![]() 28
l
Weight
correction
?w
ji
(n)
Learning – rate
parameter
?
Local
.
gradient
.
d
j
(n)
Input signal
of neuron j
y
j
(n)
w1
j
(n)
w2
j
(n)
w
m
j
(n)
d
1
(n)
d
k
(n)
?
1
'
(v1
(n))
e1 (n)
? (v
k
' (v
k
(n))
e
k
(n)
d
(n)
?
'
(v
(n))
m
l
m
l
m
l
e
m
l
(n)
Gambar 2.4 Aliran Sinyal Error dari Komputasi Backward
2.2.7
Fungsi aktivasi
Untuk
melakukan
komputasi
dari
nilai d untuk
setiap
neuron
dari
perceptron
multilayer,
diperlukan
informasi
mengenai
turunan
dari
fungsi
aktivasi
?
(.) yang
diasosiasikan dengan neuron. Agar turunan ini muncul, maka diperlukan adanya fungsi
aktivasi
yang kontinyu secara nonlinear dan dapat diturunkan; berikut adalah dua contoh
dari bentuk tersebut:
a)
Fungsi logistic. Bentuk umum dari ketidaklinieran sigmoidal didefinisikan
sebagai berikut
?
j
(v
j
(n)) =
1
1
+
exp(-av (n))
j (n))
a > 0 dan -8 < v
j
(n) < 8
|