Fuzzy ART.

Slides:



Advertisements
งานนำเสนอที่คล้ายกัน
สื่อการเรียนรู้ โดย นางสุมิตรา ดีมี
Advertisements

นโยบายการปรับเงินเดือน ประจำปี 2548 โปรดกรอกข้อมูลตามความเป็นจริงของท่าน คำตอบของท่านจะเป็นผลต่อการพิจารณาปรับ เงินเดือน ปี 2548 นี้ คลิกต่อไป.
การทำงานแบบเลือกทำ (Selection)
ลักษณะโครงสร้างของผังงาน
[][Data][] [][1][]<->[][5][]<->[][3][]<->[][8][null]
การเขียนโปรแกรม แบบมีโครงสร้าง (ต่อ)
Multilayer Feedforward Networks
ตัวอย่าง Flowchart.
การแก้ปัญหาด้วยคอมพิวเตอร์
ผังงานโปรแกรม (Program Flowchart)
คำสั่งเพื่อการกำหนดเงื่อนไข
หน่วยที่ 1 ระบบคอมพิวเตอร์
บทที่ 1. พื้นฐานความรู้ทั่วไป
Perceptron and Delta rule training for the NN
Back-Propagation Learning (การเรียนรู้แบบแพร่กลับ) (ต่อ)
Adaline and Delta rule training for NN
PARITY GENERATOR & CHECKER
น.ส.กฤติกา วงศาวณิช นายศุภชัย ตั้งบุญญะศิริ
ปฏิบัติการที่ 1 การนำเสนอข้อมูลจากการทดลอง
แนวคิดพื้นฐานเกี่ยวกับฟัซซีลอจิก
MAT 231: คณิตศาสตร์ไม่ต่อเนื่อง (3) Function Growth & Time-Complexity
MAT 231: คณิตศาสตร์ไม่ต่อเนื่อง (6) ทรี-ต้นไม้(Trees)
การเลือกจำนวน Hidden Node ที่เหมาะสมกับโครงข่ายประสาทเทียม
การทำซ้ำด้วยคำสั่ง while
การใช้คำสั่ง เงื่อนไข การเขียนเว็บเพจโดยใช้ ภาษาสคริปต์ ศูนย์คอมพิวเตอร์โรงเรียนปลวกแดงพิทยาคม.
การเขียนผังงาน.
ปัญหาอุปสรรคและข้อเสนอแนะ ของการประกันคุณภาพการศึกษา
iWall โดย 1. นายวีกิจ สัจจะมโนรมย์
โครงสร้างข้อมูลคืออะไร ?
การเขียนผังงานแบบทำซ้ำ
การเขียนผังงานแบบทางเลือก
1 Special Operators Special Operators ตัวดำเนินการพิเศษ Increment and decrement operators Conditional Operator.
การเขียนโปรแกรมเบื้องต้น
การใช้คำสั่งเงื่อนไข
Shortest-Path Algorithms
เครื่องวัดแสง Foot Candle Lux
Artificial Neural Network โครงข่ายประสาทเทียม
ค่าความจริงของประโยคที่มีตัวบ่งปริมาณ 2 ตัว
การเขียน แบบวนซ้ำ , วนลูป
Computer Programming การเขียนโปรแกรมคอมพิวเตอร์
เอกสารประกอบการบรรยาย หลักสูตร Fundamental หัวข้อวิชา องค์กรและระบบงานตรวจสอบภายใน สำนักกำกับและพัฒนาการตรวจสอบภาครัฐ กรมบัญชีกลาง.
โรงเรียนในเตาพิทยาคม อำเภอห้วยยอด จังหวัดตรัง
บทที่ 1 ความหมายขอบเขต และผลกระทบของเทคโนโลยีสารสนเทศ.
การจัดทำแผนยุทธศาสตร์การพัฒนาระบบส่งเสริมสุขภาพและอนามัยสิ่งแวดล้อม
Introduction to Data mining
แนะนำรายวิชา การออกแบบระบบการจัดการเรียนรู้บนเครือข่าย
แนวทางการตอบแบบสำรวจ Evidence-based
มหาวิทยาลัยราชภัฏนครปฐม
แนวทางการบริหารจัดการงานสอบบัญชี
Introduction to information System
Introduction to information System
โรงเรียนคุณภาพประจำตำบล
สำนักงานเขตพื้นที่การศึกษาประถมศึกษาพระนครศรีอยุธยา เขต 1
องค์ความรู้ การจัดทำดัชนีชี้วัดและการกำหนดค่าเป้าหมายผลสัมฤทธิ์ของงาน (Key Performance Indication : KPI) สำนักวิเคราะห์ วิจัยและพัฒนา.
Problem Solving ขั้นตอนวิธีและการแก้ปัญหาสำหรับวิทยาการคอมพิวเตอร์
การเป็นศูนย์กลางข้อมูลแรงงานระดับจังหวัด Provincial Data
บรรยายโดย คุณครูกิริยา ทิพมาตย์ สพม. เขต 23
ความก้าวหน้าการขับเคลื่อน งานวิชาการและนวัตกรรม กรมอนามัยปี ๒๕๖๑
การเขียนซูโดโค้ด และการเขียนโฟลชาร์ต
นางบุญชอบ เกษโกวิท ศูนย์อนามัยที่ 4 สระบุรี
ข้อมูลและสารสนเทศ.
ประชุมผู้อำนวยการสำนักงานเขตพื้นที่การศึกษา ณ โรงแรมเอวาน่า บางนา กทม
โครงการปรับปรุง และสร้างฐานข้อมูลหลักมาตรฐานสากล
แรงงานมีทักษะฝีมือสอดคล้องตาม ความต้องการในพื้นที่
นายชลี ลีมัคเดช ทีมพัฒนาระบบฯ
ประเด็นการขับเคลื่อนองค์การไปสู่ระบบราชการ 4.0
อภิญญา เวชยชัย ประธานคณะกรรมการติดตามและประเมินผล
แผนการจัดตั้งคลินิกหมอครอบครัวจังหวัดสตูล ปี
นักวิเคราะห์นโยบายและแผนชำนาญการพิเศษ
อัลกอริทึม (Algorithm) ???
ใบสำเนางานนำเสนอ:

