Geri Dön

Çok durumlu nöron sistemlerinde öğrenme mekanizmaları

Learning mechanisms in multi-state neuron systems

  1. Tez No: 131116
  2. Yazar: BURCU AKCAN ORTAKKAYA
  3. Danışmanlar: PROF. DR. YİĞİT GÜNDÜÇ
  4. Tez Türü: Doktora
  5. Konular: Fizik ve Fizik Mühendisliği, Physics and Physics Engineering
  6. Anahtar Kelimeler: Yapay sinir ağları, depolama kapasitesi, Hopfield modeli, ç-durumlu Potts nöron modeli, ilişkisel hafıza
  7. Yıl: 2003
  8. Dil: Türkçe
  9. Üniversite: Hacettepe Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Fizik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 94

Özet

ÇOK DURUMLU NÖRON SİSTEMLERİNDE ÖĞRENME MEKANİZMALARI Burcu Akçan (Orta kaya) ÖZ Yapay sinir ağlarında son yıllarda yapılan çalışmalar ikili (binary) nöron yapısının optimizas- yon problemleri ve hafıza modellemesi gibi konularda yeterli başarımı göstermediğini ortaya çıkarmıştır. Bu durum istatistik mekaniksel sistemlerin incelenmesinde başarı ile kullanılan spin modellerinin, yapay sinir ağlarına çok durumlu (multi-state) nöron modelleri olarak uygulanmasını sağlamıştır. Kollektif bir sistem olarak ele alınan yapay sinir ağlarında, çok durumlu nöron modellerinin incelenmesi ve seyreltik (diluted) ağ yapısında ağın depolama kapasitesinin belirlenmesi ilgi çekici araştırma alanları olmuştur. Tez çalışmasında çok durumlu nöron yapısı, q- durumlu Potts nöron modeli kullanılarak incelenmiştir. Bu modelde, q = 2, 3, 4 ve 5 durumlarında kritik depolama kapasiteleri, Monte Carlo simülasyon çalışması ile hesaplanmıştır. Kritik depolama kapasitesinin nöron durumuna göre değişimi ortaya çıkarılmıştır. Seyreltik yapay sinir ağlarında depolama kapasitesi, tez kapsamında geliştirilen özel bir seyreltme algoritması kullanılarak çalışılmıştır. Seyreltme algoritması Hopfield modeline ve q- durumlu Potts nöron modeline uygulanmıştır. Yapılan Monte Carlo simülasyon çalış maları sonucunda her iki modelde de seyreltik ağ yapısında tamamiyle bağlantılı duruma göre daha yüksek depolama kapasitesi elde edilebildiği gösterilmiştir.

Özet (Çeviri)

LEARNING MECHANISMS IN MULTI-STATE NEURON SYTEMS Burcu Akçan (Orta kaya) ABSTRACT In last decade, artificial neural network studies indicated that binary neuron structure is not efficient in some research fields such as optimization problems and memory modelling. Hence, spin models which have been successfully applied to the statistical mechanical sys tems were adopted to the artificial neural networks as multi-state neuron models. Consid ering the artificial neural networks as collective systems, to study the multi-state neuron models and to derive the storage capacity of diluted systems are attractive research fields. Multi-state neuron structure was examined via q- state Potts neuron model in this thesis. In this model, the critical storage capacities of the system for q = 2, 3, 4 and 5 states were calculated by using Monte Carlo simulation techniques. The relation between the critical storage capacity and the neuron state was also revealed. Storage capacity of the diluted neural networks studied by using special dilution algortihm that is developed in the content of this thesis. This developed dilution algortihm was applied to Hopfield model and q- state Potts neuron model. The results of Monte Carlo simulation studies indicated that it is possible to obtain higher storage capacity with respect to the fully connected ones in both models. Keywords Artificial neural networks, storage capacity, Hopfield model, ç-state Potts neuron model, associative memory. Adviser : Prof. Dr. Yiğit Gündüç, Hacettepe University, Department of Physics Engineering, High Energy and Plasma Physics Section IV

Benzer Tezler

  1. Tez No

    105618

    Image processing with multi-state neuron systems

    Çok yönelimli nöron sistemlerinde görüntü işleme

    SERPİL ÖZTÜRK

    Yüksek Lisans

    İngilizce

    İngilizce

    2001

    Fizik ve Fizik MühendisliğiHacettepe Üniversitesi

    Fizik Ana Bilim Dalı

    PROF. DR. YİĞİT GÜNDÜÇ

  2. Tez No

    879686

    Machine-learning approaches for neurological disorder diagnosis from genomic and neuroimaging data

    Genomik ve nörogörüntüleme verilerinden nörolojik bozukluk teşhisi için makine öğrenmesi yaklaşımları

    İSMAİL BİLGEN

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. BEHÇET UĞUR TÖREYİN

  3. Tez No

    769255

    Stochastic bitstream-based vision and learning machines

    Stokastik bit akışı tabanlı görü ve öğrenme makineleri

    SERCAN AYGÜN

    Doktora

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. ECE OLCAY GÜNEŞ

  4. Tez No

    39286

    Yapay sinir ağlarında öğrenme algoritmalarının analizi

    Analysis of learning algorithms in neural networks

    SEVİNÇ BAKLAVACI

    Yüksek Lisans

    Türkçe

    Türkçe

    1994

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    DOÇ.DR. LEYLA GÖREN

  5. Tez No

    512088

    Classification of pediatric snoring episodes using deep convolutional neural networks

    Pediyatrik horlama episodlarının derin evrişimsel sinir ağları ile sınıflandırılması

    OZAN FIRAT CİVANER

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. MUSTAFA ERSEL KAMAŞAK

Geri Dön