Gelombang segitiga boleh diaplikasikan dalam pelbagai bidang seperti isyarat jam penyegerakan. Isyarat jam ini amat penting dalam menyegerakan operasi antara modulmodul dalam litar VLSI. Kelancaran gelombang segitiga telah menghasilkan komponen frekuensi yang rendah di mana ia dapat menterjemahkan dengan ketara kepada penggunaan kuasa yang lebih rendah dan mengaruhkan hinggar jika dibandingkan dengan isyarat jam segiempat. Data gelombang ini adalah diperolehi dari UCI Machine Learning Repository. Data ini terdiri daripada 21 masukan yang bersifatkan nilai berterusan. Keluaran mewakili 3 jenis gelombang segitiga yang di gambarkan sebagai Kelas 0, Kelas 1, dan Kelas 2. Setiap kelas adalah dihasilkan secara rambang dari kombinasi dua daripada 3 gelombang segitiga asal seperti mana yang diperihalkan oleh Breiman. Projek ini mengklasifikasikan gelombang segitiga dengan menggunakan Rangkaian Neural Buatan sebagain sistem pintar. Rangkaian Perseptron Berbilang Lapisan atau MLP telah dicadangkan untuk membina klasifikasii pintar ini. Rangkaian MLP ini telah dilatih dengan menggunakan dua algoritma pembelajaran; iaitu Levenberg-Marquardt (LM) dan Resilient Back propagation (RP). Rangkaian MLP ini telah di latih dan di uji dengan menggunakan perisian MATLAB. Dalam kajian ini, didapati bahawa kedua-dua LM and RP algoritma telah menghasilkan kebetulan pengelasan sebanyak 89.40%. Tetapi RP algoritma telah dipilih sebagai algoritma pembelajaran yang lebih baik berbanding dengan LM algoritma dalam penilaian klasifikasi gelombang ini kerana RP hanya memerlukan 27 nod pada lapisan tersembunyi manakala LM memerlukan 40 nod tersembunyi. Kajian ini juga telah membuktikan kebaikan rangkaian MLP untuk tugasan ini berbanding dengan kaedah Optimal Bayes dimana ia hanya memperolehi sebanyak 86.00% kebetulan pengelasan dengan menggunakan 300 data sebagai latihan.
___________________________________________________________________________________
Triangular waveform is applicable to many fields, such as clock signal synchronization. The clock signal is very important to synchronize the operations among the modules in the VLSI circuits. The smoothness of the triangular waveforms produces a lower frequency component which is able to translate into significantly lower power consumption and induced noise when compared with a square clock signal. The waveform data was obtained from the UCI Machine Learning Repository. They consist of 21 input attributes with continuous values. The output represents 3 types of triangular waveforms denoted as Class 0, Class 1, and Class 2. Each class is generated from a random convex combination of two of the three ‘base’ triangular waves as described by Breiman. This project presents the classification of triangular waveform using an Artificial Neural Network (ANN) model as an intelligent system. The Multilayer Perceptron (MLP) ANN is proposed to be used in developing the intelligent classification system. The MLP network is trained using two learning algorithms; Levenberg-Marquardt Back propagation (LM) and Resilient Back propagation (RP) algorithms. The proposed MLP Neural Network architecture is trained and tested using the MATLAB software package. In this study, the results show that both RP and LM algorithms produce the same percentage correct classification of 89.40%. But RP algorithm was chosen to be a better learning algorithm compared to the LM algorithm in performing the waveform classification because RP requires only 27 neurons in the hidden layer, meanwhile LM requires 40 hidden neurons. This study also demonstrates the superiority of an MLP network for the task as compared to the Optimal Bayes classification method which only obtains 86.00% of correct classification which using 300 data for the training.
Multilayer perceptron neural network for triangular waveform classification_Teng Ling Huey_E3_2008 _NI