Yapay sinir ağlarının farklı aktivasyon fonksiyonlarında uygulaması: Türkiye’de ördek popülasyonu öngörüsü

Abstract

Bu çalışmada farklı aktivasyon fonksiyonlarında Türkiye’de ördek sayısını modellemek ve tahmin edecek bir Yapay Sinir Ağı (YSA) modeli geliştirilmiştir. YSA modelinin geliştirilmesinde girdi parametresi olarak zaman değişkeni olan yıllar, çıkış parametresi ise ördek sayısı kullanılmıştır. Araştırma verileri Türkiye’de 1991-2020 dönemine ait ördek sayısından oluşmaktadır. En uygun modeli belirlemek için yarı doğrusal, sigmoid, bipolar sigmoid ve hiperbolik tanjant gibi 4 farklı aktivasyon fonksiyonları kullanıldı. En uygun aktivasyon fonksiyonunu belirlemek için modelin etkinliğini belirleyen Hata Kareler Ortalaması (MSE) ve Hatanın Mutlak Ortalaması (MAE) istatistikleri kullanılmıştır. Farklı aktivasyon fonksiyonların performansları karşılaştırıldığında en uygun aktivasyon fonksiyonu hiperbolik tanjant fonksiyonu olmuştur. Çünkü hiperbolik tanjant fonksiyonu kullanıldığında en küçük MSE ve MAE değerlerine ulaşılmıştır. YSA modeli tek gizli katmanlı, 12 işlem elemanlı (1-12-1) ve öğrenme algoritması olarak Levenberg–Marquardt geri yayılım algoritması (trainlm) olarak kullanılan bir ağ mimarisi şeklindedir. YSA ile ördek sayısının 2021-2025 yılları arası öngörüsü yapılmıştır. Öngörü sonuçlarına göre, 2021-2025 yılları arasında ördek sayısının 531 242-479 407 arasında olacağı beklenmektedir.

Keywords

• Yapay sinir ağları
• Aktivasyon fonksiyonu
• Geri yayılım
• Ördek

Application of Artificial Neural Networks in Different Activation Functions: Prediction of Duck Population in Turkey

Abstract

In this study, an Artificial Neural Network (ANN) model was developed to model and forecast the number of ducks in Turkey in different activation functions. In the development of the ANN model, years were used, which is a time variable, as the input parameter and the number of ducks as the output parameter. The research data consists of the number of ducks in Turkey for the period 1991-2020. 4 different activation functions such as semi-linear, sigmoid, bipolar sigmoid, and hyperbolic tangent were used in order to determine the most suitable model. Mean Squares Error (MSE) and Absolute Mean Error (MAE) statistics, which determine the efficiency of the model, were used to determine the most suitable activation function. When the performances of different activation functions were compared, the most suitable activation function was the hyperbolic tangent function. Because the smallest MSE and MAE values were achieved when the hyperbolic tangent function was used. The single hidden layer of the ANN model is in the form of a network architecture used as Levenberg-Marquardt backpropagation algorithm (trainlm), with 12 processing elements (1-12-1) and as a learning algorithm. With the ANN, the number of ducks was predicted between 2021 and 2025. According to the forecast results, the number of ducks in 2021-2025 is expected to be between 479.407-531.242.

Keywords

• Artificial neural networks
• Activation function
• Back propagation
• Duck

References

1. Referans1 Alp S., Öz E. Makine öğrenmesinde sınıflandırma yöntemleri ve R uygulamaları. Nobel Akademik Yayıncılık 2019,Ankara.
2. Referans2 Ataseven B. Yapay sinir ağları ile öngörü modellemesi. Öneri Dergisi 2013, 10(39):101-115.
3. Referans3 Benli Y. Finansal başarısızlığın tahmininde yapay sinir ağı kullanımı ve İMKB’de bir uygulama. Muhasebe Bilim Dünyası Dergisi 2002, 4(4):17-30.
4. Referans4 Çayıroğlu İ. İleri Algoritma Analizi-5 Yapay Sinir Ağları, 2015 http://www.ibrahimcayiroglu.com/Dokumanlar/IleriAlgoritmaAnalizi/IleriAlgoritmaAnalizi-5.Hafta-YapaySinirAglari.pdf
5. Referans5 Çelik Ş. Modeling and estimation of camel population in Turkey with time series analysis and Artificial Neural Networks. International Journal of Research in Engineering and Science (IJRES) 2021, 9(5):38-44
6. Referans6 Efe MÖ., Kaynak O. A Comparative study of neural network structures in identification of nonlinear systemsî, Mechatronics 1999, 9(3):287-300
7. Referans7 Efe MÖ., Abadoğlu E, Kaynak O. Analysis and design of a neural network assisted nonlinear controller for a bioreactorî, International Journal of Robust and Nonlinear Control 1999, 9(11):799-815.
8. Referans8 Efe Ö., Kaynak O. Yapay sinir ağları ve uygulamaları, Boğaziçi Üniversitesi Yayını, 2000, İstanbul

