Computational-Complexity Comparison of Artificial Neural Network and Volterra Series Transfer Function for Optical Nonlinearity Compensation

2018 ◽  
Author(s):  
Yuta Otsuka ◽  
Yuta Fukumoto ◽  
Shotaro Owaki ◽  
Moriya Nakamura
Keyword(s):  
Neural Network ◽  
Artificial Neural Network ◽  
Computational Complexity ◽  
Transfer Function ◽  
Volterra Series ◽  
Optical Nonlinearity ◽  
Nonlinearity Compensation ◽  
Artificial Neural

Perbandingan Model Transfer Function Dan Model Neural Network Untuk Prediksi Banyak Kasus Demam Berdarah Di Kota Malang

2021 ◽  
Vol 11 (1) ◽  
pp. 1-9
Author(s):  
Nanta Sigit ◽  
Ida Ayu P K
Keyword(s):  
Neural Network ◽  
Artificial Neural Network ◽  
Transfer Function ◽  
Model Transfer ◽  
Artificial Neural ◽  
Artificial Neural Network Ann ◽  
Model Transfer Function

ABSTRAK Kota Malang adalah salah satu kota yang dinyatakan sebagai daerah endemis demam berdarah. Pada tahun 2015, jumlah penderita demam berdarah sebanyak 1629 kasus dengan jumlah kematian 13 orang. Ada banyak faktor yang berkontribusi menyebabkan penyakit, begitu juga dengan penyakit demam berdarah. Faktor-faktor tersebut berasal dari individu sendiri maupun dari lingkungan. Beberapa faktor yang terkait dalam penularan demam berdarah antara lain kepadatan penduduk, mobilitas penduduk, kualitas perumahan dan sikap hidup. Sedangkan faktor yang dapat memicu terjadinya demam berdarah adalah faktor lingkungan yang termasuk di dalamnya perubahan suhu, kelembaban udara, dan curah hujan yang mengakibatkan nyamuk lebih sering bertelur dan virus dengue berkembang biak dengan cepat. Parasit dan pembawa penyakit (nyamuk) sangat peka terhadap faktor iklim, khususnya suhu, curah hujan, kelembaban, permukaan air, dan angin. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan suatu model yang  sesuai untuk peramalan demam berdarah dikota malang berdasarkan Transfer Function dan ANN. Data yang digunakan adalah Data demam berdarah tahun 2014 sampai 2019. Hasil penelitian menunjukkan bahwa nilai RMSE, MAPE, dan SMAPE yang terkecil dari kedua model tersebut adalah model Artificial Neural Network.   Kata Kunci : Artificial Neural Network (ANN), Transfer Function, dan Demam Berdarah

Perbandingan Model Transfer Function Dan Model Neural Network Untuk Prediksi Banyak Kasus Demam Berdarah Di Kota Malang

2021 ◽  
Vol 11 (1) ◽  
pp. 1-9
Author(s):  
Nanta Sigit ◽  
Ida Ayu P K
Keyword(s):  
Neural Network ◽  
Artificial Neural Network ◽  
Transfer Function ◽  
Model Transfer ◽  
Artificial Neural ◽  
Artificial Neural Network Ann ◽  
Model Transfer Function

