Karma yapılı yeni bir bulanık-sinirsel ağ yapısının geliştirilmesi ve başarımının incelenmesi

Abstract

Bu çalışmada, yeni bir ağ yapısı olarak karma radyal tabanlı fonksiyon sinir ağı (HybRbfNN) geliştirilmiş ve başarımı incelenmiştir. Ağ, 3 gizli, 1 çıkış katmanı olmak üzere toplam 4 katmanlı bir ağ yapısındadır. Ağ özellikle engebeli yüzeye sahip sistemlerin modellenmesi amacıyla geliştirilmiş olup, bu alanda en anlamlı rakipleri olan uyarlamalı ağ tabanlı bulanık sonuç çıkarma sistemi (ANFIS) ağı ve konik kesit fonksiyonlu sinir ağı (CSFNN) ile modelleme başarımı kıyaslanmıştır. Kıyaslama engebeli yüzeye sahip denektaşı bir sistemin modellenmesi problemi üzerinde yapılmıştır. Ağların parametreleri, geliştirilmiş parçacık sürü optimizasyonu (iPSO) kullanılarak belirlenmiştir. HybRbfNN, ANFIS ve CSFNN ağlarının modelleme etkinlikleri, eğitim seyri grafikleri, modelledikleri yüzey ve hata yüzeyleri kullanılarak incelenmiştir. Elde edilen sonuçlar, özellikle engebeli yüzeyler ve keskin geçişlerde bu çalışmada geliştirilen HybRbfNN ağının , ANFIS ve CSFNN ağlarından daha iyi bir öğrenme ve sonucunda da daha üstün bir modelleme başarımı gösterdiğini göstermiştir.

In this study, as a novel network structure, Hybrid Radial Based Function Neural Network (HybRbfNN) is developed and its performance is investigated. The network has a total of 4 layers of network structure, with 3 hidden layers and 1 output layer. The network has been developed specifically for modelling systems with uneven surfaces and its modelling performance has been compared with the most significant competitors, adaptive-network based fuzzy inference systems (ANFIS) and conic section function neural network (CSFNN). The comparison is made on modelling of a benchmark system having an uneven surface. The parameters of the networks are trained using improved particle swarm optimization (iPSO). The modeling efficiencies of HybRbfNN, ANFIS and CSFNN are investigated using their training measurement graphs, surfaces they modelled, and error surfaces. The obtained results show that the HybRbfNN network developed in this study, especially on uneven surfaces and sharp transitions, shows a better learning outcome than ANFIS and CSFNN networks and a superior modelling performance over the result.