Algoritma Backpropagation
Performance Index
Performance Index aproksimasi
Sensitivitas
F x ( ) E e
T
e| | = E t a ( )
T
t a ( )| | =
F
x ( ) t k ( ) a k ( ) ( )
T
t k ( ) a k ( ) ( ) e
T
k ( )e k ( ) = =
s
m
F
c
n
m
c
- - - - - - - - - -
F
c
n
1
m
c
- - - - - - - - -
F
c
n
2
m
c
- - - - - - - - -
.
F
c
n
S
m
m
c
- - - - - - - - - - -
=
Propagasi Maju (Forward Propagation)
Propagasi Mundur (Backpropagation)
Dimana
Weight Update (Steepest Descent Aproksimasi)
a
m 1 +
f
m 1 +
W
m 1 +
a
m
b
m 1 +
+ ( ) =
m 0 2 . M 1 , , , =
a
0
p =
a a
M
=
( )( ) a t n F s =
M M M
2
( )( ) 1 , 2 , , 1
1 1
= =
+ +
M m
m
T
m m m m
s W n F s
( )
( )
( )
( )
(
(
(
(
(
=
m
S
m
m m
m m
m m
m
n f
n f
n f
n
0 0
0 0
0 0
2
1
F
W
m
k 1 + ( ) W
m
k ( ) os
m
a
m 1
( )
T
=
b
m
k 1 + ( ) b
m
k ( ) os
m
=
Variasi Algoritma Backpropagasi
Heuristic
- Backpropagation dengan momentum (Backpropagation with Momentum (MOBP))
= koefisien momentum
( )
( )
()
( )
( )
()
- Variable Learning Rate Backpropagation (VLBP)
1. Jika squared error (untuk semua training set) naik dan nilainya lebih besar dari persentase
(biasanya antara 1 sampai 5 %) setelah weight di-update, maka nilai weight baru (weight yang
di-update) tidak akan digunakan, learning rate dikalikan dengan factor , dan koefisien
momentum (jika ada) di-setting menjadi nol.
2. Jika squared error turun setelah weight di-update, maka nilai weight baru dapat digunakan dan
learning rate dikalikan dengan factor . Jika sebelumnya nilai koefisien momentum di-
setting nol, maka nilai koefisien momentum dikembalikan ke nilai aslinya.
3. Jika squared error naik, dan nilainya lebih kecil dari persentase maka nilai weight baru dapat
digunakan tetapi nilai learning rate dan koefisien momentum tetap (tidak diubah).
Teknik Optimisasi Numerik
- Conjugate gradient
Dimana
0 s 1 <
AW
m
k ( ) AW
m
k 1 ( ) 1 ( )os
m
a
m 1
( )
T
=
Ab
m
k ( ) Ab
m
k 1 ( ) 1 ( )os
m
=
p
0
g
0
=
g
k
F x ( ) V
x x
k
=
x
k 1 +
x
k
o
k
p
k
+ =
p
k
g
k
|
k
p
k 1
+ =
|
k
g
k 1
T
A g
k
g
k 1
T
A p
k 1
----------------------------- = |
k
g
k
T
g
k
g
k 1
T
g
k 1
------------------------- = |
k
g
k 1
T
A g
k
g
k 1
T
g
k 1
------------------------- =
1. Search direction yang pertama adalah steepest descent.
2. Ambil satu langkah dan pilih learning rate untuk meminimalkan fungsi sepanjang search
direction
3. Pilih search direction berikutnya berdasarkan
|
k
g
k 1
T
A g
k
g
k 1
T
A p
k 1
----------------------------- =
|
k
g
k
T
g
k
g
k 1
T
g
k 1
------------------------- =
|
k
g
k 1
T
A g
k
g
k 1
T
g
k 1
------------------------- = atau atau
Reduksi interval (Golden section search)
- Levenberg Marquart Backpropagation (LMBP)
1. Tampilkan semua input ke dalam network dan hitung output dari network dengan
menggunakan persamaan
Lalu hitung error
e
q
T
e
q
q 1 =
Q
e
j q ,
( )
2
j 1 =
S
M
q 1 =
Q
v
i
( )
2
i 1 =
N
= = = =
x
k 1 +
x
k
J
T
x
k
( )J x
k
( )
k
I + | |
1
J
T
x
k
( )v x
k
( ) =
( )( )
1 1
~ ~
+ +
=
m
q
T
m m
q
m m
q
S W n F S
( )
M
q
M M
q
n F S
=
~
S
m
S
1
m
S
2
m
. S
Q
m
=
J | |
h l ,
v
h
c
x
l
c
--------
e
k q ,
c
w
i j ,
m
c
------------
e
k q ,
c
n
i q ,
m
c
------------
n
i q ,
m
c
w
i j ,
m
c
------------
s
i h ,
m
n
i q ,
m
c
w
i j ,
m
c
------------
s
i h ,
m
a
j q ,
m 1
= = = = =
J | |
h l ,
v
h
c
x
l
c
--------
e
k q ,
c
b
i
m
c
------------
e
k q ,
c
n
i q ,
m
c
------------
n
i q ,
m
c
b
i
m
c
------------ s
i h ,
m
n
i q ,
m
c
b
i
m
c
------------ s
i h ,
m
= = = = =