Çoklu adaptif hibrit sinir ağları
Multi adaptive hybrid network
- Tez No: 735138
- Danışmanlar: DOÇ. DR. KAZIM YILDIZ, DR. ÖĞR. ÜYESİ YAKUP GENÇ
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Engineering Sciences, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Adaptif antenler, Derin öğrenme, Evrişimli sinir ağları, Adaptive antennas, Deep learning, Convolutional neural networks
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Marmara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Evrişimsel sinir ağları, özellikle bilgisayarla görme problemlerini oldukça başarılı bir şekilde çözmekte ve her geçen gün de yeni gelişen mimariler ile daha iyi sonuçlar vermeye devam etmektedir. Hem geliştirilen yeni mimariler ile gelişmekte ama bu mimarilerin de birbirlerinin karışımıyla oluşturulan hibrit modeller de bazı problemlere oldukça iyi sonuçlar da vermektedir. Bu çalışmada farklı mimarilerden sentezlenen modüllerin karışımıyla bir hibrit model oluşturulmuştur. Ancak farklı mimariler kolektif öğrenmede olduğu gibi her modüle eğitilebilir ağırlık katsayısı eklenmektedir. Böylelikle, düşük ağırlıklı modüllerin elenerek model için en uygun modüllerin seçilmesi hedeflenmiştir. Bu modüller farklı ağ mimarilerinde kullanılan yapılardan oluşmaktadır. Bu modüllerin toplanıp seçilmesinin yapıldığı bir katmandan oluşmaktadır. Başlangıçta eşit olan bu ağırlıklar bir eğitim sürecinden sonra incelenerek, önceden belirlenmiş bir eşik değerin altında ise o modül modelden çıkarılmış veya bir başka önceden belirlenmiş eşik değerinin üstünde ise de o modül korundu ve diğer modüller modelden çıkarılmıştır. Bu öğrenme yönetimi kolektif öğrenme yapısına benzemektedir ancak bu çalışmada katsayılar sonradan modelin seçilmesini ya da elenmesini sağlayacaktır. Modüller seçildikten sonra model eğitilmeye devam edilerek başarımı koruyarak model küçültülmüştür. Farklı modüller kullanılarak dinamik bir hibrit modül oluşturulması amaçlanmıştır. Hata ayıklama için kullanılan MNIST ve Fashion MNIST veri kümelerinde sırasıyla %99,09 ve %99,02 doğruluk değerleri elde edilmiştir. Kalite testlerinde kullanılan CIFAR10 veri kümesinde %87,86 doğruluğa ulaşmışken, CIFAR100 veri kümesinde de %54,11 doğruluk sonuçlarına ulaşılmıştır.
Özet (Çeviri)
Convolutional neural networks, especially with computer vision problems quite successfully and continue to give better results with newly developing architectures day by day. It develops with the developed architectures, but hybrid models created by mixing these architectures with each other also gave very good results for some problems. In this study, a hybrid model was created with a mixture of modules used from different architectures. However, as in collective learning of different architectures, a trainable weight coefficient is added to each module. Thus, it was aimed to select the most suitable modules for the model by eliminating the low-weight modules. These modules consist of structures used in different network architectures. It consists of a selection layer where these modules are collected and selected. These initially equal weights were examined after a training process, and if it was below a predetermined threshold, that module was removed from the model, or if it was above another predetermined threshold, that module was retained, and other modules were excluded from the model. This learning management is similar to the collective learning structure, but in this study, the coefficients will enable the model to be selected or eliminated later. After the modules were eliminated, the model continued to be trained and the model was shrunk while maintaining its performance. It is aimed to create a dynamic hybrid module by using different modules. MNIST and Fashion MNIST datasets used in debugging tests reached 99.09 % and 99.02 % accuracy respectively. CIFAR10 and CIFAR100 datasets used in benchmark tests also reached 87.86 % and 54.11 % accuracy respectively.
Benzer Tezler
- Radar target detection using improved transformer neural networks
Geliştirilmiş transformer sinir ağları ile radar hedef tespiti
SENA ÇAYBAŞI
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. IŞIN ERER
- Elektrik makinalarında hibrit makine öğrenmesi ile doğruluk ve performans odaklı resolver pozisyon tespiti
Accuracy and performans oriented resolver position detection in electrical machines using hybrid machine learning
MERT AYGEN ERCAN
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektrik Makineleri Ana Bilim Dalı
DOÇ. DR. SİBEL ZORLU PARTAL
- Mikroşebekelerde ada mod çalışmanın tespiti ve güç kalitesi olaylarının sınıflandırılması için yapay zekâ tabanlı kontrol yöntemlerinin geliştirilmesi
Development of artificial intelligence based control methods for detection of islanding conditions and classification of power quality events in microgrids
ALPER YILMAZ
Doktora
Türkçe
2023
Elektrik ve Elektronik MühendisliğiBursa Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKAY BAYRAK
- Kısmi diferansiyel denklemleri çözmek için kuantum makine öğrenmesi algoritmaları
Quantum machine learning algorithms for solving partial differential equations
AFRAH NAJIB ABDULLAH FAREA
Doktora
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Ana Bilim Dalı
PROF. DR. MUSTAFA SERDAR CELEBİ
- Balancing mixed adversarial perturbations: Towards robust reinforcement learning
Karma çekişmeli bozulmaları dengeleme: Gürbüz pekiştirmeli öğrenmeye doğru
MUSTAFA ERDEM
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. NAZIM KEMAL ÜRE