1. Dasar Teori [kembali]
Introduction and Role
of Arti_cial Neural Networks
Jaringan saraf artifisial adalah, seperti namanya menunjukkan, jaringan komputasi yang mencoba untuk mensimulasikan, secara kasar, jaringan sel saraf (neuron) dari sistem saraf pusat biologis (manusia atau hewan). Simulasi ini adalah simulasi sel-oleh-sel (neuron-oleh-neuron, elemen-oleh-elemen) kotor. Ini meminjam dari pengetahuan neurofisiologis neuron biologis dan jaringan neuron biologis tersebut. Dengan demikian, ini berbeda dari mesin komputasi konvensional (digital atau analog) yang berfungsi untuk menggantikan, meningkatkan atau mempercepat perhitungan otak manusia tanpa memperhatikan organisasi elemen-elemen komputasi dan jaringan mereka. Namun, kami menekankan bahwa simulasi orded oleh jaringan syaraf sangat kotor.
Lalu mengapa kita harus melihat jaringan saraf tiruan (dilambangkan di bawah ini sebagai jaringan saraf atau JST) sebagai lebih dari sekedar latihan dalam simulasi? Kita harus mengajukan pertanyaan ini terutama karena, secara komputatif (setidaknya), komputer digital konvensional dapat melakukan segala sesuatu yang dapat dilakukan oleh jaringan saraf tiruan.
Jawabannya terletak pada dua aspek yang sangat penting. Jaringan saraf, dengan mensimulasikan jaringan saraf biologis, sebenarnya merupakan arsitektur komputer baru dan arsitektur algoritme baru yang relatif terhadap komputer konvensional. Hal ini memungkinkan penggunaan operasi komputasi yang sangat sederhana (penambahan, perkalian dan elemen logika fundamental) untuk memecahkan masalah yang rumit, masalah yang secara matematis, masalah nonlinier atau masalah stokastik. Algoritma konvensional akan menggunakan serangkaian persamaan yang rumit, dan hanya akan berlaku untuk masalah tertentu dan tepat untuk itu. JST akan menjadi (a) secara komputasional dan algoritmik sangat sederhana dan (b) ia akan memiliki fitur pengaturan diri untuk memungkinkannya memegang berbagai masalah.
Misalnya, jika sebuah rumah
y menghindari rintangan atau jika seekor tikus menghindari seekor kucing, ia tentu tidak menyelesaikan persamaan diferensial pada lintasan, juga tidak menggunakan algoritma pengenalan pola yang kompleks. Otaknya sangat sederhana, tetapi menggunakan beberapa sel neuron dasar yang pada dasarnya mematuhi struktur sel-sel tersebut pada hewan tingkat lanjut dan pada manusia. Solusi jaringan syaraf tiruan juga akan mengarah pada kesederhanaan yang demikian (kemungkinan besar tidak sama). Albert Einstein menyatakan bahwa solusi atau model harus sesederhana mungkin untuk masalah yang dihadapi. Sistem biologi, agar sefisien dan serbaguna karena mereka pasti terlepas dari kelambatan yang melekat (langkah komputasi dasar mereka memakan waktu sekitar milidetik dibandingkan kurang dari nanodetik di komputer elektronik saat ini), hanya dapat melakukannya dengan menyatu ke arsitektur algoritmik paling sederhana yang mungkin. Sedangkan matematika dan logika tingkat tinggi dapat menghasilkan kerangka umum yang luas untuk solusi dan dapat direduksi menjadi spesifik tetapi algoritmik rumit, desain jaringan syaraf ini bertujuan pada kesederhanaan dan organisasi diri paling maksimal. Struktur algoritme dasar yang sangat sederhana terletak di belakang jaringan saraf, tetapi ini adalah salah satu yang sangat mudah beradaptasi dengan berbagai masalah. Kami mencatat bahwa pada keadaan jaringan saraf saat ini jangkauan kemampuan adaptasinya terbatas. Namun, desain mereka dipandu untuk mencapai kesederhanaan dan pengaturan diri ini dengan simulasi kasar dari jaringan biologis yang (harus dipandu) oleh prinsip yang sama.
