Yapay sinir ağlarının girdap arama algoritmasıyla eğitilmesi
| dc.contributor.advisor | Sağ, Tahir | |
| dc.contributor.author | Jalil, Zainab Abdullah Jalil | |
| dc.date.accessioned | 2019-01-03T05:42:09Z | |
| dc.date.available | 2019-01-03T05:42:09Z | |
| dc.date.issued | 2018-05-11 | |
| dc.department | Enstitüler, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı | en_US |
| dc.description.abstract | Yapay Sinir Ağları (YSA) biyolojik beyinin öğrenme ve bilgi saklama yeteneklerinin benzetilmeye çalışıldığı yapay zekâ tekniğidir. YSA'da bilgileri depolayan bağlantı ağırlıkları, nöronları paralel ve ardışık bir biçimde birleştirirler. Oldukça zor bir optimizasyon problemi olan yapay sinir ağlarının öğrenmesi süreci ağ yapısındaki ağırlıklara uygun değerlerin atanması işlemidir. YSA, karmaşık gerçek dünya problemlerini modellemek için birçok alanda yaygın olarak kullanılan bir hesaplama aracıdır. Literatürde birçok çalışmanın yapıldığı YSA alanında ilk çalışmalar matematiksel hata indirgeme tekniklerine dayalı olmakla birlikte son zamanlarda meta-sezgisel optimizasyon algoritmaları yapay sinir ağlarının eğitiminde yaygın olarak kullanılmaya başlanmıştır. Bu tez çalışmasında, yakın zamanda tek çözüm tabanlı optimizasyon algoritması olarak geliştirilen Girdap Arama (Vortex Search) Algoritması üzerinde durulmakta ve literatürde ilk kez YSA eğitimi için önerilmektedir. Bu algoritmada, karıştırılan sıvılarda meydana gelen girdap deseninden esinlenilmektedir. Girdap Arama Algoritmasının en belirgin özellikleri, yüksek hesaplama hassasiyeti ve hızlı yakınsama kabiliyetidir. Bu avantajları sayesinde diğer optimizasyon algoritmaları ile karşılaştırıldığında oldukça başarılı bir performansa sahip olduğu görülür. En yaygın kullanılan yapay sinir ağı mimarisi ileri beslemeli çok katmanlı algılayıcı (ÇKA) modeli yapay sinir ağlarıdır. Yapılan çalışmada, VS algoritması ÇKA ağlarının eğitimi için çalıştırıldı ve performansı Yapay Arı Kolonisi optimizasyon algoritması (ABC) ve Parçacık Sürü Optimizasyonu (PSO) algoritması ile karşılaştırılarak analiz edildi. Önerilen yaklaşım, UCI (machine learning repository of University of California at Irvine) veri tabanından alınan beş veri seti (Iris Plants Data Set, Wine Recognition Data Set, Breast Cancer Data Set, Thyroid Disease ve Pima Indians Diabetes) üzerinde uygulandı. VS algoritması ileri beslemeli YSA eğitimindeki sınıflandırma performansı değerlendirildi. Elde edilen deneysel sonuçlar PSO ve ABC optimizasyon algoritmaları ile karşılaştırmalı olarak ele alındı. Sonuç olarak, VS algoritmasının performansının en az diğer algoritmalar kadar başarılı olduğu görüldü. VS ile eğitilen YSA modelinin sınıflandırma problemlerinin çözümü için yetenekli alternatif bir araç olarak kullanılabileceği ispatlandı. | en_US |
| dc.description.abstract | Artificial Neural Networks (ANN) are artificial intelligence techniques in which the biological brain is attempting to simulate learning and information storage capabilities. In ANN, the connection weights storing information are combined in a parallel and sequential manner. The learning of artificial neural networks is the process of finding optimal values that are appropriate for weights of network topology. ANN is a computational modeling tool that is widely used in many areas to model complex real-world problems. The first studies in the field of ANN where many studies have been done in the literature are based on mathematical error reduction techniques, but recently meta-heuristic optimization algorithms has also been thoroughly used in the training of artificial neural networks. In this thesis study, Vortex search (VS) algorithm, which has recently developed as a single-solution based optimization algorithm, is proposed for ANN training. Vortex search algorithm is an algorithm that was recommended for the first time in ANN training in the literature. VS algorithm is inspired by the vortex pattern generated by the vortex flow of mixed liquids. The most special features of the Vortex Search Algorithm are high computational accuracy and fast convergence speed. These advantages of VS algorithm make it to be a good performance when compared to other optimization algorithms. The mostly used ANN architecture is the model of multilayer feedforward perceptron (MLP). In the study, VS algorithm was run for the training of multilayer perceptron networks and its performance of presented training approach was analyzed by comparing with artificial bee colony algorithm (ABC) and particle swarm optimization (PSO) algorithms. The proposed approach was applied on five data sets (Iris Plants Data Set, Wine Recognition Data Set, Breast Cancer Data Set, Thyroid Disease and Pima Indians Diabetes) obtained from the UCI (machine learning repository of University of California at Irvine) database. VS algorithm was evaluated by classification performance in the forward-feed ANN training. Experimental results obtained were compared with PSO and ABC optimization algorithms. As a result, it is seen that VS algorithm's performance is at least as good as other algorithms. It has been demonstrated that the VS algorithm trained ANN model can be used as an alternative tool capable of solving classification problems. In comparison of the results, the proposed training strategy based on VS algorithm has achieved the best outcomes for ANN. | en_US |
| dc.identifier.citation | Jalil, Z. A. J. (2018). Yapay sinir ağlarının girdap arama algoritmasıyla eğitilmesi. Selçuk Üniversitesi, Yayımlanmış yüksek lisans tezi, Konya. | en_US |
| dc.identifier.uri | https://hdl.handle.net/20.500.12395/14222 | |
| dc.language.iso | tr | en_US |
| dc.publisher | Selçuk Üniversitesi Fen Bilimleri Enstitüsü | en_US |
| dc.relation.publicationcategory | Tez | en_US |
| dc.rights | info:eu-repo/semantics/openAccess | en_US |
| dc.selcuk | 20240510_oaig | en_US |
| dc.subject | Girdap arama algoritması | en_US |
| dc.subject | Yapay sinir ağı eğitimi | en_US |
| dc.subject | Sınıflandırma | en_US |
| dc.subject | Çok katmanlı algılayıcı ağları | en_US |
| dc.subject | Optimizasyon | en_US |
| dc.subject | Optimization | en_US |
| dc.subject | Multilayer feedforward networks | en_US |
| dc.subject | Classification | en_US |
| dc.subject | Artificial neural network training | en_US |
| dc.subject | Vortex search algorithm | en_US |
| dc.title | Yapay sinir ağlarının girdap arama algoritmasıyla eğitilmesi | en_US |
| dc.title.alternative | Training artificial neural networks with vortex search algorithm | en_US |
| dc.type | Master Thesis | en_US |
