GÜREŞEN–KAYAKUTLU
69
KHO BİLİM DERGİSİ CİLT: 23 SAYI: 1 YIL: 2013
gaz ağları (growing neural gas network) ve büyüyen ızgara (growing grid) adı
altında geliştirmiştir.
Grup metoduyla veri işleme yöntemleri (Group Method of Data Handling)
genellikle Ivakhnenko (1984)’den esinlenilerek geliştirilmiş metotlardır. Diğer
algoritmalardan farkı her katmanda sabit miktarda bağlantı alması ama bu
bağlantıların girdi sinir hücreleri ve mevcut GSH’lerin çıktılarının herhangi bir
kombinasyonundan oluşmasıdır (Kwok ve Yeung, 1997a). Dolayısıyla her bir
GSH ekleme işlemi birçok ağ alternatifini gündeme getirir. Bu alternatif ağ
seçimi sırasında çok farklı yöntemler kullanılabilir (Tenorio ve Lee, 1990;
Parker ve Tummala, 1992).
Çıktı sinir hücresi değiştiren algoritmalarda ise mevcut çıktı sinir hücrelerini
(ÇSH) GSH’ye dönüştürülerek yeni bir ÇSH eklenir ve bu yeni ÇSH’nin daha
az hata vermesi istenir. Bu kategoriye Ma ve Khorasani (2003)’nin yapıcı
stratejilerini, Ghiassi ve Saidane (2005)’nin DAN2’sini, Mezard ve Nadal
(1989)’nin kiremit algoritmasını, Parekh ve diğ. (2000)’nin MTiling-Real adı
altında reel değerli, çok çıktılı bir kiremit algoritmasını, Gallant (1990)’ın kule
algoritmasını ve Parekh ve diğ. (2000)’nin MPyramid-Real adlı algoritmalarını
koyabiliriz.
Upstart algoritması ilk olarak Frean (1990) tarafından oluşturulmuştur.
Algoritmanın lineer olmayan verilerde de sağlıklı işleyip ağdaki ağırlıkları
sürekli hatayı azaltacak şekilde güncelleyebilmek için Gallant (1986) tarafından
önerilen cep algoritmasını (pocket algorithm) kullanmıştır. Upstart algoritması
da sadece bir adet ÇSH kullanmaktadır. ÇSH değiştiren algoritmalardan temel
farkı hatayı düzeltmek için ÇSH’yi iki yeni GSH ekleyerek düzeltmeye
çalışmasıdır.
CARVE algoritması ilk defa Young ve Downs (1998) tarafından
oluşturulmuştur. Bu algoritma ilk önce sadece başlangıç sinir hücreleri ve
GÜREŞEN–KAYAKUTLU
70
KHO BİLİM DERGİSİ CİLT: 23 SAYI: 1 YIL: 2013
eğitim setindeki her bir sınıf için bir ÇSH olacak şekilde bir YSA ile başlar. Bu
durumda gizli katmanlarda hiç GSH yoktur.
Frattale-Mascioli ve Martinelli (1995) tarafından ortaya atılan petrol bulma
algoritması (oil-spot algorithm) N-boyutlu uzayı 3 boyutlu birim küpe eşlemeye
dayanır. Bu algoritma CARVE algoritmasının çıkış noktası niteliğindedir.
STRIP tabanlı yapay sinir ağı algoritması Ngom ve diğ. (2001) tarafından
ortaya atılmıştır. Bu algoritma strip adı verilen iki hiper düzlem arasında kalan
aynı sınıfa ait nokta kümelerinden en büyüğünü bulmaya dayanır.
Setiono (2001)’nın önerdiği N2C2S (Neural Network Construction with
Cross-Validation Samples) algoritmasında 6 adım vardır.
Sınırlandırılmış Coulomb enerji ağı Reilly ve diğ. (1982) tarafından ortaya
atılmıştır. Bu metot aslında bugün radyal tabanlı fonksiyon ağları dediğimiz
yapıdır (Li ve diğ., 2010). Radyal Tabanlı Fonksiyon Ağları (RTF) ise gizli
katmanında h adet taban fonksiyonu bulunduran çok katmanlı algılayıcılardır
(Broomhead ve Lowe, 1988; Moody ve Darken, 1989).
