Neurosolution untuk Analisa Numerik

1. NeuroSolutions
NeuroSolutions adalah lingkungan simulasi jaringan syaraf utama. Sebuah jaringan saraf adalah sistem beradaptasi yang dapat mempelajari hubungan melalui presentasi data yang diulang, dan mampu generalisasi dengan yang baru, data yang sebelumnya tak terlihat. Beberapa jaringan diawasi, bahwa manusia harus menentukan apa jaringan harus belajar dari data. Jaringan lain yang tanpa pengawasan, dalam cara mereka mengatur informasi adalah keras-kode ke dalam arsitektur mereka.
Jaringan saraf yang digunakan untuk kedua regresi dan klasifikasi. Dalam regresi, output mewakili beberapa yang diinginkan, transformasi pola input. Dalam klasifikasi, tujuannya adalah untuk menetapkan pola masukan ke salah satu dari beberapa kategori atau kelas, biasanya diwakili oleh output dibatasi untuk berbohong dalam kisaran dari 0 ke 1, sehingga mereka mewakili kemungkinan keanggotaan kelas. Untuk regresi, dapat ditunjukkan bahwa jaringan saraf dapat belajar setiap pemetaan input-output yang diinginkan jika mereka memiliki jumlah yang cukup dari elemen pemrosesan dalam lapisan tersembunyi Untuk klasifikasi, jaringan saraf dapat belajar probabilitas klasifikasi yang benar.
Ada tiga tingkat neuroSolutions, semua yang memungkinkan untuk menerapkan model saraf sendiri. Untuk versi pengguna menyediakan berbagai model saraf untuk aplikasi pengenalan pola statis, serta fitur optimasi geneti yang kuat. Versi konsultan menawarkan model yang disempurnakan yang mendukung pengenalan pola dinamis, prediksi time series dan pengendalian proses masalah.
Untuk versi developer menambahkan ANSI C + + generasi kode yang kompatibel, yang memungkinkan Anda untuk menanamkan algoritma NeuroSolutions 'ke dalam aplikasi Anda sendiri (termasuk belajar). Hal ini juga memungkinkan setiap simulasi prototyped dalam NeuroSolutions untuk dijalankan pada platform lain, misalnya komputer yang lebih cepat atau embedded system real time. Selain itu, versi ini memungkinkan untuk memperluas fungsionalitas dari NeuroSolutions dengan mengintegrasikan saraf algoritma jaringan, preprocessing, kontrol, dan input / output sendiri
NeuroSolutions untuk Excel adalah sebuah aplikasi yang berdiri sendiri yang mencakup teknik tradisional linear regresi serta probabilistik dan jaringan saraf multi-layer perceptron. Hal ini juga dapat diintegrasikan dengan salah satu dari tiga tingkat NeuroSolutions untuk menyediakan lingkungan yang sangat kuat untuk memanipulasi data, membuat laporan, dan menjalankan batch percobaan. Dalam neurosolutions for excel topologi dibatasi oleh :
1. Linear Regression
2. Multilayer Perceptrons (MLP)
3. Generalized Feedforward Network
4. Probabilistic Neural Network (PNN)
Tambahan fitur lainnya adalah sebagai berikut :
1. Data Preprocessing dan Analisis
2. Analisis sensitivitas
3. Membangun dan membandingkan beberapa model di klik tombol
4. Laporan ditingkatkan untuk analisis mudah dan penyebaran
5. Fitur-fitur canggih yang tersedia dengan salinan berlisensi dari NeuroSolutions
Selama pelatihan, input dan data yang diinginkan akan berulang kali disajikan ke jaringan. Sebagai jaringan belajar, kesalahan akan turun menuju nol. Rendah kesalahan, namun tidak selalu berarti sebuah jaringan yang lebih baik. Hal ini dimungkinkan untuk berlatih dgn berlebihan jaringan. Validasi silang adalah kriteria sangat dianjurkan untuk menghentikan pelatihan jaringan. Meskipun sangat dianjurkan, tidak diperlukan. Satu akan sering ingin mencoba beberapa jaringan menggunakan data hanya pelatihan untuk melihat mana yang terbaik, dan kemudian menggunakan validasi silang untuk pelatihan akhir.
