YSA, yapay sinir hücrelerinin birbirlerine bağlanmasıyla oluşturulmuş bir yapıdır. YSA genel itibariyle üç ana katmana ayrılır; Giriş Katmanı, Ara (Gizli) Katman(lar) ve Çıkış Katmanıdır. Aşağıdaki Şekil 3.2.‟de YSA‟nın katmanları gösterilmiştir.
ġekil 3.2. Yapay Sinir Ağının Katmanları
GiriĢ Katmanı: YSA‟ya dış dünyadan girdi verilerinin sunulduğu ilk katman
giriş katmanıdır. Giriş katmanında dış dünyadan gelen girişlerin sayısı kadar hücre olmasına karşın girdiler genelde herhangi bir işlem görmeden alt katmana aktarılmaktadır.
Ara (Gizli) Katman(lar): Giriş katmandan çıkan veriler bu katmana gelir. Ara
katmanın sayısı ve her bir ara katmanda bulunan nöron sayısı probleme göre kullanıcı tarafından optimize edilir. Yapay sinir ağlarının bazılarında bir bazılarında ise birden fazla ara katman bulunmaktadır. Ara katmanlarda bulunan nöronların sayısı giriş ve çıkış sayılarından bağımsız olarak belirlenir. Ara katmanı birden fazla olan ağ mimarilerinde ara katmanların kendi aralarında olan nöron sayısı da birbirinden farklı olabilmektedir. Ara katman sayısının ve bu katmanlardaki nöron sayılarının artması, hesaplamadaki karmaşıklığı ve eğitim ve test sürelerinin artmasına neden olmasına rağmen YSA‟nın çok daha karmaşık problemlerin çözümünde de kullanılabilmesi bakımından bir avantaj sağlamaktadır.
ÇıkıĢ Katmanı: Ara katmanlardan gelen verileri işleyip ağın nihai çıktıları bu
katmanda üretilmektedir. Çıkış katmanında üretilen çıktı verileri dış dünyaya iletilir. Geri beslemeli ağlar için kullanılacak olan yeni ağırlık değerleri bu katmanda üretilen çıktı kullanılarak hesaplanarak tekrar önceki katmanlara gönderilir.
Biyolojik sinir ağlarında sinir hücreleri olduğu gibi yapay sinir ağlarında da Yapay Sinir Hücreleri (YSH) vardır. YSH‟ni mühendislik bilimlerinde proses elemanı ismiyle görmek de mümkündür. YSH biyolojik sinir hücrelerine yapı olarak benzerler. Yapay nöronlar da aralarında bağ kurarak YSA‟ları meydana getirir. Aynı biyolojik nöronlarda olduğu gibi yapay olarak oluşturulan nöronlarda da, giriş sinyalini aldıkları, bu sinyalleri topladıktan sonra işledikleri ve bu işleme sonucu oluşan çıktılarını ilettikleri birimleri vardır. Şekil 3.3.‟de YSH‟nin yapısı gösterilmektedir.
YSH; girdiler, ağırlıklar, toplama fonksiyonu (birleştirme fonksiyonu), aktivasyon fonksiyonu ve çıktılar olmak üzere beş bölümden oluşmaktadır.
ġekil 3.3. Yapay sinir hücresinin yapısı
Girdiler: Girdiler nöronlara dışardan kullanıcı tarafından işlenmek üzere
gönderilen sayısal verilerdir. Bu bilgiler, ağın öğrenmesi istenen örneklerden oluşmaktadır. Girdiler YSH‟ne dış dünyadan veya diğer bir hücreden de gelebilir. Bu girdiler ile gelen değerler aynı biyolojik sinir hücresinde olduğu gibi toplanmak için nöron çekirdeğine iletilir.
Ağırlıklar: YSH‟ne gelen bilgilerin oluşturduğu veriler çekirdeğe
gönderilmeden önce geldikleri bağlantıların ağırlığı ile çarpılır. Bu sayede girdilerden üretilecek ve etki edeceği çıktının değeri ayarlanabilinmektedir. Bu ağırlık değerleri pozitif, negatif veya sıfır olabilmektedir. Ağırlığı sıfır olan girdilerin çıktı üzerindeki etkisi yoktur.
Toplama (BirleĢtirme) Fonksiyonu: Birleştirme fonksiyonu bir YSH‟ne
ağırlıklarıyla birlikte çarpılıp gelen girdileri toplar ve o hücrenin net girdisini hesaplar (Çayıroğlu, 2015).
Bir problemin çözümünde uygun olan en iyi toplama fonksiyonu belirlemek için geliştirilmiş herhangi bir yöntem yoktur. Bu işlem genelde deneme yanılma yolu ile elde edilen değerlere göre yani tecrübelere göre belirlenmektedir. Her hücrenin toplama fonksiyonunun aynı olması şart değildir. Aşağıdaki Çizelge 3.2.‟de bazı toplama fonksiyonları gösterilmiştir (Çayıroğlu, 2015).
Çizelge 3.2. Bazı Toplama Fonksiyonları
Fonksiyon Açıklama
Toplam: Ağırlık değerleri girdi değerleri ile çarpılarak ve tüm bulunan değerlerin birbiriyle toplanmasıyla net girdi değeri bulunur.
