Yapay sinir ağı tasarımı: Eğitim sürecinin optimizasyonu ve gıda mühendisliği alanında uygulanması
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Yapay sinir ağı (YSA) eğitim süreci ağın performansını belirleyen en önemli aşamadır. Ağ parametrelerinin fazla olması nedeniyle uygun ağ parametrelerini kullanarak daha doğru tahmin kapasitesine sahip ağın seçilmesi her zaman mümkün olamamaktadır. Uygun ağ parametrelerinin seçiminin tek yolu mümkün olan tüm parametre kombinasyonlarında ağın eğitilmesi, test edilmesi ve sonrasında en iyi eğitilmiş ağın seçilmesidir. Çalışma kapsamında yapay sinir ağı eğitim sürecinde parametre optimizasyonunda kullanılabilecek bir yazılım geliştirilmiş ve farklı veri grupları için test edilmiştir. Geliştirilen yazılım kullanılarak eğitim, validasyon ve test verileri sisteme beslenebilmekte ve sonrasında farklı ağ parametrelerinde eğitim gerçekleştirilebilmektedir. Yüksek doğrulukta tahmin gücüne sahip ağ, tahmin edilen değerler ile gerçek değerler arasındaki istatistiksel skorlara (ortalama mutlak sapma (OMS), regresyon katsayısı (R2) ve hata kareler ortalaması (HKO)) bakılarak seçilebilmektedir. Geliştirilen yazılım beş farklı veri grubu (y=ex veri grubu, kinetik veri grubu,enzimatik reaksiyon hızı veri grubu, absorbans-L*a*b* veri grubu ve RGB-L*a*b* veri grubu) için test edilmiştir. Herhangi bir deneysel hata içermeyen ve matematiksel olarak üstel fonksiyon kullanılarak üretilen birinci veri grubu için çok yüksek doğrulukta tahmin yeteneğine sahip ağ eğitilebilmiştir. Ağın üretmiş olduğu değerler gerçek değerler ile karşılaştırılarak istatistiksel skorlar OMS: % 0.004, R2: 1.000 ve HKO: 0.00263 olarak saptanmıştır. Enzimatik reaksiyon parametrelerin (substrat derişimi ve ortam pH'sı) enzimatik reaksiyon hızına etkilerinin incelendiği kinetik veri grubunda sınırlı sayıda veri kullanılarak eğitim gerçekleştirilmiş ve en iyi ağ seçilmiştir. Seçilen ağın kullanılmasıyla OMS: % 9.29; R2: 0.965 ve HKO: 0.0071 istatistiksel skor değerleri saptanmıştır. Zaman-derişim verilerin kullanılmasıyla elde edilen veri grubunda ise aynı istatiksel değerler için sırasıyla % 0.73, 0.994 ve 0.124 olarak elde edilmiştir. Ayrıca bu aşamada YSA'nın mühendislik uygulamalarında matematiksel eşitlik yerine kullanılabilirliği de gösterilmiştir. Absorbans-L*a*b* veri grubu için aynı yazılım kullanılarak genel kullanım amaçlı bir spektrofotometrenin sıvı örnekler için L*a*b* formatında veri üretmesi mümkün kılınmıştır. Her üç renk değeri de yüksek doğrulukta tahmin edilebilmiştir. Son veri grubu için ofis ekipmanları kullanılarak renk ölçüm düzeneği hazırlanmış tarayıcıda alınan dijital görüntüler tez kapsamında hazırlanan yazılım sayesinde işlenerek YSA ile birlikte RGB renk değerlerinden L*a*b* renk değerlerinin tahmin edilmesi sağlanmıştır. Bu sayede renk homojenliğine ve düzgün bir şekle sahip olmayan gıda örnekleri için renk ölçümü basit ekipmanlarla yapılabilir hale getirilmiştir. Çalışma kapsamında geliştirilen yazılım yapay sinir ağı eğitim parametrelerinin optimizasyonu ve uygun ağın seçilmesi sürecinde tüm veri gruplarında yüksek başarı sağlamıştır.Anahtar kelimeler: Yapay sinir ağı, ağ parametreleri, optimizasyon, gıda uygulamaları The training process of an Artificial Neural Network (ANN) is the most important constituent of performance-determining step. Choosing a better estimating network using proper network parameters is not always possible because of large number of network parameters. The only way of choosing proper network parameters is to train and test the network in all possible combinations first, then picking the best-trained network. In this study, software was developed for the optimization of parameters in the training process and tested in the food engineering applications. The training can be performed in different network parameters and their all possible combinations after feeding validation and test data to the system using the developed software.A network with strong estimation power is selected based on comparison of some statistical scores such as Average Absolute Deviation (AAD), Correlation Coefficient (r2), and Mean Square Error (MSE) of estimated data and ?true? data. The developed software was tested for five different data sets: y=ex data set, kinetic data set, enzymatic reaction rate data set, absorbance-L*a*b*data set, and RGB-L*a*b* data set. A trained network with very high estimation skill was selected for the first data set including no experimental error and produced by an exponential mathematical function. Statistical scores in between true values and the estimated values such as AAD, r2, and MSE are % 0.004, 1.000, and 0.00263 respectively for the test data. In the kinetic data set where the effects of enzymatic reaction parameters (substrate concentration and pH) on the enzymatic reaction rate was studied, training was performed using limited number of data and the best performing network was selected. Using the selected network, statistical scores of AAD: % 9.29, r2 : 0.965 , and MSE: 0.0071 were obtained. The same statistical criteria were obtained as % 0.73, 0.994, and 0.124 respectively using concentration-time data. Additionally, it was shown that ANN can be used instead of a mathematical equilibrium in engineering applications. It was made possible for a general purpose spectrophotometer to produce data in L*a*b* format for liquid samples using the same software of absorbance-L*a*b* data set. All three color values were estimated with high accuracy. The digital images obtained in the prepared color measurement apparatus using an office equipment for the last data set was processed by the developed software and L*a*b* color values were estimated from ANN and RGB color valuesIt was also made possible to measure the color of the food samples without color homogeneity and a certain shape using simple office equipment. The software developed in this study was highly successful in the optimization of artificial neural network training parameters and selection of the proper network processes for the all data sets.Keywords: Artificial neural network, network parameters, optimization, foodapplication
Collections