İleri yönlü yapay sinir ağlarında dinamik topoloji oluşturma yöntemi: Kırınım analizi
Yükleniyor...
Dosyalar
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Karabük Üniversitesi, Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
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.
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.
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.
Açıklama
Anahtar Kelimeler
Kırınım Analizi, Yapay sinir ağları, Topoloji oluşturma, Normalizasyon, Black-Box problemi, Diffraction Analysis, Artificial neural networks, Topology generation, Normalization, Black-Box problem.
