Geri Dön

Yapay sinir ağları parametrelerinin optimizasyonunda deney tasarımının kullanılması: Tütün endüstrisi örneği

Utilizing experimental design to optimize parameters of artificial neural networks: Example of tobacco industry

  1. Tez No: 514510
  2. Yazar: YUNUS EMRE MİDİLLİ
  3. Danışmanlar: PROF. DR. SERMİN ELEVLİ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2018
  8. Dil: Türkçe
  9. Üniversite: Ondokuz Mayıs Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Akıllı Sistemler Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 127

Özet

Tahmin modellerinde yaygın kullanılan yapay zekâ tekniklerinden birisi olan yapay sinir ağlarının tahmin performansını etkileyen öğrenme katsayısı, momentum katsayısı, nöron sayısı vb. gibi faktörler söz konusudur. Bu faktörlerin seçiminde genellikle deneme–yanılma yönteminden yararlanılmakta olup, en yüksek performansı gösteren yapay sinir ağı topolojisi seçilmeye çalışılmaktadır. Ancak bu yaklaşım hem zaman alan bir süreç olmakta, hem de her seferinde sadece bir faktördeki değişimin performans üzerindeki etkisini ölçebilmektedir. Son yıllarda deneme-yanılma yöntemine alternatif olarak en yüksek performansı verecek yapay sinir ağı topolojisini bulmak amacıyla deney tasarımı yöntemi, genetik algoritma, benzetilmiş tavlama gibi optimizasyon yöntemlerinden yararlanılmaktadır. Bu çalışmada tütün endüstrisinde önemli bir fiziksel kalite parametre olan“uç dökülmesi”nin tahmininde kademeli azalan yöntem ve genetik algoritma ile öğrenme gerçekleştiren yapay sinir ağlarına etki eden faktörler optimize edilmek istenmiştir. Bu kapsamda uç dökülmesi parametresine etki eden kalite parametreleri çevre, toplam ağırlık, tütün nemi, tütün parçacık miktarı ve tütün doldurma değeri olarak ele alınmıştır. Yanıt yüzeyi yöntemlerinden Box-Behnken deney tasarımının kullanıldığı çalışmada kademeli azalan öğrenme yöntemi için ara nöron sayısı, öğrenme katsayısı, momentum katsayısı, epoch sayısı ve durma kriteri, genetik algoritma öğrenme yöntemi için epoch sayısı, ara nöron sayısı, popülasyon büyüklüğü, çaprazlama oranı, mutasyon oranı ve SBX katsayısı deneysel faktörler olarak seçilmiştir.“Ortalama Mutlak Hata”nın ve“Öğrenme Süresi”nin en küçüklendiği kombinasyona sahip yapay sinir ağı, uç dökülmesi parametresinin tahmini için kullanılmıştır. Bu çalışmada önerilen yöntemin diğer tahmin problemlerine de kolaylıkla uygulanabilmesi amacıyla“OMU Neural Optimization”adında bir yazılım geliştirilmiştir.

Özet (Çeviri)

Artificial neural networks are commonly used in predictive models as an artificial intelligence technique and there are parameters like learning rate, momentum rate, neuron amount etc., which have impact on performance of neural network. Try and fail approach is generally used to determine these parameters and the topology which gives maximum performance is selected. However, this approach is not only time-consuming approach but also an approach which does show only one parameter's effect on the response. Recently the methods such as experimental design, genetic algorithm, simulated annealing etc. are used to determine optimum neural network topology as an alternative to try and fail approach. In this study, the factors, which affect performances of neural networks learning with gradient descent and genetic algorithm, are desired to be optimized to predict one of the most important quality parameter, loose ends, in tobacco industry. In this context, the quality parameters, which affect loose ends, are considered as cigarette circumference, total cigarette weight, tobacco moisture, tobacco sieve amount and tobacco fill value. While hidden neuron amount, learning rate momentum rate, epoch size and stop criteria are considered as factors for Box-Behnken experimental design one of the response surface models, in gradient descent learning algorithm, epoch size, hidden neuron amount, population size, crossover rate, mutation rate and SBX coefficient are selected for the factors of genetic algorithm learning method. The neural network, in which“Mean Absolute Deviation”and“Learning Rate”are minimized, is utilized to predict loose end parameter. In this paper, to apply proposed method to other prediction problems in a straightforward way; a software called“OMU Neural Optimization”is developed.

Benzer Tezler

  1. Akımsız nikel esaslı alaşım kaplamalarda en iyi kaplama özelliklerini sağlayan banyo parametrelerinin yapay zeka yöntemleri ile tersine optimizasyonu

    Inverse optimization of bath parameters providing the best coating properties in electroless nickel-based alloy coatings using artificial intelligence methods

    MEHMET FATİH TAŞKIN

    Doktora

    Türkçe

    Türkçe

    2024

    Endüstri ve Endüstri MühendisliğiSakarya Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. ÖZER UYGUN

  2. A roadmap for breast cancer microwave hyperthermia treatment planning and experimental systems

    Meme kanseri mikrodalga hipertermisinde tedavi planlama ve deneysel sistemler için bir yol haritası

    MELTEM DUYGU ŞAFAK

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GÜLŞAH YILDIZ ALTINTAŞ

  3. Yüksek hızlı işlemede kesme parametrelerinin yüzey kalitesi açısından optimizasyonu

    The optimization of the cutting parameters in terms of the surface quality in high speed machining

    MUSTAFA HAMAMCI

    Yüksek Lisans

    Türkçe

    Türkçe

    2012

    Makine MühendisliğiErciyes Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    DOÇ. DR. EYÜP SABRİ TOPAL

  4. İnsansız hava aracı ile fotogrametrik temelli görüntü alımı ve uçuş optimizasyonu

    Photogrammetric based image acquisition and flight optimization by unmanned aerial vehicle

    HASAN BİLGEHAN MAKİNECİ

    Doktora

    Türkçe

    Türkçe

    2020

    Jeodezi ve FotogrametriKonya Teknik Üniversitesi

    Harita Mühendisliği Ana Bilim Dalı

    PROF. DR. HAKAN KARABÖRK

  5. Multi-agent coverage control with adaptation to performance variations and imprecise localization

    Çok etmenli sistemlerde performans değişimlerine adaptasyonu ve konumlama belirsizliğini göz önüne alan kapsama kontrolü

    MERT TURANLI

    Doktora

    İngilizce

    İngilizce

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    PROF. DR. HAKAN TEMELTAŞ