Chapter 6



6.1. The BackPropagation Learning Procedure
6.2.Derivation of the BP Algorithm
6.3.Modified BP Algorithms
6.A.Back Propagation Case Study: Character Recognition


[Kembali]

Komentar

Posting Komentar

Postingan populer dari blog ini

MUTS

Gambar
A. Latar Belakang Indonesia merupakan salah satu negara dengan keanekaragaman tanaman yang cukup tinggi. Keanekaragaman tanaman tersebut merupakan satu tantangan dalam melakukan identifikasi. Identifikasi tanaman dapat dilakukan berdasarkan buah, bunga, maupun daun. Identifikasi berdasarkan daun merupakan identifikasi yang lebih mudah dilakukan karena daun akan ada sepanjang masa, sedangkan buah dan bunga hanya ada pada waktu tertentu. B. Rumusan Masalah Permasalahan yang diangkat pada penelitian ini dititik beratkan pada pengklasifikasian daun menggunakan algoritma Jaringan Syaraf Tiruan.   C. Tujuan Penelitian Tujuan dari penelitian ini adalah untuk melakukan klasifikasi citra daun menggunakan algoritma Jaringan Syaraf Tiruan.   D. Tinjauan Pustaka A. Segmentasi Citra Dalam pengolahan citra, terkadang kita menginginkan pengolahan hanya pada obyek tertentu. Oleh sebab itu, perlu dilakukan proses segmentasi citra yang bertujuan untuk memisahkan antara...
Baca selengkapnya

6.3. Modified BP Algorithms

Gambar
a.       Introduction of bias into NN Hal ini sering menguntungkan untuk menerapkan beberapa bias ke neuron dari jaringan saraf (Lihat Gambar. 6.2). bias dapat dilatih bila dikaitkan dengan dilatih untuk menjadi dimodifikasi. Oleh karena itu bias diwujudkan dalam hal input dengan beberapa konstan (1 atau +B) masukan, dan bias b i tepat (di neuron i) kemudian diberikan w oi menjad i istilah bias yang di input ke neuron i (lihat Gambar. 7). bias bisa positif atau negatif. b.       Incorporating momentum or smoothing to weight adjustment The backpropagation (BP) algoritma untuk menghitung bobot neuron mungkin cenderung ketidakstabilan dalam kondisi operasi tertentu. Untuk mengurangi kecenderungan untuk ketidakstabilan Rumelhart et al. (1986) menyarankan untuk menambahkan istilah momentum untuk Persamaan. (6.1). Karenanya, Eq. (6.12) adalah modi ed untuk: untuk m + 1 iterasi, dengan 0 < α <1; α m...
Baca selengkapnya

11.6. Cauchy Training of Neural Network

Gambar
Karena pelatihan Boltzman dari jaringan saraf seperti pada Secs. 11,2-11,4 sangat lambat, metode stokastik cepat berdasarkan distribusi probabilitas Cauchy adalah diusulkan oleh Szu (1986). Distribusi Cauchy perubahan energi : untuk menghasilkan fungsi distribusi lagi (surut lebih lambat) ekor daripada di kasus Boltzman atau distribusi Gaussian. Perhatikan bahwa untuk Cauchy distribusi: var (ΔE) = ∞ !! Ketika distribusi Cauchy digunakan untuk Δw, resultan Δw akan memuaskan Δw = ρT · tan [p (Δw)] (11.9) ρ menjadi koefisien tingkat belajar. Langkah (3) dan langkah (4) dari prosedur framing dari Sec. 11.3 demikian akan menjadi: (3.a) Pilih nomor n acak dari distribusi seragam antara 0 dan 1 dan biarkan p (Δw) = n dimana p (Δw) adalah dalam bentuk persamaan. (11.8) di atas (3.b) Selanjutnya, menentukan Δw melalui Persamaan.) untuk memenuhi Δw = ρT · tan (n) (11.11) di mana T diperbarui oleh: T =Untuk1 + k ,untuk k = 1, 2, 3,. . . kontras deng...
Baca selengkapnya