Sparse extreme learning machine for classification
Sınıflandırma için seyrek aşırı öğrenme makinesi
- Tez No: 621461
- Danışmanlar: DOÇ. DR. SEMA KAYHAN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Gaziantep Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Sistemleri Bilim Dalı
- Sayfa Sayısı: 59
Özet
Aşırı Öğrenme Makinesi (AÖM), giriş ve gizli katman arasındaki bağlantıların ağırlıklarını ve eşik değerlerini rastgele seçen, tek gizli katmanlı ileri beslemeli bir sinir ağıdır. İki gizli katmanlı ve çoklu gizli katmanlı AÖM, yine rasgele seçilen ağırlık ve eşik değerlerini kullanarak, -aynı veri seti için- gizli katman sayısının artırılmasıyla iyileştirmeler sunmaktadır. Bu çalışmada, AÖM mimarisinde seyrek yaklaşımın avantajlarından faydalanmak için standart AÖM'ye kıyasla daha iyi sonuçlar veren, açgözlü bir AÖM algoritması önerilmiştir. Ayrıca, üç farklı standart AÖM algoritması ve açgözlü tek gizli katmanlı AÖM algoritması, üç ayrı veri kümesindeki sınıflandırma problemleri için uygulanmış ve algoritmaların test doğruluğu karşılaştırılmıştır. Yapılan deneylerin sonuçlarına dayanarak, açgözlü AÖM, diğer AÖM'lere göre hem daha hızlı hem de daha yüksek tahmin oranı ile daha yüksek doğrulukta kestirim yapabilmektedir.
Özet (Çeviri)
Extreme Learning Machine (ELM) is a single-hidden-layer feed forward neural network that randomly initiates the weights for the connections between input and hidden layer and the bias of the hidden layer. Two hidden layers and multiple hidden layers ELMs have added some enhancements – when used on the same data set - keeping the randomly initiated weights and biases and extending the number of hidden layers. A greedy algorithm is also proposed within the ELM architecture to penetrate sparse approaches and presented enhancement in compare with standard. This study presents three different standard ELM algorithms and a greedy single hidden layer ELM to detect classification problems on 3 datasets and compares the testing accuracy of these total 4 ELM algorithms. Based on the results of experiments conducted, greedy Extreme Learning Machine algorithm provide a good prediction accuracy with a high prediction rate.
Benzer Tezler
- Güç kalitesi olaylarının makine öğrenme teknikleri ile sınıflandırılması
Classification of power quality events using machine learning methods
FERHAT UÇAR
Doktora
Türkçe
2018
Elektrik ve Elektronik MühendisliğiFırat ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FİKRET ATA
PROF. DR. BEŞİR DANDIL
- Using artificial intelligence methods to improve the prediction rate and accuracy
Başlık çevirisi yok
NOOR HASAN MOHSIN SHUAIBT
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. OSMAN NURİ UÇAN
- Aşırı öğrenme makinelerinin seyrek geri çatma algoritmaları ile optimizasyonu
Optimization of extreme learning machine with sparse recovery algorithms
ÖMER FARUK ALÇİN
Doktora
Türkçe
2015
Elektrik ve Elektronik MühendisliğiFırat ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MELİH CEVDET İNCE
PROF. DR. ABDULKADİR ŞENGÜR
- Efficient machine learning models for cancer biology
Kanser biyolojisi için etkin yapay öğrenme modelleri
AYYÜCE BEGÜM BEKTAŞ
Doktora
İngilizce
2022
Endüstri ve Endüstri MühendisliğiKoç ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET GÖNEN
- Learning in extreme conditions: Online and active learning with massive, imbalanced and noisy data
Başlık çevirisi yok
ŞEYDA ERTEKİN
Doktora
İngilizce
2009
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolThe Pennsylvania State UniversityBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DR. C. LEE GILES