9. Referans9 Elmas Ç. Yapay sinir ağları, Birinci Baskı, Seçkin Yayıncılık 2003, Ankara
10. Referans 10 Elmas Ç. Yapay zeka uygulamaları. Seçkin Yayıncılık San ve Tic. A. Ş., 2007, 425 s
11. Referans 11 Etikan İ., Cumurcu BE., Çelikel FÇ, Erkorkmaz Ü. Yapay sinir ağları yöntemi ve bu yöntem kullanılarak psikiyatrik tanıların sınıflanması. Türkiye Klinikleri Tıp Bilimleri Dergisi 2009, 29(2):314-320.
12. Referans 12 Grzesiak W., Lacroix R., Wόjcik J., Blaszczyk P. A comparison of neural network and multiple regression prediction for 305-day lactation yield using partial lactation records. Canadian Journal of Animal Science 2003, 83:307-310.
13. Referans 13 Grzesiak W., Zaborski D., Sablik P., Zukiewicz A., Dybus A., Szatkowska I. Detection of cows with insemination problems using selected classification models. Computers and Electronics in Agriculture 2010, 74(2):265-273
14. Referans 14 Kaastra I., Boyd M. Designing a neural network for forecasting financial and economic time series. Neurocomputing 1996, 10:215-236
15. Referans 15 Kaur J., Gupta N. Bipolar sigmoid algorithm for designing constructive neural network. International Journal on Emerging Technologies 2020, 11(2):991–996
16. Referans 16 Öztemel E. Yapay sinir ağları. Papatya Yayıncılık 2012, İstanbul.
17. Referans 17 Özveren U. Pem Yakıt Hücrelerinin Yapay Sinir Ağları ile Modellenmesi. Yayınlanmamış Yüksek Lisans Tezi, Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü 2006, İstanbul
18. Referans 18 Sağıroğlu Ş., Beşdok E., Erler M. Mühendislikte yapay zeka uygulamaları-I Yapay Sinir Ağları 2003. Ufuk Kitap Yayıncılık.
19. Referans 19 Selim S., Demirbilek A. Türkiye’deki konutların kira değerinin analizi: Hedonik model ve yapay sinir ağları yaklaşımı. Aksaray Üniversitesi İİBF Dergisi 1996, 1(1):73-90.
20. Referans 20 Singh KP., Basant, A, Malik A, Jain G. Artificial neural network modeling of the river water quality-A case study. Ecological Modelling 2009, 220(6):888-895.
21. Referans 21 Stern HS. Neural networks in applied statistics. Technometrics 1996; 38 (3):205-214.
22. Referans 22 Topuz S. İstanbul ilindeki toplu taşıma yolculuk taleplerinin yapay sinir ağlarıyla modellenmesi. İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü Yüksek Lisans Tezi, 2008, İstanbul.
23. Referans 23 TÜİK, 2019. Hayvansal Üretim İstatistikleri. Türlerine göre kümes hayvanları sayısı. Türkiye İstatistik Kurumu, www.tuik.gov.tr
24. Referans 24 Yavuz S., Deveci M. İstatiksel Normalizasyon Tekniklerinin Yapay Sinir Ağın Performansına Etkisi. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi 2012, 40:167-187
25. Referans 25 Zaborski D., Grzesiak W. Detection of heifers with dystosia using artificial neural networks with regard to ERα-BgII, ERα-SnaBI and CYP19-PvuII genotypes. Acta Scientirum Pololonorum Zootechnica 2011; 10(2):105-116