Professional Documents
Culture Documents
Layer input
Layer pola
Layer jumlahan
Layer output
Jika fungsi rapat probabilitas (pdf) dari setiap populasi diketahui, maka x (tidak
dikatahui) termasuk kelas i jika
f i ( x) f j ( x)
, semua j i
dengan
x
xk
W
x xk
W
k 1
Nilai bobot bernilai besar untuk jarak yang dekat antara titik training dengan titik
yang tidak diketahui
Nilai bobot menurun dengan cepat menuju nol sebanding dengan peningkatan
jarak
Fungsi bobot untuk PNN secara umum menggunakan fungsi gaussian. Fungsi
gaussian digunakan karena berkelakuan baik dan mudah untuk dikomputasi.
Penggunaan fungsi gauss ini tidak berhubungan dengan distribusi normal.
PDF estimasi menjadi
1
g ( x)
n
( x xk ) 2
k 1
1
(2 ) p / 2 p ni
x
xk
= sampel ke-k
= parameter smoothing
= panjang vektor
x xik
2
k 1
g i ( x)
1
(2 ) p / 2 p ni
ni
x xik
2
k 1
1
g i ( x)
ni
semua j i
ni
e
k 1
x xik
2
Training Set
Training set harus sepenuhnya mewakili populasi sebenarnya untuk klasifikasi
yang efektif
Penambahan dan pengurangan sampel training berarti menambah dan mengurangi
saraf pada layer pola
Ketika training set jumlahnya meningkat, PNN secara asimptotik konvergen
menuju Bayes optimal classifier
PDF estimasi mendekati nilai PDF sebenarnya, dengan menganggap PDF
sebenarnya adalah smooth
Proses training pada PNN adalah proses untuk menentukan nilai parameter
smoothing, sigma