BAB 12

[KEMBALI KE MENU SEBELUMNYA]

Bahan Presentasi Ini Dibuat Untuk Memenuhi 

Tugas Mata Kuliah Jaringan Syaraf Tiruan

Dosen : Darwison, M.T

Oleh :

Muhammad Firman Putra Tanjung

1710952018

Jurusan Teknik Elektro

Fakultas Teknik

Universitas Andalas

Padang

2020 

Recurrent (Time Cycling) Back Propagation Networks

DAFTAR ISI

12.1. Recurrent/Discrete Time Networks
12.2. Fully Recurrent Networks
12.3. Continuously Recurrent Back Propagation Networks 

12.1. Recurrent/Discrete Time Networks
Struktur berulang dapat dimasukkan ke dalam jaringan saraf propagasi belakang dengan mengumpankan kembali output jaringan ke input setelah masa pembelajaran telah selesai. Fitur berulang ini dalam langkah-langkah terpisah (siklus) perhitungan berat.

Jaringan propagasi balik berulang (siklus waktu) dijelaskan pada Gambar 12.1. Elemen penundaan (D pada Gambar 12.1) dalam loop umpan balik terpisah antara langkah-waktu (zaman, yang biasanya berhubungan dengan iterasi tunggal).

Di akhir satu pemindaian lengkap dari semua input, satu era berikutnya dimulai dengan pemindaian lengkap baru dari input yang sama dan langkah waktu seperti pada zaman sebelumnya. Ketika jumlah input berbeda dari jumlah output, maka struktur Gambar 12.2 dapat digunakan.

Kedua struktur dalam Gambar. 12.1 dan 12.2 setara dengan struktur di mana jaringan dasar (kecuali untuk umpan balik dari satu langkah waktu ke langkah lain) diulangi m-times, untuk memperhitungkan langkah-langkah waktu dalam struktur berulang.

12.2. Fully Recurrent Networks

Jaringan yang berulang sepenuhnya mirip dengan jaringan Sec. 12.1 kecuali masing-masing lapisan memberi makan kembali ke setiap lapisan sebelumnya, seperti pada Gambar. 12.4 Sekarang output pada setiap zaman menjadi input ke neuron berulang di zaman berikutnya.

12.3. Continuously Recurrent Back Propagation Networks

Jaringan saraf berbasis propagasi kembali berulang terus menerus menggunakan struktur yang sama seperti pada Gambar. 12.1 dan 12.2 tetapi recurrency diulangi dalam interval waktu yang sangat kecil. Oleh karena itu, recurrency mematuhi perkembangan persamaan diferensial seperti pada jaringan Hopfield berkelanjutan, yaitu

di mana τ adalah koefisien konstanta waktu, xi menjadi input eksternal, g (· · ·) yang menunjukkan fungsi aktivasi, yi menunjukkan output dan vj menjadi output dari lapisan tersembunyi neuron. Untuk stabilitas diperlukan setidaknya satu solusi stabil dari Persamaan. (12.1) ada, yaitu: