Rangkaian Neural Untuk Sistem Dapatan Semula Perkataan Daripada Pangkalan Data
Rangkaian neural buatan yang diaspirasikan oleh kecekapan otak manusia memproses maklumat digunakan dengan meluas dalam aplikasi-aplikasi yang melibatkan pengkelasan atau pemetaan corak. Kelebihan utamanya iaitu sifat ketegapannya dalam persekitaran hingar dan keupayaan untuk mengecam input yang...
Saved in:
| 主要作者: | |
|---|---|
| 格式: | Thesis |
| 語言: | English English |
| 出版: |
1998
|
| 主題: | |
| 在線閱讀: | http://psasir.upm.edu.my/id/eprint/8643/1/FSAS_1998_6_A.pdf |
| 標簽: |
添加標簽
沒有標簽, 成為第一個標記此記錄!
|
| 總結: | Rangkaian neural buatan yang diaspirasikan oleh kecekapan otak manusia
memproses maklumat digunakan dengan meluas dalam aplikasi-aplikasi yang
melibatkan pengkelasan atau pemetaan corak. Kelebihan utamanya iaitu sifat
ketegapannya dalam persekitaran hingar dan keupayaan untuk mengecam input yang
tidak sempurna atau cacat menjadikannya alat yang sesuai digunakan untuk dapatan
semula maklumat yang pantas berbanding kaedah p engkomputeran konvensional, bagi
menangani cabaran dapatan semula yang lebih realistik.
Dapatan semula bersekutu menggunakan rangkaian neural adalah untuk
mendapatkan semula maklumat (rekod) dengan betul daripada pangkalan data bila
kekunci input yang cacat dimasukkan. Model rangkaian neural yang digunakan dalam
kajian ini adalah rangkaian Counter propagation, yang merupakan gabungan rangkaian
Kohonen dengan algoritma pembelajaran tidak terselia dan rangkaian terselia Grossberg, dengan sifat pengkelasan corak tanpa penyeliaan pada lapisan Kohonen
menjadi bahagian paling penting bagi sistem.
Kajian memfokuskan penyelidikan kepada prestasi rangkaian khususnya
ketepatan pengkelasan bila skema-skema pengkodan yang berbeza digunakan untuk
mewakilkan input. Tujuh skema pengkodan telah diaplikasikan dalam kajian ini,
dengan jumlah bit perwakilan dan asas pengkodan yang berbeza. Data-data yang
digunakan untuk ujian merupakan set bebas ralat, set data dengan ralat tunggal dan
set yang mempunyai ralat berganda.
Secara keseluruhannya semua eksperimen memberikan keputusan pengecaman
yang baik, malah dengan setiap skema perwakilan yang digunakan, rangkaian telah
berjaya mengecam dengan tepat kesemua set ujian dengan peratus pengecaman 100%,
walaupun dengan bilangan unit persaingan, bilangan pusingan dan masa latihan yang
tersendiri. Walau bagaimanapun, rangkaian yang mengaplikasi skema perwakilan
dengan asas pengkodan tertentu menunjukkan prestasi yang lebih baik berbanding
penggunaan skema tanpa asas pengkodan.
Kajian menunjukkan ketepatan pengkelasan dan kecekapan sistem dipengaruhi
oleh bentuk perwakilan input yang digunakan, saiz lapisan persaingan serta tempoh
pusingan latihan yang optimum. |
|---|