A Unified formulation for modelling and training the single layered neural networks

Abstract

KISA ÖZET TEK KATLI MORAL AĞLARIN MODELLENMESI VE EGITIMI Nöral Ağlar, biyolojik sinir sistemlerini taklit etmeye çalışarak, sayısal bilgisayarların geleneksel hesaplama yöntemlerine yeni bir alternatif oluşturmaktadırlar. Özellikle son on yılda araştırmacılar konu üzerinde büyük bir gelişme sağlamışlar ve birçok yapay nöron sistemi modeli geliştirerek bunları çalıştıracak algoritmaları sunmuşlardır. Bu yapay noral ağların başlıca kullanım alanları, konuşma ve görüntü tanıma, çıkarım yapma, karar verme, kontrol ve robot uygulamalarıdır. Bu tez çalışması `Tek Katlı Nöral Ağlar` konusunda bugüne kadar yapılan çalışmaları birleştirerek ortak bir teori meydana getirmeyi amaçlamaktadır. ikinci bolüm sözü geçen bu ortak teoriyi sunmakta ve yapay sistemin biolojik sistemle olan yapısal ve fonksiyonel bağlarını incelemektedir. Üçüncü bölüm tek katlı ağların çalıştırılması için kullanılan `eğitme` metodlarını sunmaktadır. Sonuç bölümünde ise, n'öral ağların bugünkü durumu ve geleceği konusu tartışılmaktadır.

ABSTRACT A UNIFIED FORMULATION FOR MODELLING AND TRAINING THE SINGLE LAYERED NEURAL NETWORKS Neural Networks bring out an alternative computation ap proach to conventional digital computing, by trying to imitate the biological neural structures. Especially in the last decade, researchers developed several different approaches to the problem of neural computing, by producing many different arrangements of neurons and devising algoritms to train them. The main tasks that the Neural Networks employed are speech recognition, visual perception, decision making, control and robotics, etc. This thesis work aimed to compile the works done so far on the subject of `Single Layered Neural Networks`, and propose a general theory that unifies them. On the second chapter the fundamental system is given by relating the artificial struc ture to the biological one. The third chapter presents the training methods that are used to train the single layered networks. On the conclusion chapter, the current status and the future of the neural networks are discussed. IV