ხელოვნური ნეირონული ქსელი

ხელოვნური ნეირონული ქსელი — ხელოვნური ნეირონებისა და ამ ნეირონების დამაკავშირებელი წახნაგებისაგან შემდგარი ქსელი. ზოგიერთი წახნაგი მოცემული ნეირონისთვის განიხილება შემომავლად, ხოლო ზოგიერთი გამავლად. ყოველი წახნაგი ხასიათდება წონით, რომელიც ზოგ მოდელებში შეიძლება შეიცვალოს დროთა განმავლობაში. საერთო ჯამური შემოსავალი ნეირონისთვის, რომელიც აღინიშნება $net$, განისაზღვრება, როგორც ყველა შემოსავალი სიგნალის შეწონილი ჯამი. მათემატიკური აღნიშვნებით $net=\sum {w_{i}x_{i}}$, სადაც $w_{i}$ არის $i$-ური შემომავალი წახნაგის წონა, ხოლო $x_{i}$ ამ წახნაგზე არსებული სიგნალის სიდიდე. ნეირონის გამომავალი სიგნალის სიდიდე არის $net$ სიდიდის ფუნქცია, ამ ფუნქციას აგრეთვე აქტივაციის ფუნქცია ეწოდება.

ხელოვნური ნეირონული ქსელი ორი შემომავალი და ერთი გამავალი ნეირონით. სურათზე აგრეთვე გამოსახულია ხუთი შიდა შრის ნეირონი.

ნეირონული ქსელის არქიტექტურა ეწოდება ნეირონების განთავსების, მათი დაკავშირების და აქტივაციის ფუნქციის ერთობლიობას.

აქტივაციის ფუნქციის სახეები

სიგმოიდის ფუნქცია წანაცვლების გარეშე

აქტივაციის ფუნქციის შერჩევა ხდება კონკრეტული გამოყენების დარგის მიხედვით. მისი ძირითადი დანიშნელებაა შემომავალი სიგნალის ლიმიტირება, რადგან, როგორც წესი გამოსავალზე საჭიროა სიგნალი კონკრეტულ ფარგლებში.

აქტივაციის ფუნქციად ყველაზე ხშირად გამოიყენება სიგმოიდი,

$f(net)={\frac {1}{1+exp\{-(net+\theta )\}}}$

ან ჰიპერბოლური ტანგენსი.

$f(net)={\frac {exp\{-(net+\theta )\}-exp\{-(net+\theta )\}}{exp\{-(net+\theta )\}+exp\{-(net+\theta )\}}}$.

ორივე შემთხვევაში $\theta$ პარამეტრი წარმოადგენს მარცხნივ წანაცვლებას.

აქტივაციის ფუნქციებად აგრეთვე შეიძლება იყოს გამოყენებული სხვა ფუნქცია, რომელიც იძლევა შემოსაზღვრულ მნიშვნელობებს $net$ პარამეტრის ნებისმიერი მნიშვნელობისთვის.

უკუპროპაგაციული მოდელი

უკუპროპაგაციული მოდელი არის ხელოვნურ ნეირონულ ქსელებში ერთ-ერთი ყველაზე გამოყენებადი. მას გააჩნია შემომავალი და გამავალი შრეები, აგრეთვე ერთი ან მეტი შიდა შრე. მეზობელ შრეებს შორის ყველა ნეირონი ერთმანეთშია დაკავშირებული. სიგნალის მოძრაობა ხდება შემოსავლიდან გამოსავალზე შიდა შრეების სათითოდ გავლით. ნეირონების დამაკავშირებელი წახნაგების წონების შერჩევის გზით შესაძლებელია ასეთ ნეირონულ ქსელს "ვასწავლოთ" შემოსავლის შესაბამის გასავალში გარდაქმნა, მაგალითად, ხელნაწერი ასოების ამოსაცნობად.

პერცეპტრონი

პერცეპტრონი არის უმარტივესი ნეირონული ქსელის არქიტექტურა, რომელიც გამოიყენება წრფივად გაყოფადი არეების ამოსაცნობად. პერცეპტრონს გაანჩნია მხოლოდ ორი სრულად დაკავშირებული შრე – შემომავალი და გამავალი შრეები.

თუმცა პერცეპტრონის გამოსავალი შესაძლებელია გამოთვლილი იყოს ანალიტიკური გზით და მას შეუძლია მხოლოდ შეზღუდული სახეობის სტრუქტურების ამოცნობა (წრფივად გაყოფადი არე), ის მაინც წარმოადგენს ერთ-ერთ ყველაზე სასარგებლო მოდელს თეორიული კვლევისთვის, ვინაიდან უფრო რთული მოდელების (მაგ. უკუპროპაგაციული მოდელი ერთი შიდა შრით) თეორიული განხილვა მეტად რთულია.

ლიტერატურა

• ყუბანეიშვილი ე., „ხელოვნური ნეირონული ქსელები მედიცინაში“, თბ., 2013