Puma-Villanueva ve diğ. (2012)’nin geliştirdiği rassal bağlantılandırılmış
ileri beslemeli sinir ağlarını birleştirme algoritması sadece girdi ve çıktı
katmanlarından oluşan ve gizli katmanı boş bir ağ yapısıyla başlar. Bu ağda
girdi ve çıktı katmanları arasında bağlantı oluşturulmaz. Sonra ilk olarak ortak
bilgi (mutual information) kullanılarak her başlangıç elemanı (dolayısıyla her bir
özellik) için bir önem hesaplanır ve buna bağlı olarak bu başlangıç elemanları
çıktı katmanındaki bitiş elemanlarına bağlanmaya başlarlar. Daha sonra
tanımlanan kurallar çerçevesinde yeni bağlantılar ve yeni gizli sinir hücreleri
(GSH’ler), eklenmeye veya tanımlanan şartlar sağlandıkça bu bağlantılar veya
GSH’ler silinmeye devam edilir. Bu işlemler algoritmanın durdurma kriterlerine
ulaşılıncaya kadar devam eder.
GÜREŞEN–KAYAKUTLU
71
KHO BİLİM DERGİSİ CİLT: 23 SAYI: 1 YIL: 2013
Yang ve Chen (2012)’in geliştirdiği Evrimsel yapıcı ve budayıcı algoritma
(ECPA) girdi katmanı, çıktı katmanı ve içerisinde bir adet gizli sinir hücresinin
bulunduğu gizli katmana sahip ağlardan oluşan bir popülasyon ile
başlamaktadır. Geri yayılım (back propagation) algoritması ile eğitilen bu ağlar
gizli katmana hem ekleme yapmakta (yapıcı) hemde gereksiz görülen gizli sinir
hücrelerini çıkararak budama yapmaktadır.
Han ve Qiao (2013) tarafından geliştirilen ileri beslemeli sinir ağlarında bir
yapı optimizasyon algoritması (A structure optimization algorithm for feed
forward neural network construction) hem yapıcı hem budayıcı özelliği olan bir
algoritmadır. Bu algoritma sadece bir gizli katmanı olan ileri beslemeli yapay
sinir ağlarında çalışmaktadır.
Wang (2008) tarafından geliştirilen Hızlı Yapıcı-Kaplayıcı Algoritma (Fast
Constructive-Covering Algorithm for neural networks) girdi ve çıktı katmanlarını
sabitleyip araya boş bir gizli katman koyarak başlamaktadır. Daha sonra
gerektikçe ara katmana işlem elemanı koyarak yapay sinir ağını oluşturmaya
çalışmaktadır.
Hata düzeltme ile rekabetçi çoğunluk ağı eğitim algoritması (C-mantec)
Subirats ve diğ. (2012) tarafından geliştirilmiştir. Çoğunluk (majority)
fonksiyonlarını kullanan bu algoritma tek gizli katmanlı ve tek çıktılı bir yapay
sinir ağı oluşturur. Bu algoritmada kullanılan çoğunluk fonksiyonu N adet girdiyi
tek bir bit’e dönüştüren mantıksal bir fonksiyondur.
3. FA01V01 ALGORİTMASI (FA01V01 ALGORITHM)
İnsanoğlunun bir gün kendi yarattığı zeki makineler tarafından esir edilip
edilmeyeceği akılları kurcalayan, belki de yapay zeka kavramı hakkında ortaya
atılan en önemli iddiadır. Ancak makine öğrenmesi metotlarından yapay sinir
ağlarında, metotlar başlangıçta oluşturulan modeli daha zeki yapmaya, yani
yeni işlev ve özellikler ekleyerek öğrenmesini sağlamaya çalışmamaktadır.
Yapay sinir ağları açısından bakıldığında önceki bölümde tanımlandığı gibi
Dostları ilə paylaş: |