Yapay sinir ağları nasıl öğrenir?

Bir benzetmeye bakmak, bir sinir ağının mekanizmalarını anlamada yararlı olabilir.

Sinir ağında öğrenme, normal yaşamlarımızda ve aktivitelerimizde nasıl öğrendiğimizle

yakından ilgilidir - bir eylem gerçekleştiririz ve belirli bir görevde nasıl daha iyi olabileceğini anlamak için bir eğitmen veya koç tarafından kabul edilir veya düzeltilir.

Benzer şekilde, sinir ağları girdiye bir yanıt olarak neyin üretilmesi gerektiğini tanımlamak için bir eğitmen gerektirir. Gerçek değer ile ağ tarafından çıkarılan değer

arasındaki farka bağlı olarak, bir hata değeri hesaplanır ve sistem üzerinden geri

gönde-rilir. Ağın her katmanı için hata değeri analiz edilir ve bir sonraki girişin eşik ve ağırlıklarını ayarlamak için kullanılır. Bu şekilde, ağ değerlerin nasıl analiz edileceğini

öğrendiğinden, hata her çalıştırmada marjinal olarak azalmaya devam eder. Yukarıda tarif edilen prosedüre geri propopasyon denir ve hata değeri minimumda tutulana kadar bir ağ üzerinden sürekli olarak uygulanır. Bu noktada, sinir ağı artık böyle bir eğitim

29

sürecine ihtiyaç duymaz ve ayarlama yapmadan çalışmasına izin verilir. Daha sonra ağ, ayarlanmış ağırlıklar ve eşikler kılavuz olarak kullanılarak son olarak uygulanabilir.

Bir sinir ağı aktif olarak çalıştığında, beklenen yanıtı doğrudan doğrulamanın bir yolu

olmadığından herhangi bir geriye dönük işlem gerçekleşmez. Bunun yerine, çıktı bildirimlerinin geçerliliği yeni bir eğitim oturumu sırasında düzeltilir veya ağın

çalışma-sı için olduğu gibi bırakılır. Ağın yapay sinir ağının çalışmaçalışma-sı için kesin olmaçalışma-sı gereken çok sayıda değişken içerdiğinden birçok ayar yapılması gerekebilir.

Böyle bir sürecin temel bir örneği, metni konuşmaya dönüştürmek için bir sinir ağı öğretilerek incelenebilir. Birden fazla farklı makale ve paragraf seçilebilir ve bunları ağ için girdi olarak kullanabilir ve testi çalıştırmadan önce istenen bir girdiyi önceden belirlenebilmektedir. Eğitim aşaması, daha sonra, ağın birden çok katmanından geçmek-ten ve tüm girdi örnekleri için hata değerini en aza indirmek amacıyla ağın parametrele-rini ve eşik değeparametrele-rini ayarlamak için geri propolüsyondan oluşur. Daha sonra ağ, metni doğru konuşmaya gerçekten dönüştürüp dönüştüremeyeceğini belirlemek için yeni makaleler üzerinde test edilebilir. Bu gibi ağlar, konuşma sentezi ve tanıma, yüz tanıma ve tahmin, doğrusal olmayan sistem modelleme ve örüntü sınıflandırma dahil, ancak bunlarla sınırlı olmamak üzere, çok çeşitli matematiksel ve istatistiksel problemler için uygun modeller olabilir.

Yapay sinir ağları, potansiyelini sadece yüzeyini çizdiğimiz yeni bir kavramdır. Çeşitli farklı kavramlar ile fikirler için kullanılabilirler. Test aşaması sırasında belirli bir geri

programlama ve hata düzeltme mekanizması aracılığıyla öğrenmektedirler. Hatayı düzgün bir şekilde en aza indirgeyerek, bu çok katmanlı sistemler bir gün insan düzeltmesi olmadan fikirleri öğrenebilir ve kavramsallaştırabilir (Anonymous 2020e).

1.6 NARMA-L2 Yapay Sinir Ağı Kontrol Algoritması

Yapay sinir ağlarıyla lineer olmayan sistemlerin kontrolü için model öngörmeli kontrol, NARMA-L2 kontrol ve model referans kontrolü olmak üzere 3 farklı kontrol uygulana-bilmektedir.

30

Bu tezde kullanılan nörokontrolöre geri besleme doğrusallaştırma kontrolü ve NARMA-L2 kontrolü olmak üzere iki farklı isim verilir. Tesis modeli belirli bir forma

sahip olduğunda geri besleme doğrusallaştırması olarak adlandırılır. Tesis modeli aynı formla yaklaşık olarak tahmin edilebildiğinde NARMA-L2 kontrolü olarak adlandırılır.

Bu tip kontrolün ana fikri, doğrusal olmayan sistemleri iptal ederek doğrusal olmayan sistem dinamiklerini doğrusal dinamiklere dönüştürmektir. Tepkimeli damıtma kolonu-nun dolaylı kontrolü için NARMA-L2 yapay sinir ağı kontrolörü kullanılacaktır.

1.6.1 NARMA-L2 model tanımlaması

NARMA-L2 kontrolünü kullanmanın ilk adımı, kontrol edilecek sistemi tanımlamaktır.

Sistemin ileri dinamiklerini temsil etmek için bir sinir ağı eğitilir. İlk adım, kullanılacak bir model yapısı seçmektir. Genel ayrık zamanlı doğrusal olmayan sistemleri temsil etmek için kullanılan standart bir model doğrusal olmayan otoregresif hareketli ortalama (NARMA) modelidir:

y(k+d)=N[y(k), y(k−1),…, y(k−n+1), u(k), u(k−1), …, u(k−n+1)] (1.15)

burada u(k) sistem girişi ve y(k) sistem çıkışıdır. Tanımlama aşaması için, bir sinir ağı

doğrusal olmayan N işlevine yaklaşmak üzere eğitilebilir. Bu, NN Tahmin Edici Kontrolör için kullanılan tanımlama prosedürüdür.

