การออกแบบและพัฒนาโครงข่ายทฤษฎีฟัซซีเรโซแนนซ์แบบปรับตัวอย่างง่ายด้วยหลักการกำหนดค่าพารามิเตอร์สอดส่องหลายค่าแบบปรับปรุงตัวเอง
Article Sidebar
Main Article Content
บทคัดย่อ
บทความนี้นำเสนอการออกแบบและพัฒนาโครงข่ายทฤษฎีฟัซซีเรโซแนนซ์แบบปรับตัวอย่างง่าย (Simplified Fuzzy ARTMAP, SFAM) ด้วยรูปแบบการกำหนดค่าพารามิเตอร์สอดส่องหลายค่า (Auto Adaptive Multi-Vigilance) แบบปรับตัวอัตโนมัติ โดยใช้แนวคิดการปรับตัวจากลักษณะความคุ้นชินของมนุษย์ในการจดจำสิ่งต่าง ๆ เพื่อให้รูปแบบการตัดสินใจของโครงข่ายประสาทเทียมมีความยืดหยุ่นและมีประสิทธิภาพมากขึ้น จากรูปแบบสถาปัตยกรรมดั้งเดิมของ SFAM ที่มีการกำหนดพารามิเตอร์สอดส่องเพียงหนึ่งค่าและเป็นค่าคงที่ ซึ่งค่าพารามิเตอร์สอดส่องนี้ถูกออกแบบให้ใช้ในการเปรียบเทียบความคล้ายของชุดข้อมูลกับนิวรอลทุกตัวที่ถูกเก็บไว้ในชั้นน้ำหนักประสาท ส่งผลให้ความยืดหยุ่นในการเรียนรู้ลดน้อยลง จึงเกิดแนวคิดในการออกแบบและพัฒนาสถาปัตยกรรมของโครงข่ายทฤษฎีพืชซีเรโซแนนซ์แบบปรับตัวอย่างง่ายให้มีความยืดหยุ่นขึ้นด้วยการออกแบบอัลกอริทึมให้สามารถสร้างค่าพารามิเตอร์สอดส่องได้หลายค่าตามจำนวนของกลุ่มน้ำหนักประสาท และสามารถปรับปรุงค่าพารามิเตอร์นี้ได้ตามรูปแบบการเรียนรู้ที่โครงข่ายประสาทเทียมได้รับจากชุดข้อมูล โดยทำการทดสอบกับข้อมูลสองรูปแบบ คือ 1.การทดสอบการเรียนรู้ด้วยชุดอินพุตแบบอย่างง่าย และ 2.การทดสอบการเรียนรู้รับอินพูดที่มีความซับซ้อน จากผลการทดสอบแสดงให้เห็นถึงประสิทธิภาพของโครงข่ายประสาทเทียมที่ทำการพัฒนาขึ้นโดยมีเปอร์เซ็นต์ความถูกต้องอยู่ที่ 96.67% และ 95.33% ตามลำดับการทดสอบ ขณะที่โครงข่ายแบบดั้งเดิมมีเปอร์เซ็นต์ความถูกต้องอยู่ที่ 86.67% และ 92.66%
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Journal of TCI is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) licence, unless otherwise stated. Please read our Policies page for more information...
เอกสารอ้างอิง
F. Y. Wang, "Al and Intelligent Vehicles Future Challenge (IVFC) in China: From cognitive intelligence to parallel intelligence," 2017 ITU Kaleidoscope: Challenges for a Data-Driven Society (ITU K)., pp. 1-2, 2017.
M. T. Islam, B. M. N. Karim Siddique, S. Rahman and T. Jabid, "Image Recognition with Deep Learning," 2018 International Conference on Intelligent Informatics and Biomedical Sciences (ICHBMS)., pp. 106-110, 2018.
S. Le Moan and D. Bailey, "Comparison of machine learning-based feature pooling strategies for colour image fidelity assessment," 2017 International Conference on Image and Vision Computing New Zealand (IVCNZ)., pp. 1-5, 2017.
K. Phookronghin, A. Srikaew, K. Attakitmongcol and P. Kumsawat, "2 Level Simplified Fuzzy ARTMAP for Grape Leaf Disease System Using Color Imagery and Gray Level Co-Occurrence Matrix," 2018 International Electrical Engineering Congress (IEECON)., pp. 1-4, 2018.
E. David, P. Ungureanu and L. Goras, "On the Feature Extraction Performances of CNN Gabor-Type Filters in Texture Recognition Applications," 2006 10th International Workshop on Cellular Neural Networks and Their Applications, Istanbul, Turkey., pp. 1-6. 2006.
