İleri Sürümlü Yapay Sinir Ağları Eğitim Ve Geliştirme Aracı Tasarımı

Yıl 2020, Cilt: 3 Sayı: 1, 133 - 146, 30.06.2020

Serhat Yılmaz Sadettin Burak Kılcı

Öz

Bu çalışmada, elektronik ve yazılım üzerine çalışan öğrencilere yapay sinir ağlarının (YSA) çalışma prensipleri hakkındaki bilgilerini pekiştirmeye yönelik bir eğitim yazılımı hazırlanmıştır. YSA parametrelerinin işlevleri ve nasıl tanımlandığı arayüz (GUI) programında uygulamalı olarak gösterilmektedir. Program algoritması eğitim, sınama ve uygulama altyordamları olmak üzere üç aşamadan oluşmaktadır. YSA’na girilen Eğitim Çiftleri, istenen bir örüntüyü veya bilinen bir işlevi oluşturmaya yönelik giriş ve çıkış verilerini içermektedir. Buna karşılık YSA’nın her iterasyonda verdiği cevaplar gerek görsel gerekse sayısal olarak, istenen cevaba yaklaşılma aşamalarını öğrencilere göstererek ağın öğrenme sürecini pekiştirmelerini sağlamaktadır. Çalışmada bir örnek olarak sinüs işlevinin eğitim ve sınama aşamaları verilmiştir.

Anahtar Kelimeler

Yapay sinir ağları, mühendislik eğitim araçları, ileri sürümlü yapay sinir ağları, geriye yayılım algoritması, delphi programlama dili

