Training of artificial neural network using modified shuffled frog leaping algorithm
Geliştirilmiş kurbağa sıçrama algoritması kullanılarak yapay sinir ağlarının eğitilmesi
- Tez No: 485105
- Danışmanlar: YRD. DOÇ. DR. ÖMER KAAN BAYKAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2017
- Dil: İngilizce
- Üniversite: Selçuk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Yirminci yüzyılın ortalarında benimsenmesinden bu yana, Yapay Sinir Ağlarının (YSA-ANN), desen tanıma veya veri sınıflandırması gibi çeşitli alanlarda faydalı olduğunu kanıtlamıştır. Çeşitli teknoloji alanlarındaki büyük talebe ayak uydurabilmek için şimdiye kadar çok sayıda öğrenme algoritması ANN performansını artırmak için benimsenmiştir. Metasezgisel algoritmalar popüler öğrenme algoritmaları arasında yer alan algoritmalardır. Bu algoritmalar doğa hayatından esinlenmiştir ve ANN için en uygun ağırlık veya yapıyı seçmek için sezgisel arama tekniklerine sahiptirler. Bu tez çalışmasında, Yapay Sinir Ağının sınıflandırma doğruluğunu arttırmak için ANN ile kurbağa sıçraması algoritmasının kullanımı (SFLA) açıklanmıştır. Yapay Sinir Ağının sınıflandırma doğruluğu, iyi tasarlanmış ANN modeline bağlıdır. İyi tasarlanmış ANN modeli ANN düğümleri için kullanılan yapı, aktivasyon fonksiyonu ve her düğüm için doğru ağırlığı tespit etmek için kullanılan eğitim algoritmasına dayalıdır. Bu tez çalışmasında, ANN modeline ait sinaptik ağırlıkların tespit edilmesinde SFLA algoritmasının kullanımına yoğunlaşılmıştır. Ardından algoritmaya, yeni lokal arama parametresi, atalet ağırlığı ve sınırlandırma faktörleri ekleyerek orijinal algoritma geliştirilmiştir. İki adet geliştirilmiş model MSFLA-ANN1 ve MSFLA-ANN2 oluşturulmuştur. Geliştirilen algoritmaların performansını incelemek için UCI makine öğrenme havuzundan iyi bilinen on adet veri kümesi kullanılmıştır. Sınıflandırma doğruluğuna göre, önerilen algoritmaların performansı geri yayılım eğitim algoritması ve kurbağa sıçrama algoritması ile karşılaştırılmıştır. Sonuçlar, önerilen MFSA-ANN1 algoritmanın genel olarak daha iyi performans gösterdiğini ortaya koymuştur.
Özet (Çeviri)
Since their adoption in the middle of twentieth century, Artificial Neural Networks (ANNs) have proven beneficial in various fields such as pattern recognition or data classification, etc. To preserve the pace with its great demand in variety technology fields, numerous learning algorithms have been adopted so far to enhance the performance of ANN. One of the most popular learning algorithms of ANNs are metaheurstic algorithms. These algorithms inspired from nature life and they have heuristic search techniques in order to select the optimal weights or structure for ANN. Shuffled frog leaping algorithm (SFLA) with ANN has been clarified in this research for enhancing classification accuracy of ANN. Classification accuracy of ANN depends on the well-designed ANN model. Well-designed ANN model based on the structure, activation function that are utilized for ANN nodes, and the training algorithm which are used to detect the correct weight for each node. In our research we are concentrated on enhancing the set of synaptic weights by utilizing SFLA algorithm that are detect the optimal weight for each neuron in ANN model. Then, we modified the original algorithm by adding a new local search parameter, inertia weight and contraction factors to the algorithm. We adopted two new models which are MSFLA-ANN1 and MSFLA-ANN2. We utilized ten well known datasets from UCI machine learning repository in order to examine the performance of the modified algorithms. Then we compared the proposed algorithms with back propagation training algorithm and SFLA algorithm that is chosen from the literature in terms of classification accuracy. The results showed that the proposed algorithm MSFLA-ANN1 performed better performance in generally.
Benzer Tezler
- Toprak tuzluluğunun yüksek çözünürlükte görülebilir – yakın kızılötesi yansıma spektroradyometre tekniği ve yapay sinir ağları metodu ile karakterize edilmesi
Characterization of soil salinity using hyperspectral visible - near infrared reflectance spectroradiometer techni̇que and artificial neural network
HATİCE KÜBRA ÇİNİ
Yüksek Lisans
Türkçe
2014
ZiraatHarran ÜniversitesiToprak Bilimi ve Bitki Besleme Ana Bilim Dalı
DOÇ. DR. ALİ VOLKAN BİLGİLİ
- Kompakt mikroşerit antenlerin rezonans frekansının yapay sinir ağları ve bulanık mantık sistemine dayalı uyarlanır ağ kullanarak hesaplanması
Computing the resonant frequency of compact microstrip antennas by using artificial neural network and adaptive neuro-fuzzy inference system
AHMET KAYABAŞI
Doktora
Türkçe
2015
Elektrik ve Elektronik MühendisliğiMersin ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ AKDAĞLI
- A Modified kohonen neural network coupled to A kalman filter for short term load forecasting
Kısa dönem yük tahmini için kalman filtre ile izlenen ve değişikliğe uğratılmış bir kohonen sinirsel gözeli ağlar uygulanması
H.VOLKAN ÖZSÖKMEN
Yüksek Lisans
İngilizce
1994
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. İSMET ERKMEN
- Applying extreme programming to build a recommender system using artificial neural network
Başlık çevirisi yok
TİBA DHANNOON MOHAMMED MOHAMMED
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiBilişim Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ABDULLAHI ABDU IBRAHIM
- Optimization of a centrifugal compressor impeller using genetic algorithm coupled with artificial neural networks
Bir santrifüj kompresör çarkının yapay sinir ağına bağlı genetik algoritma kullanılarak aerodinamik eniyilemesinin yapılması
BAŞAR BURAK ÖZKAHYA
Yüksek Lisans
İngilizce
2017
Havacılık ve Uzay Mühendisliğiİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
DOÇ. DR. ONUR TUNÇER