Sistem çıktısının bazı referans yörüngeleri takip etmesi için, y(k + d) = yr(k + d), sonraki adım formun doğrusal olmayan bir denetleyicisini geliştirmektir:

u(k)=G[y(k),y(k−1),…,y(k−n+1),yr(k+d),u(k−1),…,u(k−m+1)] (1.16)

Bu bölümde kullanılan kontrolör, NARMA-L2 yaklaşık modeline dayanmaktadır:

(1.17)

31

Bu model, bir sonraki denetleyici girişinin u (k) doğrusal olmama içinde bulunmadığı,

eşlik eden formdadır. Bu formun avantajı, sistem çıktısının y(k + d) = yr(k + d) referansını izlemesine neden olan kontrol girişi için çözebilmenizdir. Ortaya çıkan

de-netleyici şu biçimde olacaktır:

(1.18)

Bu denklemin doğrudan kullanılması gerçekleşme problemlerine neden olabilir, çünkü kontrol girişini u(k) aynı anda çıkışa göre y(k) belirlenmelidir. Bunun yerine, d ≥ 2 du-rumunda aşağıdaki model kullanılabilir:

(1.19)

1.6.2 NARMA-L2 kontrol edici

NARMA-L2 modelini kullanarak, d ≥ 2 için gerçekleştirilebilen kontrol edici elde edilebilir.

(1.20) Aşağıdaki şekil (Şekil 1.14) NARMA-L2 kontrol cihazının blok şemasıdır.

32

Şekil 1.14 NARMA-L2 kontrol cihazının blok şeması

Bu kontrolör, aşağıdaki şekilde (Şekil 1.15) gösterildiği gibi önceden tanımlanmış NARMA-L2 tesis modeli (Şekil 1.14) ile uygulanabilir.

Şekil 1.15 NARMA-L2 tesis modelinde kontrol edici uygulanması

33 1.6.3 NARMA-L2 kontrol bloğunun kullanılması

Bu kısımda NARMA-L2 kontrol cihazının nasıl eğitildiği gösterilmektedir. İlk adım,

NARMA-L2 Kontrol Cihazı bloğunu Derin Öğrenme Araç Kutusu blok kütüphanesinden Simulink® Editor'e kopyalamaktır. NARMA-L2 kontrol cihazının

kullanımını göstermek için Deep Learning Toolbox yazılımı ile örnek bir model sağlanmıştır. Bu örnekte amaç, bir elektromıknatısın üzerinde asılı bir mıknatısın konumunu kontrol etmektir; burada mıknatıs, aşağıdaki şekilde (Şekil 1.16) olduğu gibi

yalnızca dikey yönde hareket edebilecek şekilde sınırlandırılmıştır.

Şekil 1.16 Elektromıknatıs ile mıknatısın yönünün sınırlandırılması örneği

Bu sistem için hareket denklemi y(t) 'nin mıknatısın elektromıknatısın üzerindeki mesafesi olduğu, i(t) elektromıknatısta akan akım, M mıknatısın kütlesi ve g yerçekimi

sabitidir. β parametresi, mıknatısın hareket ettiği malzeme tarafından belirlenen viskoz bir sürtünme katsayısıdır ve α, elektromıknatıs üzerindeki tel dönüşlerinin sayısı ve mıknatısın gücü ile belirlenen bir alan gücü sabitidir.

(1.21) Bu örnek üzerinden NARMA-L2 kontrol edicinin nasıl çalıştığı anlatılmak istenirse;

MATLAB programı başlatılır. MATLAB Komut Penceresine „‟narmamaglev‟‟ yazılır.

Bu komut, Simulink Editor'ü yukarıdaki modelle açar (Şekil 1.17, Şekil 1.18 ve Şekil 1.19). NARMA-L2 Kontrol bloğu zaten modelde mevcuttur. NARMA-L2 Denetleyici bloğunu çift tıklanır. Bu Tesis Tanımlama-NARMA-L2 penceresini açar. Bu pencere NARMA-L2 modelini eğitmenizi sağlar. Denetleyici için ayrı bir pencere yoktur, çünkü

34

denetleyici, model tahmin denetleyicisinin aksine, doğrudan modelden belirlenir. Bu pencere diğer Tesis Tanımlama pencereleriyle aynı şekilde çalışır, bu nedenle eğitim süreci tekrarlanmaz. Bunun yerine, NARMA-L2 denetleyicisi simüle edilir. Simulink Editör'e geri dönülür ve Simülasyon> Çalıştır menü seçeneğini seçerek simülasyon başlatılır. Simülasyon çalışırken, tesis çıkışı ve referans sinyali XY grafiği üzerinde görüntülenir. NARMA-L2 kontrol blok şemasının tüm veri ve çıktıları 4.2.4 MATLAB Yapay Sinir Ağı programı NARMA-L2 kontrol sistemi ile kontrol kısmında detaylı olarak verilmiştir.

Şekil 1.17 Narma-L2 kontrol algoritması ile elektromıknatıs örneği Simulink simülayon şeması

35

Şekil 1.18 Elektromıknatıs örneği Simulink işletme simülasyon şeması

Şekil 1.19 NARMA-L2 kontrol edici Simulink simülasyon açılım şeması