ABSTRAK Kota Malang adalah salah satu kota yang dinyatakan sebagai daerah endemis demam berdarah. Pada tahun 2015, jumlah penderita demam berdarah sebanyak 1629 kasus dengan jumlah kematian 13 orang. Ada banyak faktor yang berkontribusi menyebabkan penyakit, begitu juga dengan penyakit demam berdarah. Faktor-faktor tersebut berasal dari individu sendiri maupun dari lingkungan. Beberapa faktor yang terkait dalam penularan demam berdarah antara lain kepadatan penduduk, mobilitas penduduk, kualitas perumahan dan sikap hidup. Sedangkan faktor yang dapat memicu terjadinya demam berdarah adalah faktor lingkungan yang termasuk di dalamnya perubahan suhu, kelembaban udara, dan curah hujan yang mengakibatkan nyamuk lebih sering bertelur dan virus dengue berkembang biak dengan cepat. Parasit dan pembawa penyakit (nyamuk) sangat peka terhadap faktor iklim, khususnya suhu, curah hujan, kelembaban, permukaan air, dan angin. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan suatu model yang  sesuai untuk peramalan demam berdarah dikota malang berdasarkan Transfer Function dan ANN. Data yang digunakan adalah Data demam berdarah tahun 2014 sampai 2019. Hasil penelitian menunjukkan bahwa nilai RMSE, MAPE, dan SMAPE yang terkecil dari kedua model tersebut adalah model Artificial Neural Network. Kata Kunci : Artificial Neural Network (ANN), Transfer Function, dan Demam Berdarah

Rapid Method for Prediction of Escherichia coli Numbers Using an Electronic Sensor Array and an Artificial Neural Network

2004 ◽  
Vol 67 (8) ◽  
pp. 1604-1609 ◽  
Author(s):  
UBONRATANA SIRIPATRAWAN ◽  
JOHN E. LINZ ◽  
BRUCE R. HARTE
Keyword(s):  
Neural Network ◽  
Escherichia Coli ◽  
Artificial Neural Network ◽  
Transfer Function ◽  
Sensor Array ◽  
E Coli ◽  
Output Layer ◽  
Electronic Sensor ◽  
Artificial Neural ◽  
Hidden Layer

An electronic sensor array with 12 nonspecific metal oxide sensors was evaluated for its ability to monitor volatile compounds in super broth alone and in super broth inoculated with Escherichia coli (ATCC 25922) at 37°C for 2 to 12 h. Using discriminant function analysis, it was possible to differentiate super broth alone from that containing E. coli when cell numbers were 105 CFU or more. There was a good agreement between the volatile profiles from the electronic sensor array and a gas chromatography–mass spectrometer method. The potential to predict the number of E. coli and the concentration of specific metabolic compounds was investigated using an artificial neural network (ANN). The artificial neural network was composed of an input layer, one hidden layer, and an output layer, with a hyperbolic tangent sigmoidal transfer function in the hidden layer and a linear transfer function in the output layer. Good prediction was found as measured by a regression coefficient (R2 = 0.999) between actual and predicted data.

Simultaneous Quantitative Analysis of Clorsulon and Ivermectin in a Veterinary Formulation by Artificial Neural Network

2008 ◽  
Vol 59 (10) ◽  
Author(s):  
Gozde Pektas ◽  
Erdal Dinc ◽  
Dumitru Baleanu
Keyword(s):  
Neural Network ◽  
Artificial Neural Network ◽  
Transfer Function ◽  
Back Propagation ◽  
Ann Model ◽  
Back Propagation Algorithm ◽  
Artificial Neural ◽  
Artificial Neural Network Ann ◽  
Hidden Layer

Simultaneaous spectrophotometric determination of clorsulon (CLO) and invermectin (IVE) in commercial veterinary formulation was performed by using the artificial neural network (ANN) based on the back propagation algorithm. In order to find the optimal ANN model various topogical networks were tested by using different hidden layers. A logsig input layer, a hidden layer of neurons using the logsig transfer function and an output layer of two neurons with purelin transfer function was found suitable for basic configuration for ANN model. A calibration set consisting of CLO and IVE in calibration set was prepared in the concentration range of 1-23 �g/mL and 1-14 �g/mL, repectively. This calibration set contains 36 different synthetic mixtures. A prediction set was prepared in order to evaluate the recovery of the investigated approach ANN chemometric calibration was applied to the simultaneous analysis of CLO and IVE in compounds in a commercial veterinary formulation. The experimental results indicate that the proposed method is appropriate for the routine quality control of the above mentioned active compounds.

Sign in / Sign up

Export Citation Format

Share Document