9. YAPAY SİNİR AĞLARI
9.7 Yapay Sinir Ağlarının Türleri
9.7.2 Geri beslemeli ağlar
Geri beslemeli YSA’larda, bazı sinirlerin çıktıları kendine ya da daha önceki katmanlardaki sinirlere geri beslenir. Böylece girdiler hem ileri hem de geri yönde aktarılmış olur. Bu t
karmaşık dinamik sistemlerin modellenmesinde ba tip ağlarda a
değil aynı zamanda daha önc
nedenle özellikle gürültülü sistemlerde önceden tahmin modelleri için uygun mimarilerdir (Özkan,2001). Bu a
oldukça baş
9.7.2.1 Eğ Geri beslemeli a
Burada asıl yapılmak istenen N parametreli bir a
değişkenli bir yüzey üzerinde gezen bir noktanın hata maliye Bu da istenen noktanın N de
yönde hareket etmesiyle sa fonksiyonunun her bir a oranda değ görünmemektedir) ile a c¼c ð cd ∑ðcd ¼c = ∑ðcd ∑ Geri beslemeli a
Geri beslemeli YSA’larda, bazı sinirlerin çıktıları kendine ya da daha önceki katmanlardaki sinirlere geri beslenir. Böylece girdiler hem ileri hem de geri yönde aktarılmış olur. Bu t
şık dinamik sistemlerin modellenmesinde ba larda ağın çıktı de
il aynı zamanda daha önc
nedenle özellikle gürültülü sistemlerde önceden tahmin modelleri için uygun mimarilerdir (Özkan,2001). Bu a
oldukça başarılı sonuçlar vermektedir (Aky
Eğim düşüm y Geri beslemeli ağlarda a
Burada asıl yapılmak istenen N parametreli bir a
kenli bir yüzey üzerinde gezen bir noktanın hata maliye Bu da istenen noktanın N de
yönde hareket etmesiyle sa fonksiyonunun her bir a oranda değişmesi gerekti
görünmemektedir) ile ağın normlandırılmı
cc+ ð
d
∑ðcd c+
Geri beslemeli ağlar
Geri beslemeli YSA’larda, bazı sinirlerin çıktıları kendine ya da daha önceki katmanlardaki sinirlere geri beslenir. Böylece girdiler hem ileri hem de geri yönde
olur. Bu tip ağlara dinamik sinir a ık dinamik sistemlerin modellenmesinde ba
ın çıktı değeri sadece o anki girdi de il aynı zamanda daha önceki girdi ve çıktı de
nedenle özellikle gürültülü sistemlerde önceden tahmin modelleri için uygun mimarilerdir (Özkan,2001). Bu a
arılı sonuçlar vermektedir (Aky
şüm yöntemi
ğlarda ağırlıkların güncellenmesi e Burada asıl yapılmak istenen N parametreli bir a
kenli bir yüzey üzerinde gezen bir noktanın hata maliye Bu da istenen noktanın N değişkenli yüzey üzerinde e yönde hareket etmesiyle sağlanabilir. Her bir a
fonksiyonunun her bir ağırlık yönünde kısmi türevinden faydala mesi gerektiğiyle ilgili karar verilebilir (
Şekil
ğın normlandırılmı
Geri beslemeli YSA’larda, bazı sinirlerin çıktıları kendine ya da daha önceki katmanlardaki sinirlere geri beslenir. Böylece girdiler hem ileri hem de geri yönde
lara dinamik sinir a ık dinamik sistemlerin modellenmesinde ba
eri sadece o anki girdi de eki girdi ve çıktı de
nedenle özellikle gürültülü sistemlerde önceden tahmin modelleri için uygun mimarilerdir (Özkan,2001). Bu ağlar çeşitli tipteki zaman serilerinin tahmininde
arılı sonuçlar vermektedir (Akyılmaz, 2005).
