Self-organizing optical neural network for unsupervised learning

1990 ◽  
Vol 29 (9) ◽  
pp. 1107 ◽  
Author(s):  
Thomas T. Lu
Keyword(s):  
Neural Network ◽  
Unsupervised Learning ◽  
Optical Neural Network ◽  
Self Organizing

scholarly journals A Self-Organizing Neural Network for the Traveling Salesman Problem That Is Competitive with Simulated Annealing

1996 ◽  
Vol 8 (2) ◽  
pp. 416-424 ◽  
Author(s):  
Marco Budinich
Keyword(s):  
Neural Network ◽  
Simulated Annealing ◽  
Unsupervised Learning ◽  
Traveling Salesman Problem ◽  
Approximate Solutions ◽  
Elastic Net ◽  
Traveling Salesman ◽  
The Traveling Salesman Problem ◽  
Better Than ◽  
Self Organizing

Unsupervised learning applied to an unstructured neural network can give approximate solutions to the traveling salesman problem. For 50 cities in the plane this algorithm performs like the elastic net of Durbin and Willshaw (1987) and it improves when increasing the number of cities to get better than simulated annealing for problems with more than 500 cities. In all the tests this algorithm requires a fraction of the time taken by simulated annealing.

scholarly journals Pengembangan Sistem Informasi Pemetaan Infrastruktur Sistem Informasi Di Kota Probolinggo

2020 ◽  
Vol 6 (3) ◽  
pp. 65-70
Author(s):  
R. FARAH DINI QOYYIMAH ◽  
Erfan Rohadi, ST., M. Eng., Ph.D ◽  
Rizky Ardiansyah, S.Kom, MT
Keyword(s):  
Neural Network ◽  
Unsupervised Learning ◽  
Self Organizing Map ◽  
Cluster 2 ◽  
Self Organizing

Infrastruktur dan sistem informasi merupakan sumber daya manusia yang membantu pemerintah dalam mewujudkan dan pemberdayaan masyarakat baik secara ekonomi maupun kepuasan publik. Tidak terkecuali yang dilakukan pada Dinas Komunikasi dan Informatika Pemerintah Kota Probolinggo. Dalam meningkatkan kualitas pengembangangan infrastruktur secara lebih terkoordinir maka dibuatlah sistem informasi berbasis pemetaan infrastruktur dan sistem informasi dengan menggunakan algoritma clustering SOM. Self Organizing Map (SOM) merupakan salah satu metode dalam Jaringan Syaraf Tiruan (Neural Network) yang menggunakan pembelajaran tanpa pengarahan (Unsupervised Learning). Penelitian ini menghasilkan sebuah website yang memberikan informasi kepada user atau pengguna yang merupakan pihak pemerintahan Dinas Kominfo Kota Probolinggo dalam mengevaluasi perkembangan dan pemerataan infrastruktur dan sistem informasi. Dari hasil perhitungan menggunakan metode Self -Organizing Map dapat diterapkan dalam clustering untuk pemerataan infrastruktur IT yang menghasilkan 3 cluster yang terdiri dari cluster 1 yang memiliki persebaran infrastruktur yang baik berjumlah 1 wilayah, cluster 2 yang memiliki persebaran infrastruktur yang cukup baik berjumlah 23 wilayah dan cluster 3 yang memiliki persebaran infrastrukttur yang kurang baik berjumlah 5 wilayah. Sehingga dapat diketahui pemerataan IT di Kota Probolingo dapat dinilai cukup baik. 4. Berdasarkan pengujian diperoleh hasil akurasi hasil cluster yang baik dengan menggunakan Self-Organizing Map sebanyak 62.06897%. Kata kunci : Clustering, Self Organizing Map (SOM)

scholarly journals KLASIFIKASI SUARA MANUSIA KE DALAM SOPRAN, MEZZO SOPRAN, ALTO, TENOR, BARITON, BASS DENGAN SELF ORGANIZING MAP

2015 ◽  
Vol 11 (1) ◽  
Author(s):  
Andreas Saputra ◽  
Sri Suwarno ◽  
Lukas Chrisantyo
Keyword(s):  
Neural Network ◽  
Artificial Neural Network ◽  
Fourier Transform ◽  
Fast Fourier Transform ◽  
Unsupervised Learning ◽  
Self Organizing Map ◽  
Artificial Neural ◽  
Self Organizing

