IDENTIFIKASI SISTEM NONLINIER DENGAN MENGGUNAKAN RECURRENT NEURAL NETWORK DAN ALGORITMA DEAD-ZONE KALMAN FILTER

Soelaiman, Rully (2009) IDENTIFIKASI SISTEM NONLINIER DENGAN MENGGUNAKAN RECURRENT NEURAL NETWORK DAN ALGORITMA DEAD-ZONE KALMAN FILTER. Industrial Electronic Seminar.

Preview

PDF Download (396Kb) | Preview

Abstract

Identifikasi sistem nonlinier telah terbukti dapat diselesaikan menggunakan jaringan saraf tiruan dengan berbagai algoritma pembelajaran bobot. Algoritma pembelajaran normal seperti backpropagation (BP), memiliki beberapa kelemahan antara lain proses konvergensi yang masih lambat, beban komputasional yang meningkat seiring bertambahnya iterasi dan proses pembelajaran sensitif terhadap noise. Oleh karena itu algoritma pembelajaran extended Kalman filter (EKF) yang memiliki konvergensi cepat diusulkan walaupun perhitungannya lebih rumit dan masih sensitif terhadap noise. Pada makalah ini, algoritma (EKF) diimplementasikan pada state-space recurrent neural network (RNN) untuk mengidentifikasi sistem nonlinier. Algoritma ini digunakan untuk mengupdate bobot pada lapisan tersembunyi dan lapisan keluaran dari jaringan saraf tiruan berdasarkan identifikasi error antara target dengan hasil estimasi state. Algoritma EKF dimodifikasi dengan algoritma dead-zone untuk memperbaiki kekuatan Kalman filter. Teori kestabilan Lyapunov digunakan untuk membuktikan bahwa Algoritma Kalman filter dengan dead-zone stabil. Untuk membuktikan hasil identifikasi yang baik dengan dead-zone Kalman filter (DKF) maka digunakan algoritma BP sebagai pembanding. Dari hasil uji coba dan evaluasi, dapat disimpulkan bahwa hasil identifikasi dengan DKF lebih akurat dan efisien serta lebih cepat konvergensinya dibandingkan dengan algoritma pembanding.

Actions (login required)