ırlıkların güncellenmesi e Burada asıl yapılmak istenen N parametreli bir a
kenli bir yüzey üzerinde gezen bir noktanın hata maliye ğişkenli yüzey üzerinde e lanabilir. Her bir a
ırlık yönünde kısmi türevinden faydala iyle ilgili karar verilebilir (
Şekil 9.8: Eğim dü
ın normlandırılmış çıktı de
Geri beslemeli YSA’larda, bazı sinirlerin çıktıları kendine ya da daha önceki katmanlardaki sinirlere geri beslenir. Böylece girdiler hem ileri hem de geri yönde
lara dinamik sinir ağları da denilmektedir. Bu tip a ık dinamik sistemlerin modellenmesinde başarılı olarak kullanılmaktadır. Bu
eri sadece o anki girdi değerlerinin bir fonksiyonu olarak eki girdi ve çıktı değerlerinin de bir fonksiyonudur. Bu nedenle özellikle gürültülü sistemlerde önceden tahmin modelleri için uygun lar çeşitli tipteki zaman serilerinin tahmininde
ılmaz, 2005).
ırlıkların güncellenmesi eğim dü
Burada asıl yapılmak istenen N parametreli bir ağ için N+1 boyutlu bir uzayda, N kenli bir yüzey üzerinde gezen bir noktanın hata maliye
kenli yüzey üzerinde eğ
lanabilir. Her bir ağırlığın güncellenmesi esnasında, hata ırlık yönünde kısmi türevinden faydala
iyle ilgili karar verilebilir (Şekil
Eğim düşüm yöntemi
ş çıktı değeri hesaplaması,
Geri beslemeli YSA’larda, bazı sinirlerin çıktıları kendine ya da daha önceki katmanlardaki sinirlere geri beslenir. Böylece girdiler hem ileri hem de geri yönde
ları da denilmektedir. Bu tip a şarılı olarak kullanılmaktadır. Bu
ğerlerinin bir fonksiyonu olarak erlerinin de bir fonksiyonudur. Bu nedenle özellikle gürültülü sistemlerde önceden tahmin modelleri için uygun itli tipteki zaman serilerinin tahmininde ılmaz, 2005).
ğim düşüm yöntemi ile yapılır. ğ için N+1 boyutlu bir uzayda, N kenli bir yüzey üzerinde gezen bir noktanın hata maliyetini en aza indirmektir.
kenli yüzey üzerinde eğimi sürekli olarak dü
ğın güncellenmesi esnasında, hata ırlık yönünde kısmi türevinden faydalanarak o a
iyle ilgili karar verilebilir (Şekil 9.8).
üm yöntemi
eri hesaplaması,
Geri beslemeli YSA’larda, bazı sinirlerin çıktıları kendine ya da daha önceki katmanlardaki sinirlere geri beslenir. Böylece girdiler hem ileri hem de geri yönde
ları da denilmektedir. Bu tip a arılı olarak kullanılmaktadır. Bu
erlerinin bir fonksiyonu olarak erlerinin de bir fonksiyonudur. Bu nedenle özellikle gürültülü sistemlerde önceden tahmin modelleri için uygun itli tipteki zaman serilerinin tahmininde
üm yöntemi ile yapılır. için N+1 boyutlu bir uzayda, N tini en aza indirmektir. imi sürekli olarak düş
ın güncellenmesi esnasında, hata narak o ağırlı
eri hesaplaması, (9.8) ile
(9.8)
Geri beslemeli YSA’larda, bazı sinirlerin çıktıları kendine ya da daha önceki katmanlardaki sinirlere geri beslenir. Böylece girdiler hem ileri hem de geri yönde ları da denilmektedir. Bu tip ağlar arılı olarak kullanılmaktadır. Bu erlerinin bir fonksiyonu olarak erlerinin de bir fonksiyonudur. Bu nedenle özellikle gürültülü sistemlerde önceden tahmin modelleri için uygun itli tipteki zaman serilerinin tahmininde
