Chapter 10 - The Cognitron and the Neocognitron




Bahan Presentasi Untuk Mata Kuliah JST
Semester Genap 2019


Dosen : Darwison, M.T


Oleh:
Novi Putri
1610952023


Jurusan Teknik Elektro
Fakultas Teknik
Universitas Andalas
Padang
2019








The Cognitron and the Neocognitron


Kognitif, seperti namanya, adalah jaringan yang dirancang terutama dengan pengakuan pola dalam pikiran. Untuk melakukan ini, jaringan cognitron menggunakan penghambatan dan neuron ekskresif dalam berbagai lapisannya. Ini pertama kali dibuat oleh Fukushima (1975), dan adalah jaringan tanpa pengawasan sedemikian rupa sehingga menyerupai jaringan saraf biologis di rasa hormat itu.

Kognitif pada dasarnya terdiri dari lapisan neuron penghambatan dan ekskresi. Interkoneksi neuron pada lapisan tertentu hanya untuk neuron dari lapisan sebelumnya yang berada di sekitar neuron itu. Daerah ini disebut sebagai koneksi wilayah persaingan dari neuron yang diberikan. Untuk efisiensi pelatihan, tidak semua neuron berada sedang dilatih. Pelatihan demikian terbatas hanya pada kelompok elit yang paling relevan neuron, yaitu neuron yang sudah dilatih sebelumnya untuk tugas terkait. Sedangkan daerah koneksi menyebabkan tumpang tindih neuron, di mana neuron yang diberikan mungkin milik wilayah koneksi lebih dari satu neuron hulu, persaingan (untuk \ elit "seleksi) diperkenalkan untuk mengatasi efek tumpang tindih.
Persaingan akan memutuskan neuron yang responsnya lebih lemah. Di atas fitur menyediakan jaringan dengan redundansi yang cukup besar, untuk memungkinkannya berfungsi baik dalam menghadapi \ kehilangan "neuron. Struktur cognitron didasarkan pada arsitektur multi-layer dengan progresif pengurangan jumlah wilayah kompetisi. Atau, kelompok dua lapisan, L-I dan L-II dapat diulangi n kali untuk menghasilkan lapisan 2n secara total (L-I1, L-II1, L-I2, L-II2, dll.).


(A) Neuron Ekskresi

Output dari neuron eksitasi dihitung sebagai berikut:

Misalkan yk menjadi output dari neuron eksitasi pada lapisan sebelumnya dan biarkan menjadi output dari neuron penghambatan pada lapisan sebelumnya. Keluarkan hasilnya

komponen dari excitory engan neuron sebagai:
aik dan bik menjadi bobot yang relevan, yang disesuaikan ketika neuron bersangkutan lebih aktif daripada tetangganya, seperti yang dibahas pada 10.4 di bawah ini. Total output dari neuron di atas diberikan sebagai:
yang merupakan bentuk hukum Weber {Fechner (Lihat: Guyton, 1971, hlm. 562 {563) yang mendekati tanggapan neuron sensorik biologis.
(b) Neuron Penghambatan
Output dari neuron penghambatan diberikan oleh:
yi menjadi output dari sel eksitasi. Bobot ci telah dipilih sebelumnya dan tidak menjalani modifikasi selama pelatihan jaringan.

Berat aji dari neuron eksitasi dalam struktur cognitron dua-lapis adalah iterated oleh seperti pada Persamaan. (10.13) tetapi hanya jika neuron itu adalah neuron yang menang dalam suatu wilayah, di mana aji adalah seperti dalam Persamaan. (10.1) (yaitu, aji adalah beban pada suatu eksistensi masukan yj ke neuron ekskresi yang diberikan), dan cj menjadi bobot pada input ke neuron penghambatan lapisan ini, sedangkan q adalah tingkat pembelajaran (pelatihan) yang disesuaikan sebelumnya
coe cient (lihat Gambar 10.1).
Perhatikan bahwa ada beberapa neuron ekskresi di setiap wilayah kompetisi lapisan L1 dan hanya satu lapisan penghambatan.
Bobot penghambatan bj untuk neuron ekskresi iterasi menurut:
dimana bi adalah bobot pada koneksi antara neuron penghambatan lapisan L1 dan neuron eksitasi it di L2, j menunjukkan penjumlahan pada berat dari semua neuron L1 excitory ke neuron engan yang sama dari L2, sedangkan v adalah nilai dari Output penghambatan seperti dalam Persamaan. (10.11), q menjadi seorang koefisien tingkat. Jika tidak ada neuron yang aktif di wilayah kompetisi tertentu, maka Persamaan. (10.13), (10.14) diganti oleh (10.15), (10.16), masing-masing:
sehingga sekarang semakin tinggi output penghambatan, semakin tinggi beratnya, tajam Berbeda dengan situasi menurut Persamaan. (10.13). Inisialisasi Perhatikan bahwa awalnya semua bobot adalah 0 dan tidak ada neuron yang aktif (menyediakan output). Sekarang, output pertama berjalan sejak pada lapisan pertama neuron ekskresi vektor input jaringan berfungsi sebagai vektor y input ke L1, untuk memulai proses melalui Persamaan. (10.15) di atas. Inhibisi Lateral Neuron penghambatan juga terletak di setiap wilayah kompetisi seperti pada lapisan L2 dari Gambar 10.1 untuk memberikan penghambatan lateral yang tujuannya (bukan eksekusi) adalah seperti pada Jaringan ART dari Chap. 9 di atas. Neuron penghambatan ini menerima masukan dari neuron ekskresi dari lapisannya melalui berat gi. Outputnya diberikan:

d. Video


Referensi :

a. Neural Network Design, Hagan, Martin, Howard Demuth and Mark Belle, T, PWS Publishing Company, 1996
b. Neural Networks In Computer Intelligence, Fu, LiMin, Mc.Graw-Hill International Editions, 1994
c. Neural Network Toolbox : for use with MATLAB, Demuth, Howard and Mark Belle, Mathworks, 2002
d. Architectures, Algorithms, and Applications, Zimmerman, H.J., Kluwer Publishing Co, 1997
e. Principles of Artificial Neural Network, Graupe,D, World Scientific Publishing Co, Pte, Ltd. 2007




Komentar

Postingan populer dari blog ini

Rangkaian Dasar Dot Matrik

OP AMP (PEMBANGKIT SINYAL)

Rangkaian Memori dan Decoder-nya