Çarpım: Ağırlıklar girdi değerleri ile çarpılmasından sonra bulunan diğer tüm değerlerin birbiriyle çarpılmasıyla net girdi değeri bulunur.
Maksimum: n adet girdi ile ağırlıkların girdilerle çarpılmasınının ardından içlerindeki en büyük değer net girdisi olarak kabul edilir.
Minimum: n adet girdiden ağırlıkların girdi değerleriyle çarpılmasının ardından içlerindeki en küçük değer net girdi olarak belirlenir.
Çoğunluk: n adet girdideki ağırlıklar çarpılmasının ardından pozitif ile negatiflerin sayıları belirlenir. Büyük sayı hücrede net girdi olur.
Kumilatif Toplam: Daha önceden hücreye gelen bilgilerin üzerine yeni hesaplanan girdiler eklenerek hücrenin net girdisi kumilatif olarak hesaplanarak belirlenir.
Aktivasyon Fonksiyonu: Transfer fonksiyonu veya etkinlik işlevi olarak da
adlandırılan Aktivasyon Fonksiyonu (AF), birleştirme (toplama) fonksiyonundan elde edilen net girdiyi bir işlemden geçirerek istenilen değerler arasında sınırlandırarak hücre çıktısını belirleyen ve genellikle doğrusal olmayan bir fonksiyondur. Bu değerler kullanılan etkinlik işlevinin tipine göre genellikle [0,1] veya [-1,1] arasındadır. Bu değer etkinlik işlevinin, dolayısıyla YSH‟nin çıktı değeri olarak ya dış ortama ya da girdi değeri olarak bir başka YSH‟ne iletilmektedir. Bu fonksiyon hücreye gelen net girdiyi işler ve hücrenin de bu girdi değerleri için üreteceği çıktı değerini belirler. Uygulamalarda aktivasyon fonksiyonları genelde doğrusal olmayan bir fonksiyondur. YSA‟nın doğrusal olmayan bu özelliklerini, aktivasyon fonksiyonlarının doğrusal olmayışlarından alır. Geri beslemeli ağlarda hesaplamanın yavaşlamaması için AF‟ın türevinin kolay hesaplanabilecek türden olması, bu fonksiyon seçiminde dikkat edilmesi gereken diğer bir hususdur. Günümüzde en yaygın olarak kullanılan Çok Katmanlı Algılayıcı (ÇKA) modelinde daha iyi sonuçlar verdiği için AF olarak genelde “Sigmoid fonksiyonu” seçilir. Aşağıdaki Çizelge 3.3.‟de bazı AF‟lar gösterilmişir (Çayıroğlu, 2015).
Çizelge 3.3. Aktivasyon Fonksiyonları
Fonksiyon Net Hesabı Açıklama
Lineer (Doğrusal)
AF
F Net =A* NET (A sabit bir sayı)
Bu fonksiyon doğrusal problemlerin çözümünde seçilebilir. Toplama fonksiyonundan elde edilen değer, belirli bir katsayıyla çarpılır ve hücrenin çıktı değeri olur.
Adım (Step) AF
F Net = 1 if Net>Eşik Değer 0 if Net<=Eşik Değer
Gelen net girdi, belirlenilen bir eşik değerin alt veya üstte olma durumuna göre hücrenin çıktı değeri 1 ya da 0 olarak belirlenir.
Sigmoid AF
F Net = ( )
Bu fonksiyon sürekli ve türevi alınabilir bir fonksiyon olma özelliğindedir. Doğrusal olmayan yapısıyla yapay sinir ağlarında en çok kullanılan bir fonksiyondur. Bu fonksiyonda girdi değerinin her biri için 0 ile 1 arasında bir değer üretilir.
Tanjant Hiperbolik
AF
F Net =
Bu fonksiyon, sigmoid fonksiyonu ile yapı olarak benzerdir. Sigmoid fonksiyonda çıkış değerleri 0 ile 1 arasındayken tanjant hiperbolikte çıkış değerlei -1 ile 1 arasındadır.
Sinüs AF F Net = Sin Net
Öğrenilecek olan olayların sinüs fonksiyonuna göre uygun dağılım gösterdiği durumlar için kullanılır.
Eşik Değer
AF F Net =
0 if Net<=0 Net if 0<Net<1
1 if Net>=1
Gelen bilginin 0‟dan küçük-eşit olması durumunda 0 çıktısı, 1 den büyükeşit olması durumunda1 çıktısı, 0 ile 1 arasında olması durumunda ise yine kendisini veren çıktılar üreten bir fonksiyondur.
Hücrenin Çıktısı: AF‟ın hesaplanmasının ardından çıkan sonuç değeri hücrenin
çıktı değeri olur. Bu çıktı değeri istenirse yapay sinir ağının çıktısı olmak üzere dış dünyaya gönderilir veya tekrar ağın içindeki farklı katmanda bulunan hücrelerde kullanılabilmektedirler. Her hücrede birden fazla girdi vardır fakat tek bir çıktı bulunur. Bu çıktıda istenilen sayıdaki başka hücrelere bağlanarak işlem sürdürülebilir (Çayıroğlu, 2015).