1. Pelatihan Tanpa Supervisi [kembali]
Salah satu model jaringan tanpa supervisi yang sering dipakai adalah
jaringan kompetisi. Dalam model ini, neuron dipaksa untuk
berkompetisi sehingga hanya satu diantaranya yang menjadi aktif
(signal keluaran > 0). Prinsip seperti ini sering disebut “winner takes
all”.
Dalam jaringan kompetisi bobot tetap, nilai titik-titiknya berubah
selama proses iterasi berlangsung hingga akhirnya diperoleh satu titik
yang menjadi pemenang (nilai > 0). Selama proses iterasi, semua bobotnya tidak berubah meskipun bobot ini mungkin dipakai untuk
mengubah nilai titiknya.
Arsitektur jaringan
Fungsi Aktivasi
Algoritma
- Inisialisasi ε dengan bilangan 0 < ε < 1/m
- Selama terdapat lebih dari 1 unit yang fungsi aktivasinya > 0 lakukan langkah berikutnya
- Modifikasi aktivasi titik aj (j = 1, 2, ... ,m) dengan
Contoh 8.1Misalkan jaringan MaxNet seperti pada gambar 8.1 memiliki bobot ε= 0.2 dengan nilai masukan mula-mula :
a1 = 0.2 ; a2 = 0.4 ; a3 = 0.6 ; a4 = 0.8
Tentukan titik dengan masukan terbesar menggunakan iterasi MaxNet
Penyelesaian :
Modifikasi nilai aj dilakukan dengan aturan :
a1 baru = f(0.2 – 0.2 (0.4+0.6+0.8)) = f(-0.16) = 0
a2 baru = f(0.4 – 0.2 (0.2+0.6+0.8)) = f(0.08) = 0.08
a3 baru = f(0.6 – 0.2 (0.2+0.4+0.8)) = f(0.32) = 0.32
a4 baru = f(0.8 – 0.2 (0.2+0.4+0.6)) = f(0.56) = 0.56
Hasil iterasi selengkapnya tampak pada tabel 8.1. Iterasi dilakukan
terus hingga hanya satu aj yang bernilai > 0
3. Topi Meksiko (Mexican Hat) [kembali]
Arsitektur Jaringan
Algoritma
- Inisialisasi R1, R2, dan tmax (jumlah iterasi maksimum)
Inisialisasi xi = 0 (i = 1, 2, ... , n)
t = 0
- Selama t < tmax, lakukan langkah berikut :
- Hitung net masukan xi (i = 1, 2, ... ,n)
- x_max = max x
- Hitung fungsi aktivasi : xi = min (x_max, max (0, xi))
- t = t + 1
Contoh 8.2
Gunakan algoritma topi meksiko pada vektor masukan x dengan 7
unit : (0.0 0.5 0.8 1.0 0.8 0.5 0.0). Gunakan parameter R1 = 1, R2
= 2, c1 = 0.6 dan c2 = -0.4
Penyelesaian :
x1 = 0.6 x1 (lama) + 0.6 x2 (lama) – 0.4 x3 (lama)
x2 = 0.6 x1 (lama) + 0.6 x2 (lama) + 0.6 x3 (lama) – 0.4 x4 (lama)
x3 = -0.4 x1 (lama) + 0.6 x2 (lama) + 0.6 x3 (lama) + 0.6 x4 (lama) - 0.4 x5
(lama)
x4 = -0.4 x2 (lama) + 0.6 x3 (lama) + 0.6 x4 (lama) + 0.6 x5 (lama) - 0.4 x6
(lama)
x5 = -0.4 x3 (lama) + 0.6 x4 (lama) + 0.6 x5 (lama) + 0.6 x6 (lama) - 0.4 x7
(lama)
x6= -0.4 x4 (lama) + 0.6 x5 (lama) + 0.6 x6(lama) + 0.6 x7 (lama)
x7 = -0.4 x5 (lama) + 0.6 x6(lama) + 0.6 x7 (lama)
x1 = 0.6 (0.0) + 0.6 (0.5) – 0.4 (0.8) = - 0.2
x2 = 0.6 (0.0) + 0.6 (0.5) + 0.6 (0.8) – 0.4 (1.0) = 0.38
x3 = - 0.4 (0.0) + 0.6 (0.5) + 0.6 (0.8) + 0.6 (1.0) – 0.4 (0.8) = 1.06
x4 = - 0.4 (0.5) + 0.6 (0.8) + 0.6 (1.0) + 0.6 (0.8) – 0.4 (0.5) = 1.16
x5 = - 0.4 (0.8) + 0.6 (1.0) + 0.6 (0.8) + 0.6 (0.5) – 0.4 (0.0) = 1.06
x6 = - 0.4 (1.0) + 0.6 (0.8) + 0.6 (0.5) + 0.6 (0.0) = 0.38
x7 = - 0.4 (0.8) + 0.6 (0.5) + 0.6 (0.0) = -0.2
Algoritma
Vektor x = (1, 1, -1, -1) :
x_max = 1.16. Fungsi aktivasi menghasilkan :
