7_12-01-18-1-26-44_67472_COUNTER PROPAGATION2
-
Upload
rini-handrizal -
Category
Documents
-
view
221 -
download
0
Transcript of 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)
-
8/2/2019 7_12-01-18-1-26-44_67472_COUNTER PROPAGATION2
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).
-
8/2/2019 7_12-01-18-1-26-44_67472_COUNTER PROPAGATION2
3/16
Arsitektur CounterPropagation
-
8/2/2019 7_12-01-18-1-26-44_67472_COUNTER PROPAGATION2
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.
-
8/2/2019 7_12-01-18-1-26-44_67472_COUNTER PROPAGATION2
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
-
8/2/2019 7_12-01-18-1-26-44_67472_COUNTER PROPAGATION2
6/16
Arsitektur Kohonen Self-Organizing Map (SOM) Layer
-
8/2/2019 7_12-01-18-1-26-44_67472_COUNTER PROPAGATION2
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
-
8/2/2019 7_12-01-18-1-26-44_67472_COUNTER PROPAGATION2
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
-
8/2/2019 7_12-01-18-1-26-44_67472_COUNTER PROPAGATION2
9/16
Pelatihan Kohonen SOM
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
( )
-
8/2/2019 7_12-01-18-1-26-44_67472_COUNTER PROPAGATION2
10/16
Pelatihan Kohonen SOM
Hanya bobot pada koneksi ke neuron pemenangdan tetangga-terangganya diperbarui
Bobot diperbarui sebagai berikut:
u u uij
new
ij
old
ij
-
8/2/2019 7_12-01-18-1-26-44_67472_COUNTER PROPAGATION2
11/16
Pelatihan Kohonen SOM
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
-
8/2/2019 7_12-01-18-1-26-44_67472_COUNTER PROPAGATION2
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
-
8/2/2019 7_12-01-18-1-26-44_67472_COUNTER PROPAGATION2
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.
-
8/2/2019 7_12-01-18-1-26-44_67472_COUNTER PROPAGATION2
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
-
8/2/2019 7_12-01-18-1-26-44_67472_COUNTER PROPAGATION2
15/16
Grossberg Layer
Output dari lapisan Grossberg adalahoutput tertimbang dari lapisanKohonen Self Organizing Map (SOM)
layer.
-
8/2/2019 7_12-01-18-1-26-44_67472_COUNTER PROPAGATION2
16/16
Grossberg Layer