Self Organizing Map adalah metode jaringan syaraf tiruan (Artificial Neural Network) yang biasa digunakan untuk melakukan proses klasifikasi dengan sifat unsupervised learning atau pelatihan tak terbimbing. Cluster yang akan digunakan akan ditentukan secara manual hanya saja dalam prosesnya data yang masuk akan dikelompokan secara otomatis tanpa adanya intevensi dari sistem. Penelitian ini menerapkan Self Organizing Map untuk melakukan klasifikasi data berupa rekaman suara dengan format file WAV karena merupakan format audio yang belum terkompresi ke dalam sopran, mezzo sopran, alto, tenor, baritone, dan bass. Dalam pengambilan data untuk input melalui proses preemphasis, frame, blocking, dan windowing sebelum dirubah menjadi sinyal diskrit dengan Fast Fourier Transform. Data berupa rata-rata magnitude menjadi input dalam sistem klasifikasi Self Organizing Map. Dalam penelitian ini hasil yang didapat belum sesuai dengan harapan karena data tidak mengelompok dengan baik.Self Organizing Map adalah metode jaringan syaraf tiruan (Artificial Neural Network) yang biasa digunakan untuk melakukan proses klasifikasi dengan sifat unsupervised learning atau pelatihan tak terbimbing. Cluster yang akan digunakan akan ditentukan secara manual hanya saja dalam prosesnya data yang masuk akan dikelompokan secara otomatis tanpa adanya intevensi dari sistem. Penelitian ini menerapkan Self Organizing Map untuk melakukan klasifikasi data berupa rekaman suara dengan format file WAV karena merupakan format audio yang belum terkompresi ke dalam sopran, mezzo sopran, alto, tenor, baritone, dan bass. Dalam pengambilan data untuk input melalui proses preemphasis, frame, blocking, dan windowing sebelum dirubah menjadi sinyal diskrit dengan Fast Fourier Transform. Data berupa rata-rata magnitude menjadi input dalam sistem klasifikasi Self Organizing Map. Dalam penelitian ini hasil yang didapat belum sesuai dengan harapan karena data tidak mengelompok dengan baik.

An enhanced self-organizing incremental neural network for online unsupervised learning

2007 ◽  
Vol 20 (8) ◽  
pp. 893-903 ◽  
Author(s):  
Shen Furao ◽  
Tomotaka Ogura ◽  
Osamu Hasegawa
Keyword(s):  
Neural Network ◽  
Unsupervised Learning ◽  
Self Organizing

scholarly journals An Intelligent Evaluation Method to Analyze the Competitiveness of Airlines

2020 ◽  
Vol 2020 ◽  
pp. 1-9
Author(s):  
Jun Zhao ◽  
Xumei Chen
Keyword(s):  
Neural Network ◽  
Prior Knowledge ◽  
Evaluation Method ◽  
Standard Sample ◽  
Reference Value ◽  
The Self ◽  
Index Data ◽  
Som Neural Network ◽  
Simulation Results ◽  
Self Organizing

An intelligent evaluation method is presented to analyze the competitiveness of airlines. From the perspective of safety, service, and normality, we establish the competitiveness indexes of traffic rights and the standard sample base. The self-organizing mapping (SOM) neural network is utilized to self-organize and self-learn the samples in the state of no supervision and prior knowledge. The training steps of high convergence speed and high clustering accuracy are determined based on the multistep setting. The typical airlines index data are utilized to verify the effect of the self-organizing mapping neural network on the airline competitiveness analysis. The simulation results show that the self-organizing mapping neural network can accurately and effectively classify and evaluate the competitiveness of airlines, and the results have important reference value for the allocation of traffic rights resources.

scholarly journals Freely scalable and reconfigurable optical hardware for deep learning

2021 ◽  
Vol 11 (1) ◽  
Author(s):  
Liane Bernstein ◽  
Alexander Sludds ◽  
Ryan Hamerly ◽  
Vivienne Sze ◽  
Joel Emer ◽  
...  
Keyword(s):  
Neural Network ◽  
Energy Consumption ◽  
Data Transfer ◽  
Power Delivery ◽  
Optical Data ◽  
Optical Multicast ◽  
Optical Neural Network ◽  
Fully Connected ◽  
Management Power

AbstractAs deep neural network (DNN) models grow ever-larger, they can achieve higher accuracy and solve more complex problems. This trend has been enabled by an increase in available compute power; however, efforts to continue to scale electronic processors are impeded by the costs of communication, thermal management, power delivery and clocking. To improve scalability, we propose a digital optical neural network (DONN) with intralayer optical interconnects and reconfigurable input values. The path-length-independence of optical energy consumption enables information locality between a transmitter and a large number of arbitrarily arranged receivers, which allows greater flexibility in architecture design to circumvent scaling limitations. In a proof-of-concept experiment, we demonstrate optical multicast in the classification of 500 MNIST images with a 3-layer, fully-connected network. We also analyze the energy consumption of the DONN and find that digital optical data transfer is beneficial over electronics when the spacing of computational units is on the order of $$>10\,\upmu $$ > 10 μ m.

Sign in / Sign up

Export Citation Format

Share Document