Geri Dön

Geri beslemeli yapay sinir ağlarının genetik operatörlere dayalı tabu araştırma algoritması kullanarak eğitilmesi

Training recurrent neural networks using tabu search based on genetic operators

  1. Tez No: 50844
  2. Yazar: ADEM KALINLI
  3. Danışmanlar: Y.DOÇ.DR. DERVİŞ KARABOĞA
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 1996
  8. Dil: Türkçe
  9. Üniversite: Erciyes Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Belirtilmemiş.
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 128

Özet

ÖZET İki tip yapay sinir ağı vardır: ileribeslemeli ve geribeslemeli. Bilginin tekrar aynı işlemci elemana dönmesini sağlayan bağlantılar rekursiv olarak adlandırılır ve bu tip bağlantılara sahip yapay sinir ağları geribeslemeli yapay sinir ağı olarak isimlendirilir. Geribeslemeli yapay sinir ağları dinamik sistemlerin kimliklendirilmesi için ileribeslemeli yapay sinir ağlarından daha uygundur. Çünkü bu sinir ağları giriş ve çıkışlar arasında dinamik bir ilişkiye sahiptir. Bu yapay sinir ağlarının özel bir tipi Elman ağıdır. Elman ağı ileribesleme ve geribesleme bağlantılarına sahiptir. Bununla birlikte ileribeslemeli ağlar gibi basit geriyayılım algoritması ile eğitilebilsin diye geribesleme bağlantıları sabit alınmak zorundadır. Eğitimin yakınsaması için geribesleme bağlantıları için doğru değerlerin seçilmesi önemlidir. Bununla birlikte bu değerlerin elde edilmesi uzun bir deneme ve yanılma işleminin yapılmasını gerektirmektedir. Bu tezde, geribeslemeli yapay sinir ağlarının dinamik sistem kimliklendirilmesi için eğitilmesi amacıyla tabu araştırma algoritmasına dayalı bir teknik sunulmaktadır. Bu tekniği kullanarak geribesleme bağlantıları, ileri besleme bağlantıları gibi kolayca eğitilebilmektedir. Zeki problem çözmenin temel kaidelerini simüle eden tabu araştırma iteratif bir algoritmadır ve tek bir çözümle çalışır. Bu özelliğinden dolayı başlangıç çözümüne bağlı olarak küresel optimumun bulunduğu bölgeye erişmesi oldukça uzun zaman gerektirebilir. Genetik bilimi ve tabii seçme üzerine dayalı genetik algoritmalar çözümlerin bir seti ile çalışır ve stokastik geçiş kuralları kullanır. Bundan dolayı küresel optimumun bulunduğu bölgeyi kolayca bulabilmektedir. Yukarıda bahsedilen standart tabu araştırma algoritmasının dezavantajını yok etmek ve algoritmanın performansını artırmak için yeni paralel tabu araştırma modelleri önerilmiştir. Bu yeni modeller genetik algoritmanın mutasyon ve çaprazlama operatörleri üzerine dayalıdır. Yeni modeller genetik ve standart tabu araştırma algoritmalarının avantajlarını birleştirmektedir. İlk olarak standart tabu araştırma ve önerilen algoritmaların performansları bazı yaygın olarak kullanılan nümerik ve ayrık optimizasyon problemleri için test edilmiştir. Sonra her iki algoritma dinamik sistemlerin kimliklendirilmesi amacıyla Elman ağının eğitilmesi için kullanılmış ve performansları standart geriyayılım algoritmasının performansıyla karşılaştırılmıştır.

Özet (Çeviri)

VI SUMMARY There are two main types of neural networks (NNs): feedforward and recurrent. Connections that allow information to loop back to the same processing element are called recursive and NNs having this type connections are named recurrent neural networks (RNNs). RNNs are more suitable than feedforward neural networks (FNNs) for representing a dynamic system since they have a dynamic mapping between its output(s) and input(s). A special type of RNNs is the Elman network. The Elman net has feedforward and feedback connections. However, so that it can be trained essentially as feedforward networks by means of the simple backpropagation (BP) algorithm, the feedback connections have to be kept constant. For the training to converge, it is important to select the correct values for the feedback connections. However, finding these values manually can be lengthy trial-and-error process. In this thesis, a technique based on tabu search algorithm is presented for training recurrent neural networks for identifying dynamic systems efficiently. Using this technique, the feedback connections of the network can be easily trained as feedforward connections. Tabu search which simulates the general tenets of intelligent problem solving is an iterative algorithm and works on a single solution. Due to this feature of the algorithm, depending on the initial solution, reaching the region in which the global optimum exists may require quite long time. Genetic algorithm based on genetic science and natural selection operates on a set of solutions and uses probabilistic transition rules. Therefore, it can easily find the region in which the global optimum exists. In order to overcome the disadvantage of standard tabu search mentioned above, new parallel tabu search models are proposed to improve the performance of the algorithm. The new models are based on the crossover and mutation operations of the genetic algorithm. These models combine the advantages of both genetic and standard tabu search algorithms. First, the performance of the standard tabu search and the proposed algorithms are tested for several well-known numeric and combinatorial optimisation test problems. Second, both algorithms are applied for training Elman neural networks to identify dynamic systems efficiently and their performances are compared to that of standard backpropagation algorithm.

Benzer Tezler

  1. Tez No

    125818

    Taş dolgu dalgakıranların yapay sinir ağları, bulanık mantık sistemleri ve genetik algoritma ile ön tasarımı ve güvenirlik analizi

    Design and reliability analysis of rubble mound breakwaters by using artificial neural networks, fuzzy logic systems and genetic algorithm

    M. LEVENT KOÇ

    Doktora

    Türkçe

    Türkçe

    2002

    İnşaat MühendisliğiGazi Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ.DR. CAN E. BALAS

    PROF.DR. A. SAMET ASLAN

  2. 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

  3. Tez No

    318286

    Genetik algoritmaları kullanarak bir sinir ağının eğitilmesi ve doğrusal olmayan modellerle uygulanması

    Training of neural networks using genetic algorithms and its applications on nonlinear modeling

    HÜSEYİN MUSTAFA METİN

    Yüksek Lisans

    Türkçe

    Türkçe

    2012

    İstatistikMuğla Üniversitesi

    İstatistik Ana Bilim Dalı

    DOÇ. DR. DURSUN AYDIN

  4. Tez No

    166672

    Lojistik sistemlerin yapay sinir ağları ile modellenmesi, gerçeklenmesi ve kontrolü

    Modeling, implementation and control of logistics systems using artificial neural networks

    MURAT ERMİŞ

    Doktora

    Türkçe

    Türkçe

    2005

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF.DR. FÜSUN ÜLENGİL

  5. Tez No

    910368

    Model-free load frequency control in isolated microgrids based on reinforcement learning

    İzole mikroşebekelerde pekiştirmeli öğrenmeye dayalı model bağımsız yük frekans kontrolü

    AMJAD MUNEIM MOHAMMED

    Doktora

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik MühendisliğiMuğla Sıtkı Koçman Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ FATMA YILDIZ TAŞCIKARAOĞLU

Geri Dön