքում :

 

== Հղումներ ==

== Ծանոթագրություններ ==

{{ծանցանկ}}

 

[[Կատեգորիա:Արհեստական նեյրոնային ցանցեր|*]]