Geribeslemeli Yapay Sinir Ağlarının Genetik Operatörlere Dayalı Tabu Araştırma Algoritması Kullanarak Eğitilmesi
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Erciyes Üniversitesi, Fen Bilimleri Enstitüsü, Türkiye
Tezin Onay Tarihi: 1996
Tezin Dili: Türkçe
Öğrenci: Adem Kalınlı
Asıl Danışman (Eş Danışmanlı Tezler İçin): Derviş KARABOĞA
Özet:ÖZET İki tip yapay sinir ağı vardır: ileribeslemeli ve geribeslemeli. Bilginin tekrar aynı işlemci elemana dönmesini sağlayan bağlantılar rekursiv olarak adlandırılır ve bu tip bağlantılara sahip yapay sinir ağları geribeslemeli yapay sinir ağı olarak isimlendirilir. Geribeslemeli yapay sinir ağları dinamik sistemlerin kimliklendirilmesi için ileribeslemeli yapay sinir ağlarından daha uygundur. Çünkü bu sinir ağları giriş ve çıkışlar arasında dinamik bir ilişkiye sahiptir. Bu yapay sinir ağlarının özel bir tipi Elman ağıdır. Elman ağı ileribesleme ve geribesleme bağlantılarına sahiptir. Bununla birlikte ileribeslemeli ağlar gibi basit geriyayılım algoritması ile eğitilebilsin diye geribesleme bağlantıları sabit alınmak zorundadır. Eğitimin yakınsaması için geribesleme bağlantıları için doğru değerlerin seçilmesi önemlidir. Bununla birlikte bu değerlerin elde edilmesi uzun bir deneme ve yanılma işleminin yapılmasını gerektirmektedir. Bu tezde, geribeslemeli yapay sinir ağlarının dinamik sistem kimliklendirilmesi için eğitilmesi amacıyla tabu araştırma algoritmasına dayalı bir teknik sunulmaktadır. Bu tekniği kullanarak geribesleme bağlantıları, ileri besleme bağlantıları gibi kolayca eğitilebilmektedir. Zeki problem çözmenin temel kaidelerini simüle eden tabu araştırma iteratif bir algoritmadır ve tek bir çözümle çalışır. Bu özelliğinden dolayı başlangıç çözümüne bağlı olarak küresel optimumun bulunduğu bölgeye erişmesi oldukça uzun zaman gerektirebilir. Genetik bilimi ve tabii seçme üzerine dayalı genetik algoritmalar çözümlerin bir seti ile çalışır ve stokastik geçiş kuralları kullanır. Bundan dolayı küresel optimumun bulunduğu bölgeyi kolayca bulabilmektedir. Yukarıda bahsedilen standart tabu araştırma algoritmasının dezavantajını yok etmek ve algoritmanın performansını artırmak için yeni paralel tabu araştırma modelleri önerilmiştir. Bu yeni modeller genetik algoritmanın mutasyon ve çaprazlama operatörleri üzerine dayalıdır. Yeni modeller genetik ve standart tabu araştırma algoritmalarının avantajlarını birleştirmektedir. İlk olarak standart tabu araştırma ve önerilen algoritmaların performansları bazı yaygın olarak kullanılan nümerik ve ayrık optimizasyon problemleri için test edilmiştir. Sonra her iki algoritma dinamik sistemlerin kimliklendirilmesi amacıyla Elman ağının eğitilmesi için kullanılmış ve performansları standart geriyayılım algoritmasının performansıyla karşılaştırılmıştır.