Kaynakça

• [1] Majors M., Stori J., Cho D., 1994. Neural network control of automotive fuel-injection systems. IEEE Trans Control Syst, 14(3), 31–36.
• [2] McCulloch W.S., Pitts W., 1943. A Logical Calculus of the Ideas Imminent in Nervous Activity. The Bulletin of Mathematical Biophysics, 5, 115-133.
• [3] Bose N.K., Liang P., 1996. Neural Network Fundamentals with Graphs, Algorithms and Applications, Mc Graw Hills Series in Electrical and Computer Engineering.
• [4] Karri V, Ho TN., 2009. Predictive models for emission of hydrogen powered car using various artificial intelligent tools. Neural Comput & Applic 18, 469–476.
• [5] Kişi Ö., 2004. River flow modelling using artificial neural networks. Journal of Hydrologic Engineering, 9(1), 60-63.
• [6] Arora N., 2009. Regulating air-fuel balance in combustion engines using adaptive learning in neural network. In: Proceedings of the international conference on methods and models incomputer science, Delhi, India, pp 1–6, Aralık 2009.
• [7] Haehn D., Tompkin J., Pfister H., 2019. Evaluating ‘Graphical Perception’ with CNNs. IEEE Transactions on Visualization and Computer Graphics, 25(1),641-650.
• [8] Jaafar K., Ismail N., Tajjudin M., Adnan R., Rahiman, M.H.F., 2016. Hidden Neuron Variation in Multi-layer Perceptron for Flood Water Level Prediction at Kusial Station. 2016 IEEE 12th International Colloquium on Signal Processing & its Applications (CSPA2016), Melaka, Malaysia, 4-6 Mart 2016.
• [9] Patil K., Jadhav N., 2017. Multi-Layer Perceptron Classifier and Paillier Encryption Scheme for Friend Recommendation System. Third International Conference on Computing, Communication, Control and Automation (ICCUBEA), Pune, India.
• [10] Syed M.A., Kumara Y.S., 2015. Web Service classification using Multi-Layer Perceptron optimized with Tabu search. 2015 IEEE International Advance Computing Conference (IACC), pp. 290-294, Bangalore, India.
• [11] Puhan P.S., Behera S., 2017. Application of Soft Computing Methods to Detect Fault in A.C Motor. International Conference on Advances in Computing, Communication and Control (ICAC3), pp. 1-5, Mumbai, India.
• [12] Kumari U., 2017. Soft computing applications: A perspective view, 2nd International Conference on Communication and Electronics Systems (ICCES), pp. 787-789, Coimbatore, India.
• [13] Rosenberg L., Baltaxe D., Pescetelli N., 2016. Crowds vs swarms, a comparison of intelligence, Swarm/Human Blended Intelligence Workshop (SHBI), pp. 1-4, Cleveland, Ohio, USA.
• [14] Corbett F.D., Card H.C., 1998. Java Tools for Research and Education in Artificial Neural Networks, IEEE Canadian Conference on Electrical and Computer Engineering, Vol.1, pp. 417-420, Ontario, Canada.
• [15] Nasr G.E., Joun C., Zaatar W.A., 2004. GUI Based Artificial Neural Network Simulator. 7th Seminar on Neural Network Applications in Electrical Engineering, NEUREL, pp.135-138, Belgrade, Serbia and Montenegro.
• [16] Manic M., Wilamowski B., Malinowski A., 2002. Internet Based Neural Network Online Simulation Tool. IECON 02 IEEE 2002 28th Annual Conference of the Industrial Electronics Society, Volume: 4, pp.2870-2874, Sevilla, Spain.
• [17] Ramirez M.R., Brar P.S., 1993. Novel Uses of Neural Networks, IEEE FIE 93 Frontiers in Education Conference, pp.710-713, Washington, DC, USA.
• [18] He L., Li H., Zhang Q., Sun Z., 2019. Dynamic Feature Matching for Partial Face Recognition. IEEE Transactions on Image Processing, 28(2), 791-802.
• [19] Liu X., Wang S., Zhang W., Li Q., 2018. Research of Nonlinear Adaptive Control Based on BP Neural Network. 10th International Conference on Modeling, Identification and Control (ICMIC), pp.2-4, Guiyang, China.
• [20] Han N,. Gao S., Li J.,Zhang X., Guo J., 2018. Anomaly Detection in Health Data Based on Deep Learning. Proceedings of IC-NIDC, the IEEE International Conference on Network Infrastructure and Digital Content, pp.188-192, Guiyang, China.
• [21] Shaozhong Z., Juqin Y., 2010. Flux and Level Prediction based on An Wavelet Neural Network Flood Model. 3rd International Symposium on Knowledge Acquisition and Modeling, pp. 67-70, Wuhan, China.
• [22]https://admhelp.microfocus.com/uft/en/14.51/UFT_Help/Subsystems/FunctionReference/Subsystems/OMRHelp/Content/Delphi/DELPHIDOCSLib_P.html, (Erişim Tarihi: 11 Kasım 2018).
• [23] Hsu K.L., Gupta H.V., Sorooshian S., 1995. Artifical neural network modeling of the rainfall-runoff process. Water resource research, 31(10), 2517-2530.
• [24] Kosko B., Neural Networks and Fuzzy Systems, Prentice-Hall International Editions, 1992.
• [25] Moon T.K., Stirling W.C., Mathematical Methods and Algorithms for Signal Processing, Prentice Hall Inc., 2000.
• [26] Efe M.O., Kaynak O., 2000. Yapay Sinir Ağları ve Uygulamaları. Boğaziçi Üniversitesi.
• [27] Johansson M., Gafvert M., Astrom K.J., 1998. Interactive tools for education in automatic control. IEEE Control Systems, 18(3), 33-40.
• [28] Shiakolas P.S., Piyabongkam D., 2003. Development of a Real-Time Digital Control System With a Hardware-in-the-Loop Magnetic Levitation Device for Reinforcement of Controls Education. IEEE Transactions on Education, 46(1), 79-87.
• [29] Aşkın D., İskender İ., Mamızadeh A., 2011. Farklı Yapay sinir ağları yöntemlerini kullanarak kuru tip transformatör sargısının termal analizi. Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 26(4), 905-913.
• [30] Kulkarni A.D., 2001. Computer vision and fuzzy-neural systems, Prentice Hall, NJ, USA.
• [31] Bulut M., Başoğlu B., 2017. Kısa Dönem Elektrik Talep Tahminleri İçin Yapay Sinir Ağları ve Uzman Sistemler Tabanlı Hibrid Tahmin Sistemi Geliştirilmesi. Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 32(2), 575-583.
• [32] https://avesis.kocaeli.edu.tr/serhaty/dokumanlar, (Erişim Tarihi: Mayıs 2020).