Hyper-parameter optimization of deep neural networks with metaheuristic algorithms
Meta-sezgisel algoritmalar ile derin sinir ağlarının hiper-parametre en iyileştirmesi
- Tez No: 748575
- Danışmanlar: DR. ÖĞR. ÜYESİ YASİN KAYA
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Adana Alparslan Türkeş Bilim Ve Teknoloji Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 50
Özet
Kalp ritim bozuklukları (aritmiler), dünya çapında önde gelen ölüm nedeni olan kalp-damar hastalığının bir göstergesidir ve bir elektrokardiyogram (EKG) ile saptanabilir. Tıp uzmanlarınca elle yorumlamanın elverişsizliklerinin üstesinden gelmek için otomatik derin öğrenme yöntemleri geliştirilmiştir. Yapay sinir ağlarının başarımı, büyük ölçüde hiper-parametre en iyileştirmesine (HPEİ) bağlıdır ve bu NP-zor sorun, meta-sezgisel (MS) yöntemler için uygundur. Bu çalışmada, bir MS algoritması kullanan bir evrişimsel sinir ağı (ESA) aritmi sınıflandırıcısının HPEİ'si için yeni bir yöntem önerilmiştir. Yaklaşım, çözümlerin değerlendirmelerini saklayan ve hesaplama süresini önemli ölçüde azaltan ek bir bellek birimine sahip, bellek-geliştirmeli yapay sinek kuşu algoritması adlı bir MS yöntem varyantımızı kullanmaktadır. Çalışma ayrıca, her aday ağın hem doğruluk oranını hem de toplam parametre sayısını göz önüne alan yeni bir uygunluk işlevi önermektedir. Deneyler, MIT-BIH aritmi veri tabanından alınan işlenmemiş EKG örnekleri üzerinde gerçekleştirildi. Önerilen yöntem, üç başka MS yöntemiyle karşılaştırıldı ve %98,87'ye ulaşan sınıflandırma doğruluğu ile eşit ya da daha iyi başarım gösteren sonuçlar elde etti. Önerilen yöntem, göreceli olarak daha düşük karmaşıklık ile yüksek başarımlı bir çözüm bulma konusunda umut verici sonuçlar vermiştir.
Özet (Çeviri)
Cardiac arrhythmias indicate cardiovascular disease, which is the leading cause of mortality worldwide, and can be detected by an electrocardiogram (ECG). Automated deep learning methods have been developed to overcome the disadvantages of manual interpretation by medical experts. The performance of artificial neural networks strongly depends on hyperparameter optimization (HPO), and this NP-hard problem is suitable for metaheuristic (MH) methods. In this study, a novel method is proposed for the HPO of a convolutional neural network (CNN) arrhythmia classifier using an MH algorithm. The approach utilizes our variant of an MH method, named the memory-enhanced artificial hummingbird algorithm, which has an additional memory unit that stores the evaluations of the solutions and reduces the computation time significantly. The study also proposes a novel fitness function that considers both the accuracy rate and the total number of parameters of each candidate network. Experiments were conducted on raw ECG samples from the MIT-BIH arrhythmia database. The proposed method was compared with three other MH methods and achieved equal or outperforming results, with classification accuracy reaching 98.87%. The proposed method yielded promising results in finding a high-performing solution with relatively lower complexity.
Benzer Tezler
- Meta-sezgisel algoritmalar ile konvolüsyonel sinir ağı mimarisinin hiper parametrelerinin optimizasyonu
Optimization of hyper parameters of convolutional neural network architecture with meta-heuristic algorithms
MUSTAFA YURDAKUL
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAKİR TAŞDEMİR
- Sepsis hastalığının derin öğrenme yöntemiyle tahmini
Sepsis disease prediction by deep learning
UMUT KAYA
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBeykent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ATINÇ YILMAZ
- Machine learning based network anomaly detection
Makine öğrenmesi tabanlı ağ anomali tespiti
HİLAL HACILAR
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAbdullah Gül ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BURCU GÜNGÖR
PROF. DR. VEHBİ ÇAĞRI GÜNGÖR
- Quadcopter trajectory tracking control using reinforcement learning
Pekiştirmeli öğrenme ile quadcopter yörünge takibi kontrolü
MUSTAFA ERDEM
Yüksek Lisans
İngilizce
2019
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERDİNÇ ALTUĞ
- Tam otomatik ve metasezgisel tabanlı yeni bir derin öğrenme mimarisi üretecinin geliştirilmesi ve cilt kanseri teşhisi için etkinliğinin gösterilmesi
Development of a novel, fully automatic and metaheuristic-based deep learning architecture generator and demonstration of its effectiveness through skin cancer diagnosis
MUSTAFA FURKAN KESKENLER
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtatürk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. DENİZ DAL