Genetik algoritmaları kullanarak bir sinir ağının eğitilmesi ve doğrusal olmayan modellerle uygulanması

Abstract

Bu tezde, ileri beslemeli bir sinir ağının eğitiminde kullanılan geri-yayılmalı öğrenme algoritmasındaki ağırlık parametreleri genetik algoritmalar kullanılarak belirlenmiştir. Ağırlık parametreleri katmanlar arasındaki bağlantı katsayıları olarak bilinmektedir. Ağırlık parametreleri ağın öğrenme hızının arttırılması, öğrenme esnasında oluşabilecek hataların en aza indirgenmesi ve lokal minimumlardan kaçınılması gibi özellikleri belirlemektedirler. Dolayısıyla bu parametrelerin uygun biçimde seçilmesi ağın daha etkin olarak eğitilmesinde oldukça önemlidir. Tezin amacı; en uygun kromozomun seçilmesidir. Bu bilgiler doğrultusunda genetik algoritmaların diğer yöntemler kadar etkin çözümlere ulaşabileceği iki veya daha fazla parametreli bir modelde parametre tahminleri yapılarak gösterilmiştir. Sonuçlar genetik algoritmaların yapay sinir ağlarını eğiterek modellemede, parametre tahmini için kullanılabilir olduğunu göstermektedir.

In this thesis, the weight parameters in backpropagation learning algorithm which is used for training of a feedforward neural network are determined by using genetic algorithms. Weight parameters are known as coefficients of hidden layers. The weigth parameters identify the features such as improving of the learning speed, eliminating the errors and avoiding from the local minimum points during learning of the neural network. Therefore, a selection of these parameters is very important for training of the network more efficiently. The aim of this thesis is to choose the ideal chromosome. In light of this information, genetic algorithm is denoted that can be come up with effective solutions compared to the other methods by making parameter estimation in two or more parameter model. The results have indicated that genetic algorithms without auxiliary knowledge can be used for the parameter estimation of neural networks weights.