9.6. Discussion and General Comments on ART-I and ART-II

Studi kasus ini bertujuan untuk menerapkan pengenalan karakter sederhana menggunakan ART-I jaringan saraf. Jaringan ART terdiri dari 2 lapisan: perbandingan Layer dan Pengenalan Lapisan.
Struktur umum jaringan ART-I diberikan pada Gambar. 9.A.1:

The data set
Jaringan syaraf tiruan ini harus mengakui beberapa karakter dalam jaringan 6 × 6. Jaringan Neural ini diuji pada 3 karakter berikut:

Selain itu jaringan diuji pada karakter dengan beberapa kebisingan (dari 1 sampai 14 bit kesalahan), seperti dalam contoh berikut:

Juga, jaringan harus mampu memahami jika karakter bukan milik yang telah ditetapkan set. Misalnya karakter berikut yang tidak ditetapkan dalam (Dilatih) set:

Kita dapat mempertimbangkan sejumlah besar karakter tidak standar, untuk alasan ini Karakter ini hanya dibuat secara acak.
Network design
(A) struktur Jaringan
Untuk mengatasi masalah ini struktur jaringan Gambar. 9.A.2 diadopsi, di mana x0 · x35 adalah array yang mengimplementasikan 6 × 6 kotak di masukan ke jaringan kita.

(B) Penetapan bobot
Bobot ini awalnya ditetapkan dengan:

Selama fase pelatihan kami memperbarui bobot menurut:

(C) dasar-dasar Algoritma
Berikut ini adalah prosedur untuk perhitungan jaringan ART:
(1) Menetapkan bobot seperti yang dijelaskan sebelumnya.
(2) Melatih jaringan dengan formula yang dijelaskan sebelumnya dengan beberapa karakter.
Sekarang kita bisa menguji jaringan dengan pola dengan kebisingan dan menguji jaringan dengan Pola yang tidak termasuk ke set asli.
Untuk membedakan pola diketahui dari pola diketahui jaringan menghitung berikut

Jika η <η0 daripada Pengakuan Lapisan dihambat dan semua neuron nya akan menampilkan “0”.
(D) pelatihan Jaringan
Jaringan ini dilatih sebagai berikut (kode Java):





Kode penuh pelaksanaan adalah pada lampiran
Hasil kinerja dan kesimpulan
Jaringan ini disimulasikan untuk menyelidiki bagaimana kekuatnya . Untuk alasan ini kita simulasi jaringan ini menambahkan 1 sampai 18 bit kebisingan. Hasil simulasi ini dikumpulkan dalam tabel berikut.
Kolom pertama berisi jumlah bit suara ditambahkan pada input dan kolom kedua memberikan persentase kesalahan.
Dapat dilihat dari tabel dan dari Gambar. 9.A.3, jaringan ini sangat kuat di suara, Dengan suara 8 bit atau kurang jaringan selalu mengakui pola yang benar. Dengan suara 10 bit (dari total 36 bit), jaringan mengidentifikasi benar dalam 90% kasus.



Kita juga menyelidiki perilaku jaringan ketika kita menggunakan  karakter yang tidak diketahui. Untuk alasan ini kita lakukan simulasi lain untuk menguji apakah jaringan output mengaktifkan “Tidak ada pola” ketika disajikan dengan karakter yang diketahui. Dalam hal ini jaringan masih berkinerja baik (ia mengerti bahwa ini bukan Pola yang biasa) pada tingkat keberhasilan 95,30% (yaitu gagal di 4,70% kasus). Lihat gambar 9.A.4.
 

[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