Geri Dön

Bir geri yayılım nöral ağında giriş tabakasındaki işlemci sayısını artırmanın performans, eğitme zamanı ve saklı tabakadaki nöron sayısı üzerindeki etkileri

Başlık çevirisi mevcut değil.

  1. Tez No: 29675
  2. Yazar: ADEM KALINLI
  3. Danışmanlar: YRD. DOÇ. DR. MEHMET ALTUNER
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 1993
  8. Dil: Türkçe
  9. Üniversite: Erciyes Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektronik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 61

Özet

-vııv SUMMARY At present, neural networks can be used by so many scientist, psychology, physiology and etc. due to their features which make able to take part in many research fields. To achieve some functions of brain being used by neural networks, there are so many algorithms have been developed. One of the best known and widely used algorithm is back propagation (BP) algorithm. This algorithm gives better results when compared to other algorithms for recognition and classification of patterns. In the present study, a neural network is designed and build to recognize 26 basic alphabetic characters (patterns). To achieve this, a computer programme based on BASIC language is developed giving outputs their corresponding performances on the screen. After training the network 100000 training times, network gives about 99.5 % of learning performances. Introducing noise (incomplete data) does not effect the output of the network. However, this is only be true for a certain range of noise level. It can be found that increasing input data or increasing number of processing elements in the input layer does not have any effect on the optimum number of processing elements in the hidden layer. This argument is also be true for the training time. On the other hand, increasing the number of patterns to be recognized in the input layer has an effect on the number of optimum processing elements in the hidden layer and the training time.-vn- Bu çalışmanın sonucunda ise, giriş tabakasındaki işlemci eleman sayısını arttırmanın alfabetik desenlerin tanınması için saklı -tabakada yer alacak optimum işlemci eleman sayısı ve eğitme zamanı üzerinde fazlaca bir etkisi olmadığı görülmüştür. Saklı -tabakada yer alacak işlemci eleman sayısı ve eğitme zamanının, çıkış-tabakasında yer alan işlemci eleman sayısı arttığında; yani tanınması gereken daha fazla desen olduğunda değiştiği anlaşılmıştır.

Özet (Çeviri)

-vııv SUMMARY At present, neural networks can be used by so many scientist, psychology, physiology and etc. due to their features which make able to take part in many research fields. To achieve some functions of brain being used by neural networks, there are so many algorithms have been developed. One of the best known and widely used algorithm is back propagation (BP) algorithm. This algorithm gives better results when compared to other algorithms for recognition and classification of patterns. In the present study, a neural network is designed and build to recognize 26 basic alphabetic characters (patterns). To achieve this, a computer programme based on BASIC language is developed giving outputs their corresponding performances on the screen. After training the network 100000 training times, network gives about 99.5 % of learning performances. Introducing noise (incomplete data) does not effect the output of the network. However, this is only be true for a certain range of noise level. It can be found that increasing input data or increasing number of processing elements in the input layer does not have any effect on the optimum number of processing elements in the hidden layer. This argument is also be true for the training time. On the other hand, increasing the number of patterns to be recognized in the input layer has an effect on the number of optimum processing elements in the hidden layer and the training time.

Benzer Tezler

  1. Tez No

    252311

    İznik göl suyu kalite parametrelerinin yapay sinir ağlarıyla değerlendirilmesi

    Evaluation of water quality parameters for Iznik lake by means of artificial neural networks

    AHU DEDE

    Yüksek Lisans

    Türkçe

    Türkçe

    2009

    Çevre Mühendisliğiİstanbul Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. HİKMET KEREM CIĞIZOĞLU

  2. Tez No

    847190

    Prediction of COVID 19 disease using chest X-ray images based on deep learning

    Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini

    ISMAEL ABDULLAH MOHAMMED AL-RAWE

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ADEM TEKEREK

  3. Tez No

    562687

    BMI prediction from face images

    Yüz görüntülerinden vücut kitle indeksi tahmini

    GÜLPINAR BÖLÜKBAŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA ERSEL KAMAŞAK

  4. Tez No

    864179

    Energy modelling and applications of neural network accelerators

    Yapay sinir ağlarını hızlandırıcı devrelerin enerji tüketiminin modellenmesi ve uygulamaları

    BERKE AKGÜL

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TUFAN COŞKUN KARALAR

  5. Tez No

    634567

    Yapay sinir ağı destekli bir endüstriyel görüntü işleme uygulaması

    An industrial image processing application with artificial neural network

    GÖKTUĞ ÜLKÜER

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Mühendislik Bilimleriİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    PROF. DR. SALMAN KURTULAN

Geri Dön