4.2. The Single-Layer Representation Problem

Teorema pembelajaran perceptron dirumuskan oleh Rosenblatt pada tahun 1961. teorema perceptron dapat belajar (memecahkan) apa pun dapat mewakili (Mensimulasikan). Namun, kita akan melihat bahwa teorema ini tidak berlaku untuk satu Perceptron (atau untuk setiap model neuronal dengan output biner atau bipolar, seperti di Bab 3) atau untuk satu lapisan model neuron tersebut. Kita akan lihat nanti bahwa itu tidak berlaku untuk model di mana neuron yang terhubung dalam jaringan multi-layer. Perceptron single layer menghasilkan deskripsi representasi untuk situasi dua input. representasi ini berlaku untuk beberapa neuron tersebut dalam lapisan tunggal jika mereka tidak interkoneksi. Dengan teorema representasi, perceptron dapat 
menyelesaikan semua masalah yang atau dapat direduksi menjadi masalah pemisahan linier (klasifikasi).



 


 

































Komentar











Posting Komentar



















Postingan populer dari blog ini









MUTS




















Gambar







A. Latar Belakang   Indonesia merupakan salah satu negara dengan keanekaragaman tanaman yang  cukup tinggi. Keanekaragaman tanaman tersebut merupakan satu tantangan  dalam melakukan identifikasi. Identifikasi tanaman dapat dilakukan  berdasarkan buah, bunga, maupun daun. Identifikasi berdasarkan daun  merupakan identifikasi yang lebih mudah dilakukan karena daun akan ada  sepanjang masa, sedangkan buah dan bunga hanya ada pada waktu tertentu.   B. Rumusan Masalah   Permasalahan yang diangkat pada penelitian ini dititik beratkan pada  pengklasifikasian daun menggunakan algoritma Jaringan Syaraf Tiruan.     C. Tujuan Penelitian   Tujuan dari penelitian ini adalah untuk melakukan klasifikasi citra daun menggunakan algoritma Jaringan Syaraf Tiruan.    D. Tinjauan Pustaka   A. Segmentasi Citra      Dalam pengolahan citra, terkadang kita menginginkan pengolahan hanya  pada obyek tertentu. Oleh sebab itu, perlu dilakukan proses segmentasi  citra yang bertujuan untuk memisahkan antara...








Baca selengkapnya










5.1. Madaline Training 




















Gambar







     Madaline (Many Adaline) adalah ekstensi multilayer dari single-neuron bipolar Adaline ke suatu jaringan. Struktur dasar dari Madaline ini dapat dilihat pada gambar 5.1, dan gambar 5.2 memperlihatkan Madaline yang terdiri dari dua layers Adaline, ditambah sebuah layers input yang hanya berfungsi sebagai distributor input jaringan.       Gambar 5.1 A simple Madaline structure       Gambar 5.2 The Madaline network of 2 layers     5.1       Madaline Training               Dalam Madaline terdapat sebuah layer tersembunyi. Gambar 5.3 menunjukkan arsitektur Madaline untuk 2 buah masukan x1 dan x2, sebuah layer tersembunyi yang terdiri dari 2 unit neuron tersembunyi z1 dan z2, dan sebuah keluaran Y.       Gambar 5.3     Keluaran dari unit tersembunyi z1 dan z2 adalah nilai fungsi aktivasi yang diterima dari x1 dan x2. Demikian pula unit keluaran Y merupakan nilai fungsi aktivasi dari z1 dan z2. Meskipun keluara...








Baca selengkapnya










11.1. Fundamental Philosophy 




















Gambar







  Ide dasar di balik pelatihan statistik (stochastic) dari jaringan saraf  adalah: Perubahan bobot dan menjaga perubahan-perubahan yang  meningkatkan kinerja. Kelemahan dari pendekatan ini adalahsangat lambat!  Juga, itu bisa terjebak di minimum lokal jika perubahan acak kecil  karena perubahan tidak mungkin memiliki daya yang cukup untuk mendaki  "puncak" (lihat Gambar.)                      untuk mencari nilai lain lembah. Untuk mengatasi terjebak dalam minimum  lokal, perubahan berat badan yang besar dapat digunakan. Namun, kemudian  jaringan dapat menjadi berosilasi dan kehilangan ketetapan minimal .  Untuk menghindari ketidakstabilan ini mungkin, perubahan berat badan  bisa turun secara bertahap dalam ukuran. Strategi ini menyerupai proses  anil dalam metalurgi. Hal ini pada dasarnya berlaku untuk semua jaringan  yang dijelaskan sebelumnya, tetapi khususnya hanya untuk propagasi dan  dimodifikasi jaringan.   [Kembali]  








Baca selengkapnya