self organizing map (som)

PPTX 31 pages 8.0 MB Free download

31 pages

FaylHub.uz

Download via Telegram

Size 8.0 MB

File type PPTX

Pages 31

Updated Dec 2025

Page preview (5 pages)

Scroll down 👇

1 / 31

self organizing map (yoki kohonen map yoki som) self organizing map (yoki kohonen map yoki som) rakhimova m.a 1 neyron tarmoqlarining tuzilishi, uning modellari va perseptron modeli yordamida klassifikatsiya masalalarini yechishni ko’rib o’tdik. bundan tashqari, teskari tarqalish usulidan foydalangan holda o'qitishni ham batafsil ko'rib chiqdik. endi koxonen neyron tarmoqlari deb ataladigan boshqa usulga o’tamiz. undan keyin o’z-o’zini tashkil etuvchi koxonen xaritalarini ko’rib chiqamiz. xatoliklarni orqaga tarqalish usuli yordamida o’qitishdan asosiy farq sifatida ajratib ko'rsatishimiz mumkinki, koxonen tarmoqlarida o’rgatish o’qituvchisiz amalga oshiriladi. ma’lumki, o’rgatuvchi tanlanma kirish qiymatlari to'plamidan va ularning tegishli chiqish qiymatlaridan iborat bo’ladi. shu bilan birga, ushbu ma’lumotlarning barchasi modelni o’qitish uchun ishlatiladi, bundan tashqari, chiqish qiymatlari nafaqat ushbu jarayonda qatnashadi, balki aslida asosiy rol o’ynaydi. bu o’qituvchili bilan o’rgatish jarayonini ifodalaydi. koxonen tarmog’i g’oyasi fin olimi toivo koxonenga tegishli (1982). tarmoqlarning asosiy ishlash prinsipi neyronning o’rganish qoidasiga uning joylashuvi haqidagi ma’lumotlarni kiritishdan iborat. stories of kohonen self organizing …

2 / 31

ular shunchaki talab qilinmaydi. koxonen neyron tarmog’i birinchi navbatda klasterlash masalalarini yechish, ya’ni ma’lum obyektlarni alohida guruhlarga (klasterlarga) birlashtirish uchun ishlatiladi. obyektni ma’lum bir klasterga joylashtirish to’g’risidagi qaror ushbu neyron tarmoqlar sinfining kirish ma’lumotlari bo’lgan uning alomatlarining qiymatlari asosida qabul qilinadi. misol uchun, sportchilarni ular shug’ullanadigan sport turlari bo’yicha tasniflash masalasini ko’rish mumkin. alomatlarni bo’yi, vazni, sportchining yuz metrga yugurish vaqti va boshqalar tashkil etishi mumkin. agar biz barcha sportchilarning “parametrlarini” koxonen tarmog’i orqali o’tkazsak, unda chiqishda biz ma’lum miqdordagi guruhlarni olamiz. bunday holda, quyidagi shartlar bajarilishi kerak bo’ladi: bir guruhga mansub na’munalar qaysidir ma’noda bir-biriga o’xshash bo’lishi kerak; va bir-biriga o'xshash guruhlar, o’z navbatida, bir-biriga yaqin joylashtirilishi kerak. 1 2 bu misolda yengil atletika bilan shug‘ullanuvchi barcha sportchilar bir guruhga, basketbolchilar esa boshqa guruhga tushadi. tarmoqning keyingi o’rganishlarida yuguruvchilar guruhi yengil atletikachilar guruhidan ajralib turishi mumkin. va keyin, sanab o’tilgan xususiyatlarning ikkinchisidan so’ng, yuguruvchilar guruhi yengil atletikachilar guruhiga yaqin …

3 / 31

i bo’lishi mumkin. koxonen neyron tarmog’i ushbu kompaniyalarni ko’proq yoki kamroq ishonchli kontragentlar guruhlariga ajratishda yordam berishi mumkin. buning asosida ma’lum bir tashkilot bilan birgalikdagi faoliyatning maqsadga muvofiqligi to’g’risida qaror qabul qilinishi mumkin. tuzilish jihatdan tarmoq bitta kirish va bitta chiqish qatlamidan iborat bo'lib, kirish qatlamining barcha neyronlari chiqish qatlamining har bir neyroniga ulangan: kirish neyronlari soni obyektlarning alomatlari soniga, chiqish neyronlari soni esa klasterlar soniga teng bo’ladi. tarmoq “g’olib hammasiga egalik qiladi” tamoyili bo’yicha ishlaydi, ya’ni eng katta chiqish signali birga va qolgan barcha chiqishlar nolga aylantiriladi. shunday qilib, biron bir obyektning alomatlarini kirish sifatida taqdim etish orqali biz chiqishda bir qator nol qiymatlarni olamiz va faqat bitta neyron birga teng qiymatga ega bo’ladi. bu obyekt ushbu klasterga tayinlanganligini bildiradi. bunda kirish sifatida taqdim etiladigan obyektlarni vektorlar sifatida, uning koordinatalarini esa alomatlarning qiymatlari sifatida hisoblash maqsadga muvofiq bo’ladi: shuningdek, chiqish elementlarini ham vektorlar sifatida qarash mumkin, ularning koordinatalari kirish …

