Akademik Veri Yönetim Sistemi
ELEKTRİK-ELEKTRONİK ve BİYOMEDİKAL MÜHENDİSLİĞİ KONFERANSI, Bursa, Türkiye, 24 - 26 Kasım 2022, ss.1-4
Rezervuar hesaplama yöntemi, tekrarlayan sinir ağlarına dayanan ve özellikle tahminleme çalışmalarında etkili sonuçların elde edildiği bir makine öğrenmesi yaklaşımıdır. Bu yöntemin tekrarlayan sinir ağlarından farkı giriş ağırlıkları ve rezervuar yapısında bulunan bağlantılara ait ağırlıkların rastgele seçilmiş sabit değerlerden oluşmasıdır. Bu özelliğinden dolayı rezervuar modelini sabit bağlantıları olan tekrarlayan bir sinir ağı olarak tanımlamak mümkündür. Öte yandan sadece çıkış ağırlıklarının eğitilmesi, hesaplama yükü ve eğitim süresini büyük oranda azaltarak, rezervuar yaklaşımını daha pratik ve kolay uygulanabilir hale getirmiştir. Rezervuar hesaplama yönteminin dinamik sistemlere uygulanmasıyla doğrusal olmayan modellerin eğitilmesi ve davranışlarının yüksek doğrulukla tahmin edilmesi mümkündür. Bu çalışmada da kaotik Chen sistemi, rezervuar hesaplama ile eğitilmiş ve elde edilen çeker yapıları değerlendirilmiştir. Bu kapsamda 3 boyutlu dinamik modelin x değişkenine ait zaman serileri rezervuar yapısına giriş olarak verilmiş ve çıkışta y değişkenine ait zaman serilerinin tahmin edilmesi amaçlanmıştır. Eğitim ve test aşamalarında elde edilen verilerle x-y düzlemindeki faz-uzayı gösterimleri oluşturulmuş ve hesaplanan hata değerleri ile de sonuçların doğruluğu gösterilmiştir.
Reservoir computing method is a machine learning approach based on recurrent neural networks and effective results are obtained especially in prediction studies. The difference of this method from recurrent neural networks is that the input weights and the weights of the connections in the reservoir structure consist of randomly selected fixed values. Due to this feature, it is possible to define the reservoir model as a recurrent neural network with fixed connections. On the other hand, training only the output weights has significantly reduced the computational load and training time which makes the reservoir approach more practical and easy to apply. By implementing the reservoir computing method in dynamical systems, it is possible to train nonlinear models and predict their behavior with high accuracy. In this study, the chaotic Chen system is trained with reservoir computing and the resulting attractor structures are evaluated. Within this scope, time series of the x variable of the 3D dynamic model is given as input to the reservoir structure and it is aimed to estimate the time series of the y variable at the output. Phase-space representations in the x-y plane are created with the data obtained during the training and testing process, and the accuracy of the results is shown with the calculated error values.