Rangkaian neural buatan

Rangkaian neural buatan atau rangkaian neuronan merupakan suatu rangkaian dibentuk berasaskan model otak terdiri daripada sel-sel neuron berangkai yang boleh dimodelkan sebagai peranti dedua berambang (model McCulloch-Pitts) secara paling mudah, atau juga sebagai peranti analog taklinear, pengayun, petaan bercelaru, atau lain-lain.

'Neuron-neuron' ini mempengaruhi yang lain menerusi rangkaian 'sinaps' (atau 'sambungan' atau 'pemberat'). Sambungan ini boleh berbentuk dedua atau analog, kabur, dan sebagainya, dan topologi rangkaian juga pelbagai - dari suap-ke-hadapan berlapisan sehingga dwiarah dan bersambung sepenuhnya. Jenis sambungan dan topologi rangkaian menentukan fungsi yang diwakilkan oleh sesuatu rangkaian neuronan itu. Model-model yang masyhur termasuklah model perseptron, model Hopfield (sebenarnya model Little-Hopfield), rangkaian bertandingan, dan ingatan bersekutu dwiarah (BAM).

Kekuatan sambungan juga boleh berubah dengan hukum dinamik tertentu, yang dikaitkan dengan proses pembelajaran. Model yang masyhur untuk pembelajaran ialah rambatan balik ralat. Ia selaras dengan pembelajaran Hebb, yang mengatakan bahawa sinaps atau sambungan yang selalu berfungsi, bertambah kuat dalam fungsi itu.

Model rangkaian neuronan menarik kepada ahli fizik kerana ia ada keserupaan dengan sistem-sistem fizik statistik seperti kaca spin, dan oleh itu membenarkan penggunaan konsep, teknik dan kaedah dari fizik dalam penganalisisannya.

Model

Model rangkaian-rangkaian sebegini pada dasarnya merupakan fungsi model matematik yang mendefinisikan fungsi ${\displaystyle f:X\rightarrow Y}$. Sifat kemampuan ia bersambung antara beberapa neuron yang diletakkan pada lapisan yang berbeda menjadikan ia menampak seakan rangkaian atau jaringan. Secara umumnya, lapisan rangkaian-rangkaian sebegini mempunyai tiga bahagian:

• Lapisan masukan (input layer) - terdiri dari neuron yang menerima data masukan dari pe,mbolehubah/variabel X. Semua neuron pada lapisan ini dapat dihubungkan ke neuron pada lapisan tersembunyi atau langsung ke lapisan luaran jika jaringan tidak menggunakan lapisan tersembunyi.
• Lapisan tersembunyi (hidden layer) - terdiri dari neuron yang menerima data dari lapisan masukan.
• Lapisan luaran (output layer) terdiri dari neuron yang menerima data dari lapisan tersembunyi atau langsung dari lapisan masukan yang nilai luarannya melambangkan hasil kalkulasi dari X menjadi nilai Y.

Secara matematiknya, neuron merupakan sebuah fungsi yang menerima masukan dari lapisan sebelumnya ${\displaystyle g_{i}(x)}$ (lapisan ke-${\displaystyle i}$). Fungsi ini pada umumnya mengolah sebuah vektor yang kemudiannya diubah kepada nilai skalar melalui komposisi nonlinear weighted sum, di mana:

${\displaystyle f(x)=K(\sum _{i}w_{i}g_{i}(x))}$,

....di mana ${\displaystyle K}$ merupakan fungsi khusus yang sering disebut dengan fungsi pengaktifan dan ${\displaystyle w}$ merupakan beban atau weight.

