Yapay alg algoritması ile yapay sinir ağlarının ağırlıklarının optimizasyonu
The weights optimization of artificial neural network with artificial algae algorithm
- Tez No: 538935
- Danışmanlar: DOÇ. DR. GÜLAY TEZEL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2018
- Dil: Türkçe
- Üniversite: Selçuk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 63
Özet
Son yıllarda, Yapay sinir Ağı (YSA), yapay zeka uygulamaları içinde en çok tercih edilen teknik ve bunun sebebi dinamik olarak sınıflandırma veya tahmin problemlerini çözebilme yeteneğidir. YSA üzerine yapılan pek çok çalışma, YSA'nın daha iyi öğrenmesini ve sınıflandırma veya tahmin için verilen dataya göre daha doğru davranmasını amaçlamaktadır. YSA güçlü bir teknik olmasına rağmen, ağın eğitimi zor bir görev olabilir ve daha karmaşık problemler, ağın eğitiminin daha zor hale gelmesine neden olur. Bu kısıtların üstesinden gelmek için yeni yaklaşımlar geliştirilmektedir. Bu yaklaşımlar, YSA modelleme sürecinin başarısını etkileyen en önemli faktörler olduğu için çoğunlukla eğitme algoritması ve parametre optimizisyonuna dayanmaktadır. Bu amaçla kullanılan birçok metaheuristik optimizasyon algoritması vardır. Parçacık Sürü Optimizasyonu (PSO), bunların en yaygın algoritmasıdır. Yapay Alg Algoritması (YAA) yeni geliştirilen ve farklı tipte problemlerde yüksek başarı gösteren bir optimizasyon algoritmasıdır. Algoritma, Evrimsel Süreç, Adaptasyon Süreci ve mikro algın hareketine dayanır. Bu çalışmada YAA, geri yayılım yerine YSA eğitim süreci olarak önerilmiştir. YSA-PSO, algoritmaların performanslarını karşılaştırmak için önerilen YSA-YAA ile aynı koşullarda geliştirilmiştir. UCI KDD Makine Öğrenme Deposu'ndan elde edilen iki veri seti bu amaçla kullanılmıştır. Ayrıca hem sınıf hedef değerlerinin ve hem de farklı nitelik kombinasyonlarının etkisini gözlemek amacıyla da YSA-PSO ve YSA-YAA ile denemeler yapılmıştır. Sınıf hedef değerleri (0, 1), (0.1, 0.9), (0.2, 0.8) ve (0.2, 0.6) olarak seçilmiştir. Sonuçlar göstermiştir ki, YSA-PSO, YSA-YAA'dan biraz daha iyi performansa sahiptir. Ancak YSA-YAA'nın da YSA-PSO'ya benzer bir doğruluk gösteren çok etkili bir rakip olduğu görülmüştür. Her iki veri kümesi için de (0.2,0.6) hedef değerleri için başarılı sonuçlar elde edilmiştir.
Özet (Çeviri)
Recently, Artificial Neural Network (ANN) was the most preferred technique for artificial intelligence applications, and the reason is the dynamic ability to solve classification or prediction problems. Most studies on ANN aim to develop a model that learn perfectly and to behave correctly according to the given data. Although ANN is a powerful technique, training a network can be a difficult task, and the more complex problems are, the more difficult the training of the network becomes. The most important studies on training algorithm and parameter optimization as these are the most important factors which affect the success of the process of ANN modeling. There are several metaheuristic optimization algorithms used to train ANN. Particle Swarm Optimization (PSO) is one of the most common algorithm of these. Artificial Algae Algorithm (AAA) is an optimization algorithm which has been newly developed and showed high success in different types of problems. The algorithm is based on the Evolutionary Process, Adaptation Process and the movement of microalgae. In this study, AAA was suggested as an ANN training algorithm instead of backpropagation. ANN-PSO is improved in the same conditions with the proposed ANN-AAA to compare the performances of algorithms. Two benchmark datasets obtained from UCI KDD Machine Learning Repository were used for this aim. Also the experiments with MLP-PSO and MLP-AAA were performed to investigate both the effects of class target values and different attribute combinations. The class target values were selected as (0, 1), (0.1, 0.9), (0.2, 0.8) and (0.2, 0.6). The results showed that ANN-PSO performed slightly better than ANN-AAA. But performance of ANN-AAA is very effective and competitor to ANN-PSO which showed good accuracy. The successful accuracy values were obtained for both datasets with the (0.2, 0.6) target values.
Benzer Tezler
- Yapay sinir ağlarının yapay alg algoritması ile eğitimi
Artificial algae algori̇thm on training artificial neural networks
BAHAEDDİN TÜRKOĞLU
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERSİN KAYA
- Development of a novel candidate solution quality prediction approach to artificial algae algorithm
Yapay alg algoritması için yeni bir aday çözüm kalite tahmin yaklaşımı geliştirilmesi
ABDULKERIM MOHAMMED YIBRE
Doktora
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUSTAFA SERVET KIRAN
- Arama kurtarma faaliyetlerinde sürü İHA'ların optimum uçuş uygulaması
Optimum flight application of flock UAVs in search and rescue activities
NİSANUR KİRAZ PEKİN
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SAİT ALİ UYMAZ
- Analog layout generation for silicon compilation
Silikon derleme için analog serim üretimi
ALTUĞ ŞİMŞEK
Yüksek Lisans
İngilizce
1997
Elektrik ve Elektronik MühendisliğiBoğaziçi ÜniversitesiDOÇ. DR. SİNA BALKIR
- Optimizasyon problemlerinin çözümünde mikro yapay alg algoritmasının geliştirilmesi
Development of micro-artificial algae algorithm for solution of optimization problems
HÜSEYİN SAMET CAN
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SAİT ALİ UYMAZ