Fuzzy ART

output(j)  = vigilance [0,1] : input จะอยู่ในกลุ่มเดียวกันได้ต้องมีค่ามากกว่า vigilance 1 … J = จำนวน cluster wj  = learning rate n = จำนวน feature input(i)

output(j)  = vigilance [0,1] : input จะอยู่ในกลุ่มเดียวกันได้ต้องมีค่ามากกว่า vigilance 1 … J = จำนวน cluster wj  = learning rate n = จำนวน feature input(i) data .5 .3 .6 .8 .8 .7 .2 .1 .4 .2 .1 .4 Algorithm หาโหนด max Matching ปรับ weight ถ้าไม่มีให้สร้างโหนดใหม่ w=ones(n)=[1 1..1] จริง : อยู่ด้วยกันได้ให้ ปรับ weight เท็จ : กลับไป 1 เพื่อหาโหนดรองลงไป

-ไม่มีโหนด สร้างโหนดใหม่ w=[1 1 1 1] input(i) output(j) wj 1 … n = จำนวน feature J = จำนวน cluster data .5 .3 .6 .8 .8 .7 .2 .1 .4 .2 .1 .4  = 0.7  = 1 w1 = [ 1 1 1 1 ] j = 1 I= [ ] -ไม่มีโหนด สร้างโหนดใหม่ w=[1 1 1 1] ถ้าไม่มีให้สร้างโหนดใหม่ w=ones(n)=[1 1..1] Algorithm หาโหนด max Matching ปรับ weight จริง : อยู่ด้วยกันได้ให้ ปรับ weight เท็จ : กลับไป 1 เพื่อหาโหนดรองลงไป

จริง : อยู่ด้วยกันได้ให้ ปรับ weight input(i) output(j) wj 1 … n = จำนวน feature J = จำนวน cluster data .5 .3 .6 .8 .8 .7 .2 .1 .4 .2 .1 .4  = 0.7  = 1 w1 = [ 1 1 1 1 ] j = 1 I= [ ] ถ้าไม่มีให้สร้างโหนดใหม่ w=ones(n)=[1 1..1] จริง : อยู่ด้วยกันได้ให้ ปรับ weight Algorithm หาโหนด max Matching ปรับ weight จริง : อยู่ด้วยกันได้ให้ ปรับ weight เท็จ : กลับไป 1 เพื่อหาโหนดรองลงไป

input(i) output(j) wj 1 … n = จำนวน feature J = จำนวน cluster  = 0.7 data .5 .3 .6 .8 .8 .7 .2 .1 .4 .2 .1 .4  = 0.7  = 1 w1 = [ 1 1 1 1 ] j = 1 [.5 .3 .6 .8] I= [ ] ถ้าไม่มีให้สร้างโหนดใหม่ w=ones(n)=[1 1..1] Algorithm หาโหนด max Matching ปรับ weight จริง : อยู่ด้วยกันได้ให้ ปรับ weight เท็จ : กลับไป 1 เพื่อหาโหนดรองลงไป

