Aşırı öğrenme makineleri ile dinamik sistem modelleme
Dynamic system modeling with extreme learning machines
- Tez No: 580650
- Danışmanlar: PROF. DR. CİHAN KARAKUZU
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: Türkçe
- Üniversite: Bilecik Şeyh Edebali Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 62
Özet
Sinir ağları (SA) birçok mühendislik ve bilim problemiyle ile ilgili çözüm üretmek için kullanılırlar. Bu mimarilerin eğitim için kullanılan algoritmaları, genellikle yinelemeli algoritmalardır. İleri beslemeli sinir ağlarında eşik ve bağlantı ağırlık değerlerinin belirlemek için türev tabanlı yinelemeli algoritmalar kullanılır. Türev tabanlı yinelemeli algoritmaların eğitim süresinin yavaş olması yeni arayışların başlamasına sebep olmuştur. Bu yavaşlığın üstesinden gelmek için aşırı öğrenme makineleri (AÖM) kavramı önemli bir gelişim göstermiştir. AÖM tek gizli katmanlı ileri beslemeli ağlar için geliştirilmiş bir öğrenme algoritmasıdır. AÖM öğrenme algoritması eğitim süresi açısından büyük bir üstünlük sunsa da genelleme yeteneği olarak aynı başarımı gösterdiği söylenemez. İşte bundan dolayı geleneksel aşırı öğrenme makinelerinin bir araya gelerek oluşturduğu Meta-AÖM adı verilen yeni bir öğrenme algoritması geliştirilmiştir. Bu çalışmamızda, Meta-AÖM ile eğitilen yapay sinir ağlarının dinamik sistem modelleme başarımı incelenmiştir. Literatürden seçilen yedi farklı dinamik sistem için bu çalışmada kullanılmak üzere eğitim ve test veri kümeleri hazırlanmıştır. Eğitim kümeleri kullanılarak, her bir dinamik sistem için AÖM eğitim yöntemiyle Meta-AÖM sistem tanımlama modeli elde edilmiştir. Her bir dinamik sistem için eğitim evresi ile oluşturulan Meta-AÖM modellerinin test veri kümeleri ile de genelleme başarımları elde edilmiştir. Modelleme Meta-AÖM için farklı ağ parametreleriyle eğitim ve test veri kümeleri benzer şekilde kullanılarak tekrarlanmış, elde edilen sonuçlar ile istatiksel karşılaştırma yapılmıştır. Elde edilen sonuçlara dayalı olarak, önerilen yaklaşımın başarım değişiklikleri gösterilmiştir. Sonuç olarak, Meta-AÖMyi yapılandırmak için hücre/düğüm sayısı ve gruptaki AÖM sayısı seçimi hakkında genel bir değerlendirme yapılıp öneriler sunulmuştur.
Özet (Çeviri)
Neural networks (NN) are used to find solutions to many engineering and science problems. The algorithms used for training these architectures are usually iterative algorithms. Derivative-based iterative algorithms are used to determine threshold and linkage weight values in feedforward neural networks. Derivative based iterative algorithms have a slow training period, which led to new searches. To overcome this slowness, the concept of extreme-learning machines (ELM) has made significant progress. ELM is a learning algorithm developed for single hidden layer feedforward networks. Although the ELM learning algorithm offers a great advantage in terms of training time, it cannot be said to have the same performance as generalization ability. This is why a new learning algorithm called Meta-ELM has been developed by combining traditional extreme-learning machines. In this study, dynamic system modeling performance of artificial neural networks trained with Meta-ELM was investigated. Training and test data sets were prepared for seven different dynamic systems selected from the literature to be used in this study. Meta-ELM system identification model was obtained for each dynamic system by using ELM training method. For each dynamic system, generalization achievements have been obtained with the test datasets of Meta-ELM models created with training phase. Modeling For the Meta-ELM, training and test datasets were repeated with different network parameters and the results were compared with the statistical results. Based on the results obtained, the performance changes of the proposed approach are shown. As a result, a general evaluation was made about the selection of the number of cells / nodes and number of ELMs in the group in order to construct the Meta-ELM and suggestions were made.
Benzer Tezler
- Video analysis based fish detecton and tail beat frequency estimation in fishways
Video analizi ile balık geçitlerinde balık tanıma ve kuyruk sallama frekansı tahmini
YASİN YILDIRIM
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. BEHÇET UĞUR TÖREYİN
PROF. DR. SERHAT KÜÇÜKALİ
- Destek vektör makinesi ile robotik kolların uyarlamalı model öngörülü kontrolü
Support vector machine based model predictive adaptive control of robotic arms
SANEM KILIÇASLAN
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBursa Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKHAN GELEN
- Dual-arm safe robot manipulation with second arm assistance
Çift kollu robotlarda ikinci kol destekli güvenli robot etkileşimi
ASEL MENEKŞE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SANEM SARIEL UZER
- Developing oxygen amount prediction model of basic oxygen furnace steelmaking process with machine learning algorithms
Makine öğrenmesi algoritmaları ile bazik oksijen fırını çelik üretiminde oksijen miktarı tahminleme modeli geliştirilmesi
SONER TÜRKOĞLU
Yüksek Lisans
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇukurova ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. BUSE MELİS ÖZYILDIRIM
- A taxonomy of artificial neural networks
Yapay sinir ağlari'nin bir taksonomisi
ALP EREN YILMAZ
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMatematik Ana Bilim Dalı
PROF. DR. ATABEY KAYGUN