GÜREŞEN–KAYAKUTLU
63
KHO BİLİM DERGİSİ CİLT: 23 SAYI: 1 YIL: 2013
Sadece yapısı oluşturupdaha önce hiç bir eğitim işlemi yapılmamış bir
yapay sinir ağına istenilen çıktıları verdirmek amacıyla yapılan işlem belletmek
ya da kavratmak (knowing) olarak adlandırılabilir. Değişen şartlar nedeniyle
oluşan yeni gözlemleri kullanarak yapay sinir ağının mevcut bir çıktı sinir
hücresinin ürettiği sonuçlardaki hatayı düzeltmek için yapılan yeniden eğitim
ise düzeltme (adjusting) olarak tanımlanabilir. Bir yapay sinir ağının mevcut
yeteneklerine ek olarak yeni bir yetenek kazandıracak şekilde yeni bir çıktı sinir
hücresi eklenerek eğitimi ise öğrenme (learning) olarak adlandırılabilir.
a. Motivasyon (Motivation)
Mevcut yazın incelendiğinde kavrama, düzeltme ve öğrenme için tek bir
kavram; “öğrenme” kullanıldığı görülmektedir. Bu da mevcut durumdaki
eksikliğin tanımlanmasını zorlaştırmaktadır. Yazında bulunan algoritmalardan
yapay sinir ağlarının ilk defa eğitenler kavramaya karşılık gelmektedirler.
Değişen çevre şartlarına göre bir yapay sinir ağının tekrar kavratma yapılarak
hata seviyesinin azaltılması ise düzeltmeye karşılık gelmektedir. Bütün bunlara
karşılık bir yapay sinir ağına yeni bir yetenek kazandıracak şekilde yeni bir çıktı
sinir
hücresi
ekleyen,
kısaca
öğrenme
yapan
algoritmalar
ise
bulunmamaktadır.
Yazındaki bütün YSA inşa algoritmaları YSA’nın çıktı katmanını ve
burada bulanan çıktı sinir hücre sayısını sabit tutup, kavrama işlemini
uygulamaktadırlar. Mevcut algoritmalardan bazıları çıktı sinir hücrelerini yapı
olarak da sabit tutmaktadır. Bazıalgoritmalar ise çıktı sinir hücresini gizli sinir
hücresine çevirerek yeni bir çıktı sinir hücresi eklemektedirler. İşlevi eski çıktı
sinir hücresinin hata miktarını düzeltmek olan bu yaklaşım da YSA yapısına
yeni bir işlev katmadığından öğrenme olarak adlandırılamaz.
b. Amaç (The Goal)
Bu çalışma yapay sinir ağlarına yeni işlev kazandırmak için yeni sinir
hücresi eklemek üzere yoğunlaşmıştır. Daha önce çalışılmamış olan çıktı
GÜREŞEN–KAYAKUTLU
64
KHO BİLİM DERGİSİ CİLT: 23 SAYI: 1 YIL: 2013
hücrelerini ekleyen bir algoritma geliştirilmiştir. Bu yeni algoritmanın
performansını sabit sayılı çıktı sinir hücresine sahip yapay sinir ağları ile
karşılaştırarak performansının ölçülmesi amaçlanmıştır.
c. Katkı (Contribution to Literature)
Bu çalışmada boş bir çıktı katmanına sahip bir YSA ile başlayan ve
istenilen miktarda yeni çıktı sinir hücresi ekleyerek YSA inşa eden yeni bir
algoritma geliştirilmiştir. Bu algoritma bir yapay sinir ağının çıktı katmanını
sıfırdan oluşturabileceği gibi daha önce eğitilmiş bir yapay sinir ağına yeni
işlevler eklemek için çıktı sinir hücresi ekleyebilmektedir.