x1 = min (1.16, max (0, -0.2)) = 0
x2 = min (1.16, max (0, 0.38)) = 0.38
x3 = min (1.16, max (0, 1.06)) = 1.06
x4 = min (1.16, max (0, 1.16)) = 1.16
x5 = min (1.16, max (0, 1.06)) = 1.06
x6 = min (1.16, max (0, 0.38)) = 0.38
x7 = min (1.16, max (0, -0.2)) = 0
Didapat x = (0 , 0.38 , 1.06 , 1.16 , 1.06 , 0.38 , 0)
Iterasi – 2 (t = 2)
x1 = 0.6 (0.0) + 0.6 (0.38) – 0.4 (1.06) = - 0.196
x2 = 0.6 (0.0) + 0.6 (0.38) + 0.6 (1.06) – 0.4 (1.16) = 0.39
x3 = -0.4 (0.0) + 0.6 (0.38) + 0.6 (1.06) + 0.6 (1.16) – 0.4 (1.06) = 1.14
x4 = -0.4 (0.38) + 0.6 (1.06) + 0.6 (1.16) + 0.6 (1.06) – 0.4 (0.38) = 1.66
x5 = -0.4 (1.06) + 0.6 (1.16) + 0.6 (1.06) + 0.6 (0.38) – 0.4 (0) = 1.14
x6 = -0.4 (1.16) + 0.6 (1.06) + 0.6 (0.38) + 0.6 (0) = 0.39
x7 = -0.4 (1.06) + 0.6 (0.38) + 0.6 (0) = -0.196
x_max = 1.66. Fungsi aktivasi menghasilkan :
x1 = min (1.16, max (0, -0.196)) = 0
x2 = min (1.16, max (0, 0.39)) = 0.39
x3 = min (1.16, max (0, 1.14)) = 1.14
x4= min (1.16, max (0, 1.66)) = 1.66
x5 = min (1.16, max (0, 1.14)) = 1.14
x6 = min (1.16, max (0, 0.39)) = 0.39
x7 = min (1.16, max (0, -0.196)) = 0
Didapat x = (0 , 0.39 , 1.14 , 1.66 , 1.14 , 0.39 , 0)
Arsitektur Jaringan
- Inisialisasi bobot berdasarkan vektor contoh :
- Untuk setiap vektor masukan x, lakukan langkah berikut :
- Hitung y_netj = bj + Σ xi wji (j = 1, ... , m)
- Inisialisasi masukan MaxNet : aj(0) = y_netj (j = 1, ... , m)
- Gunakan prosedur MaxNet hingga diperoleh sebuah vetor yang bernilai positif (misal ak). Maka vektor contoh yang paling baik adalah e(k).
Contoh 8.3
Diketahui 2 buah vektor contoh e(1) = (1, -1, -1, -1) dan e(2) = (-1, -1, -1,
1). Gunakan jaringan Hamming untuk menentukan vektor contoh
yang paling mirip dengan masing-masing dari 4 buah vektor berikut
ini : (1, 1, -1, -1), (1, -1, -1, -1), (-1, -1, -1, 1) dan (-1, -1, 1, 1)
Penyelesaian :
Vektor x = (1, 1, -1, -1) :
y_net1 = 2 + 1 (0.5) + 1 (-0.5) – 1 (-0.5) – 1 (-0.5) = 3
y_net2 = 2 + 1 (-0.5) + 1 (-0.5) – 1 (-0.5) – 1 (0.5) = 1
a1(0) = y_net1 = 3 ; a2(0) = y_net2 = 1. Iterasinya menghasilkan :
a1(1) = f(3 – 0.2 (1)) = f(2.8) = 2.8 ; a2(1) = f(1 – 0.2 (3)) = f(0.4) = 0.4
a1(2) = f(2.8 – 0.2 (0.4))) = f(2.72) = 2.72 ; a2(2) = f(0.4 – 0.2 (2.8)) = f(-
0.16) = 0
cocok dengan vektor contoh e(1) = (1, -1, -1, -1)
Vektor x = (1, -1, -1, -1) :
y_net1 = 2 + 1 (0.5) - 1 (-0.5) – 1 (-0.5) – 1 (-0.5) = 4
y_net2 = 2 + 1 (-0.5) - 1 (-0.5) – 1 (-0.5) – 1 (0.5) = 2
cocok dengan vektor contoh e(1) = (1, -1, -1, -1)
Vektor x = (-1, -1, -1, 1) :
y_net1 = 2 - 1 (0.5) - 1 (-0.5) – 1 (-0.5) + 1 (-0.5) = 2
y_net2 = 2 - 1 (-0.5) - 1 (-0.5) – 1 (-0.5) + 1 (0.5) = 4
cocok dengan vektor contoh e(2) = (-1, -1, -1, 1)
Vektor x = (-1, -1, 1, 1) :
y_net1 = 2 - 1 (0.5) - 1 (-0.5) + 1 (-0.5) + 1 (-0.5) = 1
y_net2= 2 - 1 (-0.5) - 1 (-0.5) + 1 (-0.5) + 1 (0.5) = 3
cocok dengan vektor contoh e(2) = (-1, -1, -1, 1)
Link video 1 klik disini
Link Video 2 klik disini
[menuju awal]
Tidak ada komentar:
Posting Komentar