Pada algoritma Quickprop dilakukan pendekatan dengan asumsi bahwa kurva fungsi error terhadap masing-masing bobot penghubung berbentuk parabola yang terbuka ke atas, dan gradien dari kurva error untuk suatu bobot tidakterpengaruh oleh bobot-bobot yang lain [Fahlman, 1988]. Dengan demikian perhitungan perubahan bobot hanya menggunakan informasi lokal pada masing-masingbobot. Perubahan bobot pada algoritma Quickprop dirumuskan sebagai berikut:
dengan :
Pada eksperimen dengan masalah XOR dan encoder/decoder [Fahlman, 1988], terbukti bahwa algoritma Quickprop dapat meningkatkan kecepatan training. Eksperimen dari [Schiffmann, 1993] juga menunjukkan peningkatan kecepatan training dan unjuk kerja yang signifikan.
* Fahlman, S.E., 1988, “An Empirical Study of Learning Speed in Back Propagation Networks” , Technical Report CMU-CS-88-162, Carnegie
Mellon University, USA.
* Schiffmann, W., Joost, M., Werner, R., 1993, “Comparison of Optimized Backpropagation Algorithms” , Proc. of the European Symposium on Artificial Neural Networks (ESANN) ’93, Brussels.
Tidak ada komentar:
Posting Komentar
Tinggalkan Komentar :