5.1. Madaline Training



Madaline (Many Adaline) adalah ekstensi multilayer dari single-neuron bipolar Adaline ke suatu jaringan. Struktur dasar dari Madaline ini dapat dilihat pada gambar 5.1, dan gambar 5.2 memperlihatkan Madaline yang terdiri dari dua layers Adaline, ditambah sebuah layers input yang hanya berfungsi sebagai distributor input jaringan.

Gambar 5.1 A simple Madaline structure

Gambar 5.2 The Madaline network of 2 layers

5.1       Madaline Training
            Dalam Madaline terdapat sebuah layer tersembunyi. Gambar 5.3 menunjukkan arsitektur Madaline untuk 2 buah masukan x1 dan x2, sebuah layer tersembunyi yang terdiri dari 2 unit neuron tersembunyi z1 dan z2, dan sebuah keluaran Y.

Gambar 5.3

Keluaran dari unit tersembunyi z1 dan z2 adalah nilai fungsi aktivasi yang diterima dari x1 dan x2. Demikian pula unit keluaran Y merupakan nilai fungsi aktivasi dari z1 dan z2. Meskipun keluaran z1 dan z2 masing-masing merupakan fungsi linier, tetapi keluaran Y bukanlah fungsi linier x1 dan x2 karena adanya unit tersembunyi.
Algoritma pelatihan Madaline II adalah sebagai berikut:
1.        Inisialisasi bobot
·           v1=1/2, v2=1/2, b3=1/2
·           bobot yang lain menggunakan bilangan random yang kecil
·           nilai learning rate ditentukan antara 0,1 ≤ na ≤ 1.0
2.        Untuk setiap bipolar input pada vektor x
·           Set aktivasi dari input unit ke x
·           Hitung masukan jaringan ke setiap hidden unit
Zin1 = b1 + x1w11 + x2w21
Zin2 = b2 + x1w12 + x2w21
·           Tentukan output dari setiap hidden unit
Z1 = f(Zini)
Z2 = f(Zini)
3.        Untuk setiap bipolar input pada vektor x
·           Tentukan keluaran dari jaringan
Yin = b3 + z1v1 +z2v2
Y = f(Yin)
·           Hitung error dan update bobot, jika t≠y maka laukan update bobot untuk setiap hidden unit dengan input mendekati 0
-          Ubah keluaran unit (dari +1 menjadi –1, atau sebaliknya)
-          Hitung kembali respon dari jaringan. Jika kesalahan berkurang: Sesuaikan bobot pada unit ini (gunakan nilai keluaran yang baru sebagai target dan lakukan aturan Delta)
bj (new) = bj (old) + (1 – zinj)
wij (new) = wij (old) +
(1 – zinj) xi
bk (new) = bk (old) +
(-1 – zink)
wik (new) = wik (old) +
(-1 – zink) xi

[Kembali]

Komentar

Postingan populer dari blog ini

MUTS

UAS (Metode Penelitian)

7.3. Setting of Weights in Hopfield Nets | Bidirectional Associative Memory (BAM) Principle