Arsitektur terdiri beberapa masukan (dan sebuah bias) dihubungkan langsung dengan sebuah neuron keluaran. Bobot dimodifikasi dengan aturan delta. Selama pelatihan, fungsi aktivasi yang dipakai adalah fungsi identitas.
Perubahan bobot adalah : Δwi = α t-y xi
Algoritma Pelatihan :
- Inisialisasi semua bobot dan bias (umumnya wi = b = 0) Tentukan laju pemahaman (= α ). Untuk penyederhanaan, biasanya α diberi nilai kecil (= 0.1) Tentukan toleransi kesalahan yang diijinkan
- Selama max Δw > batas toleransi, lakukan :
- Set aktivasi unit masukan xi = si (i = 1, ..., n)
- Hitung respon unit keluaran : net = ∑ xiwi + b y = f (net) = net
- Perbaiki bobot pola yang mengandung kesalahan (y ≠ t) menurut persamaan : wi (baru) = wi (lama) + α (t – y) xi b (baru) = b (lama) + α (t – y)
- Inisialisasi semua bobot dan bias dengan bobot dan bias hasil pelatihan
- Untuk setiap input masukan bipolar x, lakukan :
- Set aktivasi unit masukan xi = si (i = 1, ..., n)
- Hitung net vektor keluaran :: net = Σ xiwi + b
- Kenakan fungsi aktivasi :
Contoh 6.1
Gunakan model ADALINE untuk mengenali pola fungsi logika “dan”
dengan masukan dan target bipolar :
Gunakan batas toleransi = 0.05 dan α= 0.1
Penyelesaian :
Arsitektur MADALINE
Algoritma pelatihan MADALINE mula-mula untuk pola masukan
dan target bipolar adalah sebagai berikut :
- Inisialisasi semua bobot dan bias dengan bilangan acak kecil. Inisialisasi laju pemahaman (=α ) dengan bilangan kecil.
- Selama perubahan bobot lebih besar dari toleransi (atau jumlah epoch belum melebihi batas yang ditentukan)
- Set aktifvasi unit masukan : xi = si untuk semua i
- Hitung net input untuk setiap unit tersembunyi ADALINE (z1, z2, ...)
- Hitung keluaran setiap unit tersembunyi dengan menggunakan fungsi aktivasi bipolar :
- Tentukan keluaran jaringan
- Hitung eror dan tentukan perubahan bobot
Jika y = target, maka tidak dilakukan perubahan bobot
Jika y ≠ target :
Untuk t = 1, ubah bobot ke unit zj yang zin nya terdekat dengan 0 (misal ke unit zp) sebagai berikut :
bp baru = bp lama + α (1 – zin_p)
wpi baru = wpi lama + α (1 – zin_p) xi
Untuk t = -1, ubah semua bobot ke unit zk yang zin nya positif sebagai berikut :
bk baru = bk lama + α (-1 – zin_k)
wki baru = wki lama + α (-1 – zin_k) xi
Contoh 6.2 :
Gunakan MADALINE mula-mula untuk mengenali pola fungsi logika “XOR” dengan 2 masukan x1 dan x2. Gunakan α = 0.5 dan toleransi =0.1
Penyelesaian :
Masukan : x1 = 1, x2 = 1, t = -1
- Hitung net untuk unit tersembunyi z1 dan z2 :
zin_1 = b1 + x1 w11 + x2 w12 = 0.3 + 1 (0.05) + 1 (0.2) = 0.55
zin_2 = b2 + x1 w21 + x2 w22 = 0.15 + 1 (0.1) + 1 (0.2) = 0.45
- Hitung keluaran unit tersembunyi z1 dan z2 menggunakan fungsi aktivasi bipolar. Didapat
z1 = f (zin_ 1) = 1 dan z2 = f (zin_ 2) = 1
- Tentukan keluaran jaringan Y :
y_in = b3 + z1 v1 + z2 v2 = 0.5 + 1 (0.5) + 1 (0.5) = 1.5
Maka y = f (y_in) = 1
- t – y = -1 – 1 = -2 0 dan t = -1. Maka semua bobot yang menghasilkan z_in yang positif dimodifikasi. Karena zin_1 > 0 dan zin_2 > 0, maka semua bobotnya dimodifikasi sebagai berikut :
Perubahan bobot ke unit tersembunyi z1 :
b1 baru = b1 lama + (-1 – zin_1) = 0.3 + 0.5 (-1 – 0.55) = - 0.475
w11 baru = w11 lama + (-1 – zin_1) x1 = 0.05 + 0.5 (-1 – 0.55) = -0.725
w12 baru = w12 lama + (-1 – zin_1) x2 = 0.2 + 0.5 (-1 – 0.55) = -0.575
Perubahan bobot ke unit tersembunyi z2 :
b2 baru = b2 lama + (-1 – zin_2) = 0.15 + 0.5 (-1 – 0.45) = - 0.575
w21 baru = w21 lama + (-1 – zin_2) x1 = 0.1 + 0.5 (-1 – 0.45) = -0.625
w22 baru = w22 lama + (-1 – zin_2) x2 = 0.2 + 0.5 (-1 – 0.45) = -0.525
Tidak ada komentar:
Posting Komentar