Aspek lain dari ANN yang berbeda dan menguntungkan bagi komputer konvensional, paling tidak berpotensi, adalah paralelitasnya yang tinggi (paralelitas unsur-bijaksana). Komputer digital konvensional adalah mesin sekuensial. Jika satu transistor (dari jutaan) gagal, maka seluruh mesin terhenti. Dalam sistem saraf pusat manusia dewasa, neuron dalam ribuan mati setiap tahun, sedangkan fungsi otak sama sekali tidak terpengaruh, kecuali ketika sel di beberapa lokasi kunci harus mati dan ini dalam jumlah yang sangat besar (misalnya, stroke besar). Ketidakpekaan terhadap kerusakan beberapa sel ini disebabkan oleh paralelitas yang tinggi dari jaringan saraf biologis, berbeda dengan rancangan sekuensial komputer digital konvensional (atau komputer analog, dalam hal kerusakan pada satu operasi tunggal atau pemutusan resistor atau kawat). Fitur redundansi yang sama berlaku untuk ANN. Namun, karena saat ini sebagian besar JST masih disimulasikan pada komputer digital konvensional, aspek ketidakpekaan terhadap kegagalan komponen ini tidak berlaku. Namun, ada peningkatan ketersediaan perangkat keras JST dalam hal sirkuit terpadu yang terdiri dari ratusan dan bahkan ribuan neuron JST pada satu chip yang terus ada. [lih. Jabri et al., 1996, Hammerstom, 1990, Haykin, 1994]. Dalam hal ini, fitur terakhir dari ANN.
Singkatnya, kegembiraan dalam ANN seharusnya tidak terbatas pada kemiripannya yang lebih besar dengan otak manusia. Bahkan tingkat kemampuan mengatur dirinya sendiri dapat dibangun ke dalam komputer digital konvensional menggunakan algoritma intelijen akal yang rumit. Kontribusi utama dari JST adalah bahwa, dalam imitasi kasar dari jaringan saraf biologis, memungkinkan untuk pemrograman tingkat yang sangat rendah untuk memungkinkan penyelesaian masalah kompleks, terutama yang non-analitis dan / atau nonlinier dan / atau nonstasioner dan / atau stokastik , dan melakukannya dengan cara mengatur diri sendiri yang berlaku untuk berbagai masalah tanpa pemrograman ulang atau gangguan lain dalam program itu sendiri. Ketidakpekaan terhadap kegagalan perangkat keras parsial merupakan daya tarik besar lainnya, tetapi hanya jika perangkat keras ANN khusus digunakan.
Hal ini menjadi diterima secara luas bahwa munculnya JST akan membuka pemahaman baru tentang bagaimana menyederhanakan pemrograman dan desain algoritma untuk akhir tertentu dan untuk berbagai tujuan. Ini harus membawa perhatian pada algoritma yang paling sederhana tanpa, tentu saja, menghapus matematika dan logika tingkat lanjut, yang perannya akan selalu tertinggi dalam pemahaman matematika dan yang akan selalu memberikan dasar yang sistematis untuk pengurangan akhirnya ke spesifikasi.
Yang selalu menakjubkan bagi banyak siswa dan bagi diri saya sendiri adalah bahwa setelah enam minggu kelas, mahasiswa lulusan teknik tahun pertama dari berbagai latar belakang yang luas tanpa latar belakang sebelumnya dalam jaringan syaraf atau dalam pemrosesan sinyal atau pengenalan pola, mampu memecahkan, secara individual dan tanpa bantuan. , masalah pengenalan suara, pengenalan pola dan pengenalan karakter, yang dapat beradaptasi dalam hitungan detik atau dalam menit ke perubahan (dengan rentang) dalam pengucapan atau pola. Mereka akan, pada akhir kursus satu semester, semua dapat menunjukkan program-program ini berjalan dan beradaptasi dengan perubahan tersebut, menggunakan simulasi PC dari masing-masing JST. Pengalaman saya adalah bahwa waktu belajar dan latar belakang untuk mencapai hasil yang sama dengan metode konvensional jauh melebihi yang dicapai dengan ANN.
Ini, bagi saya, menunjukkan tingkat kesederhanaan dan keumuman yang diberikan oleh JST; dan karena itu potensi ANN.
Tentunya, jika seseorang ingin memecahkan satu set persamaan diferensial, seseorang tidak akan menggunakan JST, seperti yang tidak akan meminta mouse atau kucing untuk menyelesaikannya. Tetapi masalah pengenalan, penyaringan dan kontrol akan menjadi masalah yang cocok untuk ANN. Seperti biasa, tidak ada alat atau disiplin yang dapat diharapkan untuk melakukan semuanya. Dan kemudian, ANN pasti pada tahap awal. Mereka mulai pada 1950-an; dan minat yang meluas pada mereka berasal dari awal 1980-an. Jadi, semua dalam semua, ANN pantas mendapat perhatian serius. Hari-hari ketika mereka disikat sebagai gimmick atau sebagai latihan mental belaka sudah pasti berakhir. Desain komputer Hybrid ANN / serial juga harus dipertimbangkan untuk memanfaatkan keuntungan dari kedua desain jika sesuai.
2. Link Download [kembali]Download pdf
Download HTML
Tidak ada komentar:
Posting Komentar