Görüntüleme
18
İndirme
2
Yapay sinir ağlarının (YSA) eğitilmeleri açısından, meta-sezgisel yöntemlerin geleneksel, eğim tabanlı yöntemlere göre üstünlükleri, bilimsel yazındaki çok sayıda çalışma ile gösterilmiştir. Bu çalışmanın amacı, bir YSA türü olan Çok Katmanlı Algılayıcı (ÇKA) eğitimindeki başarım açısından, bir meta-sezgisel en iyileştirme yöntemi olan Sinüs Kosinüs Algoritması (SKA) ile iki başka yöntemin (parçacık sürü en iyileştirmesi (PSEİ) ve yarasa algoritması (YA)) karşılaştırılmasıdır. Bütün yöntemlerin, Kaliforniya Üniversitesi, Irvine, Yapay Öğrenme Kaynağı üzerinden alınan beş hastalık ile ilgili veri kümesinde (göğüs kanseri, diyabet, karaciğer, omurga ve parkinson) ikili sınıflandırmadaki başarım değerlendirmeleri yapılmıştır. Deney sonuçlarında, SKA ile eğitilen ÇKA’lar %97’ye varan yüksek doğruluk oranlarına ulaşmıştır. Yöntem, YA’dan büyük çoğunlukla daha yüksek, PSEİ’den büyük çoğunlukla daha düşük başarım göstermiştir. PSEİ yöntemi genel olarak daha yüksek başarı gösterse de, SKA yöntemi de bir veri kümesinde en yüksek, kalan veri kümelerinin biri dışında hepsinde ikinci en yüksek eğitim başarımını göstermiştir. İncelenen yöntem arama uzaylarında, hem yüksek keşfetme ve yerel en iyiden kaçınma, hem de amaçlanan değerlere yüksek yakınsama hızları göstermektedir. Bu sonuçlar, SKA’nın ÇKA eğitiminde yetkin ve etkili olabildiğini ortaya koymaktadır.
In terms of the training of artificial nerve networks (YSAs), the superiority of metaphysical methods over traditional, curved-based methods has been demonstrated by numerous studies in scientific writing. The aim of this study is to compare two other methods (particle mass improvement (PSEI) and cell algorithm (YA) with a meta-sensitive method of improvement, in terms of success in the training of a type of YSA, a multi-layer detector (CKA), a meta-sensitive method of improvement. All the methods were obtained through the University of California, Irvine, and the Source of Artificial Learning, in the data set related to five diseases ( breast cancer, diabetes, liver, spinal and parkinson) and success assessments were made in the binary classification. In the results of the experiment, the CKAs trained with SKA achieved a high accuracy rate of up to 97%. The method was mostly higher than YA, mostly lower than PSEI. Although the PSEI method is generally more successful, the SKA method is also the highest in a data set, with the second highest educational success in all, except for one of the remaining data sets. In search spaces, the method examined shows both high discovery and local best avoidance, as well as high proximity rates to targeted values. These findings show that SKA can be competent and effective in CKA education.
The superiority of metaheuristic methods over conventional, gradient-based methods, in terms of training artificial neural networks (ANN), has been shown with numerous studies in the literature. The aim of this study is to compare the Sine Cosine Algorithm (SCA), which is a metaheuristic optimization method, with two other methods (particle swarm optimization (PSO) and bat algorithm (BA)) in terms of the performance in Multilayer Perceptron (MLP) training, which is a type of ANN. Performance evaluations of all methods on binary classification were made on five datasets which are related with diseases (breast cancer, diabetes, liver disorders, vertebral column, and parkinsons) obtained from the University of California, Irvine, Machine Learning Repository. In the results of the experiments, the MLPs which were trained with the SCA have achieved high accuracy rates up to 97%. The method performed mostly higher than the BA and mostly lower than the PSO. Although the PSO method showed higher success in general, the SCA method also showed the highest training performance in one dataset and the second highest in all but one of the remaining datasets. In the search spaces, the investigated method shows both high exploration and avoidance of local optimum, as well as high convergence rates to the aimed values. These results reveal that, the SCA can be competent and effective at training the MLP.
Alan : Fen Bilimleri ve Matematik; Mühendislik
Dergi Türü : Uluslararası
Makale Detay 
Benzer Makaleler
PDF Görüntüle
Dergi Bilgisi
Eseri Dinleyin
Alıntı Yap
Bu Sayfayı Yazdırın
Paylaş
Mendeley
