BAB 10 THE COGNITRON AND THE NEOCOGNITRON

10.1 BACKGROUND OF THE COGNITRON

Kognitron, seperti namanya, adalah jaringan yang dirancang terutama dengan pengakuan Pola dalam pikiran Untuk melakukan ini, jaringan kognitif menggunakan penghambatan dan Neuron kegembiraan di berbagai lapisannya. Ini pertama kali dirancang oleh Fukushima (1975), dan Adalah jaringan tanpa pengawasan sehingga menyerupai jaringan saraf biologis di Indonesia.

10.2 THE BASIC PRINCIPLES OF COGNITRON

Kognitron pada dasarnya terdiri dari lapisan neuron penghambatan dan eksitasi.
Interkoneksi neuron pada lapisan tertentu hanya pada neuron lapisan sebelumnya
Yang berada di sekitar neuron itu. Permukiman ini disebut sebagai koneksi
Daerah persaingan dari neuron yang diberikan. Untuk efisiensi pelatihan, tidak semua neuron
Dilatih Pelatihan dibatasi hanya pada kelompok elit yang paling relevan
Neuron, yaitu neuron yang sebelumnya sudah terlatih untuk tugas terkait.
Sedangkan daerah koneksi menyebabkan tumpang tindih neuron, dimana neuron yang diberikan
Mungkin termasuk wilayah koneksi lebih dari satu neuron hulu,
Pemilihan (untuk elit “seleksi) diperkenalkan untuk mengatasi kesulitan tumpang tindih.
Persaingan akan memutuskan neuron yang responsnya lebih lemah. Di atas
Fitur menyediakan jaringan dengan redundansi yang cukup besar, untuk memungkinkannya berfungsi
Baik di hadapan \ kehilangan “neuron.
Struktur kognitron didasarkan pada arsitektur multi-layer dengan progresif
Pengurangan jumlah daerah persaingan. Sebagai alternatif, kelompok dua lapisan,
L-I dan L-II dapat diulang n kali untuk menghasilkan lapisan 2n secara total (L-I1, L-II1,
L-I2, L-II2, dll.). 

10.3 NETWORK OPERATION 

(a) Neuron Istimewa
Keluaran dari neuron rangsang dihitung sebagai berikut:

Biarkan yk menjadi output dari neuron eksitasi pada lapisan sebelumnya dan biarkan vj
Jadilah output dari neuron penghambat pada lapisan sebelumnya. De ne outputnya
Komponen dari rangsang neuron sebagai:

Aik dan bik menjadi bobot yang relevan, yang disesuaikan saat neuron diperhatikan
Lebih aktif dari tetangganya, seperti yang dibahas pada 10.4 di bawah ini. Total output dari
Neuron diatas diberikan sebagai:

Yang merupakan bentuk hukum Weber {Fechner (Lihat: Guyton, 1971, hlm. 562 {563)
Yang mendekati tanggapan neuron sensorik biologis.

(b) Neuron penghambat
Keluaran dari neuron penghambatan diberikan oleh:

Yi menjadi output dari sel excitatory. Bobot ci dipilih dan tidak
Menjalani modulasi selama latihan jaringan.

 

10.4 COGNITRON NETWORK TRAINING

Bobot aji dari neuron eksitasi dalam struktur kognitif dua lapis adalah
Iterasi oleh? A seperti pada Pers. (10.13) tetapi hanya jika neuron itu adalah neuron yang menang Sebuah wilayah, dimana aji sama seperti di Pers. (10.1) (yaitu, aji adalah bobot pada suatu kegembiraan Masukan ke neuron eksitasi yang diberikan), dan cj menjadi bobot pada masukan ke Neuron penghambat lapisan ini, sedangkan q adalah tingkat pembelajaran (pelatihan) yang disenangi

Dimana bi adalah bobot pada hubungan antara neuron penghambat lapisan
L1 dan neuron eksitasi pada L2, yang menunjukkan penjumlahan pada bobot dari
Semua neuron L1 excitory ke neuron yang sama dari L2, sedangkan v adalah nilai dari
Keluaran penghambatan seperti pada Persamaan (10.11), q adalah tingkat efisiensi.
Jika tidak ada neuron yang aktif di daerah kompetisi tertentu, maka Persamaan. (10.13), (10.14)
Diganti dengan (10.15), (10.16), masing-masing:

Sehingga sekarang semakin tinggi keluaran inhibisi, semakin tinggi bobotnya, tajam
Berbeda dengan situasi menurut Pers. (10.13).

 

10.5 THE NEOCOGNITRON

 

Versi yang lebih maju dari cognitron juga dikembangkan oleh Fukushima et
Al. (1983), adalah neocognitron. Hal ini bersifat hirarkis dan diarahkan
Simulasi visi manusia. Algoritma c untuk neokognitron sedikit dan sangat
Kompleks, dan karena itu tidak akan dibahas dalam teks ini.
Pengakuan disusun dalam struktur hirarkis dari kelompok 2 lapisan, seperti
Dalam kasus kognitif. Dua lapisan sekarang adalah lapisan (sel sederhana-) (lapisan-S)
Dan lapisan berkonsentrasi (C-layer), dimulai dengan lapisan-S dilambangkan sebagai S1 dan
Diakhiri dengan lapisan C (katakanlah, C4). Setiap neuron S-layer merespons yang diberikan
Fitur lapisan masukannya (termasuk input jaringan secara keseluruhan). Masing-masing array
Proses lapisan C dalam masukan mendalam dari biasanya satu lapisan S array.
Jumlah neuron dan susunan umumnya turun dari satu lapisan ke lapisan lainnya.
Struktur ini memungkinkan neocognitron untuk mengatasi masalah pengenalan dimana
Kognitif asli gagal, seperti gambar di bawah posisi atau distorsi sudut
(Katakanlah karakter atau digit yang diputar agak dalam masalah pengenalan tulisan tangan).
Lihat Gambar. 10.2.