Geri Dön

Constrained neural networks

Kısıtlı yapay sinir ağları

  1. Tez No: 325596
  2. Yazar: ÜMİT ÖZER
  3. Danışmanlar: PROF. DR. UĞUR AKMAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Kimya Mühendisliği, Chemical Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2012
  8. Dil: İngilizce
  9. Üniversite: Boğaziçi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Kimya Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 174

Özet

Yapay sinir ağları regresyon, tahmin, sınıflandırma, örüntü tanıma, veri tabanlı proses modelleme ve lineer olmayan proses denetimi gibi alanlarda kullanılan işlevsel bir araçtır. Fakat, kimya mühendisliği alanında, kütle ve enerji denklikleri, mol kesri ve dönüşüm yüzdesi sınırları ve güvenlik limitleri gibi eşitlik yada eşitsizlik kısıtları göz önünde bulundurulmalıdır. Bu gibi kısıtlardan dolayı yapay sinir ağlarının kimya mühendisliği gibi katı kurallar içeren alanlarda kullanımı sorun yaratabilmektedir. Bu tez çalışmasında, ileri beslemeli sinir ağları için, sistemin içerdiği ya da dışarıdan çıktılar üzerinde tanımlanan eşitlik ya da eşitsizlik kısıtlarının girdiler ve çıktılar arasındaki ilişki ile birlikte yapay sinir ağına öğretilmesi için yeni yöntemler geliştirilmiştir. Bu sayede, oluşturulan sinir ağının öğrenme ve sınama aşamasındaki kısıt ihlaleri istenilen seviyede kalmıştır. İki alternatif yöntem geliştirilmiştir. Birincisinde MATLAB'ın yapay sinir ağları araç kutusu fonksiyonları kullanılmış, fakat öğrenme aşamasında MATLAB'ın optimizasyon araç kutusunun kısıtlı ya da kısıtsız optimizasyon fonksiyonları kullanılmıştır. İkinci yöntemde ise, ilk yöntemde sinir ağlarını oluşturmak için kullanılan yapay sinir ağları araç kutusu fonksiyonları elle kodlanmıştır. Eşitlik yada eşitsizlik kısıtlarının uygulanmasında doğrudan ve dolaylı (ceza fonksiyonu) olmak üzere iki yöntem uygulanmıştır. Geliştirilen iki adet kısıtlı sinir ağı yöntemi altı örnek üzerinde uygulanmış ve tezde istenilen amaca ulaşılmıştır. Sinir ağları, girdiler ve çıktılar arasındaki bağıntı ile birlikte, çıktılar üzerindeki eşitlik yada eşitsizlik kısıtlarını da başarıyla öğrenmişlerdir. Bu yöntemlerin başarısı özellikle ölçüm hatası içeren verilerin olduğu gerçek durumlarda daha çok ortaya çıkmaktadır, çünkü bu gibi durumlarda öğrenme verisi de kısıt ihlali içermektedir. Kısıtlı sinir ağları, model-/kısıt tabanlı filtreler gibi davranıp, ölçüm hatası içeren verilerde dahi eşitlik ya da eşitsizlik kısıtlarını sağlayarak prosesi öğrenebilmekte ve tahminde bulunabilmektedirler.

Özet (Çeviri)

Artificial Neural Networks (NNs) are very functional tools employed in regression, forecasting, classification, pattern recognition, data-based process modeling, and nonlinear process control. However, the data-based process modeling via NNs may be problematic since the field of chemical engineering has many strict rules in the form of implicit or explicit inequality and/or equality constraints that need to be satisfied, such as the mass and energy balances, bounds on mole fractions, conversion limits, and safety limits. The purpose of the thesis is to develop novel methods to implement equality and/or inequality constraints on/between the outputs of a feedforward NN during its training phase so that constraint violations of the model constructed by the NN are within the tolerable limits both in the training and testing phases. For this purpose, two alternative methods are developed. In the first method, the functions of MATLAB?s NN Toolbox are utilized however an unconstrained or a constrained generic optimizer from MATLAB?s Optimization Toolbox is employed for the training of the NN. In the second method, the algorithm is the same as in the first method however the NN building and NN topology functions of NN Toolbox are not used, instead these are coded explicitly. Direct or indirect (penalty function) constraint handling approaches are used for the implementation of inequality and/or equality constraints. The two methods of Constrained Neural Networks (CNNs), tested on six examples, accomplished the purpose of the thesis; they successfully learn the equality and/or inequality constraints imposed on/between the outputs of the NN together with the relations between the input and output data. The performances of the CNNs are more pronounced especially in realistic cases where the data, corrupted by measurement errors, do not satisfy the constraints. The CNNs act as model-/constraint-based filters and can learn and forecast process behavior even under noise-corrupted data via satisfying the imposed inequality and/or equality constraints.

Benzer Tezler

  1. Training memory-constrained deep learning models using automatic dataflow-graph partitioning

    Başlık çevirisi yok

    FAREED MOHAMMAD FAREED QARARYAH

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKoç Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. DİDEM UNAT

  2. Ülkelerin inovasyon performansının ölçülmesinde yapay sinir ağları, bulanık DEMATEL tabanlı analitik ağ süreci ve ağırlık kısıtlı veri zarflama nalizi yaklaşımlarının bütünleşik olarak kullanılması ve bir uygulama

    Hybrid usage of artificial neural network, fuzzy DANP and assurance region dea model for measuring innovation performance of country

    ENVER ÇAKIN

    Doktora

    Türkçe

    Türkçe

    2017

    İşletmeDokuz Eylül Üniversitesi

    İşletme Ana Bilim Dalı

    DOÇ. DR. ASLI ÖZDEMİR

  3. Improving perceptual quality of spatially transformed adversarial examples

    Uzamsal dönüşümlü çekişmeli örneklerin algısal kalitesinin artırılması

    AYBERK AYDIN

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Modelleme ve Simülasyon Ana Bilim Dalı

    PROF. DR. ALPTEKİN TEMİZEL

  4. Graph neural networks-based primal heuristics for combinatorial optimization

    Kombinatoryal optimizasyon için grafik sinir ağları tabanlı birincil sezgisel yöntem

    FURKAN CANTÜRK

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÖzyeğin Üniversitesi

    Yapay Zeka Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ REYHAN AYDOĞAN

    PROF. DR. OKAN ÖRSAN ÖZENER

  5. Effect of quantization on the performance of deep networks

    Nicelemenin derin ağlara etkisi

    BAŞAR KÜTÜKCÜ

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. GÖZDE BOZDAĞI AKAR