BAB 4 PERCEPTRON

PERCEPTRON
Pengertian:

Perceptron adalah salah satu metode JST training yang sederhana dipakaikan prosedur algoritma training yang pertama kali. Terdiri dari neuron tunggal dengan bobot synaptic yang diatur menggunakan fungsi aktifasi hard limit.

  1.Dasar Struktur [kembali]

Perceptron berfungsi sebagai sebuah blok bangunan untuk sebagian besar model,termasuk Adaline seperti yg dibahas sebelumnya yang Model neuron mungkin dianggap sebagai kasus khusus dari Perceptron. The Perceptrron memiliki satu struktur dasar seperti pada Gambar.

koneksi yang terhubung ke output, beberapa neuron di sisi input dan  output sel menghubungkan ke beberapa sel saraf lain di sisi output. Saya t berbeda dari model neuronal dari Adaline (dan Madaline) dalam pekerjaan nya fungsi aktivasi halus ( "mulus switch" non-linear). Namun "keras switch "fungsi aktivasi Adaline dan dari Madaline dapat dianggap sebagai batas-kasus fungsi aktivasi Perceptron ini.

• Fungsi aktivasi perceptron

  
  
  
  

Output Perceptron ini sel berbeda dari output penjumlahan dengan operasi aktivasi tubuh sel, , seperti output dari sel biologis berbeda dari jumlah tertimbang dari input. operasi ractivation adalah dalam hal fungsi aktivasi f (zi), yang merupakan nonlinier sebuah Fungsi menghasilkan keluaran  yi engan sel untuk

yi = f (zi) 

Fungsi aktivasi f juga dikenal sebagai fungsi squashing. Itu membuat sel output antara batas-batas tertentu seperti halnya di neuron biologis. Berbeda fungsi f (zi) yang digunakan, yang semuanya memiliki properti membatasi atas.

2. Representasi Masalah Single Layer [kembali]

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). 

3. Keterbatasan Single Layer Perceptron [kembali]

Pada tahun 1969, Minsky dan Papert menerbitkan sebuah buku di mana mereka menunjukkan seperti yang dilakukan E. B. Derek pada tahun 1965 dalam sebuah buku yang kurang dikenal, dengan keterbatasan dalam kemampuan dari perceptron, seperti terbukti dengan teorema perwakilannya. Mereka telah menunjukkan bahwa, misalnya, perceptron tidak bisa memecahkan Or (XOR) Masalah [(x1 ∪ x2) ∩ (X1 ∪ X2)], atau pelengkap nya, kontradiksi masalah 2-state (XNOR).

Pada single-layer pengklasifikasi tidak bisa memecahkan. Begitu banyak sehingga, bahwa untuk satu lapisan jaringan saraf dengan peningkatan jumlah input, jumlah masalah yang dapat diklasifikasikan menjadi sebagian kecildari totalitas masalah yang dapat dirumuskan. Secara khusus, neuron dengan input biner dapat memiliki pola masukan 2n yang berbeda.Karena setiap pola input dapat menghasilkan 2 output biner yang berbeda, maka ada 22nfungsi yang berbeda dari n variabel. Jumlah masalah yang terpisah secara linear dari n input biner Namun sebagian kecil dari 22 n.

4. Perceptron Banyak Layer [kembali]

Untuk mengatasi keterbatasan ditunjukkan oleh Minsky dan Papert, Minsky dan Papert (1969) telah menunjukkan bahwa satu-layer ANN dapat memecahkan (mewakili) masalah klasifikasi titik yang terletak di daerah terbuka cembung atau cembung daerah tertutup( wilayah cembung adalah salah satu di mana dua titik dalam daerah dapat dihubungkan dengan garis lurus yang terletak sepenuhnya di daerah itu). Pada tahun 1969 ada tidak ada metode untuk mengatur bobot selain untuk neuron yang output (y) dapat diakses Itu kemudian ditampilkan [Rumelhart et al., 1986] bahwa 2-layer ANN dapat memecahkan juga masalah non-cembung, termasuk masalah XOR atas. Ekstensi untuk tiga atau lebih lapisan meluas kelas masalah yang dapat diwakili dan karenanya diselesaikan dengan ANN untuk, pada dasarnya, tidak ada terikat. Namun, pada 1960-an dan 1970-an ada tidak ada alat yang ampuh untuk mengatur bobot dari multi-layer ANN. Meskipun pelatihan multilayer sudah digunakan sampai batas tertentu untuk Madaline, itu lambat dan tidak ketat cukup untuk umum masalah multi-layer.


5. Contoh Video Aplikasi [kembali]

6. Link Download [kembali]
File HTML - Download