7_12-01-18-1-26-44_67472_COUNTER PROPAGATION2

8/2/2019 7_12-01-18-1-26-44_67472_COUNTER PROPAGATION2

1/16

COUNTER PROPAGATIONMuhammad Fadhly Sani (081402033)

Siska Maria Aritonang (081402004)


2/16

Counter Propagation

Counter Propagation merupakanalgoritma jaringan sarraf tiruan yangterdiri dari hidden layerdan output

layer. Dalam hal ini lapisantersembunyi disebut dengan lapisanlapisan Kohonen-SOM (Self

Organizing Map) dan lapisan outputdisebut lapisan Grossberg. CounterPropagation Neural Netwokdikembangkan oleh Hecht Nielsen(1987).


3/16

Arsitektur CounterPropagation


4/16

Kohonen Self-Organizing Map(SOM) Layer Kohonen Layer dikembangkan oleh

Kohonen (1984, 1988) merupakansebuah Winner Take All(WTA) Layer.

Dengan demikian digunakan untukmemberikan input vector.


5/16

Kohonen Self-Organizing Map(SOM) Layer Jaringan tidak terawasi

Tidak memerlukan output target untuk setiap vektormasukkan dalam data pelatihan

Inputan saling terkoneksi dalam array 2 dimensi.

Setiap hubungan dapat dipertahankan secaraeksplisit, atau

Setiap neuron dapat memiliki koneksi lateraluntuk tetangganya.

Data multidimensi dapat dipetakan ke dua dimensi.

Memfasilitasi representasi cluster di dalam data


6/16

Arsitektur Kohonen Self-Organizing Map (SOM) Layer


7/16

Latihan Kohonen SOM

Input Vector E nelements

Ui=[ui1,ui2,...uin]

E=[e1,e2,....en]

Vekto memasuki neuron masukkan

Bobot vektor, U,diantara input

dan setiap neuronkohonen layer

i adalah neurondi dalam kohonenlayer

Setiap lapisan neuron Kohonen menghasilkan sebuah nilai

Jarak Euclidean , Ed,dari neuron di dalamdata dari vektor yangsebenarnya

Ed=|| E - Ui ||

Ed=

uij adalah bobotdiantara input jdan neuronKohonen i

( )e

j

uij

j

2


8/16

Pelatihan Kohonen SOM

Dimulai dengan sebuah inisialisasi bobot diantarainputan dan Kohonen layer yang dipilih secara acak

Setiap vektor yang dilatih disajikan ke dalam jaringan

Neuron pemenang ditemukan

Ditambah dengan tetangga neuron pemenang dapat diidentifikasi


9/16


Bobot untuk neuron pemenang dan tetangganya diperbarui,sehingga mereka bergerak lebih dekat dengan vektor masukan

Perubahan pada bobot dapat dilakukan dengan rumus berikut ini

u e uij j ij

( )


10/16


Hanya bobot pada koneksi ke neuron pemenangdan tetangga-terangganya diperbarui

Bobot diperbarui sebagai berikut:

u u uij

new

ij

old

ij


11/16


Tingkat pembelajaran biasanya diatur ke nilai yang relatif tinggi,seperti 0,5, dan menurun sebagai berikut:

t= 0 (1 - (t/T))

T jumlah iterasi pelatihan

t adalah iterasi pelatihan saat ini

t adalah tingkat belajar untuk iterasi pelatihan saat ini

0 adalah nilai awal dari tingkat belajar


12/16

Latihan Kohonen SOM

Unit Kohonen layer dengan jarak Euclidean terendahUnit yang paling dekat dengan vektor input asli, dipilih, sebagai berikut:

|| E - Uc|| = min{|| E -Ui||}

i

cdisebut winning neuron di Kohonen layer

Neuron winning dianggap sebagai output darijaringan -winner takes all


13/16

Kelebihan Kohonen SOMLayer Arsitektur tidak terawasi

Tidak membutuhkan target untukoutput vektor

Cukup mengorganisasi dirinya sendirike dalam representasi terbaik untukdata yang digunakan dalam pelatihan.


14/16

Batasan Kohonen SOM Layer

Hanya memberikan informasidaripada mengindetifikasi di ruangdata mana vektor tertentu terletek.

Oleh karena itu interpretasi dariinformasi ini harus dibuat.

Proses interpretasi dapat memakanwaktu dan membutuhkan klasifikasi

data yang dikenal


15/16

Grossberg Layer

Output dari lapisan Grossberg adalahoutput tertimbang dari lapisanKohonen Self Organizing Map (SOM)

layer.


16/16

Grossberg Layer

7_12-01-18-1-26-44_67472_COUNTER PROPAGATION2

Documents

Transcript of 7_12-01-18-1-26-44_67472_COUNTER PROPAGATION2