Bila menggunakan validasi silang, langkah berikutnya adalah untuk memutuskan bagaimana membagi data Anda ke dalam satu set pelatihan dan satu set validasi, juga disebut set tes. Jaringan dilatih dengan training set, dan kinerja diperiksa dengan test set. Jaringan saraf akan menemukan peta input-output dengan berulang kali menganalisis training set. Ini disebut fase pelatihan jaringan . Sebagian besar usaha desain jaringan saraf dihabiskan dalam tahap pelatihan. Pelatihan biasanya lambat karena bobot jaringan sedang diperbarui berdasarkan informasi kesalahan. Kadang-kadang pelatihan akan ketegangan kesabaran desainer. Tapi hati-hati dikendalikan fase pelatihan sangat diperlukan untuk kinerja yang baik, jadi bersabarlah. Kode NeuroSolutions (') ditulis untuk mengambil keuntungan maksimum dari sumber daya komputer Anda. Akselerator Hardware untuk NeuroSolutions yang benar-benar transparan kepada pengguna yang akan datang.
Ada kebutuhan untuk memantau seberapa baik jaringan belajar. Salah satu metode yang paling sederhana adalah untuk mengamati bagaimana elevasi muka air waduk, yang merupakan perbedaan kuadrat antara output jaringan dan respon yang diinginkan, perubahan atas iterasi pelatihan . Ini grafik kesalahan output dibandingkan iterasi disebut kurva belajar . Gambar di bawah menunjukkan kurva belajar yang khas. Perhatikan bahwa pada prinsipnya kurva belajar menurun secara eksponensial menjadi nol atau konstan kecil. Satu harus puas dengan kesalahan kecil. Seberapa kecil tergantung pada situasi, dan penghakiman Anda harus digunakan untuk menemukan apa nilai error yang sesuai untuk masalah Anda. Tahap pelatihan juga memegang kunci untuk solusi yang akurat, sehingga kriteria untuk menghentikan pelatihan harus sangat baik digambarkan . Tujuan dari kriteria berhenti adalah untuk memaksimalkan generalisasi jaringan.
Perhitungan Neural memiliki gaya . Tidak seperti metode pengolahan informasi yang lebih berbasis analitis, perhitungan saraf secara efektif mengeksplorasi informasi yang terkandung dalam input data, tanpa asumsi lebih lanjut. Metode statistik didasarkan pada asumsi tentang input data ( yaitu a priori probabilitas , fungsi kepadatan probabilitas , dll ). Kecerdasan buatan mengkodekan pengetahuan manusia apriori dengan sederhana IF THEN aturan, melakukan inferensi ( pencarian ) pada aturan-aturan ini untuk mencapai kesimpulan. Jaringan saraf, di sisi lain "menemukan " hubungan dalam set data input melalui presentasi berulang dari data dan karakteristik intrinsik pemetaan topologi saraf ( biasanya disebut sebagai pembelajaran ). Ada dua fase dasar dalam operasi jaringan saraf. Pelatihan atau fase dimana data berulang kali disajikan ke jaringan, sedangkan bobot itu diperbarui untuk mendapatkan respon yang diinginkan pembelajaran dan recall atau fase pengambilan, di mana jaringan dilatih dengan bobot beku diterapkan pada data yang tidak pernah terlihat. Tahap pembelajaran sangat memakan karena sifat iteratif mencari performa terbaik waktu. Tapi begitu jaringan dilatih, tahap pengambilan bisa sangat cepat, karena pengolahan dapat didistribusikan.
