GüREŞEN–kayakutlu 1 kho biLİm dergiSİ CİLT: 23 sayi: yil: 2013
Yüklə 411,56 Kb. Pdf görüntüsü
|
- Bu səhifədəki naviqasiya:
- a. Motivasyon (Motivation)
- b. Amaç (The Goal)
- c. Katkı (Contribution to Literature)
- ç.Çalışmanın organizasyonu (Organization of Study)
- 2. LİTERATÜR TARAMASI (LITERATURE REVIEW)
GÜREŞEN–KAYAKUTLU
63 KHO BİLİM DERGİSİ CİLT: 23 SAYI: 1 YIL: 2013 Sadece yapısı oluşturupdaha önce hiç bir eğitim işlemi yapılmamış bir yapay sinir ağına istenilen çıktıları verdirmek amacıyla yapılan işlem belletmek ya da kavratmak (knowing) olarak adlandırılabilir. Değişen şartlar nedeniyle oluşan yeni gözlemleri kullanarak yapay sinir ağının mevcut bir çıktı sinir hücresinin ürettiği sonuçlardaki hatayı düzeltmek için yapılan yeniden eğitim ise düzeltme (adjusting) olarak tanımlanabilir. Bir yapay sinir ağının mevcut yeteneklerine ek olarak yeni bir yetenek kazandıracak şekilde yeni bir çıktı sinir hücresi eklenerek eğitimi ise öğrenme (learning) olarak adlandırılabilir.
Mevcut yazın incelendiğinde kavrama, düzeltme ve öğrenme için tek bir kavram; “öğrenme” kullanıldığı görülmektedir. Bu da mevcut durumdaki eksikliğin tanımlanmasını zorlaştırmaktadır. Yazında bulunan algoritmalardan yapay sinir ağlarının ilk defa eğitenler kavramaya karşılık gelmektedirler. Değişen çevre şartlarına göre bir yapay sinir ağının tekrar kavratma yapılarak hata seviyesinin azaltılması ise düzeltmeye karşılık gelmektedir. Bütün bunlara karşılık bir yapay sinir ağına yeni bir yetenek kazandıracak şekilde yeni bir çıktı sinir hücresi
ekleyen, kısaca
öğrenme yapan
algoritmalar ise
bulunmamaktadır.
Yazındaki bütün YSA inşa algoritmaları YSA’nın çıktı katmanını ve burada bulanan çıktı sinir hücre sayısını sabit tutup, kavrama işlemini uygulamaktadırlar. Mevcut algoritmalardan bazıları çıktı sinir hücrelerini yapı olarak da sabit tutmaktadır. Bazıalgoritmalar ise çıktı sinir hücresini gizli sinir hücresine çevirerek yeni bir çıktı sinir hücresi eklemektedirler. İşlevi eski çıktı sinir hücresinin hata miktarını düzeltmek olan bu yaklaşım da YSA yapısına yeni bir işlev katmadığından öğrenme olarak adlandırılamaz.
Bu çalışma yapay sinir ağlarına yeni işlev kazandırmak için yeni sinir hücresi eklemek üzere yoğunlaşmıştır. Daha önce çalışılmamış olan çıktı GÜREŞEN–KAYAKUTLU
64 KHO BİLİM DERGİSİ CİLT: 23 SAYI: 1 YIL: 2013 hücrelerini ekleyen bir algoritma geliştirilmiştir. Bu yeni algoritmanın performansını sabit sayılı çıktı sinir hücresine sahip yapay sinir ağları ile karşılaştırarak performansının ölçülmesi amaçlanmıştır. c. Katkı (Contribution to Literature) Bu çalışmada boş bir çıktı katmanına sahip bir YSA ile başlayan ve istenilen miktarda yeni çıktı sinir hücresi ekleyerek YSA inşa eden yeni bir algoritma geliştirilmiştir. Bu algoritma bir yapay sinir ağının çıktı katmanını sıfırdan oluşturabileceği gibi daha önce eğitilmiş bir yapay sinir ağına yeni işlevler eklemek için çıktı sinir hücresi ekleyebilmektedir.
