BAB 5 THE MADELIN

The Madaline (Banyak Adaline) adalah ekstensi multilayer dari bipolar single-neuron adaline ke jaringan. Karena Madaline adalah ekstensi multi-layer metodologi penyesuaian lebih berat daripada di Back Propagation dan memberikan pemahaman yang sulit ke dalam menyesuaikan bobot dalam jaringan multi-layer, meskipun kurang efisien. Struktur dasar diberikan pada Gambar. 5.1 yang dalam hal dua lapisan Adalines, ditambah lapisan masukan yang hanya berfungsi sebagai distributor masukan jaringan (lihat Gambar. 5.2).

5.1 
Pelatihan Madaline
Pelatihan Madaline berbeda dari pelatihan Adaline bahwa tidak ada output parsial yang diinginkan dari bagian dalam lapisan yang dapat tersedia. Sehingga bagian dalam lapisan disebut lapisan tersembunyi. Sama seperti dalam sistem saraf pusat manusia (CNS), kita dapat menerima informasi dalam hasil yang diinginkan dan tidak diinginkan, meskipun manusia tidak sadar hasil dari neuron individu yang berpartisipasi dalammenerima informasi, sehingga dalam JST tidak ada informasi dari dalam lapisan neuron tersedia.
Studi Kasus Madaline :
Character Recognition
  1. Problem statement
Merancang Madaline (Multiple Adaline) Neural Network untuk mengenali 3 karakter 0, C dan F disediakan dalam format biner dan mewakili menggunakan 6 × 6 kotak. Neural Network harus dilatih dan diuji dengan berbagai pola, total tingkat kesalahan dan jumlah konvergensi harus diamati. pola khusus yang digunakan untuk pelatihan dan pengujian adalah sebagai pada Gambar. 5.A.1.
5.4
2.  Design of network

Sebuah jaringan Madaline seperti pada Gambar. 5.A.2 dirancang dengan 3 lapisan, masukan (6neuron), tersembunyi (3 neuron), dan output (2 neuron), lapisan. 36 masukan dari grid mengandung karakter 0, C atau F diberikan sebagai masukan ke jaringan. 15 input set diberikan, 5 masing-masing selama 3 dan 0 itu. Bobot jaringan yang awalnya ditetapkan di secara acak dalam kisaran {-1, 1}.
5.5 
3.  Training of the network

Berikut ini adalah langkah-langkah dasar untuk Pelatihan dari Jaringan Neural Back Propagation :
  • Gunakan data training set dengan 5 set 0 , C dan F masing-masing.
  • Umpan set pelatihan ini (lihat Gambar. 5.A.3) ke jaringan.
  • Set bobot jaringan secara acak di kisaran {-1, 1}.
  • Gunakan hardlimiter fungsi transfer untuk setiap neuron.
      5.6 
          Setiap output lulus sebagai masukan ke lapisan berturut-turut.
  • Output akhir dibandingkan dengan output yang diinginkan dan kesalahan kumulatif untuk 15 input dihitung.
  • Jika kesalahan persen di atas 15% (untuk neuron yang memiliki output terdekat 0) maka bobot dari lapisan output berubah menggunakan
                5.7

           Berat (s) diperbarui dan kesalahan baru ditentukan.
  • Berat diperbarui untuk berbagai neuron sampai tidak ada kesalahan atau kesalahan adalah dibawah ambang batas yang diinginkan.
  • Uji kumpulan data diumpankan ke jaringan dengan bobot diperbarui dan output (error) diperoleh dengan demikian menentukan efisiensi jaringan.

4.  The Training Sets
5.8
5.9
5. Hasil
Hasilnya seperti berikut:
• Lapisan Tersembunyi  Bobot Matrix:
w hidden =
5.10
5.11 
5.12 
5.13 
5.14 
5.15 
6. Kesimpulan
  • The Neural Network dilatih dan diuji untuk pengujian dan pelatihan pola yang berbeda. Dalam semua kasus jumlah konvergensi dan error tingkat diamati.
  • Konvergensi sangat bergantung pada lapisan tersembunyi dan jumlah neuron di setiap lapisan tersembunyi.
  • Jumlah di setiap lapisan tersembunyi harus tidak terlalu kurang atau terlalu tinggi.
  • Jaringan Syaraf terlatih sangat akurat dalam mengklasifikasikan data yang di sebagian besar kasus uji. Jumlah kesalahan yang diamati adalah 6% (approx.), Yang sangat ideal untuk masalah klasifikasi seperti Face Detection.

Komentar

Posting Komentar

Postingan populer dari blog ini

SOAL UTS

Gambar
              1.APA ITU JST??? Jaringan saraf tiruan (JST) (Bahasa Inggris: artificial neural network (ANN) , atau juga disebut simulated neural network (SNN) , atau umumnya hanya disebut neural network (NN) ), adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan sistem saraf manusia. JST merupakan sistem adaptif yang dapat mengubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut. Oleh karena sifatnya yang adaptif, JST juga sering disebut dengan jaringan adaptif. Jaringan   Syaraf  Tiruan  dibuat  pertama  kali  pada  tahun  1943  oleh neurophysiologist Waren cCulloch dan logician Walter Pits, namun teknologi yang tersedia pada saat itu belum memungkinkan mereka berbuat lebih jauh. Jaringan ...
Terus membaca

BAB 7 Jaringan Hopfield

Gambar
BAB 7 Jaringan Hopfield 7.1 Pengantar Semua jaringan sampai sekarang diasumsikan hanya maju mengalir dari input ke output, yaitu interkoneksi yang tidak berulang. Hal ini terjamin stabilitas jaringan. Sejak jaringan saraf biologis menggabungkan umpan balik, jaringan buatan tertentu juga akan menggabungkan fitur itu. Jaringan Hopfield memang menggunakan umpan-maju dan umpan balik. Setelah umpan balik yang digunakan, stabilitas tidak dapat dijamin dalam kasus umum. Akibatnya, desain jaringan Hopfield harus menjadi salah satu yang menyumbang stabilitas di pengaturannya. 7.2 Jaringan Biner Hopfield Gambar 7.1 menggambarkan satu lapisan jaringan Hopfield berulang. Meskipun pada dasarnya jaringan single-layer, struktur umpan balik yang membuatnya efektif untuk berperilaku sebagai jaringan multi-layer. Keterlambatan umpan balik akan ditampilkan untuk menjalankan peran utama dalam stabilitas. Delay tersebut adalah untuk jaringan saraf biologis, menunda di celah sinaptik da...
Terus membaca

BAB 9 Adaptive Resonance Theory

Gambar
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 pol...
Terus membaca