Avrupa biRLİĞİnde mevduatin korunmasi



Yüklə 72,84 Kb.
Pdf görüntüsü
səhifə8/32
tarix29.05.2018
ölçüsü72,84 Kb.
#46593
1   ...   4   5   6   7   8   9   10   11   ...   32

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


Yüklə 72,84 Kb.

Dostları ilə paylaş:
1   ...   4   5   6   7   8   9   10   11   ...   32




Verilənlər bazası müəlliflik hüququ ilə müdafiə olunur ©genderi.org 2024
rəhbərliyinə müraciət

    Ana səhifə