hopfield net pertemuan 9 n.
Download
Skip this Video
Loading SlideShow in 5 Seconds..
Hopfield Net Pertemuan 9 PowerPoint Presentation
Download Presentation
Hopfield Net Pertemuan 9

Loading in 2 Seconds...

play fullscreen
1 / 8

Hopfield Net Pertemuan 9 - PowerPoint PPT Presentation


  • 156 Views
  • Uploaded on

Hopfield Net Pertemuan 9. Matakuliah : T0293/Neuro Computing Tahun : 2005. Konfigurasi Networks Networks yang telah dibahas pada bab-bab terdahulu semuanya bersifat ‘non-recurrent’. John Hopfield telah banyak memberikan kontribusi tentang teori dan aplikasi dari ‘recurrent system’.

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about 'Hopfield Net Pertemuan 9' - rhonda


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
hopfield net pertemuan 9

Hopfield NetPertemuan 9

Matakuliah : T0293/Neuro Computing

Tahun : 2005

slide2
Konfigurasi Networks

Networks yang telah dibahas pada bab-bab terdahulu semuanya bersifat ‘non-recurrent’.

John Hopfield telah banyak memberikan kontribusi tentang teori dan aplikasi dari ‘recurrent system’.

Konsep yang brilian ini telah membuka cakrawala penelitian neural networks. Banyak ilmuwan yang mengikuti jejak untuk memahami lebih lanjut potensi dan kemampuan sistem tersebut.

Gambar berikut adalah contoh ‘recurrent networks’ yang terdiri dari dua layer

slide3

W21

W11

IN

OUT1

W12

W1n

IN

W22

OUT2

W2n

...

Wn1

Wn2

OUTm

Wnm

INm

slide4
Sistem Biner pada Hopfield Net

Fungsi F dalam Hopfield Net merupakan ‘threshold’ sederhana. Output dari neuron sama dengan 1 jika jumlah (terbobot) dari output neuron-neuron lainnya lebih besar dari ‘threshold’ Tj; Selainnya sama dengan 0. Output tsb dapat dihitung sbb:

NETj =

OUTj = 1 jika NETj > Tj

OUTj = 0 jika NETj < Tj

OUTj tidak berubah jika NETj = Tj

 Wij OUTi + INj

I  j

slide5
Karena output dari neuron hanya mungkin bernilai 1 atau 0, status networks berupa bilangan biner, dimana setiap bit menggambarkan signal OUT dari setiap neuron.

Stabilitas Networks

Seperti halnya networks lainnya, bobot diantara layer-layer dalam hopfield Net membentuk matrik w.

Cohen dan Grossberg (1983) menunjukkan bahwa ‘recurrent networks’ akan menjadi stabil jika matrik simetris dengan diagonal utama bernilai 0; yaitu jika Wij = Wji untuk semua i  j, dan Wii = 0 untuk semua i.

slide6
Stabilitas network dapat dibuktikan dengan menggunakan fungsi Lyapunov, dimana fungsi tersebut akan mencapai nilai minimum dan berhenti.

Untuk Hopfield Net, nilai minimum dan fungsi Lyapunov adalah sebagai berikut:

Dimana:

E = Energi network

Wij = Bobot dari output neuron I ke input neuron j

OUTi = Output dari neuron j

Tj = Threshold dari neuron j

slide7
Associative Memory

Memori manusia menunjukkan sifat-sifat asosiatif, yaitu bahwa suatu bagian dari input dapat menghasilkan memori / ingatan yang jauh lebih besar

‘Recurrent Networks’ membentuk ‘associative memory’. Hopfield telah mengembangkan ‘associative memo-ry’ dimana outputnya kontinu, berkisar antara +1 dan –1 yang berkaitan dengan nilai biner 0 dan 1.

Memori dikodekan sebagai vektor biner dan disimpan sebagai bobot dengan rumus berikut:

slide8
dimana

m = jumlah memori(vektor output)

d = nomor memori

(vektor output yang diinginkan)

OUTi,d =komponen ke-i dari vektor output d

W dapat diekspresikan sbb :

dimana DI adalah vektor baris ke i