4 / 31

slanadi. shunga ko’ra ulanishlarning dastlabki vaznlariga cheklovlar kiritiladi: agar normallashtirish [-1;1] intervalda amalga oshirilgan bo’lsa, boshlang’ich vaznlar qiymatlari ushbu munosabatni qanoatlantirishi kerak bo’ladi. bu yerda n – alomatlar soni; agar normallashtirish [0;1] intervalda bo’lsa, munosabat quyidagicha bo’ladi: . ikkinchi bosqich. o’rgatuvchi tanlanma obyektlaridan biri kirish signali sifatida taqdim etiladi. va yevklid metrikasi asosida ushbu obyekt va barcha klasterlar markazlari orasidagi masofalar topiladi: , bu yerda -kiruvchi obyekt va j-neyron orasidagi masofa, n- alomatlar soni, – obyektning i-alomatining qiymati, uchinchi bosqich. ularning minimalini topish uchun ikkinchi bosqichda olingan r1,r2,r3...rk qiymatlari tahlil qilinadi. rk minimal bo'lgandan keyin k-index chiqish neyroni g'olib deb e'lon qilinadi va vazn koeffitsientlarini ushbu nisbatga muvofiq sozlash boshlanadi: wiknew=wikold+η(s)(xi−wikold) bu yerda wikold - vazn koeffitsientining joriy qiymati. wiknew - vazn koeffitsientining yangi qiymati. xi - joriy obyektning kirishdagi i-atributining qiymati. η(s)- o'rgatish tezligi. neyron tarmog'ining o'rganish tezligini ifodalovchi η(s) funksiyasiga alohida to'xtalib o'tish kerak. shu bilan birga, u …

5 / 31

i. dastlab tarmoq strukturasi noma'lum parametr bo'lgan ikkinchi holatga o'tamiz. ya'ni, chiqish neyronlari yo'q, keyin biz quyidagi mexanizmga muvofiq harakat qilamiz. boshlanish nuqtasi r0 evklid masofasining ma'lum bir qiymati bo'lib, u g'olib neyrondan kirish vektoriga maksimal ruxsat etilgan masofaga to'g'ri keladi. elementlardan biri tarmoq kiritishiga xuddi shunday tarzda beriladi, ya'ni o'quv namunasidan kirish vektorining atributlari-koordinatalari. yuqorida tavsiflangan holatda bo'lgani kabi, ushbu vektordan mavjud chiqish neyronlarining har biriga evklid masofalari hisoblab chiqiladi: olingan qiymatlarning minimali topiladi va g'olib chiqish neyroni aniqlanadi. bu rk qiymati va shunga mos ravishda g'olib neyron (k) bo'lsin. agar rk≤r0 munosabati qanoatlansa, g'olib neyronning (k) ulanish og'irliklari xuddi shu formula bo'yicha o'rnatiladi: wiknew=wikold+η(s)(xi−wikold) farqi qarama-qarshi holat uchun, ya'ni rk1>r0 bo'lganda kuzatiladi. bunday holda, neyron tarmoqqa yangi chiqish neyroni qo'shiladi. va uning og'irlik koeffitsientlari biz tarmoq kiritishiga kiritgan joriy kirish vektoriga teng ravishda o'rnatiladi bundan mantiqan kelib chiqadiki, mashg'ulotning birinchi iteratsiyasida har qanday holatda ham chiqish neyroni qo'shiladi, …

Want to read more?

Download all 31 pages for free via Telegram.

Download full file

About "self organizing map (som)"

self organizing map (yoki kohonen map yoki som) self organizing map (yoki kohonen map yoki som) rakhimova m.a 1 neyron tarmoqlarining tuzilishi, uning modellari va perseptron modeli yordamida klassifikatsiya masalalarini yechishni ko’rib o’tdik. bundan tashqari, teskari tarqalish usulidan foydalangan holda o'qitishni ham batafsil ko'rib chiqdik. endi koxonen neyron tarmoqlari deb ataladigan boshqa usulga o’tamiz. undan keyin o’z-o’zini tashkil etuvchi koxonen xaritalarini ko’rib chiqamiz. xatoliklarni orqaga tarqalish usuli yordamida o’qitishdan asosiy farq sifatida ajratib ko'rsatishimiz mumkinki, koxonen tarmoqlarida o’rgatish o’qituvchisiz amalga oshiriladi. ma’lumki, o’rgatuvchi tanlanma kirish qiymatlari to'plamidan va ularning tegishli chiqish qiymatlaridan iborat bo’ladi. shu bilan ...

This file contains 31 pages in PPTX format (8.0 MB). To download "self organizing map (som)", click the Telegram button on the left.

Tags: self organizing map (som) PPTX 31 pages Free download Telegram