9.1. Motivation

Adaptive Resonance Theory (ART) berasal oleh Carpenter dan Grossberg (1987a) untuk tujuan pengembangan jaringan saraf tiruan yang secara kinerja, khususnya (namun bukan hanya) di pengenalan pola atau klasifikasi tugas, lebih dekat dengan yang ada pada jaringan saraf biologis  dibanding kasus yang di sebelumnya dibahas jaringan. Salah satu tujuan utama mereka adalah untuk datang dengan jaringan saraf yang dapat melestarikan elastisitas jaringan biologis dalam belajar atau dalam mengenali pola-pola baru, yaitu, dalam belajar tanpa harus menghapus (lupa) atau untuk secara substansial menghapus pola sebelumnya belajar.
Karena tujuan dari jaringan saraf ART adalah untuk  mendekati jaringan saraf biologis, jaringan saraf ART tidak membutuhkan “guru” tapi sebagai fungsi tanpa pengawasan jaringan mengorganisir diri. ART-I versi berhubungan dengan input biner. Perpanjangan ART-I yang dikenal sebagai ART-II [Carpenter dan Grossberg, 1987b] penawaran dengan kedua pola analog dan dengan pola diwakili oleh berbagai tingkat abu-abu.
The ART Network Structure
Jaringan ART terdiri dari 2 lapisan; (I) Perbandingan Layer (CL) dan (II) Pengakuan Layer (RL), yang saling berhubungan. Selain itu, jaringan terdiri dari dua elemen Gain, satu, (G1) keluaran g1 untuk lapisan Perbandingan dan kedua, (G2) keluaran g2 untuk Layer Pengakuan, dan ketiga, ulangan sebuah elemen dimana perbandingan, seperti yang dilakukan di Layer Perbandingan, dievaluasi sehubungan dengan terpilih nilai toleransi (value “kewaspadaan”). Lihat Gambar. 9.1.

Sebuah XJ elemen biner dari m-dimensi vektor masukan x dimasukkan ke dalamj (j = 1·m; m = dim (x)) neuron dari CL. j neuron juga diinput oleh jumlah tertimbang (pj) dari pengakuan-output vektor r dari RL di mana


ri menjadi komponen bukan dari m-dimensi pengakuan-output vektor r dari lapisan RL dan n menjadi jumlah kategori untuk diakui.
Selain itu, semua neuron CL menerima output skalar g1 sama sama elemen G1. m-dimensi (m = dim (x)) keluaran biner perbandingan-layer vektor c dari lapisan CL awalnya sama dengan vektor input, yaitu, pada awal perulangan
cj(0) = xj(0) (9.2)
Also, initially:
g1(0) = 1 (9.3)
CL ini vektor output c memenuhi (dua pertiga) kekuasaan mayoritas kebutuhan s.t. -nya output
cj = 1
setidaknya dua dari tiga input ini (CL) neuron adalah 1. Oleh karena itu, pers. (9.2), (9.3)
menyiratkan, oleh “dua pertiga mayoritas” aturan, yang awalnya
c(0) = x(0) (9.4)
karena awalnya tidak ada umpan balik ada dari lapisan RL, sementara g1 (0) = 1.
 

[Kembali]

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