Jstchapt2
Download as docx, pdf0 likes364 views
Dokumen tersebut membahas tentang algoritma perceptron untuk klasifikasi pola dengan tiga bagian utama yaitu arsitektur perceptron sederhana, algoritmanya, dan contoh aplikasinya untuk fungsi logika AND.
More Related Content
Viewers also liked (20)
Similar to Jstchapt2 (20)
Jstchapt2
- 1. Kelompok: - Bunga Amelia Restuputri 115060800111114 - Anis Maulida Dyah Ayu Putri 115060801111087 - Inten Widi P 115060800111001 - Regita Ayu P 115060800111028 2.3 Perceptron Aturan pembelajaran perceptron adalah aturan belajar yang lebih kuat daripada aturan Hebb. Biasanya, perceptrons asli memiliki tiga lapisan neuron sensorik unit, Unit associator membentuk model perkiraan retina. Percepteron sederhana yang digunakan aktivasi biner untuk unit sensorik dan associator dan aktivasi +1,0, atau -1 untuk unit respon. Sinyal yang dikirim dari unit associator ke unit keluaran adalah biner (0 atau 1) sinyal. Output dari perceptron adalah y = f(y_in), dimana fungsi aktivasi adalah Bobot dari unit associator ke unit respon yang disesuaikan dengan aturan belajar percepteron. Jaringan akan menghitung respon dari unit output. Jaringan akan menentukan apakah kesalahan terjadi untuk pola ini. Jaringan tidak membedakan antara kesalahan di mana output dihitung adalah nol dan target -1, sebagai kebalikan dari kesalahan di mana output dihitung adalah +1 dan target -1. Dalam kedua kasus ini, tanda kesalahan menunjukkan bahwa bobot harus diubah ke arah yang ditunjukkan oleh nilai target. Jika kesalahan terjadi untuk pola input pelatihan tertentu, bobot akan berubah sesuai dengan rumus: Dimana t nilai target adalah +1 atau -1 dan 留 adalah tingkat pembelajaran. Jika kesalahan tidak accur, bobot tidak akan berubah. 2.3.1 Architecture Simple Perceptron for pattern classification Sebagai bukti dari aturan pembelajaran perceptron konvergensi teorema diberikan dalam bagian 2.3.4 menggambarkan, asumsi input biner tidak diperlukan. Karena hanya bobot dari unit associator ke unit keluaran dapat disesuaikan, kami membatasi pertimbangan kami ke jaringan, ditunjukkan pada Gambar 2.14.
- 2. 2.3.2 Algorithm Algoritma yang diberikan di sini adalah cocok untuk vektor masukan baik biner atau bipolar, dengan target bipolar, 慮 tetap, dan bias disesuaikan. Peran ambang dibahas mengikutipresentasi dari algoritma. Algoritma ini tidak terlalu sensistive dengan nilai-nilai awal bobot atau nilai dari nilai learning. Ambang batas pada fungsi aktivasi untuk unit respon adalah tetap, non nilai negatif 慮. Bentuk fungsi aktivasi untuk unit keluaran adalah sedemikian rupa sehingga ada keragu raguan memisahkan wilayah respon positif dari yang respon negatif. Perhatikan bahwa disini terdapat satu baris memisahkan, kami memiliki garis yang memisahkan wilayah respon positif dari wilayah nol respon Dan garis yang memisahkan wilayah respon negatif dari wilayah nol respon 2.3.3 Aplication Logic Function Contoh pada 2.11 perceptron for And function: binary input, dan bipolar target Pada data training seperti contoh pada 2.6 pada aturan Hebb. Kita mengambil 留 = 1 dan mengatur bobot awal dan bias 0. Sementara itu, menggambarkan peran dari ambang batas, kita menggunakan 慮 = 2, bobot yang berubah adalah w = t(x1,x2, 1) jika error terjadi dan bernilai 0, maka Input (x1 x2 1) (1 1) 1 Net Out Target Weight Changes 0 0 1 (1 Pemisah baris akan menjadi dan 1 Weights (w1 w2 b) 1) (0 (1 0 1 0) 1)
- 3. Gambar pada figure 2.15 menunjukkan bahwa respon dari jaringan akan benar untuk input pola pertama. Menampilkan input yang kedua sebagai berikut Input (x1 x2 1) (1 1) 0 Net Out Target Weight Changes 2 1 -1 (-1 0 Weights (w1 w2 b) - 1) (0 (0 0 1 0) 0) Pemisah baris akan menjadi dan Gambar pada 2.16 menunjukkan espon pada jarigan masih tetap benar untuk poin input pertama. Menampilkan input ketiga sebagai berikut Input (x1 x2 ( 01 1) Net Out Target 1) 1 1 -1 Untuk pola data training ke-empat, sebagai berikut Weight Changes Weights (w1 w2 b) (0 -1 (0 (0 - 1) 1 0 0) -1)
- 4. Input (x1 x2 1) (0 1) 0 Net Out Target Weight Changes Weights (w1 w2 b) -1 -1 -1 (0 (0 (0 0 0) 0-1) 0 -1) Response dari semua pola input adalah negatif untuk masing masing bobot. Namun, ketika respon untuk pola input (1,1) ialah benar, maka kita belum selesai. Masa kedua dari data training memiliki bobot update untuk input yang pertama sebagai berikut Input (x1 x2 (1 1 Net Out Target 1) 1) -1 -1 1 Weight Changes Weights (w1 w2 b) (1 (0 0 (11 0) 1 1) -1) Pemisah baris akan menjadi dan Gambar pada 2.17 menunjukkan respon jaringan akan benar ketika (t,t) Untuk input kedua pada masa kedua adalah Input (x1 x2 (1 0 Net Out Target 1) 1) 1 Pemisah baris akan menjadi 1 -1 Weight Changes Weights (w1 w2 b) (-1 (11 (0 0-1) 0) 1 -1)
- 5. dan Pada gambar 2.18 menunjukkan Input (x1 x2 (01 1) Net Out Target 1) 0 0 -1 Weight Changes Weights (w1 w2 b) (0 -1 (01 (0 -1) -1) 0 -2)