Geri Dön

Comparison of traditional and evolutionary neural networks for classification

Geleneksel ve evrimsel yapay sinir ağlarının sınıflandırma için karşılaştırılması

  1. Tez No: 276499
  2. Yazar: ASİL ALKAYA
  3. Danışmanlar: PROF. DR. G. MİRAÇ BAYHAN
  4. Tez Türü: Doktora
  5. Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2010
  8. Dil: İngilizce
  9. Üniversite: Dokuz Eylül Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 167

Özet

Sınıflandırma, önceden tanımlanmış gruplara, alternatiflerden oluşan sonlu bir dizinin ataması olarak adlandırılır. Sınıflandırmaya uygulanan istatistiksel modeller, kısıt olarak, söz konusu varsayımların sadece geçerliliğini koruduğu sürece iyi şekilde işler. Yapay sinir ağları, evrensel fonksiyon tahminleyiciler olarak, ele alınan model için fonksiyonel ya da dağılımsal olarak belirgin nitelikte bir biçim olmaksızın veriye kendilerini uyarlayabilir. Yapay sinir ağlarının tasarımındaki güçlük nedeniyle, büyük ve karmaşık problem uzaylarında başarı gösteren, sağlam ve olasılığa dayalı arama stratejileri olan evrimsel algoritmalar, yapay sinir ağlarının içine yerleştirilmiştir. Bu tezde, evrimsel yapay sinir ağlarını kullanarak iki veri seti sınıflandırılmıştır. Her veri setinin optimal evrimsel yapay sinir ağını üretmek için, yüksek doğrulukta sınıflandırma yapmak amacıyla; gizli katmandaki nöron sayısı, adım büyüklüğü ve momentumu içeren parametreler optimize edilmiştir. Çapraz doğrulama ile veri kümelerinin öğrenme ve test alt kümelerinin sınıflandırma performanslarını kıyaslamak için, evrimsel algoritmaların yapay sinir ağlarına uygulanmasını içeren araştırma ortaya konmuştur. Performans, geriyayılım ve evrimsel algoritmalar kullanarak seçilen evrimsel yapay sinir ağları ile sınıflandırılmaya ve değerlendirilmeye konu olan her niteliğe karşılık gelen ortalama hata kare, normalleştirilmiş ortalama hata kare, ortalama mutlak hata, korelasyon katsayısı ve doğru sınıflandırma oranı ile kıyaslanmıştır. Literatürde de öne sürüldüğü gibi; optimize edilmiş parametrelere sahip evrimsel sinir ağlarının; sınıflandırma problemlerinde, geriyayılım algoritmasını kullanan aynı mimariye sahip yapay sinir ağlarına kıyasla daha iyi performans değerleri elde etmektedir.

Özet (Çeviri)

Classification refers to the assignment of a finite set of alternatives into predefined groups. The limitation of the statistical models applied to the classification is that they work well only when the underlying assumptions are satisfied. Neural networks are universal functional approximators so that they can adjust themselves to the data without any explicit specification of functional or distributional form for the underlying model. Because of the difficulty of designing the artificial neural networks; evolutionary algorithms are embedded into artificial neural networks that are robust and probabilistic search strategies excel in large and complex problem spaces. In this thesis, two datasets are classified using evolutionary neural networks. In order to generate an optimal evolutionary neural network of each given dataset, the parameters are optimized including; number of neurons in the hidden layer, stepsize and momentum which makes the classification with high accuracy. Research involving the application of evolutionary algorithms to neural networks for benchmarking the classification performance of training and testing of the datasets with cross validation has been carried out. Performance is benchmarked by mean squared error, normalized mean squared error, mean absolute error, correlation coefficient and true classification rate that is referred to each attribute which is subject to be classified and evaluated with backpropagation and evolutionary neural networks whose parameters are selected using evolutionary algorithms. As argued in the literature; evolutionary neural networks having optimized parameters, get better performance values in classification than the artificial neural networks using the backpropagation algorithm with the same architecture.

Benzer Tezler

  1. Design and deployment of deep learning based fuzzy logicsystems

    Derin öğrenme tabanlı bulanık sistemlerin geliştirilmesi ve uygulanması

    AYKUT BEKE

    Doktora

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TUFAN KUMBASAR

  2. Genetik programlama kullanılarak iki sınıflı tıbbi verilerin sınıflandırılması

    Classification of medical data with two classes by using genetic programming

    MUSBEHA AMAN BATO

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    BiyomühendislikErciyes Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET EMİN YÜKSEL

  3. Antenlerin hızlı ve doğru tasarımı için esnek hesaplamaya dayalı sayısal karma yöntemler

    Numerical hybrid methods based on soft computing for fast and accurate design of antennas

    MAHMUD ESAD YİĞİT

    Doktora

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. MURAT TAYFUN GÜNEL

  4. Destek vektör regresyonu ile PID kontrolör tasarımı

    Design of PID controller via support vector regression

    KEMAL UÇAK

    Yüksek Lisans

    Türkçe

    Türkçe

    2012

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. GÜLAY ÖKE