Yapay sinir ağlarının yapay alg algoritması ile eğitimi

Artificial Neural Networks are a commonly used problem solving strategy. Over the years, many areas such as classification, pattern recognition, image processing have been successfully used. The most important and difficult phase of Artificial Neural Networks is the training process. The main difficulty in training is the process of finding optimal network parameters. Many algorithms have been used for the training of artificial neural networks in the literature. In this thesis Artificial Algae Algorithm for training Artificial Neural Network for the first time. Artificial Algae Algorithm is a nature-inspired metaheuristic optimization algorithm. Ten classification dataset with different difficulty levels from UCI database is utilized to benchmark the performance of the proposed method. For verification, the results compared to seven swarm based Algorithm. These Algorithms are Particle Swarm Optimization, Whale Optimization Algorithm, Mont Flame Optimization, Multi Verse Optimization, Bat Optimization Algorithm, Cuckoo Search Optimization and Grey Wolf Optimization. The results of the algorithms were evaluated on average and best classification success, standard deviation, local minimum avoidance tendency, convergence curve, statistical tests and duration of training. The results of the study show that Artificial Algae Algorithm is a reliable approach for training Artificial Neural Networks.

Yapay Sinir Ağları günümüzde yaygın olarak kullanılan bir problem çözme stratejisidir. Geçtiğimiz yıllar içerisinde sınıflandırma, örüntü tanıma, görüntü işleme gibi bir çok alanda başarıyla kullanılmıştır. Yapay Sinir Ağlarının en önemli ve en zor aşaması eğitim sürecidir. Eğitimdeki temel zorluk optimum ağ parametrelerinin bulunması sürecidir. Literatürde Yapay Sinir Ağlarının eğitimi için bir çok algoritma kullanılmıştır. Bu tez çalışmasında Yapay Sinir Ağlarının eğitimde ilk kez Yapay Alg Algoritması önerilmiştir. Yapay Alg Algoritması, hareketli mikro alglerin karakteristik özelliklerinden ve yaşam davranışlarından esinlenen metasezgisel bir optimizasyon algoritmasıdır. Bu algoritmanın geniş bir yelpazedeki optimizasyon problemlerini başarıyla çözebildiği kanıtlanmıştır. Önerilen yöntemin başarısının doğrulanması için UCI veri tabanından alınan farklı zorluk seviyelerine sahip on sınıflandırma problemi çözülmüştür. Yapay Alg Algoritması ile eğitilen Yapay Sinir Ağları; Parçacık Sürü Optimizasyonu, Balina Optimizasyon Algoritması, Güve Optimizasyon Algoritması, Çoklu Evren Algoritması, Yarasa Optimizasyon Algoritması, Guguk Kuşu Optimizasyon Algoritması ve Gri Kurt Optimizasyonu ile eğitilen Yapay Sinir Ağlarıyla sınıflandırma problemleri üzerinde kıyaslanmıştır. Algoritmaların sonuçları ortalama sınıflandırma başarısı, en iyi sınıflandırma başarısı, standart sapma değeri, lokal minimumdan kaçınma eğilimi, yakınsama eğrisi, istatistiksel testler ve eğitim süresi üzerinden değerlendirilmiştir. Çalışma sonuçları, Yapay Alg Algoritmasının Yapay Sinir Ağları eğitiminde güvenilir bir yaklaşım olduğunu göstermektedir.