Her yeni eklenecek çıktı sinir hücresi için bir aday havuzu oluşturulmaktadır. Oluşturulan bu havuzda yakın işleve sahip hücrelerin bilgi birikimini kullanabilmek için rassal ağırlıklı adayların yanında mevcut hücrelerinin kopyalanması, toplanması, bileşimi ve bölünmesi ile oluşturulmuş çıktı sinir hücreleri de kullanılmaktadır.
Aday havuzundaki çıktı sinir hücreleri arasından en uygun adayı tespit etmek ve öğrenmeye olan katkısını geçerlemek için yeni bir çapraz geçerlilik yöntemi geliştirilmiştir. Bu yönteme K’nınL’li çapraz geçerliliği (L of K cross validation) adı verilmiştir.
Amacı ve mevcut yazın taraması verilen çalışmanın geri kalan kısmı şu şekildedir: ikinci bölümde FA01V01 algoritması açıklanmış ve algoritmanın sözde programı verilmiştir. Aynı bölümde aday havuzu oluşturmada kullanılan yöntemler açıklanmış ve modellerin değerlendirme şekillerine değinilmiştir. İkinci Bölümün son kısmında ise bu çalışmada kullanılan “ve”, “veya” ve “özel veya” bütünleşik mantık problemi açıklanmıştır.
GÜREŞEN–KAYAKUTLU
65 KHO BİLİM DERGİSİ CİLT: 23 SAYI: 1 YIL: 2013 Çalışmanın üçüncü bölümünde ise önerilen algoritma bahsedilen bütünleşik mantık problemine uygulanmıştır. Algoritmanın uygulanma platformu ve geliştirilen NeuroBee yazılımı açıklanmıştır. Ayrıca algoritmanın kıyaslamasını yapmak üzere aynı problem NeuroSolutions v.5.05 yazılımının çok katmanlı algılayıcı modellerine uygulanmıştır. Üçüncü bölümün sonunda elde edilen sonuçlar paylaşılmıştır. Son bölümde ise elde edilen bulgular değerlendirilmiş ve ileride yapılacak çalışmalar hakkında öneriler sunulmuştur.
Yapay sinir ağının en uygun yapısını bulmak için dört temel yaklaşım vardır. Bu yaklaşımlar yapıcı (constructive) algoritmalar, budama (pruning) algoritmaları, düzenleme (regularization) algoritmaları ve
evrimsel (evolutionary) algoritmalardır (Kwok ve Yeung, 1997a).
Yapıcı algoritmalar göreli olarak daha küçük bir yapay sinir ağı ile başlarlar. Daha sonra gizli sinir hücreleri ve gizli katmanlar eklemek suretiyle yapay sinir ağının yapısını büyütürler. Bu algoritmalarda temel amaç mümkün olduğunca küçük bir ağ yapısı ile istenilen seviyede hata oranını yakalamaya çalışmaktır.
Budama algoritmaları ise göreli büyük bir yapay sinir ağı yapısı ile başlarlar ve istenilen hata seviyesini sağlayacak şekilde ağ yapısından bazı gizli sinir hücrelerini çıkartırlar. Mozer ve Smolensky (1989) bunu yapmak için daha az önemli gizli sinir hücrelerini (GSH’lerini) tespit edip bunları yok ederek yapay sinir ağı yapısını uygun boyuta getirmektedir. Karnin (1990) ise hata fonksiyonun mevcut GSH’lerin silinmesine duyarlılığını hesaplayarak budama işlemini gerçekleştirmektedir. Castellano ve diğ. (1993) ise 3 farklı budama algoritmasını; Sietsma ve Dow (1988), Burkitt (1991) ve Pelillo ve Fanelli (1993)’nin algoritmalarını karşılaştırmışlardır. Castellano ve diğ. (1997) ise problemden bağımsız tekrarlayan bir budama algoritması geliştirmişlerdir.
Yüklə 411,56 Kb. Dostları ilə paylaş:
|