-
Notifications
You must be signed in to change notification settings - Fork 0
/
JST.py
186 lines (130 loc) · 5.65 KB
/
JST.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
import numpy as np
import sys
from math import *
class JST:
#Mendefinisikan fungsi untuk membangkitkan/menginisialisasi bobot awal
def InisialisasiBobot(self,n_input,n_hidden,n_output):
try:
V=np.zeros((n_input+1,n_hidden))
W=np.zeros((n_hidden+1,n_output))
tmp_v=np.random.rand(n_input,n_hidden)
tmp_w=np.random.rand(n_hidden,n_output)
V[0,:]=0.1
V[1:n_input+1,:]=tmp_v
W[0,:]=0.1
W[1:n_hidden+1,:]=tmp_w
return [V, W]
except:
print('Terjadi kesalahan di dalam fungsi inisialisasi bobot',sys.exc_info()[0])
#Mendefinisikan fungsi untuk melakukan normalisasi data
def Normalisasi(self,data):
try:
n_data=data.shape[0]
x=np.zeros((n_data,1))
datamax=max(data)
datamin=min(data)
for i in range(n_data):
x[i,0]=round((data[i]-datamin)/(datamax-datamin),3)
return x
except:
print('Terjadi kesalahan pada fungsi normalisasi',sys.exc_info()[0])
#Mendefinisikan fungsi untuk melakukan denormalisasi data
def Denormalisasi(self, data, mindata,maxdata):
try:
x=round((data*maxdata-data*mindata)+mindata,3)
return x
except:
print('Terjadi kesalahan pada fungsi denormalisasi',sys.exc_info()[0])
#Mendefinisikan fungsi untuk menghitung nilai neuron-neuron pada hidden layer(nilai Z)
def Input2Hidden(self,data,n_hidden,V):
try:
n_data=data.shape[0]
Z=np.zeros((1,n_hidden))
for j in range(n_hidden):
tmp=0
for i in range(n_data):
tmp=tmp+V[i+1,j]*data[i]
tmp=V[0,j]+tmp
#print('Zin : ',tmp)
Z[0,j]=round(1/(1+exp(-tmp)),3)
return Z
except:
print('Terjadi kesalahan pada fungsi perhitungan nilai neruon hidden layer/nilai Z',sys.exc_info()[0])
#Mendefinisikan fungsi untuk menghitung nilai neuron-neuron pada output layer(nilai Y)
def Hidden2Output(self,Z,n_output,W):
try:
[row,col]=Z.shape
Y=np.zeros((1,n_output))
for k in range(n_output):
tmp=0
for j in range(col):
tmp=tmp+W[j+1,k]*Z[0,j]
tmp=W[0,k]+tmp
Y[0,k]=round(1/(1+exp(-tmp)),3)
return Y
except:
print('Terjadi kesalahan pada fungsi perhitungan nilai neuron output layer/nilai Y)',sys.exc_info()[0])
#Mendefinisikan fungsi untuk melakukan proses perambatan maju
def PerambatanMaju(self,data,V,W,n_hidden,n_output):
try:
Z=self.Input2Hidden(data,n_hidden,V)
Y=self.Hidden2Output(Z,n_output,W)
return [Z,Y]
except:
print('Terjadi kesalahan pada fungsi perambatan maju',sys.exc_info()[0])
#mendefinisikan fungsi untuk melakukan proses propagasi mundur dari output layer ke hidden layer
def Output2Hidden(self,target_output,Y,Z,alpha,W):
try:
row,col=Y.shape
tao=np.zeros((row,col))
for i in range(row):
for j in range(col):
tao[i,j]=(target_output[j]-Y[i,j])*Y[i,j]*(1-Y[i,j])
row,col=tao.shape
row1,col1=Z.shape
deltaW=np.zeros((col1+1,col))
for i in range(col):
for j in range(col1):
deltaW[j+1,i]=round(alpha*tao[0,i]*Z[0,j],4)
deltaW[0,i]=round(alpha*tao[0,i],4)
W_baru=W+deltaW
return W_baru
except:
print('Terjadi kesalahan pada fungsi perhitungan propagasi mundur dari output layer ke hidden layer',sys.exc_info()[0])
#Mendefinisikan fungsi untuk melakukan propagasi mundur dari hidden layer ke input layer
def Hidden2Input(self,target_output,Y,data,alpha,Z,W,V):
try:
row,col=Y.shape
tao=np.zeros((row,col))
for i in range(row):
for j in range(col):
tao[i,j]=(target_output[j]-Y[i,j])*Y[i,j]*(1-Y[i,j])
row1,col1=W.shape
row2,col2=Z.shape
taow=np.zeros((row2,col2))
for i in range(col2):
tmp=0
for j in range(col):
tmp=round(tmp+tao[0,j]*W[i+1,j],4)
taow[0,i]=round(tmp*Z[0,i]*(1-Z[0,i]),4)
row,col=taow.shape
n_data=data.shape[0]
m,n=V.shape
deltaV=np.zeros((m,n))
for j in range(col):
tmp=0
for i in range(n_data):
deltaV[i+1,j]=round(alpha*taow[0,j]*data[i],4)
deltaV[0,j]=round(alpha*taow[0,j],4)
V_baru=V+deltaV
return V_baru
except:
print('Terjadi kesalahan pada perhitungan propagasi mundur dari hidden layer ke input layer',sys.exc_info()[0])
#Mendefinisikan fungsi untuk melakukan proses propagasi mundur
def PerambatanMundur(self,target_output,Y,data,alpha,Z,W,V):
try:
W_baru=self.Output2Hidden(target_output,Y,Z,alpha,W)
V_baru=self.Hidden2Input(target_output,Y,data,alpha,Z,W,V)
return [W_baru,V_baru]
except:
print('Terjadi kesalahan pada fungsi propagasi mundur',sys.exc_info()[0])