NEURAL NETWORK

Menurut Carpenter dan Grossberg, 1988, menawarkan suatu solusi adanya dilema pada neural network yaitu dengan stability-plasticity. Dengan mempunyai stability-plasticity ini, ART1 dapat terus “belajar” dengan masih mempertahankan fleksibiltasnya (plastic) atau adaptif untuk menanggapi masukan yang masih relevan dengan apa yang sudah dikenalnya tetapi juga masih stabil, “ingatannya tidak terkikis”, terhadap masukan yang tidak relevan.

ART1 terdiri dari 5 modul fungsional: dua lapis neuron (lapis pembandingan dan lapis pengenalan), gain1 dan gain2, dan reset untuk pengendalian antara untuk pembelajaran atau untuk klasifikasi (Wasserman, 1989). Jumlah neuron untuk lapis pembadingan, atau lapis input, sama dengan jumlah elemen dari vektor data input. 

Setiap neuron dari lapis ini semuanya dihubungkan ke setiap neuron di lapis pengenalan atau lapis output. Penghubungan ini dikenal dengan nama hubungan bottom-up dan top-down. Jumlah neuron di lapis output yang diperlukan adalah sebanyak klas atau kelompok yang diharapkan akan terjadi. Output dari lapis output ini juga kemudian diumpan-balikkan ke lapis input.

Pada saat data input dimasukkan, vektor data input pertama membentuk klas pertama. Neuron pertama di lapis output disesuaikan untuk mengidentifikasi masukan pertama tersebut. Matrik pembobot (weight matrices) pada kedua lapisan disesuaikan dengan data masukan untuk klas pertama tadi, yang dikaitkan dengan neuron lapis output pertama. Ketika vektor input berikutnya masuk, ini dibandingkan dengan klas pertama tadi. 

Jika inputnya mempunyai derajat kemiripan yang diinginkan (lebih dari atau sama dengan vigilance parameter, r) maka input kedua tadi dimasukkan ke klas pertama dan matrik pembobot disesuaikan lagi. Jika inputnya tidak mirip (< r), maka input tersebut meenjadi/membentuk klas kedua, yang dikaitkan dengan neuron lapis output kedua. Proses ini diulang untuk semua data input, dan jumlah klas akan bertambah. 

Artikel Terkait