Yapay alg algoritması ile yapay sinir ağlarının ağırlıklarının optimizasyonu
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Son yıllarda, Yapay sinir Ağı (YSA), yapay zeka uygulamaları içinde en çok tercih edilen teknik ve bunun sebebi dinamik olarak sınıflandırma veya tahmin problemlerini çözebilme yeteneğidir. YSA üzerine yapılan pek çok çalışma, YSA'nın daha iyi öğrenmesini ve sınıflandırma veya tahmin için verilen dataya göre daha doğru davranmasını amaçlamaktadır. YSA güçlü bir teknik olmasına rağmen, ağın eğitimi zor bir görev olabilir ve daha karmaşık problemler, ağın eğitiminin daha zor hale gelmesine neden olur. Bu kısıtların üstesinden gelmek için yeni yaklaşımlar geliştirilmektedir. Bu yaklaşımlar, YSA modelleme sürecinin başarısını etkileyen en önemli faktörler olduğu için çoğunlukla eğitme algoritması ve parametre optimizisyonuna dayanmaktadır. Bu amaçla kullanılan birçok metaheuristik optimizasyon algoritması vardır. Parçacık Sürü Optimizasyonu (PSO), bunların en yaygın algoritmasıdır. Yapay Alg Algoritması (YAA) yeni geliştirilen ve farklı tipte problemlerde yüksek başarı gösteren bir optimizasyon algoritmasıdır. Algoritma, Evrimsel Süreç, Adaptasyon Süreci ve mikro algın hareketine dayanır. Bu çalışmada YAA, geri yayılım yerine YSA eğitim süreci olarak önerilmiştir. YSA-PSO, algoritmaların performanslarını karşılaştırmak için önerilen YSA-YAA ile aynı koşullarda geliştirilmiştir. UCI KDD Makine Öğrenme Deposu'ndan elde edilen iki veri seti bu amaçla kullanılmıştır. Ayrıca hem sınıf hedef değerlerinin ve hem de farklı nitelik kombinasyonlarının etkisini gözlemek amacıyla da YSA-PSO ve YSA-YAA ile denemeler yapılmıştır. Sınıf hedef değerleri (0, 1), (0.1, 0.9), (0.2, 0.8) ve (0.2, 0.6) olarak seçilmiştir. Sonuçlar göstermiştir ki, YSA-PSO, YSA-YAA'dan biraz daha iyi performansa sahiptir. Ancak YSA-YAA'nın da YSA-PSO'ya benzer bir doğruluk gösteren çok etkili bir rakip olduğu görülmüştür. Her iki veri kümesi için de (0.2,0.6) hedef değerleri için başarılı sonuçlar elde edilmiştir. Recently, Artificial Neural Network (ANN) was the most preferred technique for artificial intelligence applications, and the reason is the dynamic ability to solve classification or prediction problems. Most studies on ANN aim to develop a model that learn perfectly and to behave correctly according to the given data. Although ANN is a powerful technique, training a network can be a difficult task, and the more complex problems are, the more difficult the training of the network becomes. The most important studies on training algorithm and parameter optimization as these are the most important factors which affect the success of the process of ANN modeling. There are several metaheuristic optimization algorithms used to train ANN. Particle Swarm Optimization (PSO) is one of the most common algorithm of these. Artificial Algae Algorithm (AAA) is an optimization algorithm which has been newly developed and showed high success in different types of problems. The algorithm is based on the Evolutionary Process, Adaptation Process and the movement of microalgae. In this study, AAA was suggested as an ANN training algorithm instead of backpropagation. ANN-PSO is improved in the same conditions with the proposed ANN-AAA to compare the performances of algorithms. Two benchmark datasets obtained from UCI KDD Machine Learning Repository were used for this aim. Also the experiments with MLP-PSO and MLP-AAA were performed to investigate both the effects of class target values and different attribute combinations. The class target values were selected as (0, 1), (0.1, 0.9), (0.2, 0.8) and (0.2, 0.6). The results showed that ANN-PSO performed slightly better than ANN-AAA. But performance of ANN-AAA is very effective and competitor to ANN-PSO which showed good accuracy. The successful accuracy values were obtained for both datasets with the (0.2, 0.6) target values.
Collections