Сөйлеуді танудағы нейрондық желілер: МакКаллока-Питс моделі мен көпқабатты персептрон

Жұмыс түрі: Материал
Тегін: Антиплагиат
Көлемі: 3 бет
Таңдаулыға:

Қазіргі таңда машиналық оқыту алгоритмдерін қолдану кең етек алуда. Машиналық оқыту алгоритмдері бұл деректер үлгілерін іздеу және тиісінше бағдарлама әрекеттерін өзгерту үшін қолданады.

Машиналық оқу (Machine Learning) әдісі - эмпирикалық мәліметтердегі заңдылықтарды анықтау үшін оқуға қабілетті алгоритмдерді құру әдістерін зерттейтін жасанды интелект саласы.

Қазіргі уақытта сөйлеуді тану өзекті проблема болып отыр. Осы проблеманы шешу мақсатында қолданылатын көптеген заманауи әдістер кең ауқымды есептеуіш ресурстарын талап етеді, ал көп жағдайда ол ресурстардың көлемі шектеулі.

Соңғы уақытта танудың кейбір кезеңдері үшін нейрондық желілерге негізделген әдістер барған сайын жиі қолданылуда. Осы бетбұрыстың себебі нейрондық желілерді қолданудың қарапайымдылығымен, сондай-ақ жұмыс жылдамдығының жеткілікті түрде жоғары болуымен түсіндіріледі.

Сөйлеу сигналын акустикалық-фонетикалық модельдеу үшін қолданылатын модельдердің басқа класы болып жасанды нейрон желілерінің модельдері саналады. Оның құрылымы мен жұмыс істеу принциптері нерв жүйелерінің биологиялық модельдеріне, әсіресе ми моделіне негізделеді. Нейрон желілері өз бетінше ұйымдастырылып, реттілігіне қарай алгоритмдердің көптүрлігі ретінде қаралады, өзара байланысқан көптеген бір типті және бір қатарда қызмет ететін элементтер немесе нейрондық және арнайы ұйымдасқан байланыстар көмегімен «сыртқы әлеммен» тұтасқан құбылыс болып танылады.

Уақыттың дискреттік сәттерінде кіріс байланыстары бойынша нейронға ақпарат беріледі, оның негізінде кейбір принциптерге сәйкес шығыс сигналы қалыптасады, ал ол өз кезегінде басқа нейрондардың кірістеріне беріледі. Сөйтіп нейрон желісінің негізгі элементі нейрон болып саналады.

1943 жылы ұсынған [47-49] Мак Каллока-Питсаның (2. 1-сурет) нейрон моделі ең көп таралған модель болып есептеледі, соған сәйкес нейронда кіріс байланыстарының жиыны пайда болды, ал шығыс біреу ғана және ол параллельдене алады.

Сурет 2. 1 - Нейрондық модель

Бұл модель қызметі келесідей: нейрон шығысына 𝑥(𝑡) = 𝑥1(𝑡), …, 𝑥𝑖(𝑡) =

{𝑥1(𝑡), …, 𝑥𝑁(𝑡) } кіріс векторлары беріледі, ал ол 𝑤𝑘 = {𝑤1𝑘, 𝑤2𝑘, …, 𝑤𝑁𝑘} сенімді өлшемдік векторға көбейтіледі немесе басқаша айтқанда, 𝑥𝑖(𝑡) векторларының коэфициентері 𝑤𝑁𝑘 сенімді коэфициенттерімен өлшенеді, ол төмендегі формулаға сәйкес туындайды:

𝑢𝑘(𝑡) = ∑ ^𝑁

𝑖=0

𝑤𝑖𝑘𝑥𝑖(𝑡)

(2. 1)

Нейрондық шығыс сигналы келесі түрде анықталады

𝑦𝑘 = 𝑓(𝑢𝑘(𝑡) ) (2. 2)

мұнда 𝑓(𝑢𝑘(𝑡) ) -нейрондық белсенділендіру функциясы. Белсенділендіру функциясы ретінде көп жағдайда желілі емес үздіксіз қызмет таңдалынады, мысалы сигмоидалдық функция төмендегідей:

𝑓(𝑥) = 1 1+𝑒−𝖺𝑥

(2. 3)

мұнда α-белсендіру функциясының түріне әсер ететін және пайдаланушы таңдайтын кейбір параметр.

1980 жылдардың соңынан бастап кейбір зерттеушілер тану жүйелерінде нейрон желілерінің моделдерін белсенді қолдана бастады. Бұл нейрон желілерінің көмегімен сөйлеуді тануға арналған жұмыстардың санына ықпал етті, ол бірнеше есе артты. 1989 жылы Lippmann 80 - жылдардың аяғына қарайғы сөйлеуді танудағы нейрон желілерінің модельдерінің жай - күйі туралы шолу жазды. Құрылымдық схемасы 2. 2 - суретте көрсетілген көпқабатты перспетрон (КП) ең белгілі және мейлінше кең таралған нейрон желінің моделі болып табылады [50] .

Сурет 2. 2 - Көпқабатты перспетрон

Көпқабатты персептрон элементтері бірнеше қабаттарға бөлінген, ал қабаттың ішіндегі элементтерді желілі түрде реттелген және олар өзара ықпалсыз деп санауға болады. Желінің әрбір нейроны ( кіріс қабатының нейрондарынан - перецепторларынан - басқа) кіріс сигналын алады, сөйтіп нейронның шығыс сигналы (соңғы қабаттардан басқа) келесі қабаттың нейрондарының кірісіне түседі. Осылайша КП сигналдың тек алға (кері байланыссыз) желінің кірісімен шығысына қарай (кері байланыссыз) таралуын қамтамасыз ететін байланыстары бар модель болып табылады. Аралық қабаттардың элементтері жасырын эелементтер деп, ал қабаттары жасырын қабат деп аталады. Нейрондардың өздері көп жағдайда МакКаллока-Питса моделімен сәйкес қызмет етеді, белсендіру функциясы ретінде (2. 3) - формуладағы сигмондалдық функциясы таңдалынады.

... жалғасы

Сіз бұл жұмысты біздің қосымшамыз арқылы толығымен тегін көре аласыз.