Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği
sonuç arasından seçim yapılabilir. Bazı fonksiyonlar ise girdi verileri zamanla
ilişkilendirebilir ve bu şekilde zamana bağlı ağlar oluşturulabilir.
Şekil 2.5’de, daha önce tanımlanan basit bir yapay nöron yapısının daha
detaylı bir şeması sunulmaktadır. Şekilde, girdi değerler işlem elemanına üst sol
bölümden girmektedir. İşlemde ilk adım, bu girdi değerlerin her birinin ilgili
ağırlıklarla w(i) ağılıklandırılmalarıdır. Bir nöron genellikle, eşanlı olarak birçok
sayıda girdi alır. Her girdinin kendi nispi ağırlığı vardır. Bu ağırlıklar, biyolojik
nöronların değişen sinaptik etkililikleri ile aynı görevi üstlenirler. Her iki durumda
da, bazı girdiler diğerlerine göre daha önemli hale gelirler. Bu sayede, işlem
elemanının bir sinirsel tepki üretmesi işleminde daha fazla etkili olurlar. Ayrıca,
ağırlıklar girdi sinyalin güçlülüğünü belirleyen adaptif katsayılardır. Yani, girdinin
bağlantı gücünün bir ölçüsüdür. Bu bağlantı güçleri, çeşitli eğitme setlerine göre
değiştirilebilirler.
Şekil 2.5: Yapay Nöronun Detaylı Yapısı
Ağırlıklandırmadan sonra, bu değiştirilmiş girdiler toplama fonksiyonuna
gönderilirler. Toplama fonksiyonunda, adından da anlaşılacağı gibi, genelde
toplama işlemi yapılmaktadır fakat bir çok farklı işlem çeşidi toplama fonksiyonu
için kullanılabilir. Toplama fonksiyonu, bu basit çarpımlar toplamına ek olarak,
http://ekutup.dpt.gov.tr/ekonomi/tahmin/yurtoglh/ysa..pdf
16
Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği
minimum, maksimum, mod, çarpım veya çeşitli normalizasyon işlemlerinden birisi
olabilir. Girdileri birleştirecek olan algoritma genellikle seçilen ağ mimarisine de
bağlıdır. Bu fonksiyonlar farklı şekilde değerler üretebilir ve sonra bu değerler ileri
doğru gönderilir. Ek olarak, uygulamacı kendi fonksiyonunu oluşturup toplama
fonksiyonu olarak kullanabilir. Bazı toplama fonksiyonları, transfer fonksiyonuna
iletmeden önce, sonuçları üzerinde ilave işlemler yaparlar. Bu işlem aktivasyon
fonksiyonu olarak adlandırılan işlemdir. Bir aktivasyon fonksiyonu kullanmanın
amacı toplama fonksiyonu çıktısının zamana bağlı olarak değişmesini sağlamaktır.
Fakat, aktivasyon fonksiyonu literatürü henüz tam olarak gelişmemiştir. Bundan
dolayı, çoğu yapay sinir ağında birim aktivasyon fonksiyonu kullanılmaktadır.
Birim aktivasyon fonksiyonu ise bir aktivasyon fonksiyonu kullanılmaması ile aynı
anlama gelmektedir. Ayrıca, aktivasyon fonksiyonu, her işlem birimi için ayrı ayrı
kullanılan bir bileşenden ziyade ağın genel bir bileşenidir. Yani, oluşturulan bir ağ
yapısında, tüm işlem elemanları aynı aktivasyon fonksiyonunu kullanırlar.
Sonraki aşamada toplama fonksiyonunun çıktısı transfer fonksiyonuna
gönderilir. Bu fonksiyon, aldığı değeri bir algoritma ile gerçek bir çıktıya
dönüştürür. Transfer fonksiyonu genellikle doğrusal olmayan bir fonksiyondur.
