9.5. Properties of ART

Jaringan ART memiliki beberapa fitur yang menjadi ciri jaringan, sebagai berikut:
1. Setelah jaringan stabil (bobot mencapai steady state), penerapan suatu masukan vektor x, yang telah digunakan dalam pelatihan, akan mengaktifkan neuron RL yang benar tanpa pencarian (iterasi). Properti ini didapat dari akses langsung mirip dengan pengambilan cepat dari pola yang dipelajari sebelumnya dalam jaringan biologis.
2. Proses pencarian stabil pada neuron winner.
3. Pelatihan ini stabil dan tidak beralih pada neuron winner yang telah diidentifikasi.
4. Pelatihan stabil dalam jumlah iterasi terbatas.
Untuk melanjutkan dari pola biner (0/1), pola dengan berbagai nuansa abu-abu, penulisan jaringan ART-I di atas dikembangkan dari jaringan ART-II [Carpenter dan Grossberg, 1987b] yang tidak dibahas di sini, tapi yang mengikuti dasar filsafat jaringan ART-di atas saya jelaskan  sementara untuk memperluas input kontinu
Hal di atas menunjukkan bahwa jaringan ART; memiliki banyak fitur yang diinginkan dari
jaringan biologis, seperti tanpa pengawasan, elastis, stabil dan terbatas
dari jumlah iterasi, dan memiliki recall pola yang dipelajari sebelumnya.
Kelemahan utama dari jaringan ART-I adalah bahwa neuron yang hilang menghancurkan
proses pembelajaran seluruh (karena x dan c harus dari dimensi yang sama). Properti penting dari jaringan saraf biologis. Padahal banyak
sifat dari jaringan ART yang diuraikan di atas yang hilang dalam jaringan sebelumnya, kelemahan terakhir ini tidak fundamental bagi jaringan dari bab sebelumnya. Hal ini juga membawa kita untuk mempertimbangkan desain jaringan saraf bab berikutnya,
khusus, Cognitron / Neocognitron desain jaringan saraf dan LAMSTAR yang
desain jaringannya menghindari kekurangan di atas.
 

[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