Aplikasi Jaringan Neural
Sebelum mempelajari bidang di mana JST telah digunakan secara luas, kita perlu memahami mengapa JST akan menjadi pilihan aplikasi yang disukai.
Mengapa Jaringan Saraf Tiruan?
Kita perlu memahami jawaban atas pertanyaan di atas dengan contoh seorang manusia. Sebagai seorang anak, kami biasa mempelajari banyak hal dengan bantuan orang yang lebih tua, termasuk orang tua atau guru kami. Kemudian dengan belajar sendiri atau berlatih kita terus belajar sepanjang hidup kita. Ilmuwan dan peneliti juga membuat mesin cerdas, seperti halnya manusia, dan JST memainkan peran yang sangat penting dalam hal yang sama karena alasan berikut -
Dengan bantuan jaringan saraf, kita dapat menemukan solusi dari masalah yang metode algoritmiknya mahal atau tidak ada.
Jaringan saraf dapat belajar dengan contoh, oleh karena itu kita tidak perlu memprogramnya secara luas.
Jaringan saraf memiliki akurasi dan kecepatan yang jauh lebih cepat daripada kecepatan konvensional.
Area Aplikasi
Berikut adalah beberapa area dimana JST digunakan. Hal ini menunjukkan bahwa JST memiliki pendekatan interdisipliner dalam pengembangan dan penerapannya.
Pengenalan suara
Pidato menempati peran penting dalam interaksi manusia-manusia. Oleh karena itu, wajar bagi orang untuk mengharapkan antarmuka percakapan dengan komputer. Di era sekarang ini, untuk komunikasi dengan mesin, manusia masih membutuhkan bahasa-bahasa canggih yang sulit dipelajari dan digunakan. Untuk meringankan hambatan komunikasi ini, solusi sederhana bisa jadi, komunikasi dalam bahasa lisan yang mungkin dipahami oleh mesin.
Kemajuan besar telah dibuat dalam bidang ini, namun, sistem semacam itu masih menghadapi masalah terbatasnya kosakata atau tata bahasa bersama dengan masalah pelatihan ulang sistem untuk penutur yang berbeda dalam kondisi yang berbeda. ANN memainkan peran utama di bidang ini. ANN berikut telah digunakan untuk pengenalan ucapan -
Jaringan multilayer
Jaringan multilayer dengan koneksi berulang
Peta fitur swakelola Kohonen
Jaringan yang paling berguna untuk ini adalah peta fitur Pengorganisasian Mandiri Kohonen, yang memiliki masukan sebagai segmen pendek dari bentuk gelombang ucapan. Ini akan memetakan jenis fonem yang sama dengan larik keluaran, yang disebut teknik ekstraksi ciri. Setelah mengekstraksi fitur, dengan bantuan beberapa model akustik sebagai pemrosesan back-end, ucapan tersebut akan dikenali.
Pengakuan Karakter
Ini adalah masalah menarik yang termasuk dalam area umum Pengenalan Pola. Banyak jaringan saraf telah dikembangkan untuk pengenalan otomatis karakter tulisan tangan, baik huruf maupun angka. Berikut adalah beberapa JST yang telah digunakan untuk pengenalan karakter -
- Jaringan saraf multilayer seperti jaringan saraf tiruan propagasi mundur.
- Neocognitron
Meskipun jaringan neural propagasi balik memiliki beberapa lapisan tersembunyi, pola koneksi dari satu lapisan ke lapisan berikutnya dilokalkan. Demikian pula, neocognitron juga memiliki beberapa lapisan tersembunyi dan pelatihannya dilakukan lapis demi lapis untuk aplikasi semacam itu.
Aplikasi Verifikasi Tanda Tangan
Tanda tangan adalah salah satu cara paling berguna untuk mengotorisasi dan mengotentikasi seseorang dalam transaksi hukum. Teknik verifikasi tanda tangan adalah teknik berbasis non-penglihatan.
Untuk aplikasi ini, pendekatan pertama adalah mengekstrak fitur atau lebih tepatnya kumpulan fitur geometris yang mewakili tanda tangan. Dengan kumpulan fitur ini, kita harus melatih jaringan saraf menggunakan algoritma jaringan saraf yang efisien. Jaringan saraf terlatih ini akan mengklasifikasikan tanda tangan sebagai asli atau palsu di bawah tahap verifikasi.
Pengenalan Wajah Manusia
Ini adalah salah satu metode biometrik untuk mengidentifikasi wajah yang diberikan. Ini adalah tugas yang khas karena karakterisasi gambar "non-wajah". Namun jika jaringan syaraf tiruan terlatih dengan baik maka dapat dibedakan menjadi dua kelas yaitu citra yang memiliki wajah dan citra yang tidak memiliki wajah.
Pertama, semua gambar masukan harus diproses sebelumnya. Kemudian, dimensi gambar itu harus dikurangi. Dan, akhirnya harus diklasifikasikan menggunakan algoritma pelatihan jaringan saraf. Jaringan saraf berikut digunakan untuk tujuan pelatihan dengan gambar yang diproses sebelumnya -
Jaringan neural feed-forward multilayer yang terhubung sepenuhnya terlatih dengan bantuan algoritma propagasi mundur.
Untuk reduksi dimensionalitas, Principal Component Analysis (PCA) digunakan.