Rujukan

Bibliografi

• Bhadeshia H. K. D. H. (1999). "Neural Networks in Materials Science" (PDF). ISIJ International. 39 (10): 966–979. doi:10.2355/isijinternational.39.966. Diarkibkan daripada yang asal (PDF) pada 2013-01-19. Dicapai pada 2018-05-13.
• M., Bishop, Christopher (1995). Neural networks for pattern recognition. Clarendon Press. ISBN 0198538499. OCLC 33101074.
• Cybenko, G.V. (2006). "Approximation by Superpositions of a Sigmoidal function". Dalam van Schuppen, Jan H. (penyunting). Mathematics of Control, Signals, and Systems. Springer International. m/s. 303–314. PDF Diarkibkan 2012-09-07 di Wayback Machine
• Dewdney, A. K. (1997). Yes, we have no neutrons : an eye-opening tour through the twists and turns of bad science. New York: Wiley. ISBN 9780471108061. OCLC 35558945.
• Duda, Richard O.; Hart, Peter Elliot; Stork, David G. (2001). Pattern classification (ed. 2). Wiley. ISBN 0471056693. OCLC 41347061.
• Egmont-Petersen, M.; de Ridder, D.; Handels, H. (2002). "Image processing with neural networks – a review". Pattern Recognition. 35 (10): 2279–2301. doi:10.1016/S0031-3203(01)00178-9.
• Gurney, Kevin (1997). An introduction to neural networks. UCL Press. ISBN 1857286731. OCLC 37875698.
• Haykin, Simon S. (1999). Neural networks : a comprehensive foundation. Prentice Hall. ISBN 0132733501. OCLC 38908586.
• Fahlman, S.; Lebiere, C (1991). "The Cascade-Correlation Learning Architecture" (PDF). Diarkibkan daripada yang asal (PDF) pada 2013-05-03. Dicapai pada 2018-05-13.created for National Science Foundation, Contract Number EET-8716324, and Defense Advanced Research Projects Agency (DOD), ARPA Order No. 4976 under Contract F33615-87-C-1499.
• Hertz, J.; Palmer, Richard G.; Krogh, Anders S. (1991). Introduction to the theory of neural computation. Addison-Wesley. ISBN 0201515601. OCLC 21522159.
• Lawrence, Jeanette (1994). Introduction to neural networks : design, theory and applications. California Scientific Software. ISBN 1883157005. OCLC 32179420.
• Information theory, inference, and learning algorithms. Cambridge University Press. ISBN 9780521642989. OCLC 52377690.
• MacKay, David, J.C. (2003). Information Theory, Inference, and Learning Algorithms (PDF). Cambridge University Press. ISBN 9780521642989.CS1 maint: ref=harv (link)
• Masters,, Timothy (1994). Signal and image processing with neural networks : a C++ sourcebook. J. Wiley. ISBN 0471049638. OCLC 29877717.CS1 maint: extra punctuation (link)
• Ripley, Brian D. (2007). Pattern Recognition and Neural Networks. Cambridge University Press. ISBN 978-0-521-71770-0.
• Siegelmann, H.T.; Sontag, Eduardo D. (1994). "Analog computation via neural networks" (PDF). Theoretical Computer Science. 131 (2): 331–360. doi:10.1016/0304-3975(94)90178-3. Diarkibkan daripada yang asal (PDF) pada 2017-02-15. Dicapai pada 2018-05-13.
• Smith, Murray (1993). Neural networks for statistical modeling. Van Nostrand Reinhold. ISBN 0442013108. OCLC 27145760.
• Wasserman, Philip D. (1993). Advanced methods in neural computing. Van Nostrand Reinhold. ISBN 0442004613. OCLC 27429729.
• Kruse, Rudolf,; Borgelt, Christian; Klawonn, F.; Moewes, Christian; Steinbrecher, Matthias; Held,, Pascal (2013). Computational intelligence : a methodological introduction. Springer. ISBN 9781447150121. OCLC 837524179.CS1 maint: extra punctuation (link)
• Borgelt,, Christian (2003). Neuro-Fuzzy-Systeme : von den Grundlagen künstlicher Neuronaler Netze zur Kopplung mit Fuzzy-Systemen. Vieweg. ISBN 9783528252656. OCLC 76538146.CS1 maint: extra punctuation (link)

Pautan luar

• A brief introduction to Neural Networks (PDF), illustrated 250p textbook covering the common kinds of neural networks (CC license).
• An Introduction to Deep Neural Networks Diarkibkan 2015-07-26 di Wayback Machine.
• A Tutorial of Neural Network in Excel.
• MIT course on Neural Networks di YouTube
• A Concise Introduction to Machine Learning with Artificial Neural Networks
• Neural Networks for Machine Learning – a course by Geoffrey Hinton
• Deep Learning