Doğrusal fonksiyonlar genelde tercih edilmez çünkü doğrusal fonksiyonlarda çıktı,
girdi ile orantılıdır. Bu durum, ilk YSA denemelerinin başarısızlıkla
sonuçlanmasının temel nedenidir (Minsky ve Papert, 1969). Genellikle kullanılan
transfer fonksiyonları eşik, sigmoid, hiperbolik tanjant vb. fonksiyonlardır. Bu
fonksiyonlar arasında en çok kullanılanlar Şekil 2.6’da örneklenmiştir. Transfer
fonksiyonunun sonucu genellikle işlem elemanının çıktısıdır. Transfer
fonksiyonunun çalışma yapısı Şekil 2.7’de sigmoid fonksiyon kullanılarak
örneklenmektedir. Sigmoid transfer fonksiyonu, toplama fonksiyonundan gelen ve
şekilde ‘Toplam’ olarak gösterilen değeri alır ve sıfır ile bir arasında bir değere
dönüştürür. Sıfır ile bir arasındaki bu değer transfer fonksiyonunun ve dolayısıyla
işlem elemanının çıktısıdır ve dış ortama veya girdi olarak başka bir nörona iletilir.
http://ekutup.dpt.gov.tr/ekonomi/tahmin/yurtoglh/ysa..pdf
17
Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği
Transfer fonksiyonu işlemi öncesinde, sisteme tekdüze (uniform) dağılmış bir
rassal hata eklenebilmektedir. Bu rassal hatanın kaynağı ve büyüklüğü, ağın
öğrenme işlemi sürecinde belirlenir. Sisteme böyle bir hata teriminin eklenmesinin
sebebi, insan beyninin işlevinin, içinde bulunduğu ortamın şartlarından (örnek
olarak sıcak/soğuk olmasından) etkileniyor olmasıdır. Bu yüzden, YSA
literatüründe rassal hata ekleme işlemi “sıcaklık (temperature)” olarak da
adlandırılmaktadır. Günümüzde, rassal hata kullanımı fiilen tam olarak
yerleşmemiştir ve halen bir araştırma süreci içerisindedir. Ayrıca, bazı ağlarda,
transfer fonksiyonunun çıktısı üzerinde başka işlemler, ölçeklendirme ve
sınırlandırma, yapılabilmektedir.
Şekil 2.6: En Çok Kullanılan Transfer Fonksiyonları
Transfer fonksiyonundan çıkan değer işlem elemanının da çıktısıdır. Fakat,
bazı durumlarda işlem elemanının bu çıktıyı bir çıktı fonksiyonu ile bir dönüşüme
uğratması gerekebilmektedir. Bu çıktı, ağın yapısına göre, girdi olarak başka bir
işlem elemanına veya bir dış bağlantıya gönderilir.
http://ekutup.dpt.gov.tr/ekonomi/tahmin/yurtoglh/ysa..pdf
18
Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği
Tüm YSA’lar, yukarıda temel elemanları anlatılan bu temel yapı taşlarından
yani nöronlardan oluşturulurlar. Bu yapı taşlarının dizaynı, sinir ağı sanatının, başka
bir deyişle mimarisinin oluşturulmasının ilk bölümüdür. Bu sanatın ikinci bölümü
ise bu işlem elemanlarının kümelendirilmesi ve birbirleri arasındaki bağlantıların
oluşturulmasını içerir. Beyinde kümelendirme, bilginin dinamik, etkileşimli ve
kendiliğinden organize bir şekilde işlenmesini sağlayacak şekildedir. Biyolojik sinir
ağları üç boyutlu uzayda mikroskobik elemanlarla oluşturulur. Bu nöronlar hemen
hemen sınırsız sayıda bağlantılar içerirler. Bu, yapay sinirler için mümkün değildir.
Bugünkü teknoloji ile iki boyutlu ortamda ve belirli sayıda bağlantı içeren nöronlar
oluşturulabilmektedir. Bu durum, YSA’ların yetenek ve çeşitlerini sınırlamaktadır.
Şekil 2.7: Transfer Fonksiyonunun Çalışma Yapısı
YSA’larda, yapay nöronlar basit bir şekilde kümelendirilmektedirler. Bu
kümelendirme tabakalar halinde yapılmaktadır ve daha sonra bu tabakalar bir
diğerine ilişkilendirilmektedir. Temel olarak, tüm YSA’lar benzer bir yapıya
sahiptirler. Böyle bir genel yapı Şekil 2.8’de gösterilmektedir. Bu yapıda, bazı
nöronlar girdileri almak için bazı nöronlar ise çıktıları iletmek için dış mekan ile
bağlantılı haldedirler. Geri kalan tüm nöronlar ise gizli tabakalardadırlar, yani
sadece ağ içinde bağlantıları vardır.
http://ekutup.dpt.gov.tr/ekonomi/tahmin/yurtoglh/ysa..pdf
19
Dostları ilə paylaş: |