เท็จ : กลับไป 1 เพื่อหาโหนดรองลงไป input(i) output(j) wj 1 … n = จำนวน feature J = จำนวน cluster data .5 .3 .6 .8 .8 .7 .2 .1 .4 .2 .1 .4  = 0.7  = 1 w1 = [ .5 .3 .6 .8 ] j = 1 I= [ ] ถ้าไม่มีให้สร้างโหนดใหม่ w=ones(n)=[1 1..1] Algorithm หาโหนด max Matching ปรับ weight จริง : อยู่ด้วยกันได้ให้ ปรับ weight เท็จ : กลับไป 1 เพื่อหาโหนดรองลงไป เท็จ : กลับไป 1 เพื่อหาโหนดรองลงไป

-ไม่มีโหนด สร้างโหนดใหม่ w=[1 1 1 1] T1 = 0.5 T2 = 1 input(i) output(j) wj 1 … n = จำนวน feature J = จำนวน cluster data .5 .3 .6 .8 .8 .7 .2 .1 .4 .2 .1 .4 2  = 0.7  = 1 w1 = [ .5 .3 .6 .8 ] w2 = [ 1 1 1 1 ] j = 2 w2=[.8 .7 .2 .1] I= [ ] -ไม่มีโหนด สร้างโหนดใหม่ w=[1 1 1 1] T1 = 0.5 T2 = 1 ถ้าไม่มีให้สร้างโหนดใหม่ w=ones(n)=[1 1..1] Algorithm หาโหนด max Matching ปรับ weight จริง : อยู่ด้วยกันได้ให้ ปรับ weight จริง : อยู่ด้วยกันได้ให้ ปรับ weight เท็จ : กลับไป 1 เพื่อหาโหนดรองลงไป

จริง : อยู่ด้วยกันได้ให้ ปรับ weight input(i) output(j) wj 1 … n = จำนวน feature J = จำนวน cluster data .5 .3 .6 .8 .8 .7 .2 .1 .4 .2 .1 .4 2  = 0.7  = 1 w1 = [ .5 .3 .6 .8 ] w2 = [ .8 .7 .2 .1 ] j=1 I= [ ] ถ้าไม่มีให้สร้างโหนดใหม่ w=ones(n)=[1 1..1] Algorithm หาโหนด max Matching ปรับ weight จริง : อยู่ด้วยกันได้ให้ ปรับ weight เท็จ : กลับไป 1 เพื่อหาโหนดรองลงไป จริง : อยู่ด้วยกันได้ให้ ปรับ weight

input(i) output(j) wj 1 … n = จำนวน feature J = จำนวน cluster 2 data .5 .3 .6 .8 .8 .7 .2 .1 .4 .2 .1 .4 2  = 0.7  = 1 w1 = [ .5 .3 .6 .8 ] w2 = [ .8 .7 .2 .1 ] j=1 w1=[.4 .2 .1 .4] I= [ ] ถ้าไม่มีให้สร้างโหนดใหม่ w=ones(n)=[1 1..1] Algorithm หาโหนด max Matching ปรับ weight จริง : อยู่ด้วยกันได้ให้ ปรับ weight เท็จ : กลับไป 1 เพื่อหาโหนดรองลงไป

input(i) output(j) wj 1 … n = จำนวน feature J = จำนวน cluster 2 data .5 .3 .6 .8 .8 .7 .2 .1 .4 .2 .1 .4 2  = 0.7  = 1 w1 = [ .4 .2 .1 .4 ] w2 = [ .8 .7 .2 .1 ] finish ถ้าไม่มีให้สร้างโหนดใหม่ w=ones(n)=[1 1..1] Algorithm หาโหนด max Matching ปรับ weight จริง : อยู่ด้วยกันได้ให้ ปรับ weight เท็จ : กลับไป 1 เพื่อหาโหนดรองลงไป