Yazar "Hameed, Alaa Ali Hameed" seçeneğine göre listele

Listeleniyor 1 - 1 / 1
  • Küçük Resim
    Öğe
    Robust adaptive learning approach of artificial neural networks
    (Selçuk Üniversitesi Fen Bilimleri Enstitüsü, 2017-01-09) Hameed, Alaa Ali Hameed; Koçer, Barış
    Adaptif filtre tekniklerin sinyal işlemede sıklıkla kullanılmaktadır. Genellikle adaptif filtrenin kararlı durum hataların-karelerinin ortalaması (HKO) ve yakınsama hızı arasında bir seçim yapmak gerekir. Bu seçim genelde adım boyutu parametresi ile ayarlanır. Küçük adım sayısı yavaş yakınsama ve düşük kararlı durum hatasına sebep olurken tersi durum ise hızlı yakınsama ve yüksek kararlı durum hatasına sebep olur. Bu sorunu aşabilmek için rekürsif invers (RI) ve ikinci seviye rekürsif inverse RI algoritmalarının konveks kombinasyonları kullanılmıştır. Geliştirilen bu yeni metot sistem tanımlama ve gürültü engelleme uygulamalarında kullanılmıştır. Önerilen metot, hataların karelerinin ortalaması (HKO) ve yakınsama hızı bakımından "normalize en küçük ortalama kareler" (NEKOK)'nın konveks kombinasyonu ile karşılaştırılmıştır. Deneysel sonuçlar, toplanır beyaz Gaussian gürültüsü (TBGG) ve toplanır ilişkili Gaussian gürültüsü (TIGG) eklenmiş ortamlarda çalıştırıldığında, önerilen algoritmanın daha hızlı yakınsadığını ve daha küçük HKO değerleri ortaya koyduğunu göstermiştir. Manyetik rezonans görüntülerindeki (MRI) gürültüleri azaltmak tıbbi teşhiş alanında ilgi çekici bir alan olmaya başlamış ve bu konuyla ilgili birçok metot önerilmiştir. Fakat bu algoritmaların çoğu düşük kalite veya yavaş çalışmaktan muzdariptirler. Bu sorunu çözmek için önerilen tek boyutlu konveks kombinasyon, iki boyutlu konveks kombinasyona dönüştürülmüştür. İki boyutlu konveks kombinasyon, gürültü azaltma konusunda yüksek performans sunmaktadır. Algoritmanın performansını ölçmek için bir MR görüntüsünün toplanır beyaz Gaussian gürültüsü (TBGG) ile bozulduğu varsayılmış ve bu bozulma önerilen algoritma ile düzeltilmeye çalışılmıştır. Simülasyonlar algoritmanın görüntüyü başarılı bir şekilde düzelttiğini göstermektedir. Bu tezde bir öğretici ve bir öğreticisiz olmak üzere iki yeni yapay sinir ağı metodu önerilmiştir. Öğreticili öğrenmede "değişken adaptif momentumlu geri yayılım algoritması" (DAMGY) adında yeni bir sınıflandırıcı önerilmiştir. Bu algoritma geri yayılım algoritmasının modifiye edilmiş bir halidir ve kararlı durum hataya yakınsama hızını arttırırken hata oranınıda düşürerek desen tanıma performansını arttırmayı amaçlar. Bu algoritma girişin oto korelasyon matrisinin katsayılarını kontrol eden öğrenme katsayısı tarafından kontrol edilir. Bu katsayı sayesinde ağırlıklar güncellenirken düşük hata oranı yakalanmaktadır. Algoritmanın performansını ölçmek için k-en yakın komşu (k-EYK), Naive Bayes (NB), doğrusal ayırteden analizi (DAA), Destek Vektör Makineleri (DVM), geri yayılım ve adaptif momentumlu geri yayılım algoritması (AMGY) kullanılmış ve performans, yakınsama hızı, hataların karelerinin ortalaması ve doğruluk bakımından değerlendirilmiştir. Öğreticisiz öğrenmede, birçok yapay zekâ uygulamasında kullanılan kendi kendini düzenleyen harita (KDH) algoritması birçok araştırmacının ilgisini çekmektedir. Bu tezde klasik KDH algoritmasına adaptif bir öğrenme becerisi kazandıran bir algoritma önerilmiştir. Önerilen KDH algoritması değişken öğrenme katsayısı ile optimal ağırlıkları ve kazanan nöronları kısa sürede bularak klasik KDH'un dezavantajlarını yok etmektedir. Önerilen KDH algoritmasının optimum ağ ağırlıklarını bulma hızı diğer öğreticisiz algoritmalarla karşılaştırılmıştır. Ayrıca önerilen KDH algoritması klasik KDH, kendi kendini düzenleyen harita ile Gauss fonksiyonu (KDHGF) ve parametre-az kendi kendini düzenleyen harita (PAKDH) algoritmalarıyla da karşılaştırılmıştır. Önerilen KDH algoritması yakınsama hız, niceleme hızı, bulunan ağın topoloji hatası ve doğruluk kriterlerinde üstün performans gösterdiği gösterilmiştir. DAMGY ve önerilen KDH algoritmasının performansı UCI ve KEEL veritabanlarından alınan veri setleri ile de test edilmiştir.