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