PENDAHULUAN
Jaringan saraf Counter Propagasi, Hecht-Nielsen, lebih cepat sekitar faktor 100
dari Backpropagation, tapi lebih terbatas dalam kisaran aplikasi. Ini menggabungkan
Self-Organizing (Instar) jaringan Kohonen dan Grossberg ini Oustar net 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
Yorisantoni(2017).
1
1.2. Rumusan Masalah
1.3. Tujuan
2
BAB II
PEMBAHASAN
2.1. pengertian
Jaringan saraf Couterpropagation, Ini menggabungkan Self-Organizing
(Instar) jaringan Kohonen dan Grossberg ini Oustar net 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. berikut adalah
macam macamnya
Output dari lapisan Grossberg adalah output tertimbang lapisan Kohonen, oleh
Yang menunjukkan output bersih dari lapisan Grossberg direpresentasikan sebagai j
kemudian
3
But,by the “winner-take-all” nature of the kohonen layer: if
Then
4
= = =
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:
= + [ - ]
Oleh karena itu, bobot akan bertemu dengan nilai rata-rata output yang
diinginkan untuk terkait pasangan input-output (x-T).
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.
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
5
menggunakan data uji dengan 1, 5, 10, 20, 30, kesalahan 40-bit dan mengevaluasi
kinerja pengenalan.
K2 Output 2
02 E2
2
K3
Output 3
3 04
E3
K4
Target 3
Sebuah desain berbasis MATLAB didirikan untuk membuat jaringan default
6
(B) Pengaturan Berat:
(1) Dapatkan semua vektor data training Xi, i = 1,2. . . L
(2) Untuk setiap kelompok vektor data milik kelas yang sama, Xi, i = 1,2. . . N.
7
(A) Menormalkan setiap Xi, i = 1,2. . . N, Xi0 = Xi / sqrt (ΣX2j)
(B) Hitunglah rata-rata vektor X = (ΣXj 0) / N
(C) Menormalkan rata-rata vektor X, X0 = X / sqrt (X2)
(D) Mengatur sesuai bobot Kohonen Neuron ini Wk = X
(E) Mengatur bobot Grossberg [W1kW1k. . . W1K] ke vektor output Y
(3) Ulangi langkah 2 sampai setiap kelas data pelatihan disebarkan ke jaringan.
Test mode
1. Tes kumpulan data yang dihasilkan oleh prosedur, yang menambahkan kesalahan jumlah
bit tertentu dengan aslinya kumpulan data training. Dalam studi kasus ini, prosedur
random digunakan untuk melaksanakan fungsi ini.
Example:
8
2.5 . Implementasi Metoda JST Couterpropagation Termodifikasi
9
Counterpropagation Termodifikasi pada Sistem IEEE 14 bus dilakukan dengan tahapan
sebagai berikut. Model sistem IEEE 14 bus terdiri dari 14 bus dan 20 saluran. Adapun
urutan sistem ini adalah; bus 1 sebagai slack bus dengan referensi tegangan 001,06 ∠ pu,
bus 2, 3, 6, dan 8 sebagai bus generator (PV), dan sisanya sebagai bus beban (PQ).
Model JST Counterpropagation Termodifikasi 1 dilatih untuk menentukan tegangan bus,
sedangkan model JST Counterpropagation Termodifikasi 2 dilatih untuk menentukan
sudut tegangan bus. Jumlah keseluruhan input adalah 34 yang terdiri dari nilai diagonal
dari G dan B, daya aktif dan reaktif pada bus beban dinyatakan dalam admitansi konstan
dan dijumlahkan ke masing-masing elemen diagonal G dan B, daya aktif pada bus
generator 2, tegangan pada 4 bus generator dan slack bus. Pelatihan dan pengujian JST
Counterpropagation Termodifikasi dilakukan dengan 25 kondisi kontingensi,
masingmasing 5 kondisi pembebanan berbeda dan 20 kondisi saluran lepas. Hasil
simulasi magnitudo dan sudut tegangan aliran daya menggunakan Metode Newton
Raphson ditetapkan sebagai data target.
BAB III
PENUTUP
3.1. Kesimpulan
10
JST Couterpropagation adalah perpaduan dari kelompok jaring Kohonen dan
Groosberg outstar. Model JST Counterpropagation menggunakan dua model pelatihan
yaitu pelatihan terbimbing dan pelatihan tidak terbimbing.
Daftar pustaka
11