JARINGAN SARAF TIRUAN

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...

Jaringan saraf Counter Propagasi, Hecht-Nielsen (1987), lebih cepat sekitar faktor 100 dari Backpropagation, tapi lebih terbatas dalam kisaran aplikasi. Ini menggabungkan Self-Organizing (Instar) jaringan Kohonen (1984) dan Grossberg ini Oustar net (1969, 1974, 1982) yang terdiri dari satu lapisan masing-masing. Memiliki sifat yang baik dari Generalisasi (penting, dalam beberapa derajat, untuk semua saraf jaringan) yang memungkinkan untuk menangani dengan baik dengan sebagian atau sebagian vektor input yang tidak benar. Kontra Propagasi jaringan berfungsi sebagai jaringan pengelompokan sangat cepat. Strukturnya adalah seperti pada Gambar. 8. 1 , di mana (tersembunyi) K-layer diikuti oleh output G-layer. A. Kohonen Self - Organizing Map (SOM) Layer   Lapisan Kohonen [Kohonen 1984, 1988] adalah lapisan “Winner-take-all” (WTA). Dengan demikian, untuk vektor masukan yang diberikan, hanya satu Kohonen lapisan output adalah 1 sedangkan semua orang lain adalah 0. ...

Backpropagation merupakan salah satu metode pelatihan dari Jaringan Saraf Tiruan. Backpropagation menggunakan arsitektur multilayer dengan metode pelatihan supervised pelatihan . Metode Backpropagation ini dikembangkan oleh Rumelhart Hinton dan Williams sekitar tahun 1986. Menurut teori Backpropagation , metode ini secara efektif bisa menentukan pendekatan yang paling baik dari data yang dimasukkan. Backpropagation merupakan generalisasi aturan delta ( Widrow-Hoff ). Backpropagation menerapkan metode gradient descent untuk meminimalkan error kuadrat total dari keluaran yang dihitung oleh jaringan. Backpropagation melatih jaringan untuk memperoleh keseimbangan antara “kemampuan jaringan” untuk mengenali pola yang digunakan selama pelatihan dan “kemampuan jaringan” merespon secara benar terhadap pola masukan yang serupa (tapi tidak sama) dengan pola pelatihan. Algoritma Back Propagation Arsitektur Back Propagation Meningkatkan Hasil Metoda Back Propagation

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).   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 info...