Extract Dynamic Information To Improve Time Series Modeling: a Case Study with Scientific Workflow

Kim, Jeeyung; Jin, Mengtian; Homma, Youkow; Sim, Alex; Kroeger, W.; Wu, Kesheng

doi:10.48550/arxiv.2205.09703

Search citation statements

Order By: Relevance

Paper Sections

Select...

A Jaringan Saraf Multi Layer Perceptron1

Citation Types

Supporting

Mentioning

Contrasting

Unclassified

Year Published

2022

Publication Types

Select...

Article1

Relationship

Self Cite0

Independent1

Authors

Journals

Cited by 1 publication

(1 citation statement)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Gambar 1. Stuktur Multilayer Perceptron [11] Jurnal EECCIS Vol. 16 Jumlah lapisan yang lebih banyak akan mengkompensasi kelemahan sifat perceptron yang hanya bisa melakukan perhitungan linier dan memungkinkan perhitungan nonlinier untuk dilakukan.…”

Section: A Jaringan Saraf Multi Layer Perceptronunclassified

Deteksi Osilasi Kontrol Proses Industri dengan Menggunakan Jaringan Saraf Tiruan - Review

Tsanya

Wardana

Effendy

2022

jeeccis

View full text Add to dashboard Cite

Osilasi kontrol loop adalah salah satu masalah yang sering terjadi di proses industri. Osilasi menyebabkan variabel proses tidak dapat dipertahankan pada kondisi yang diinginkan yang akan menyebabkan kerugian finansial pada industri. Selama beberapa tahun terakhir sudah banyak penelitian yang dilakukan, dan salah satu pendekatan yang semakin banyak digunakan adalah menggunakan jaringan saraf tiruan (JST). Tulisan ini memberikan gambaran tentang karakterisktik JST dan penerapannya untuk deteksi dan diagnosis osilasi kontrol pada proses industri. Dari beberapa studi yang dipelajari, arsitektur JST yang paling umum dipilih untuk proses deteksi osilasi adalah multilayer perceptron (MLP), convulational neural network (CNN) dan recurrent neural network (RNN). Tiap arsitektur tersebut memiliki karakteristik dan fungsi yang berbeda. MLP memiliki karakteristik yang sederhana, dan fleksibel dibandingkan jaringan lainnya. CNN bekerja sangat baik untuk melakukan teknik deteksi dengan menggunakan pengenalan pola. Sementara RNN sangat baik digunakan untuk mendeteksi sistem dinamis pada proses industri.

show abstract

Section: A Jaringan Saraf Multi Layer Perceptronunclassified