Her yeni eklenecek çıktı sinir hücresi için bir aday havuzu
oluşturulmaktadır. Oluşturulan bu havuzda yakın işleve sahip hücrelerin bilgi
birikimini kullanabilmek için rassal ağırlıklı adayların yanında mevcut
hücrelerinin kopyalanması, toplanması, bileşimi ve bölünmesi ile oluşturulmuş
çıktı sinir hücreleri de kullanılmaktadır.
Aday havuzundaki çıktı sinir hücreleri arasından en uygun adayı tespit
etmek ve öğrenmeye olan katkısını geçerlemek için yeni bir çapraz geçerlilik
yöntemi geliştirilmiştir. Bu yönteme K’nınL’li çapraz geçerliliği (L of K cross
validation) adı verilmiştir.
ç.Çalışmanın organizasyonu (Organization of Study)
Amacı ve mevcut yazın taraması verilen çalışmanın geri kalan kısmı şu
şekildedir: ikinci bölümde FA01V01 algoritması açıklanmış ve algoritmanın
sözde programı verilmiştir. Aynı bölümde aday havuzu oluşturmada kullanılan
yöntemler açıklanmış ve modellerin değerlendirme şekillerine değinilmiştir.
İkinci Bölümün son kısmında ise bu çalışmada kullanılan “ve”, “veya” ve “özel
veya” bütünleşik mantık problemi açıklanmıştır.
GÜREŞEN–KAYAKUTLU
65
KHO BİLİM DERGİSİ CİLT: 23 SAYI: 1 YIL: 2013
Çalışmanın üçüncü bölümünde ise önerilen algoritma bahsedilen
bütünleşik mantık problemine uygulanmıştır. Algoritmanın uygulanma
platformu ve geliştirilen NeuroBee yazılımı açıklanmıştır. Ayrıca algoritmanın
kıyaslamasını yapmak üzere aynı problem NeuroSolutions v.5.05 yazılımının
çok katmanlı algılayıcı modellerine uygulanmıştır. Üçüncü bölümün sonunda
elde edilen sonuçlar paylaşılmıştır. Son bölümde ise elde edilen bulgular
değerlendirilmiş ve ileride yapılacak çalışmalar hakkında öneriler sunulmuştur.
2. LİTERATÜR TARAMASI (LITERATURE REVIEW)
Yapay sinir ağının en uygun yapısını bulmak için dört temel yaklaşım
vardır. Bu yaklaşımlar yapıcı (constructive) algoritmalar, budama (pruning)
algoritmaları,
düzenleme
(regularization)
algoritmaları
ve
evrimsel
(evolutionary) algoritmalardır (Kwok ve Yeung, 1997a).
Yapıcı algoritmalar göreli olarak daha küçük bir yapay sinir ağı ile başlarlar.
Daha sonra gizli sinir hücreleri ve gizli katmanlar eklemek suretiyle yapay sinir
ağının yapısını büyütürler. Bu algoritmalarda temel amaç mümkün olduğunca
küçük bir ağ yapısı ile istenilen seviyede hata oranını yakalamaya çalışmaktır.
Budama algoritmaları ise göreli büyük bir yapay sinir ağı yapısı ile başlarlar
ve istenilen hata seviyesini sağlayacak şekilde ağ yapısından bazı gizli sinir
hücrelerini çıkartırlar. Mozer ve Smolensky (1989) bunu yapmak için daha az
önemli gizli sinir hücrelerini (GSH’lerini) tespit edip bunları yok ederek yapay
sinir ağı yapısını uygun boyuta getirmektedir. Karnin (1990) ise hata
fonksiyonun mevcut GSH’lerin silinmesine duyarlılığını hesaplayarak budama
işlemini gerçekleştirmektedir. Castellano ve diğ. (1993) ise 3 farklı budama
algoritmasını; Sietsma ve Dow (1988), Burkitt (1991) ve Pelillo ve Fanelli
(1993)’nin algoritmalarını karşılaştırmışlardır. Castellano ve diğ. (1997) ise
problemden bağımsız tekrarlayan bir budama algoritması geliştirmişlerdir.
Dostları ilə paylaş: |