Pemograman Jaringan Kohonen Dengan Matlab

[menuju akhir]


1. Jaringan Kompetitif[kembali]

Arsitektur jaringan

 Jaringan Kompetitif dibentuk dengan perintah :

 
dengan

PR : Matriks ukuran Rx2 yang berisi nilai minimum dan maksimum masing-masing nilai vektor masukan 

S : Jumlah neuron target 

KLR : Laju pemahaman Kohonen (default = 0.01)

CLR : Laju pemahaman Conscience (default = 0.001) 

Bobot awal yang dibentuk adalah titik tengah matriks PR

Contoh 16.1

Diketahui 14 buah vektor masukan (masing-masing terdiri dari 2 komponen x1, x2) sebagai berikut : 

Titik-titik vektor
Gunakan jaringan kompetitif dengan Matlab untuk membagi 14 vektor tersebut menjadi maksimum 5 kelompok. 

Penyelesaian

 

Untuk melihat bobot dan bias awal

untuk melatih jaringan

untuk mencari pengelompokan vektor


Untuk mempermudah pembacaan 

hasil pengelompokkan



2. Pengaturan Mandiri[kembali]

Topologi jaringan

 
Contoh 16.2 

Gambarkan 30 neuron topologi jaringan Kohonen (2 dimensi) dalam 5 baris dan 6 kolom 

Penyelesaian






 Jarak Antar Neuron

  •  Jarak Euclidis (dist)

  • Jarak persegi (boxdist)
  • Jarak Link (linkdist)

  • Jarak Manhatan (mandist)

Contoh 16.3
Misalkan terdapat 6 buah neuron dalam topologi gridtop (2,3). Hitunglah jarak antar neuron menggunakan 
  • Jarak Euclidis (dist)
  • Boxdist
  • Linkdist
  • Jarak Manhattan (Mandist)
Penyelesaian
*Jarak Euclidis
jarak Euclidis antara neuron-1 dengan neuron-2 = 1
jarak Euclidis antara neuron-1 dengan neuron-6 = 2.2361

*Jarak persegi (boxdist)

*Jarak link (linkdist)

*Jarak Manhattan (mandist)

Pengelompokan Pola Jaringan Kohonen

Format:

dengan 
PR : matriks Rx2 yang berisi nilai minimum dan maksimum R buah elemen masukan 
Di : Ukuran topologi layar (default = [5 8]) 
TFCN : Fungsi topologi (default = ‘hextop’) 
DFCN : Fungsi jarak (default = ‘linkdist’) 
OLR : Laju pemahaman fase pengaturan (ordering). Default = 0.9 
OSTEPS : Jumlah iterasi langkah pengaturan. Default = 1000 
TLR : Laju pemahaman fase penyempurnaan (tuning). Default = 0.02 
TND : Jarak sekitar neuron pemenang pada fase penyempurnaan. Default = 1

Contoh 16.4 
Gunakan jaringan Kohonen untuk mengelompokkan 20 buah vektor masukan dalam dimensi 2 yang diberikan secara acak pada range [0, 1] dengan topologi hextop [2, 3].

Penyelesaian :


Posisi neuron setelah pelatihan:





Tidak ada komentar:

Posting Komentar

Langganan: Komentar (Atom)