Elman Ağının Benzetilmiş Tavlama Algoritması Kullanarak Eğitilmesi

Year 2003, Volume: 19 Issue: 1, 28 - 37, 01.06.2003

Adem Kalınlı

Abstract

Yaygın olarak kullanılan geribeslemeli yapay sinir ağlarından birisi Elman ağıdır. Son yıllarda Elman ağı ve geliştirilmiş modelleri sistem kimliklendirme uygulamalarında sıkça kullanılmaktadır. Orijinal Elman ağı ve geliştirilmiş modelleri ileribesleme ve geribesleme bağlantılarına sahiptir. Ancak, bu ağlar temelde ileribeslemeli ağlar gibi standart geriyayılım algoritması ile eğitilmekte, geribesleme bağlantıları ise sabit kalmaktadır. Eğitme başarısı için, geribesleme bağlantılarının doğru değerde seçilmesi önemlidir. Bununla beraber, bu değerler uzunca bir deneme yanılma işlemiyle belirlenmektedir. Bu makalede benzetilmiş tavlama algoritmasının sistem kimliklendirme amacıyla Elman ağını eğitmede kullanılması tanımlanmıştır. Benzetilmiş Tavlama algoritması, ileribesleme ve geribesleme bağlantılarının her ikisi için optimal ağırlık değerlerini sağlayabilecek, etkili bir rasgele araştırma algoritmasıdır

Keywords

Geribeslemeli sinir ağları, Elman ağı, benzetilmiş tavlama, dinamik sistem kimliklendirme

TRAINING ELMAN NETWORK USING SIMULATED ANNEALING ALGORITHM

Abstract

One of the common used recurrent neural networks is the Elman network. Recently, Elman network and it’s modified models have been used in applications of system identification. The original Elman network and it’s modified models have feedforward and feedback connections. However, so that it can be trained essentially as feedforward networks by means of the basic backpropagation algorithm, but their feedback connections have stayed as constant. For training success, it is important to select correct values for the feedback connections. However, finding these values manually can be a lengthy trial-and-error process. This paper investigates the use of simulated annealing (SA) algorithm to train the Elman network for linear and nonlinear dynamic systems identification. The SA algorithm is an efficient random search procedure which can simultaneously obtain the optimal weight values of both the feedforward and feedback connections

Keywords

Recurrent neural networks, simulated annealing, Elman network, dynamic system identification