KLASIFIKASI NON LINIER - Teknik Elektro UGM
KLASIFIKASI NON LINIER - Teknik Elektro UGM
KLASIFIKASI NON LINIER - Teknik Elektro UGM
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
agus dari algoritma ini adalah bahwa ia secara otomatis menghitung semua parameter yang<br />
tidak diketahui termasuk jumlah pusat. Kita akan kembali lagi nanti dalam bab ini.<br />
Dalam Plat[91] sebuah pendekatan yang serupa semangatnya dengan teknik konstruktif,<br />
didiskusikan untuk perceptrons multi lapis , telah disarankan. Idenya adalah untuk memulai<br />
pelatihan jaringan RBF dengan beberapa simpul (awalnya satu) dan terus berkembang<br />
jaringan dengan mengalokasikan yang baru, berdasarkan pada "hal baru" dalam vektor fitur<br />
yang datang secara berurutan. Kebaruan dari setiap pelatihan yang diinginkan pasangan<br />
masukan-keluaran ditentukan oleh dua kondisi: a) vektor masukan menjadi sangat jauh (<br />
berdasarkan pada ambang) dari semua pusat yang sudah ada dan b) error keluaran yang<br />
sesuai (menggunakan jaringan RBF dilatih sampai saat ini) lebih besar dari yang lain yang<br />
telah ditetapkan ambang batasnya. Jika kedua kondisi terpenuhi maka vektor masukan baru<br />
ditugaskan sebagai pusat baru. Jika tidak, pasangan masukan-keluaran yang diinginkan yang<br />
digunakan untuk meng-update parameter jaringan sesuai dengan algoritma pelatihan yang<br />
diadopsi, misalnya skema gradient menurun. Suatu varian dari skema yang memungkinkan<br />
pemindahan pusat sebelumnya juga telah disarankan dalam [Ying 98]. Hal ini pada dasarnya<br />
merupakan kombinasi dari filosofi konstruktif dan pemangkasan. Prosedur yang disarankan<br />
pada Kara[97] juga bergerak sepanjang arah yang sama. Namun, tugas dari pusat baru<br />
didasarkan pada prosedur pemilahan progresif (sesuai dengan kriteria pemilahan) dari ruang<br />
fitur dengan menggunakan pengelompokan atau teknik kuantisasi vector pembelajaran (Bab<br />
14). Para anggota dari daerah yang telah ditetapkan sebagai pusat dari RBF's. Seperti halnya<br />
dengan teknik tersebut. pertumbuhan dan pelatihan dilakukan secara bersamaan. Sejumlah<br />
teknik lainnya juga telah diusulkan. Untuk review lihat, misalnya, [Hush 93]. Sebuah<br />
perbandingan jaringan RBF dengan strategi pemilihan pusat yang berbeda versus perceptrons<br />
multi lapis dalam konteks pengenalan tutur seperti yang disajikan dalam [ Wett 92]. Tinjauan<br />
melibatkan jaringan RBF dan aplikasi terkaitnya seperti disajikan dalam [ Hayk 96, Mulg<br />
96].<br />
4.16 APPROXIMATOR UMUM<br />
Pada bagian ini kami memberikan panduan dasar tentang pendekatan sifat fungsi nonlinier<br />
yang digunakan di seluruh bab ini, yaitu, sigmoid. polinomial, dan fungsi dasar radial.<br />
Teorema yang dinyatakan membenarkan penggunaan jaringan yang sesuai sebagai<br />
approximators permukaan putusan serta approximator fungsi probabilitas, tergantung pada<br />
bagaimana kita melihat pemilah. Dalam (4,51) perluasan polinomial digunakan untuk<br />
perkiraan fungsi nonlinier g(x). Pilihan ini sebagai fungsi pendekatan telah dibenarkan oleh<br />
Teorema Weierstrass.<br />
Teorema. Dengan g (x) menjadi fungsi kontinu yang dinyatakan dalam sebuah<br />
himpunan bagian (tertutup) kompak S C R ', dan > 0. Kemudian terdapat sebuah integer r =<br />
r ( ) dan sebuah fungsi polinomial Φ(x) dari tingkat- r, sehingga<br />
Dengan kata lain, fungsi g (x) dapat didekati secara dekat dengan r cukup besar. Masalah<br />
utama yang terkait dengan ekspansi polinomial adalah bahwa perkiraan yang baik biasanya<br />
dicapai untuk nilai r yang besar. Artinya, konvergensi untuk g (x) lambat. Dalam [Barr 93]<br />
terlihat bahwa error pendekatan dikurangi sesuai dengan aturan O ( ), dimana O (.)<br />
menunjukkan urutan magnitude. Dengan demikian, error berkurang secara perlahan dengan<br />
meningkatnya dimensi-l ruang masukan, dan nilai-nilai besar r diperlukan untuk error