Extreme learning machine based on L1 and L2 norms
L1 ve L2 norma dayalı aşırı makine öğrenmesi
- Tez No: 630647
- Danışmanlar: PROF. DR. MAHMUDE REVAN ÖZKALE ATICIOĞLU
- Tez Türü: Doktora
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Çukurova Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- 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
- Topics in optimization via deep neural networks
Derin sinir ağları üzerinden eniyileme konuları
ÖMER EKMEKCİOĞLU
Yüksek Lisans
İngilizce
2022
Endüstri ve Endüstri Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ÇELEBİ PINAR
- 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
2018
Elektrik ve Elektronik MühendisliğiFırat ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET CEBECİ
- 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
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
PROF. DR. ABDULKADİR ŞENGÜR
- Kurumsal bilgisayar ağlarındaki trafik bilgisinin akıllı sistemler ile sınıflandırılması
Intelligents systems with classification of traffic information in corporate computer networks
FATİH ERTAM
Doktora
Türkçe
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
PROF. DR. ENGİN AVCI
- 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
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
PROF. DR. ENGİN AVCI