üm yöntemi ile yapılır. için N+1 boyutlu bir uzayda, N tini en aza indirmektir. imi sürekli olarak düşürecek ın güncellenmesi esnasında, hata ğırlığın ne
∆S åè¼èñ
c
∆S = ë
Burada dikkat edilmesi gereken nokta örneklerin seçilmesi, ö katsayılarının iyi belirlenmesi, durdurma
problemin uzayını yeterince iyi temsil edebilecek fakat a düşürmeyecek s
verilerle elde edilecek çıktıların yanlı
Öğrenme katsayısı, a
gereğinden büyük olursa problem uzayında ras ağırlıkları ras
çok küçük olursa çözüme ula
c
èñ è¼c
Burada dikkat edilmesi gereken nokta örneklerin seçilmesi, ö katsayılarının iyi belirlenmesi, durdurma
problemin uzayını yeterince iyi temsil edebilecek fakat a ürmeyecek sayıda ve
verilerle elde edilecek çıktıların yanlı
renme katsayısı, ağ
inden büyük olursa problem uzayında ras ırlıkları rastgele değ
çok küçük olursa çözüme ula
Burada dikkat edilmesi gereken nokta örneklerin seçilmesi, ö katsayılarının iyi belirlenmesi, durdurma
problemin uzayını yeterince iyi temsil edebilecek fakat a ayıda ve şekilde seçilmelidir.
verilerle elde edilecek çıktıların yanlı
Şekil renme katsayısı, ağırlıkların de
inden büyük olursa problem uzayında ras gele değiştirmekten farkı olmaz ( çok küçük olursa çözüme ulaşmak daha uzun sürer (
Şekil 9
Burada dikkat edilmesi gereken nokta örneklerin seçilmesi, ö katsayılarının iyi belirlenmesi, durdurma ölçütü
problemin uzayını yeterince iyi temsil edebilecek fakat a ekilde seçilmelidir.
verilerle elde edilecek çıktıların yanlış sonuçlar do
Şekil 9.9: Eğitim verisinin seçimi ırlıkların değişim miktarını belirler. inden büyük olursa problem uzayında ras
tirmekten farkı olmaz ( şmak daha uzun sürer (
9.10: Öğrenme katsayısının seçimi Burada dikkat edilmesi gereken nokta örneklerin seçilmesi, ö
ölçütü ve eğ problemin uzayını yeterince iyi temsil edebilecek fakat a
ekilde seçilmelidir. Şekil 9 sonuçlar doğuraca
ğitim verisinin seçimi im miktarını belirler.
inden büyük olursa problem uzayında rastgele gezinme olur. Bunun da tirmekten farkı olmaz (Şekil
mak daha uzun sürer (Şekil
ğrenme katsayısının seçimi
Burada dikkat edilmesi gereken nokta örneklerin seçilmesi, öğrenme ve momentum ve eğitim sayısıdır.
problemin uzayını yeterince iyi temsil edebilecek fakat ağın performansını da 9.9 incelenirse; iyi seçilmemi ğuracağı kolaylıkla görülecektir.
itim verisinin seçimi im miktarını belirler. Eğer ö
gele gezinme olur. Bunun da ekil 9.10). Eğer ö
Şekil 9.10).
renme katsayısının seçimi
ğrenme ve momentum itim sayısıdır. Eğitim verisi, ğın performansını da 9 incelenirse; iyi seçilmemi
ı kolaylıkla görülecektir.
ğer öğrenme katsayısı gele gezinme olur. Bunun da ğer öğrenme katsayısı
renme katsayısının seçimi
(9.9)
(9.10) renme ve momentum ğitim verisi, ın performansını da 9 incelenirse; iyi seçilmemiş ı kolaylıkla görülecektir.
renme katsayısı gele gezinme olur. Bunun da renme katsayısı
Ağ gereğinden fazla e genelleme yapamamasına