Yapay sinir ağları parametrelerinin optimizasyonunda deney tasarımının kullanılması: Tütün endüstrisi örneği
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Ondokuz Mayıs Üniversitesi, Lisansüstü Eğitim Enstitüsü, Akıllı Sistemler Mühendisliği Anabilim Dalı, Türkiye
Tezin Onay Tarihi: 2018
Tezin Dili: Türkçe
Öğrenci: YUNUS EMRE MİDİLLİ
Danışman: Sermin Elevli
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Tahmin modellerinde yaygın kullanılan yapay zekâ tekniklerinden birisi olan yapay sinir ağlarının tahmin performansını etkileyen öğrenme katsayısı, momentum katsayısı, nöron sayısı vb. gibi faktörler söz konusudur. Bu faktörlerin seçiminde genellikle deneme–yanılma yönteminden yararlanılmakta olup, en yüksek performansı gösteren yapay sinir ağı topolojisi seçilmeye çalışılmaktadır. Ancak bu yaklaşım hem zaman alan bir süreç olmakta, hem de her seferinde sadece bir faktördeki değişimin performans üzerindeki etkisini ölçebilmektedir. Son yıllarda deneme-yanılma yöntemine alternatif olarak en yüksek performansı verecek yapay sinir ağı topolojisini bulmak amacıyla deney tasarımı yöntemi, genetik algoritma, benzetilmiş tavlama gibi optimizasyon yöntemlerinden yararlanılmaktadır. Bu çalışmada tütün endüstrisinde önemli bir fiziksel kalite parametre olan "uç dökülmesi"nin tahmininde kademeli azalan yöntem ve genetik algoritma ile öğrenme gerçekleştiren yapay sinir ağlarına etki eden faktörler optimize edilmek istenmiştir. Bu kapsamda uç dökülmesi parametresine etki eden kalite parametreleri çevre, toplam ağırlık, tütün nemi, tütün parçacık miktarı ve tütün doldurma değeri olarak ele alınmıştır. Yanıt yüzeyi yöntemlerinden Box-Behnken deney tasarımının kullanıldığı çalışmada kademeli azalan öğrenme yöntemi için ara nöron sayısı, öğrenme katsayısı, momentum katsayısı, epoch sayısı ve durma kriteri, genetik algoritma öğrenme yöntemi için epoch sayısı, ara nöron sayısı, popülasyon büyüklüğü, çaprazlama oranı, mutasyon oranı ve SBX katsayısı deneysel faktörler olarak seçilmiştir. "Ortalama Mutlak Hata" nın ve "Öğrenme Süresi" nin en küçüklendiği kombinasyona sahip yapay sinir ağı, uç dökülmesi parametresinin tahmini için kullanılmıştır. Bu çalışmada önerilen yöntemin diğer tahmin problemlerine de kolaylıkla uygulanabilmesi amacıyla "OMU Neural Optimization" adında bir yazılım geliştirilmiştir.