ELEKTRONIKA TERAPAN

COUNTER PROPAGATION

OLEH :
KELOMPOK 6

WAHYUDIN P3D3 16 034

RESKI AMANDA SARI P3D3 16 040
ASMATUL FADILLAH P3D3 16 040
ANDI HASRUDIN P3D3 16 051
MUHAMMAD SAPRI P3D3 16 002
IRVAN LAODE AHMAD P3D3 16 026
ZULIANI P3D3 16 084

D – III TEKNIK ELEKTRONIKA KONSENTRASI ELEKTROMEDIS

PROGRAM PENDIDIKAN VOKASI
UNIVERSITAS HALU OLEO
KENDARI
2018
 COUNTER PROPAGATION

Jaringan saraf Counter Propagasi, Hecht-Nielsen (1987), lebih cepat sekitar faktor 100
dari Backpropagation, tapi lebih terbatas dalam kisaran aplikasi. Ini menggabungkan Self-
Organizing (Instar) jaringan Kohonen (1984) dan Grossberg ini Oustar net (1969, 1974,
1982) yang terdiri dari satu lapisan masing-masing. Memiliki sifat yang baik dari
Generalisasi (penting, dalam beberapa derajat, untuk semua saraf jaringan) yang
memungkinkan untuk menangani dengan baik dengan sebagian atau sebagian vektor input
yang tidak benar. Kontra Propagasi jaringan berfungsi sebagai jaringan pengelompokan
sangat cepat. Strukturnya adalah seperti pada gambardi mana (tersembunyi) K-layer diikuti
oleh output G-layer.

A. Kohonen Self - Organizing Map (SOM) Layer

Lapisan Kohonen [Kohonen 1984, 1988] adalah lapisan “Winner-take-all” (WTA).

Dengan demikian, untuk vektor masukan yang diberikan, hanya satu Kohonen lapisan output
adalah 1 sedangkan semua orang lain adalah 0. ada vektor pelatihan yang diperlukan untuk
mencapai kinerja ini. Maka nama: Self-Organizing Map Layer (SOM-Layer).

Biarkan output bersih dari lapisan neuron Kohonen dinyatakan sebagai kj. Kemudian
B. Grossberg Layer

Output dari lapisan Grossberg adalah output tertimbang lapisan Kohonen, oleh
gambar Yang menunjukkan output bersih dari lapisan Grossberg [Grossberg, 1974]
direpresentasikan sebagai gj kemudian

C. Training of the Kohonen Layer

Lapisan Kohonen bertindak sebagai classifier dimana semua vektor masukan yang
sama, yaitu mereka yang termasuk kelas yang sama menghasilkan output kesatuan dalam
Kohonen yang sama neuron. Selanjutnya, lapisan Grossberg menghasilkan output yang
diinginkan untuk diberikan kelas seperti yang telah diklasifikasikan dalam lapisan Kohonen
di atas. Dengan cara ini, generalisasi kemudian dicapai.
 Sedangkan di hampir bobot awal semua NN dipilih untuk menjadi pseudo random
nilai rendah, dalam kasus jaringan Kohonen, setiap bobot pseudo random harus dinormalisasi
jika sebuah pendekatan untuk x0 adalah menjadi makna apapun. Tapi kemudian, bahkan
bobot random normal mungkin terlalu jauh dari x0 untuk memiliki kesempatan untuk
konvergensi pada tingkat yang wajar. Selain itu jika ada beberapa Kelas yang relatif dekat
akan dipisahkan melalui klasifikasi jaringan Kohonen. Namun, jika kelas tertentu memiliki
berbagai penyebaran nilai-nilai, beberapa Kohonen neuron dapat diaktifkan untuk kelas yang
sama. Namun, situasi yang terakhir bisa kemudian dikoreksi oleh lapisan Grossberg yang
kemudian akan memandu lapisan output Kohonen tertentu yang berbeda ke output
keseluruhan yang sama.

D. Training of Grossberg Layers

Kelebihan utama dari lapisan Grossberg adalah kemudahan dalam pelatihan. Pertama
output dari lapisan Grossberg dihitung seperti pada jaringan lain, yaitu :

kj menjadi lapisan Kohonen output dan vij yang menunjukkan bobot Grossberg
lapisan. Jelas, hanya bobot dari non zero-neuron Kohonen (non-zero Grossberg lapisan input)
disesuaikan penyesuaian bobot mengikuti hubungan yang sering digunakan sebelumnya,
yaitu:
 Ti menjadi output yang diinginkan (target), dan untuk n + 1 iterasi β menjadi awalnya
diatur ke sekitar 1 dan secara bertahap dikurangi. Awalnya vij secara acak ditetapkan untuk
menghasilkan vektor dari norma 1 per setiap neuron.
Oleh karena itu, bobot akan bertemu dengan nilai rata-rata output yang diinginkan untuk
terkait pasangan input-output (x-T).

E. The Combined Counter Propagation Network

Kita mengamati bahwa lapisan Grossberg dilatih untuk berkumpul dengan (T) output
yang diinginkan, sedangkan lapisan Kohonen dilatih untuk berkumpul dengan input rata-rata.
Oleh karena itu, lapisan Kohonen dasarnya adalah pra-classifier untuk memperhitungkan
input tidak sempurna, lapisan Kohonen yang tanpa pengawasan sedangkan lapisan Grossberg.
Jika vektor sasaran m Tj (dimensi p) secara simultan diterapkan pada m × p output pada sisi
output dari lapisan Grossberg untuk memetakan Grossberg kemudian setiap set p Grossberg
neuron akan berkumpul untuk input sasaran yang tepat, mengingat x masukan terdekat yang
diterapkan pada masukan lapisan Kohonen pada saat itu. Syarat Counter-Propagasi (CP)
adalah karena dari masukan dan target aplikasi ini pada setiap jaringan mengakhiri.

F. Counter Propagation Network Case Study : Character Recognition

Studi kasus ini berkaitan dengan mengenali tiga digit “0”, “1”, “2” dan”4″. Dengan
menggunakan jaringan saraf Kontra Dakwah (CP). Ini melibatkan merancang jaringan CP,
pelatihan dengan set data standar (8-by-8); pengujian jaringan menggunakan data uji dengan
1, 5, 10, 20, 30, kesalahan 40-bit dan mengevaluasi kinerja pengenalan.