GüREŞEN–kayakutlu 1 kho biLİm dergiSİ CİLT: 23 sayi: yil: 2013
Yüklə 411,56 Kb. Pdf görüntüsü
|
- Bu səhifədəki naviqasiya:
- 3. FA01V01 ALGORİTMASI (FA01V01 ALGORITHM)
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.
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
Yüklə 411,56 Kb. Dostları ilə paylaş:
|