NeuroSolutions memiliki satu jenis dokumen, papan tempat memotong roti. Simulasi yang dibangun dan dijalankan pada breadboards. Dengan NeuroSolutions, merancang jaringan saraf sangat mirip dengan prototipe sebuah sirkuit elektronik. Dengan sirkuit elektronik, komponen seperti resistor, kapasitor dan induktor pertama kali disusun pada papan tempat memotong roti. NeuroSolutions bukan menggunakan komponen saraf seperti akson, sinapsis dan probe . Komponen tersebut kemudian dihubungkan bersama untuk membentuk sebuah rangkaian. Rangkaian elektronik melewati elektron antara komponen-komponennya . Rangkaian ( yaitu jaringan saraf ) dari NeuroSolutions lewat kegiatan antara komponen-komponennya, dan disebut mesin aliran data. Akhirnya, sirkuit yang diuji dengan memasukkan data dan menyelidiki respon sistem (') di berbagai titik . Sebuah sirkuit elektronik akan menggunakan instrumen, seperti osiloskop, untuk tugas ini . Sebuah jaringan NeuroSolutions menggunakan satu atau lebih komponen dalam keluarga probe ( misalnya, MegaScope ).
2. Metode NeuroSolutions
2.1. Multi Layer Perception
2.1.1. Breadboard
Jaringan telah dikonstruksi oleh interkoneksi beberapa objek syaraf, juga sebagai komponen. Komponen lainnya telah sesuai icon dan sebuah performa spesific pada simulasi jaringan. Neurosolutions mempunyai sekitar 100 componen yang terkoneksi untuk mengkonstruksi sebuah varietas maya dari model jaringan syaraf. Tujuan ini adalah untuk menampilkan bagaimanan komponen syaraf dapat terkoneksi dari sebuah jaringan syaraf. Neurosolutions mempunyai dua keluarga utama untuk membangun topologi jaringan syaraf, pertama axon dan yang kedua adalah sinapsis.
2.1.2. File
Jaringan kita membutuhkan sumber data sebagai input. Disini kita menambahkan komponen file, yang mana adalah sebagai anggota dari kelas input. Menggunakan komponen ini, kita bisa membaca data dari file yang mempunyai variasi format. Komponen ini juga normalisasi dan segment file data. Komponen input lainnya memasukkan fungsi dan pembangkit acak suara.
2.2. Kohonen Feature Maps
2.2.1. Noise
Data asli datang dari komponen fungsi dan konsistensi dari 8 x-y pasang data sepanjang sebuah lingkaran, kita dapat noise ke sepasang data melalui komponen noise, menunjukkan tumpukan pada komponen fungsi. Implementasi komponen noise ini diantara gaussian dan noise uniform, dengan kontrol dari kedua rata-rata dan variasi. Disini kita akan mengatur distribusi uniform dari rata-rata 0 dan variasi 0,1. Running masukan untuk satu epochs dan observasi distribusi pada contoh 8 original.
2.2.2. Self-Organizing map
Ini terdiri dari sebuah garis sinapsis kohonen diikuti oleh sebuah pemenang pengambil semua axon. Kita menggunakan sebuah transmitter untuk menggambarkan bobot kohonen, yang mana dapat mewakili pusat kelompok, langsung diatas data masukan. Untuk membuat masukan data masukan lebih terlihat, kita akan akumulasi 160 contoh dari pasang x-y sebelum memperbaharui penyebaran alur. Lakukan simulasi untuk 500 epochs. Ulangi beberapa waktu dan observasi bagaimana sering bobot dari kohonen sinapsis terakhir grup pusat dari masukan.

3. Pengerjaan Menggunakan NeuroSolutions 6.0
Langkah-langkah sebagai berikut:
1. Membuka Program
2. Klik Add-Ins kemudian Tag Data untuk memasukan Kolom Input dan Desired (Output). Sebagai input adalah kolom inflow, outflow dan h. Untuk desired adalah kolom EL. MAW.
3. Klik Add-Ins kemudian Tag Data untuk memasukan Baris Training, Cross Validation dan Production. Baris Training (E2-H60), Cross Validation (E61-H70) dan Testing (E71-H81), untuk Testing ini diambil data E10.
4. Terbentuklah warna hitam (Training)
5. Terbentuklah warna merah (Cross Validation) dan warna biru (Testing)
6. Selanjutnya data akan di train
7. Data yang akan di train menggunakan epochs 5, 10, 20, 30, 40, 50, 100, 1000.
8. Hasil epochs 5 (Train 1)
9. Kemudian dilakukan testing
10. Testing 1 (Cross Validation), Testing 2 (Trainning)


kalau butuh file lengkapnya, silahkan komen ya...
makasih
:)