Namun sebelum itu perlu diketahui model neuron pertama kali diperkenalkan oleh McCulloch dan Pitts, yang disebut dengan model McCulloch - Pitts. Pada model McCulloch - Pitts mengharuskan kita untuk menentukan bobot garis dan bias secara analitik, untuk masalah yang kompleks hal ini sangat sulit dilakukan.
Pada tahun 1949 D.O. Hebb memperkenalkan cara menghitung bobot dan bias secara iteratif. Model Hebb adalah model tertua yang menggunakan aturan supervisi.
Dasar dari algoritma Hebb adalah kenyataan bahwa apabila 2 neuron yang dihubungkan dengan sinapsis secara serentak menjadi aktif (sama-sama bernilai positif atau negatif), maka kekuatan sinapsisnya meningkat. Sebaliknya, apabila kedua neuron aktif secara tidak sinkron, maka kekuatan sinapsisnya akan melemah.i\
Karena itulah, dalam setiap iterasi, bobot sinapsis dan bias diubah berdasarkan perkalian neuron-neuron dikedua sisinya.
Algoritma pelatihan Hebb dengan vektor input s dan unit target t adalah sebagai berikut:
- Inisialisasi semua bobot = wi = 0 (i = 1, ..., n)
- Untuk semua vektor input s dan unit target t, lakukan:
- Set aktivasi unit masukan xi = si (i = 1, ..., n)
- Set aktivasi unit keluaran : y = t
- Perbaiki bobot menurut persamaan : wi (baru) = wi (lama) + xiy (i = 1, ..., n)
- Perbaiki bias menurut persamaan b (baru) = b (lama) + y
Arsitektur jaringan Hebb sama seperti jaringan McCulloch-Pitts. Masalah yang sering timbul dalam jaringan Hebb adalah menentukan representasi data masukan/keluaran untuk fungsi aktivasi yang berupa threshold.
 |
| Arsitektur Jaringan Hebb |
Tidak ada komentar:
Posting Komentar