Metode RBFNN FCM SVD Dengan Algoritma Untuk Penentuan Nilai Center

Fungsi Radial Basis (RBF) adalah jenis jaringan saraf yang biasa digunakan dalam klasifikasi, pengenalan pola, dan masalah prediksi. Jika data input yang diberikan cukup, jaringan ini akan bekerja dengan baik, namun kesulitan dari radial basis function (RBF) adalah untuk menentukan inisialisasi center.

Bila radial basis function (RBF) tidak menggunakan metode clustering, center pemilihan adalah yang awal. Ini acak, yang akan menyebabkan proses perhitungan menjadi terlalu lama. Salah satu cara untuk menentukan pusat fungsi radial basis (RBF) adalah dengan menggunakan teknik clustering dan algoritma fuzzy C-means atau biasa di sebut Metode RBFNN FCM SVD.

Jaringan fungsi basis radial (RBF) adalah model linier di mana fungsi basis Dalam bentuk fungsi basis radial, ini adalah fungsi yang bergantung pada jarak antara Parameter, yaitu (||x-xn ||). Apakah parameter bobot, xn Apakah pusat dari fungsi basis radial?

Langkah pertama dalam mengklasifikasikan suatu kasus menggunakan metode RBFNN ini seperti misalnya untuk kanker payudara adalah melakukan preprocess citra sebagai cutout dan menghilangkan background gelap dari mammogram. Kemudian melakukan ekstraksi citra mamografi untuk menentukan parameter statistik.

Dimana parameter tersebut terdiri dari energi, kontras, korelasi, jumlah kuadrat, momen inversi, rata-rata total, varians total, entropi total, entropi, varians lainnya, entropi diferensial, probabilitas maksimum, homogenitas. Variabel input yang digunakan adalah parameter yang diekstraksi dari citra menggunakan Gray Level Coordination Matrix (GLCM), dan variabel target dan output adalah vektor yang mewakili setiap stadium kanker payudara.

Data dibagi menjadi dua bagian: pelatihan 80ta dan tes 20ta. Entri distandarisasi sebelum pelatihan. Pelatihan model terbaik menentukan jumlah neuron terbaik pada hidden layer yang menghasilkan nilai presisi tertinggi dari dua teknik clustering yang digunakan, dan menggunakan kriteria Generalized CrossValidation (GCV) dari overall peak regression to weight neuron.

Fungsi aktivasi yang digunakan adalah fungsi Gaussian dari lapisan tersembunyi. Pementasan kanker payudara menggunakan metode RBFNN FCM SVD menghasilkan jaringan terbaik dengan lapisan tersembunyi 1 neuron input, 11 neuron dan 2 neuron output. Uji akurasi model RBFNN untuk klasifikasi diukur dengan nilai sensitivitas, spesifisitas dan presisi.

Gunakan jarak Euclidean untuk menghitung jarak antara setiap titik data dan titik pusat. Kelompokkan data dengan jarak Euclidean minimum antara data dan pusat aslinya. Proses di atas diulangi sampai nilai hasil rata-rata tetap dan anggota kelas tidak lagi berpindah ke kelas lain.

Simulasi data penelitian semacam ini akan menyajikan data klasifikasi yang disimulasikan dengan metode PCARBF dengan SVD, khususnya data satelit Landsat. Simulasi dilakukan sebanyak 30 kali selama pelatihan dan pengujian.

Evaluasi simulasi lebih tepat sedangkan AGA RBF (Adaptive Genetic Algorithm Base Function) ANN dapat meningkatkan akurasi arsitektur JST RBF sederhana, yaitu arsitektur dengan lapisan tersembunyi 2, 3, dan 5. Hal ini menunjukkan peningkatan presisi arsitektur. kompleks, yaitu arsitektur dengan tersembunyi.

Level 6, 7, 8, 9 dan 10, Akurasi AGA Akurasi RBF relatif sama dengan akurasi RBF, namun cenderung menurun karena penurunan akurasi yang relatif kecil. Semua simulasi menunjukkan bahwa algoritma yang paling cocok untuk klasifikasi pohon iris adalah algoritma RBF dengan arsitektur tersembunyi 6-layer.

Sekian ulasan mengenai Metode RBFNN FCM SVD Dengan Algoritma Untuk Penentuan Nilai Center yang mungkin bisa Anda gunakan. Semoga bermanfaat dan menjadi referensi serta dapat menambah sedikit informasi tambahan terkait hal tersebut. Sehingga bisa dimanfaatkan semaksimal mungkin untuk mendukung penyusunan proyek yang sedang dikerjakan.