Geri Dön

Extreme learning machine based on L1 and L2 norms

L1 ve L2 norma dayalı aşırı makine öğrenmesi

  1. Tez No: 630647
  2. Yazar: HASAN YILDIRIM
  3. Danışmanlar: PROF. DR. MAHMUDE REVAN ÖZKALE ATICIOĞLU
  4. Tez Türü: Doktora
  5. Konular: İstatistik, Statistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2020
  8. Dil: İngilizce
  9. Üniversite: Çukurova Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İstatistik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 151

Özet

Bir ileri beslemeli sinir ağı olarak aşırı öğrenme algoritması hızlı öğrenme, basitlik ve farklı gerçek yaşam uygulamalarına yönelik yüksek derecede adapte edilebilirlik gibi üstün özellikleri nedeniyle çeşitli disiplinlerde yoğun olarak kullanılmıştır. Bu ilginin temel nedeni, aşırı öğrenme algoritmasının klasik sinir ağlarındaki iteratif parametre tahminini ortadan kaldırmış olmasıdır. Fakat aşırı öğrenme makinesi, yapısal risk minimizasyonunun bir sonucu olarak en iyi model büyüklüğünün belirlenmesi ile ilgili konularda olduğu gibi verinin tahmin edilmesi noktasında da istikrarsızlık ve zayıf genelleştirilebilirlik gibi dezavantajlara sahiptir. Bu çalışmada, ifade edilen eksikleri gidermek ve aşırı öğrenme algoritmasının performansını iyileştirmek amacıyla bazı istatistiksel tahmin ediciler yapay sinir ağları alanında ele alınmış ve çeşitli algoritmalar önerilmiştir. Çalışmanın ilk bölümünde, ridge tahmin ediciye dayanan aşırı öğrenme algoritmasına yönelik uygun yanlılık parametresinin belirlenmesi için farklı seçim kriterleri önerilmiştir. Daha sonra sırasıyla var olan ridge temelli aşırı öğrenme algoritmalarına alternatif olarak Liu, r-k sınıf tahmin edici, Liu ile Lasso regresyon yöntemlerinin birleşimine dayanan farklı öğrenme algoritmaları geliştirilmiştir. Tez kapsamında, R platformunda sıfırdan yazılan algoritmaların uygulamaları ç ok sayıda gerçek yaşam verisiyle test edilmiş ve performans karşılaştırması detaylı olarak sunulmuştur. Bu önerilen algoritmalar, aşırı öğrenme algoritması ve aşırı öğrenme algoritması tabanlı bazı gelişmiş algoritmalardan daha istikrarlı, genelleştirilebilir ve kompakt olan etkin büzülme ve/veya değişken seçimi performansı ortaya koymaktadır.

Özet (Çeviri)

Extreme learning machine (ELM) as a type of single-layer feedforward neural network (SLFN) has been widely used in various disciplines due to its superior properties like fast learning, simplicity, high adaptability for different real-life applications. The main reason of this interest is that ELM eliminates the iterative parameter tuning in the conventional neural networks. However, ELM has some drawbacks such as instability and poor generalizability at the point of estimating the data as well as issues related with the determination of the optimal model size as a consequence of structural risk minimization. In this study, in order to deal with these aforementioned drawbacks and improve the performance of ELM, some statistical estimators are discussed in the context of neural networks and various algorithms are proposed. In the first part of the study, we proposed different selection criteria for determinining appropriate tuning parameter for ELM algorithm based on ridge estimator. Later on, Liu estimator, r-k class estimator, a cascade of Liu and Lasso regression estimators are developed as alternatives to the existing ELM algorithms based on ridge estimator. In the scope of this study, the applications of algorithms written from scratch in the R platform are tested via many real-world data sets and the performance comparison are presented in details. These proposed algorithms present effective shrinkage and/or variables selection performance which is more stable, generalizable and compact than ELM and some advanced algorithms based on ELM.

Benzer Tezler

  1. Topics in optimization via deep neural networks

    Derin sinir ağları üzerinden eniyileme konuları

    ÖMER EKMEKCİOĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Endüstri ve Endüstri Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA ÇELEBİ PINAR

  2. Kalıcı mıknatıslı senkron generatörlü rüzgar türbinlerinin aşırı öğrenme makine tabanlı kontrolü

    Extreme learning machine based control of wind turbine with permanent magnet synchronous generator

    ŞEHMUS FİDAN

    Doktora

    Türkçe

    Türkçe

    2018

    Elektrik ve Elektronik MühendisliğiFırat Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET CEBECİ

  3. Local receptive fields based extreme learning machine for face recognition

    Yüz algılama için yerel algılayıcı alanlara dayalı aşırı öğrenme makinesi

    ARAS MASOOD ISMAEL

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    PROF. DR. ABDULKADİR ŞENGÜR

  4. Kurumsal bilgisayar ağlarındaki trafik bilgisinin akıllı sistemler ile sınıflandırılması

    Intelligents systems with classification of traffic information in corporate computer networks

    FATİH ERTAM

    Doktora

    Türkçe

    Türkçe

    2016

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    PROF. DR. ENGİN AVCI

  5. Video görüntülerinin analizinde uç öğrenme makinesi sınıflandırıcı algoritmalarının kullanılması ve geliştirilmesi

    Development of extreme learning machine based classification algorithms for analysis of video images

    YASİN SÖNMEZ

    Doktora

    Türkçe

    Türkçe

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    PROF. DR. ENGİN AVCI