Enhancement of Particle Swarm Optimization in Elman Recurrent Network with Bounded Vmax Function

Aziz, Mohamad Firdaus Ab; Shamsuddin, Siti Mariyam; Alwee, Razana

doi:10.1109/ams.2009.90

Cited by 3 publications

(2 citation statements)

References 12 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Pada Recurrent Neural Network, output dari network digunakan kembali sebagai input network. Elman Recurrent Neural disebut partial recurrent neural network karena recurrent weight adalah tetap [4]. Network ditambahkan di layer context sebagai tambahan layer proses.…”

Section: Arsitektur Errn (Elman Recurrent Neural Network)unclassified

“…Pada prinsipnya, masukan disebarkan secara feed forward yang kemudian diberikan suatu learning rule. Jaringan jenis dapat memelihara suatu urutan keadaan dan mengijinkannya untuk melakukan beberapa pekerjaan sekaligus, contohnya seperti sequence prediction yang berada diluar kemampuan Multi Layer Perceptron [4]. Masukan tidak hanya nilai dari luar jaringan, tetapi ditambah dengan nilai keluaran dari neuron tersembunyi dari propagasi sebelumnya.…”

Section: Elman Recurrent Neural Network Merupakan Variasi Dari Multi unclassified

See 1 more Smart Citation

Prediksi Penggunaan Bandwidth Menggunakan Elman Recurrent Neural Network

Radjabaycolle¹,

Pulungan²

2016

BAREKENG: J. Mat. & Ter.

View full text Add to dashboard Cite

AbstrakJaringan Syaraf Tiruan (JST) sering dipakai dalam menyelesaikan permasalahan tertentu seperti prediksi, klasifikasi, dan pengolahan data. Berdasarkan hal tersebut, dalam penelitian ini mencoba menerapkan JST untuk menangani permasalahan dalam prediksi penggunaan bandwidth. Sistem yang dikembangkan dapat digunakan untuk memprediksi pengunaan bandwidth dengan menerapkan Elman Recurrent Neural Network (ERNN). Struktur Elman dipilih karena dapat membuat iterasi jauh lebih cepat sehingga memudahkan proses konvergensi.. Vektor input yang digunakan menggunakan windows size. Hasil penelitian dengan menggunakan target error sebesar 0.001 menunjukkan nilai MSE terkecil yaitu pada windows size 11 dengan nilai 0.002833. Kemudian dengan menggunakan 13 neuron pada hidden layer diperoleh nilai error paling optimal (minimum error) sebesar 0.003725. AbstractArtificial Neural Network (ANN) can be used to solve specific problems such as prediction, classification, and data processing. Accordingly, in this study tries to apply neural networks to deal with the problem of prediction bandwidth usage. The system developed can be used to predict the bandwidth usage by applying Elman Recurrent Neural Network (ERNN). Elman structure chosen because it can make much faster iterations so as to facilitate the process of convergence. Input vector used to use windows size. The results using a target error of 0001 showed the smallest MSE value is on the windows size 11 with a value of 0.002833. Then, using 13 neurons in the hidden Layer error values obtained most optimal (minimum error) amounted to 0.003725.

show abstract

Section: Arsitektur Errn (Elman Recurrent Neural Network)unclassified

Section: Elman Recurrent Neural Network Merupakan Variasi Dari Multi unclassified