Application and Performance Analysis of Karcı Neural Network

Abstract

Artificial Neural Networks (ANNs) are frequently used in solving mathematical and engineering problems. ANN is a mathematical model inspired by the brain nerve cell of living things and enables one or more neurons to perform a task within the framework of a specific discipline. During the training of ANNs, the number of hidden layers, weights, learning coefficients, and many other parameters that can change according to the problem are used. In this study, a new calculation method called Karcı Neural Network (Karcı NN) and which uses fractional derivatives instead of the learning coefficient used in the learning phase of ANN, was used. As a result of the experimental studies carried out with the Karcı NN method, successful results were obtained, especially for the 1.4 value of the alpha parameter, where the error rate was measured as 0.019%.

Keywords

• Artificial Neural Networks
• Learning Coefficient
• Karcı NN

Karcı Sinir Ağlarının Uygulaması ve Performans Analizi

Abstract

Yapay Sinir Ağları (YSA), matematik ve mühendislik problemlerinin çözümünde sıkça kullanılmaktadır. YSA, canlıların beyin sinir hücresinden esinlenerek ortaya atılan ve bir ya da birden fazla nöronun belirli disiplin çerçevesinde bir görevi yerine getirmesini sağlayan matematiksel modeldir. YSA’ların eğitimi aşamasında probleme göre değişebilen gizli katman sayısı, ağırlıklar, öğrenme katsayısı ve daha birçok parametre kullanılmaktadır. Bu çalışmada, Karcı Sinir Ağı (Karcı Neural Network -Karcı NN) olarak adlandırılan ve YSA’nın öğrenmesi aşamasında kullanılan öğrenme katsayısının kullanımı yerine kesir dereceli türev kullanılan yeni bir hesaplama yöntemi kullanılmıştır. Karcı NN yöntemiyle yapılan deneysel çalışmalar sonucunda, özellikle alfa parametresinin 1.4 değeri için hata oranının % 0.019 olarak ölçüldüğü başarılı sonuçlar elde edilmiştir.

Keywords

• Yapay Sinir Ağları
• Öğrenme Katsayısı
• Karcı NN

References

1. Anderson, D., & McNeill, G. (1992). Artificial neural networks technology. Kaman Sciences Corporation, 258(6), 1-83.
2. Anonim, 2022. https://www.elektrikport.com/teknik-kutuphane/aktivasyon-fonksiyonu-nedir/23511#ad-image-0, Erişim 10.08.2022.
3. Anonim, 2022a. https://kadirguzel.medium.com/geri-yay%C4%B1l%C4%B1ml%C4%B1-%C3%A7ok-katmanl%C4%B1-yapay-sinir-a%C4%9Flar%C4%B1-2-6a47b4f3a6c, Erişim 10.08.2022.
4. Ataseven, B. (2007). Satış öngörü modellemesi tekniği olarak yapay sinir ağlarının kullanımı: ”Petkim’de Uygulanması”, Yüksek Lisans Tezi, Celal Bayar Üniversitesi, Manisa.
5. Ergür, H.S. (2007). Aşındırıcı Su jetinin Teorik Analizi ve Yapay Sinir Ağı Yöntemiyle Modellenmesi. Doktora Tezi, Eskişehir Osmangazi Üniversitesi, Eskişehir.
6. Hardesty, Larry (14 April 2017). "Explained: Neural networks". MIT News Office. Retrieved 2 June 2022. https://news.mit.edu/2017/explained-neural-networks-deep-learning-0414. Erişim: 08.08.2022.
7. Karakurt, M. & İşeri, İ. (2022). Patoloji Görüntülerinin Derin Öğrenme Yöntemleri İle Sınıflandırılması. Avrupa Bilim ve Teknoloji Dergisi, (33), 192-206.
8. KARCI, A. (2015). KESİR DERECELİ TÜREVİN YENİ YAKLAŞIMININ ÖZELLİKLERİ. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 30(3).

9. Karcı,A., “A New Approach for Fractional Order Derivative and Its Applications”, Universal Journal of Engineering Sciences, Vol:1, pp: 110-117, 2013.
10. Karcı, A., “Properties of Fractional Order Derivatives for Groups of Relations/Functions”, Universal Journal of Engineering Sciences, vol:3, pp:39-45, 2015a.
11. Karcı,A., “The Properties of New Approach of Fractional Order Derivative”, Journal of the Faculty of Engineering and Architecture of Gazi University, Vol.30, pp:487-501, 2015b.
12. Karci, A.,”Chain rule for fractional order derivative”, Science Innovation, Vol:3, pp:63-67, 2015c.
13. Karcı, A.,” Properties of Karcı’s Fractional Order Derivative”, Universal Journal of Engineering Science, Vol:7, pp:32-38, 2019.
14. McCulloch, W. S. and Pitts, W. 1943. A Logical Calculus of the İdeas İmmanent in Nervous Activity. The Bulletin of Mathematical Biophysics, 5:4, 115-133.
15. Mijwel, M. M. (2018). Artificial neural networks advantages and disadvantages. https://www.linkedin.com/pulse/artificial-neural-networks-advantages-disadvantages-maad-m-mijwel/. Erişim 09.08.2022.
16. Öztemel, E. (2006).Yapay Sinir Ağları. 2. Baskı. İstanbul: Papatya Yayıncılık. Pişkin, M. https://mesutpiskin.com/blog/yapay-sinir-agi-derin-ogrenme.html, Erişim Tarihi: 05.08.2022.
17. Rosenblatt, F. 1958. The Perceptron: A Probabilistic Model for Information Storage And Organization in the Brain. Psychological review, 65:6, 386.
18. Sağıroğlu, Ş.; Beşdok E. & Erler, M. (2003). Mühendislikte Yapay Zeka Uygulamaları I: Yapay Sinir Ağları. Kayseri: Ufuk Kitap Kıratsiye-Yayıncılık.
19. Şen, Z. (2004). Yapay sinir ağları. Su Vakfı.
20. Yang, Z.R.; Yang, Z. (2014). Comprehensive Biomedical Physics. Karolinska Institute, Stockholm, Sweden: Elsevier. p. 1. ISBN 978-0-444-53633-4.5054955669.