Geri Dön

Pi-sigma yapay sinir ağlarının diferansiyel gelişim algoritması ile eğitimi

The training of pi-sigma artificial neural networks with differential evolution algorithm

PDF İndir

  1. Tez No: 565608
  2. Yazar: OĞUZHAN YILMAZ
  3. Danışmanlar: DOÇ. DR. EREN BAŞ
  4. Tez Türü: Yüksek Lisans
  5. Konular: İstatistik, Matematik, Statistics, Mathematics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2019
  8. Dil: Türkçe
  9. Üniversite: Giresun Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Matematik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Literatürde öngörü problemi üzerine çalışmalar temelde klasik öngörü modelleri ile başlamış olup son yıllarda yapay sinir ağları ile başarılı bir şekilde devam etmektedir. Literatürde çok katmanlı ileri beslemeli yapay sinir ağları, çarpımsal nöron modelli yapay sinir ağları, Pi-Sigma yapay sinir ağları gibi birçok yapay sinir ağının öngörü problemi için kullanımında oldukça başarılı sonuçlar verdiği bilinmektedir. Bu yapay sinir ağlarından Pi-Sigma yapay sinir ağları hem toplamsal hem de çarpımsal birleştirme fonksiyonuna sahip olması ve yüksek dereceli bir yapay sinir ağı türü olması nedeni ile diğer sinir ağlarından farklılık göstermektedir. Literatürde, öngörü amacı ile kullanılan Pi-Sigma yapay sinir ağlarının eğitimi için genetik algoritma, parçacık sürü optimizasyonu gibi sezgisel optimizasyon algoritmaları kullanılmasına rağmen henüz diferansiyel gelişim algoritması kullanılmamıştır. Bu tez kapsamında Pi-Sigma yapay sinir ağlarının eğitimi ilk kez diferansiyel gelişim algoritması ile gerçekleştirilmektedir. Önerilen yöntemin performansının değerlendirilmesi için literatürde sıklıkla kullanılan iki farklı gerçek hayat zaman serisi çözümlenmiş ve önerilen yöntemin performansı diğer bazı yapay sinir ağı türleriyle karşılaştırılmıştır.

Özet (Çeviri)

In the literature, studies on forecasting problem have started with classical forecasting models and have been successfully continued with artificial neural networks in recent years. In the literature, it is known that many artificial neural networks such as multilayer feed-forward neural networks, multiplicative neuron model neural networks, Pi-Sigma artificial neural networks are very successful in the use of forecasting problem. Pi-Sigma artificial neural networks from these neural networks differ from other neural networks due to the fact that they have both additive and multiplicative functions and are a high order artificial neural network type. In the literature, although the use of heuristic optimization algorithms such as genetic algorithm, particle swarm optimization for the training of Pi-Sigma artificial neural networks used for forecasting purpose, the differential evolution algorithm has not been used yet. Within the scope of this thesis, the training of Pi-Sigma artificial neural networks is carried out for the first time with differential evolution algorithm. In order to evaluate the performance of the proposed method, two different real life time series, which are frequently used in the literature, were analyzed and the performance of the proposed method was compared with some other types of artificial neural networks.

Geri Dön