Ateşleme sinir ağı mimarilerinde algoritmik performans incelemesi

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Erciyes Üniversitesi, Fen Bilimleri Enstitüsü, ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2024

Tezin Dili: Türkçe

Öğrenci: OBEID MOHAMEDNOOR OBEID ABDALLA

Danışman: Recai Kılıç

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Geleneksel programlama yöntemleri ile yapılan problem çözümlerinin karmaşıklığını azaltmak için insan beynindeki bilgi sürecinden esinlenen çeşitli nöral ağ teknikleri geliştirilmiştir. Bu teknikler arasında birinci nesil ve ikinci nesil yapay sinir ağlarının (YSA) devamı olarak biyolojik anlamlılığa sahip üçüncü nesil YSA'ları olarak Ateşlemeli Sinir Ağlar (Spiking Neural Networks-SNN'ler) tanımlanmaktadır. SNN'ler, zar potansiyeli bir eşiği aştığında ateşlenen nöron katmanlarından oluşan biyolojik nöronların iletişim kurallarını taklit eder. SNN ağ yapılarının başarım odaklı performans değerlerini artırmak için literatürde yenilikçi çalışmalara ihtiyaç duyulmaktadır. Bu tez çalışmasında denetimli ve denetimsiz öğrenme paradigmaları kullanılarak çeşitli görevleri gerçekleştirebilen SNN ağ mimarilerinin tasarlanması ve bu ağ mimarilerine eğitim için farklı algoritmaların uygulanması ve performans değerlendirilmesi amaçlanmaktadır. Bu bağlamda bu tez çalışmasında; biyolojik anlamlılığı yüksek ve az değişkenle tanımlanan FitzHugh-Nagumo nöron modeli (FHN) ile farklı katmanlardan oluşan SNN yapıları oluşturulmuştur. Oluşturulan ağları eğitmek için denetimsiz öğrenme paradigması altında Ateşleme Zamanlamaya Bağlı Plastisite (STDP) algoritmasıyla XOR uygulaması yapılmıştır. Denetimli öğrenme paradigması altında da Multi-STIP ve Multi-ReSuMe algoritmaları kullanılarak İris çiçeği ve Wisconsin göğüs kanseri (WBC) sınıflandırılması gerçekleştirilmiştir. Nümerik simülasyonlardan edinilen veriler, literatürde bulunan veriler ile karşılaştırarak kıyaslaması yapılmıştır. Sonuçlara göre, geliştirilen SNN'lerin kullanılan nöron sayısına göre yüksek doğruluk elde ettiğini görülmüştür. Multi-ReSuMe algoritması İris çiçeği veri setinde Multi-STIP algoritmasından daha iyi performans gösterirken, Multi-STIP algoritması Wisconsin göğüs kanseri veri setinde daha iyi performans sergilemiştir. Bu sonuçlar, SNN'nin güç tüketimini azaltmasında ve performansını artırmasında SNN optimizasyonunun önemini göstermektedir.