Pemograman ADALINE dengan Matlab

[menuju akhir]


1. Pemograman ADALINE[kembali]

  • masukan dan target yang dipakai berbentuk bebas (tidak harus biner/bipolar). 
  • Fungsi aktivasi yang dipakai adalah fungsi identitas. Jadi f(net) = net. Karena fungsi aktivasinya identitas, maka tidak ada batas ambang (threshold) 
  • Parameter pelatihan (bobot, bias, kriteria penghentian, batas toleransi, dll) bisa diatur (cara pengaturannya dapat dilihat pada subbab pelatihan) 
  • Perubahan bobot dilakukan sedemikian hingga errornya minimum (menggunakan kriteria least mean square error = LMS).

2. Pembentukan Jaringan[kembali]



dimana,
PR = matriks Rx2 yang berisi nilai minimum dan maksimum elemen masukan R
S : jumlah elemen vektor keluaran. 
ID : Vektor delay masukan (default = [0]). 
LR : laju pemahaman (default α = 0.01). 

Misalkan, ada 2 buah unit masukan dan 1 buah neuron target dengan bobot seperti gambar 14.1. Misalkan pula kedua masukannya memiliki range [0, 10]. Maka perintah yang sesuai adalah : 


Contoh 14.1 
Bentuklah perceptron untuk mengenali pola fungsi logika “dan” 2 variabel x1 dan x2 dengan masukan dan target bipolar. 

Penyelesaian

3. Pembentukan Vektor Masukan dan Target[kembali] 

Contoh 14.2
Buatlah vektor masukan-keluaran ADALINE contoh 14.1 

Penyelesaian

4. Menghitung Keluaran ADALINE[kembali]


net : nama jaringan dalam perintah Newlin. 
P : Vektor masukan jaringan 
Pi : Kondisi delay awal masukan. Default = zeros. 
Ai : Kondisi delay layar. Default = zeros. 
T : Vektor target jaringan. Default = zeros. 

dan parameter hasil, 
Y : Keluaran jaringan. 
Pf : Kondisi akhir delay masukan. 
Af : Kondisi akhir delay layar. 
E : Error jaringan = T – Y. 
perf: Unjuk kerja jaringan. 

Untuk jaringan sederhana, hanya menggunakan :

Contoh 14.3 
Hitunglah keluaran jaringan contoh 14.1 dengan pola masukan seperti pada contoh 14.2, menggunakan bobot awal w1 = 2, w2 = 3 dan bias = -4 

Penyelesaian

Jika perintah tersebut dijalankan, akan diperoleh hasil sebagai berikut :

W : matriks bobot (atau matriks bias) 
P : vektor masukan 
Z : vektor masukan dengan bobot 
N : vektor masukan net
A : vektor keluaran 
T : vektor layar target 
E : vektor layar error 
gW : gradien bobot terhadap unjuk kerja 
gA : gradien keluaran terhadap unjuk kerja 
D : jarak neuron 
LP : parameter pemahaman 
LS : state pemahaman

Rata-rata kuadrat kesalahan (MSE):
dengan 
Q = jumlah pola yang dihitung 
tk = vektor target 
ak = vektor keluaran jaringan 
ek = tk - ak

Contoh 14.4
Hitunglah MSE untuk fungsi logika “dan” pada contoh 14.3 

Penyelesaian
Pada contoh 14.3, t = [1 -1 –1 -1] dan keluaran jaringan = a = [1 -5 -3 -9] sehingga error = [0 4 2 8] Maka MSE = ¼ 0² + 4² + 2² + 8² = 21

Contoh 14.5
Hitunglah bobot untuk mengenali fungsi logika “dan” menggunakan bobot dan bias awal seperti contoh 14.3

Penyelesaian

Untuk menyimpan perubahan bobot, maka digunakan statemen :
 


Keluaran jaringan setelah iterasi:

Error yang terjadi = t – sim (net,p) adalah :

MSE = ¼ 0.4916² + (-0.4241)² + (-0.4578)² + 0.6265² = 0.2559

Tidak ada komentar:

Posting Komentar

Langganan: Komentar (Atom)