İleri yönlü yapay sinir ağlarında dinamik topoloji oluşturma yöntemi: Kırınım analizi
Dynamic topology designing method in feed forward artificial neural networks: Diffraction analysis
- Tez No: 916004
- Danışmanlar: DOÇ. DR. BURHAN SELÇUK
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 146
Özet
Bu çalışmada, yapay sinir ağı topolojisi üzerinde durulmuş ve topolojiyi sistematik olarak oluşturmak için ilk kez Kırınım Analizi adında yeni bir yöntem önerilmektedir. Yapay sinir ağlarında kullanılan topoloji yapısı problem çözümünün başarıya ulaşmasında önemli bir yere sahiptir. Seçilen modele uygun oluşturulan topolojinin yetersiz olması durumunda eğitim başarısızlıkla sonuçlanmaktadır. Topolojinin karmaşık olması eğitim süresini uzatabilmekte ve aşırı öğrenme gibi problemlere neden olabilmektedir. Önerilen yöntemle, ağın gizli katmanları, nöron yapıları, nöronlar ve katmanlar arası bağlantılar sıfırdan inşa edilebilmektedir. Ayrıca, ağın ağırlık değerleri önerilen matematiksel yaklaşımla eğitime gerek kalmadan belirlenebilmektedir. Çalışmada önerilen yöntem farklı platformlarda ve dillerde kodlanarak yazılımsal süreçler hakkında bilgi verilmiştir. Kırınım Analizinin performansı Iris, Sin(x2), Diyabet, Kalp Hastalığı, Mobil Fiyat veri setleri ile test edilmiş ve metrik değerleri paylaşılmıştır. Algoritmanın zaman karmaşıklığı ortaya konmuş ve bellek tüketimi ölçülmüştür. Kırınım Analizi yöntemi ile veri setinden yapay sinir ağını oluşturmak mili saniyeler mertebesinde gerçekleşebilmektedir. Sonuçlar, yöntemin zaman ve algoritma karmaşıklığını artırmadan birçok problemde başarılı bir performans sergilediğini göstermektedir. Çalışmada önerilen yönteme ek olarak veri setinin normalizasyonu için yaklaşım sunulmuştur. Ayrıca, çıkış katmanında nöron dönüşümü kullanılarak regresyon problemleri sınıflandırma problemlerine dönüştürülebilmektedir. Bu durumun ağların entegrasyonuna ve yapay sinir ağı çalışmalarındaki kara-kutu (black-box) problemine katkıda bulunması beklenmektedir.
Özet (Çeviri)
In this study, the artificial neural network topology is emphasized and a new method called Diffraction Analysis is proposed for the first time to systematically create the topology. The topology structure used in artificial neural networks has an important place in the success of the problem solution. If the topology created in accordance with the selected model is insufficient, the training results in failure. The complexity of the topology can extend the training period and cause problems such as over-learning. With the proposed method, the hidden layers of the network, neuron structures, neurons and inter-layer connections can be built from scratch. In addition, the weight values of the network can be determined without the need for training with the proposed mathematical approach. In the study, the method is coded on different platforms and languages and information is given about the software processes. The performance of Diffraction Analysis has been tested with Iris, Sin(x2), Diabetes, Heart Disease, Mobile Price datasets and metric values are shared. The time complexity of the algorithm has been revealed and memory consumption has been measured. With the Diffraction Analysis method, creating the artificial neural network from the dataset can be done in milliseconds. The results show that the method performs successfully on many problems without increasing the time and algorithm complexity. In addition to the method, an approach for normalization of the dataset is presented. Furthermore, regression problems can be transformed into classification problems by using neuron transformation in the output layer. This is expected to contribute to the integration of networks and the black-box problem in artificial neural network studies.
Benzer Tezler
- Application of kNN-GRNN algorithm for liquid holdup determination in two-phase flow
İki fazlı akışta sıvı oranının belirlenmesi için kNN-GRNN algoritmasının kullanılması
MEHMET SADIK PEKTAŞ
Yüksek Lisans
İngilizce
2018
Petrol ve Doğal Gaz Mühendisliğiİstanbul Teknik ÜniversitesiPetrol ve Doğal Gaz Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT ÇINAR
- Derin öğrenme ve büyük veri analitiği yöntemleriKullanarak Covid-19 yayılımının ileriye dönük tahmini
Forecasting the spread of covid-19 using deep learning and big data analytics methods
CYLAS KIGANDA
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. MUHAMMET ALİ AKCAYOL
- Intelligent control system design and deployment for fuel cell air supply systems
Yakıt pili hava besleme sistemleri için akıllı kontrol sistemi tasarımı ve uygulamaya alınması
FATİH KENDİR
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. TUFAN KUMBASAR
- Network digital twins: Tackling challenges and enhancing wireless network management
Ağ dijital ikizleri: Sorunları ele alma ve kablosuz ağ yönetimini geliştirme
ELİF AK
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BERK CANBERK
- Yapay sinir ağları ve asenkron motorlarda stator direncinin yapay sinir ağı ile tahmini
Artificial neural networks and identifying the stator resistance of induction motors by artificial neural networks
MEHMET KARADENİZ
Yüksek Lisans
Türkçe
2002
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SELMA YÜNCÜ