PROSES MEDELIN

                    3.PROSES  MEDELIN
 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).


The Madaline mempekerjakan prosedur pelatihan yang dikenal sebagai Madaline Aturan II, yang didasarkan pada Gangguan Prinsip Minimum, sebagai berikut [Widrow et al., 1987]:
(1) Semua bobot diinisialisasi dengan nilai acak rendah. Selanjutnya, satu set pelatihan input L vektor xi (i = 1; 2;:::; L) diterapkan satu vektor pada suatu waktu untuk input.
(2) Jumlah nilai bipolar yang salah pada lapisan output dihitung dan jumlah ini dilambangkan sebagai e error per vektor masukan yang diberikan.
(3) Untuk semua neuron pada lapisan output:
(A) Yang menunjukkan th sebagai ambang fungsi aktivasi (sebaiknya 0), periksa: [z-th] untuk setiap vektor masukan dari training set diberikan vektor untuk lapisan tertentu yang dianggap pada langkah ini. Pilih neuron diset pertama dari atas, namun yang sesuai dengan abs terendah [z-th] terjadi lebih dari yang himpunan vektor input. Oleh karena itu, untuk kasus vektor L masukan dalam masukan set dan untuk lapisan n neuron, seleksi dari nilai-nilai n L z. Ini adalah node yang dapat membalikkan polaritas oleh perubahan terkecil dalam bobot nya, sehingga yang dilambangkan sebagai neuron gangguan-minimum, dari mana nama prosedur berasal. Sebuah neuron sebelumnya diset adalah neuron yang berat belum ditetapkan belum.
(B) Selanjutnya, kita harus mengubah bobot dari neuron yang terakhir sehingga y keluaran bipolar bahwa perubahan satuan. Perubahan terkecil berat melalui modi sebuah ed prosedur curam seperti di Sec. 3.4.2 yang menganggap [z-th] bukan em dari Persamaan. (3.22) akan menyebabkan perubahan ini. Atau, perubahan acak dapat digunakan.
(C) Input set vektor disebarkan ke output sekali lagi.
(D) Jika perubahan berat badan mengurangi biaya kinerja \ e “dari Langkah 2, maka perubahan ini diterima. Lain, asli (sebelumnya) bobot dikembalikan ke neuron itu.
(4) Ulangi Langkah 3 untuk semua lapisan kecuali lapisan input.
(5) Untuk semua neuron dari lapisan output: Terapkan Langkah 3, 4 untuk sepasang neuron yang analog node-output z paling dekat dengan nol, dll
(6) Untuk semua neuron dari lapisan output: Terapkan Langkah 3, 4 untuk triplet neuron yang simpul-output analog yang paling dekat dengan nol, dll
(7) Pergi ke vektor berikutnya ke L’th vektor.
(8) Ulangi untuk kombinasi lebih lanjut dari vektor L sampai pelatihan memuaskan.
Hal yang sama dapat diulang untuk empat kali lipat dari neuron, dll Namun, pengaturan ini kemudian menjadi sangat panjang dan karena itu mungkin ed unjusti. Semua bobot awalnya ditetapkan untuk (berbeda-beda) nilai acak rendah. Nilai-nilai bobot bisa positif atau negatif dalam beberapa rentang tetap, katakanlah, antara 1 dan 1. Tingkat pembelajaran awal Persamaan. (3.18) dari bab sebelumnya harus antara 1 dan 20. Untuk konvergensi yang memadai, jumlah tersembunyi neuron lapisan harus setidaknya 3, sebaiknya lebih tinggi. Banyak iterasi langkah (sering, ribuan) dari algoritma steepest descent of Sec. 3.4.2 diperlukan untuk konvergensi. Adalah lebih baik untuk menggunakan bipolar daripada konfigurasi biner untuk fungsi aktivasi.
Diskusi di atas dari jaringan saraf Madeline (NN) menunjukkan bahwa Madeline adalah intuitif, tetapi agak primitif dan inecient NN. Hal ini juga sangat sensitif terhadap suara. Meskipun memiliki sifat-sifat dasar dari beberapa jaringan saraf lain yang dibahas dalam bab-bab selanjutnya dari buku ini, kita akan melihat bahwa jaringan dibahas nanti adalah jauh lebih efisient dan kurang kebisingan sensitif.

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