Geri Dön

A new classifier topology – generalized classifier neural network and its hardware implementations

Yeni bir sınıflayıcı topolojisi – genelleştirilmiş sınıflayıcı yapay sinir ağı ve donanım üzerinde gerçekleştirilmesi

  1. Tez No: 394574
  2. Yazar: BUSE MELİS ÖZYILDIRIM
  3. Danışmanlar: DOÇ. DR. MUTLU AVCI
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2015
  8. Dil: İngilizce
  9. Üniversite: Çukurova Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 222

Özet

Bu çalışmada, radyal tabanlı fonksiyona dayalı genelleştirilmiş sınıflayıcı yapay sinir ağı adı verilen yeni bir sınıflama yapay sinir ağı geliştirilmiş ve alan programlanabilir kapı dizileri üzerinde gerçekleştirilmiştir. Ayrıca sunulan yapay sinir ağı, ilk olarak logaritmik öğrenme yönteminin adaptasyonu ile sonrasında ise bu çalışmada önerilen yeni bir yumuşatma parametresi hesabı yöntemi (tek geçişli öğrenme) kullanılarak ilerletilmiştir. Tek geçişli öğrenme yöntemi, sunulan sınıflayıcının donanım üzerinde uygulanabilirliğini arttırmıştır; bu nedenle, tek geçişli öğrenen genelleştirilmiş yapay sinir ağı, alan programlanabilir kapı dizileri üzerinde cihaz dışı öğrenme yöntemi ile gerçekleştirilmiştir. Tanıtılan sınıflayıcı ve öğrenme yöntemleri, UCI makine öğrenmesi veri seti deposundan 15 veri seti ile 10'lu çapraz geçerlilik ile test edilmiş ve sıklıkla kullanılan diğer yapay sinir ağı yöntemleriyle karşılaştırılmıştır. Test sonuçları, sınıflayıcının ve öğrenme yöntemlerinin etkinliğini kanıtlamaktadır. Yazılım testlerine ek olarak, önerilen donanımın 10'lu çapraz geçerlilik testine uygun şekilde UCI makine öğrenmesi veri seti deposundan 8 veri seti ile simülasyonu yapılmış ve Xilinx ML605 Geliştirme kartı üzerinde gerçekleştirilmiştir. Simülasyon ve uygulama sonuçları, önerilen sınıflayıcı donanımının doğruluk kaybı olmadan çalıştığını göstermektedir. Diğer bir yandan, donanım kaynaklarının kısıtlı olması nedeniyle eğitim veri setleri gruplara bölünmüş ve donanıma grup grup gönderilmiştir. Bu nedenle, donanımın paralelliği gruptaki veri seti sayısıyla sınırlanmıştır ve hız kazancı beklenenden daha düşük olmuştur.

Özet (Çeviri)

In this study, a new radial basis function based classification neural network named as generalized classifier neural network is developed and implemented on field programmable gate arrays. Moreover, introduced neural network is improved by firstly, adapting logarithmic learning method (logarithmic learning for generalized classifier neural network) and then, utilizing a new smoothing parameter calculation method (one pass learning for generalized classified neural network) proposed in this study. Since one pass learning eliminates the training step of generalized classifier neural network, it increases the hardware implementability of generalized classifier neural network; hence, it is implemented on field programmable gate array with off-board learning. Introduced classifier and learning methods are tested on 15 UCI machine learning repository datasets as 10-fold cross validation and compared with frequently used neural network methods in the literature. Test results proved the efficiency of classifier and learning methods. Generalized classifier neural network evolved to be used in real time applications by exploiting the one pass learning method. In addition to software tests, proposed hardware is simulated and implemented on Xilinx ML605 Evaluation board as 10-fold cross validation testing for 8 UCI machine learning repository datasets. Simulation and implementation results show that generalized classifier neural network hardware is working without accuracy loss. On the other hand, due to the resource limit of hardware, training data are divided into sets and applied to the hardware set by set. Hence, parallelism of hardware is limited to the number of training data in the set and speed gain is lower than expected.

Benzer Tezler

  1. Uydu görüntü verisinin yapay sinir ağları ile sınıflandırılması

    Classification of satellite imagery data with artificial neural networks

    COŞKUN ÖZKAN

    Doktora

    Türkçe

    Türkçe

    2001

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Jeodezi ve Fotogrametri Mühendisliği Ana Bilim Dalı

    DOÇ.DR. FİLİZ SUNAR ERBEK

  2. Yeni bir hata değişik delta ağ maddeli arttırılmış delta ağı (ADA)

    Başlık çevirisi yok

    M.EBRU KOLUSAYIN

    Yüksek Lisans

    Türkçe

    Türkçe

    1998

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Kontrol ve Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MEHMET BÜLENT ÖRENCİK

  3. Band geçiren aktif OTA-C filtrelerinin quad ve kaskad yöntemi kullanılarak tasarımı ve duyarlılık analizi

    Design of bandpass active OTA-C filter using cascade and quad methods and sensitivity analysis

    A. GÜNAY AĞALAR

    Yüksek Lisans

    Türkçe

    Türkçe

    1997

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. ALİ NUR GÖNÜLEREN

  4. Tarihi yarımada'da turizm amaçlı, mekansal tabanlı sanal gerçeklik olanaklarının araştırılması

    Research on spatial-based virtual reality opportunities for tourism purposes in the historical peninsula

    SANÇAR BUHUR

    Doktora

    Türkçe

    Türkçe

    2023

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. NEBİYE MUSAOĞLU

  5. Fırçasız doğru akım motorlu tahrik sistemlerinde oniki darbeli sürücü

    Twelve-step drive of brushless dc machines

    LATİF TEZDUYAR

    Doktora

    Türkçe

    Türkçe

    1997

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. M. EMİN TACER