İki Yeni Çok Katmanlı Aşırı Öğrenme Makinesi ve Rüzgar Hızı Tahmininde Kıyaslamalı Başarımı

Yıl 2020, Cilt: 3 Sayı: 2, 147 - 153, 31.12.2020

Cihan Karakuzu

Öz

Türev tabanlı öğrenme algoritmalar ile ele alınan problemin doğasına bağlı olarak eğitim uzun zaman almaktadır. Aşırı öğrenme makine-leri (AÖM) bu bağlamda önemli ölçüde bir açılım getirmiştir. AÖMler, girdi-çıktı eğitim verilerinin mevcut olduğu problemler için yine-lemeli algoritmalara kıyasla çok hızlı öğrenme sağlayabilmektedir. AÖMlerin en belirgin sakıncası, bazı ağ parametrelerinin rastgele atanmasıdır. Bu nedenle, bu sakıncanın önlenmesi için çalışmalar devam etmektedir. Bu bağlamda, 2016 ve 2018 yıllarında sırasıyla çok katmanlı aşırı öğrenme makinesi (ÇK-AÖM) ve çekirdek tabanlı çok katmanlı aşırı öğrenme makinesi (ÇK-ÇAÖM) yapıları geliştirilmiştir. Bu makalede, bu iki yeni çok katmanlı AÖM yapılarının başarımı rüzgar hızı tahmini problemi üzerinde incelenmiştir. Bahse konu ağların yapısal ve eğitim parametrelerinin farklı değerleri için ağ eğitim algoritmaları çok kez çalıştırılarak elde edilen sonuçlar istatistiksel olarak değerlendirilmiştir. Bu istatistiksel verilere dayalı olarak, her bir ağın üstün ve sakıncalı tarafları belirlenmiştir.

Anahtar Kelimeler

Aşırı Öğrenme Makinesi, Çok Katmanlı ELM, Çok Katmanlı Kernel-ELM, Başarım Kıyaslama, Rüzgar Hızı Tahmini

Teşekkür

Yazar bu çalışmada kullanılan veri setinin temini ve kullanım konusunda izin ve destekleri için Prof. Dr. Mehmet Kurban ve Dr. Emrah Dokur'a teşekkür eder.

Kaynakça

• [1] Huang G.-B., Zhu Q.-Y, Siew C.-K., 2004. Extreme Learning Machine: A New Learning Scheme of Feedforward Neural Networks. IEEE International Conference on Neural Networks, Budapest, Hungary, 25-29 July, vol 2, pp.985–990.
• [2] Karakuzu C., Yüzgeç U., 2018. A Simple Heuristic Approach to Improve Performance of Extreme Learning Machine. International Conference on Advanced Technologies, Computer Engineering and Science (ICATCES’18), 11-13 May, Safranbolu, Turkey, pp. 212–17.
• [3] Jagtap P., Raut P., Pillai G. N., Kazi F., Singh N. M., 2015. Extreme-ANFIS: A Novel Learning Approach for Inverse Model Control of Nonlinear Dynamical Systems. 2015 International Conference on Industrial Instrumentation and Control (ICIC), College of Engineering Pune, India, 28-30 May, pp. 718–23.
• [4] Karakuzu C., Öztürk Ö., 2018. Fuzzy System Modeling with Extreme Learning Machines. International Conference on Data Science and Applications (ICONDATA 2018), Yalova, Turkey, 4-7 October, vol. 2, pp. 194–208.
• [5] Liao S., Feng C., 2014. Meta-ELM: ELM with ELM Hidden Nodes. Neurocomputing 128, 81–87.
• [6] Karakuzu C., 2019. Performance Comparison of a Neural Network and a Fuzzy Network Trained by ELM for Dynamic System Identification Problems. 2nd International Congress on Engineering and Arthitecture (ENAR), 22-24 April, Marmaris, Turkey, pp. 1465-1475.
• [7] Tang J., Deng C., Huang G.-B., 2016. Extreme Learning Machine for Multilayer Perceptron. IEEE Trans. on Neural Networks and Learning Systems, 27(4), 809-821.
• [8] Wong C. M., Vong C. M, Wong P. K., Cao J., 2018. Kernel-Based Multilayer Extreme Learning Machines for Representation Learning. IEEE Trans. on Neural Networks and Learning Systems, 29(3), 757-762.
• [9] Dokur E., Karakuzu C., Yüzgeç U., Kurban M, 2019. ELM Based Wind Speed Forecasting. International Symposium on Engineering Natural Sciences and Architecture (ISENSA), Kocaeli, Turkey, 2-4 May, pp. 104-108.