Kaotik zaman serilerinin yapay sinir ağlarıyla kestirimi: Deprem verisi durumu







































































21
eğitme işlemine ihtiyaç duymadan giriş ve çıkış arasında, eğitim kümesinden elde ettiği bulgularla herhangi bir fonksiyona yaklaşabilir (Yıdırım, 2003).
Bu üç ağın dışında çok kullanılan diğer ağlara örnek vermek gerekirse, giriş uzayında birbirine yakın olan benzer verileri gruplayıp iki boyutlu haritada yakın birimlere atayan Kendi Kendine Organize Olan Özellik Haritaları (SOM) ve etkinleştirme fonksiyonu eğitim örneklerinin istatistiksel yoğunluk fonksiyonlarından hesaplanan Olasılık Sinir Ağları (PNN) sayılabilir (Yıdırım, 2003).
3.1.3 Zaman Serileri Kestirimine Örnek Çalışmalar
Zaman serilerinin kestirimi bilim dünyasında önemli yeri olan uygulamalardan biridir. Fonksiyon yaklaştırmadaki becerileri YSAyı zaman serilerinin kestirimi konusunda çekici kılmaktadır. Önceki bölümde bahsettiğimiz YSA yapılarının tamamı kestirimde sıkça kullanılmaktadır.
Bu çalışmalardan birinde MLP ve GRNN ağları su kaynakları mühendislik problemlerinde önemli bir yeri olan hidrolojik verinin kestirilmesinde kullanılmış ve performansları karşılaştırılmıştır. Bir nehirdeki günlük çökelti konsantrasyonu, giriş vektör uzunluğu deneme yanılma yöntemiyle 6 olarak belirlenmiş MLP ve GRNN ağlarıyla kestirilmiş ve GRNNin çok daha iyi sonuçlar verdiği gözlenmiştir. GRNNin etkinleştirme fonksiyonu olarak kullandığı radyal temelli fonksiyonun genişlik (spread) değeri giriş vektöründeki değerler arasındaki farktan daha küçük seçilerek ağdan optimum performans alınmıştır (Yildirim ve diğ., 2002).
Bir diğer çalışmada, yüksek boyutlu dinamik bir sistemin ürettiği 100.000 uzunluklu bir zaman serisi SOM ağları kullanılarak kestirilmiştir. Bu çalışmada giriş vektör uzunluğu 20 olarak belirlenmiş ve 0.39 gibi küçük bir ortalama karesel hatayla kestirim başarılı bir şekilde gerçekleştirilmiştir (Lendasse ve diğ., 1998).
Son olarak başka bir çalışmada Japon yeni, Alman markı ve İngiliz sterlini kur değerleri dinamik sinir ağlarıyla kestirilmiştir. Adım adım kestirim yöntemi kullanılarak yapılan çalışmada, kur değerleri değişimi gibi oldukça karmaşık bir problem %56ya varan oranda bir



32. SAYFAYA BENZER SAYFALAR

Endoskopik görüntülerin değerlendirilmesinde görüntü işleme temelli akıllı karar destek sistemi - Sayfa 48
Yapay Sinir Ağ Örüntü Sınıflandırıcıları Eğiticili Öğrenme Eğiticisiz Öğrenme Statik Ağlar Çok Katmanlı Algılayıcı (MLP) (Hush, 1993) Radyal Tabanlı Fonksiyon Ağları (RBF) (Moody, 1989) Olasılıksal Ağları (PNN) (Specht, 1990) Öğrenmeli Vektör Kuvantalama Ağları (LVQ) (Kohonen, 1988) Dinamik Ağlar İleri Beslemeli Geri Beslemeli Kohonen Haritaları (Kohonen, 1989) Adapti...

32. SAYFADAKI ANAHTAR KELIMELER

fonksiyon
fonksiyonu
radyal
grnn
sinir
kullanılan


32. SAYFA ICERIGI

21
eğitme işlemine ihtiyaç duymadan giriş ve çıkış arasında, eğitim kümesinden elde ettiği bulgularla herhangi bir fonksiyona yaklaşabilir (Yıdırım, 2003).
Bu üç ağın dışında çok kullanılan diğer ağlara örnek vermek gerekirse, giriş uzayında birbirine yakın olan benzer verileri gruplayıp iki boyutlu haritada yakın birimlere atayan Kendi Kendine Organize Olan Özellik Haritaları (SOM) ve etkinleştirme fonksiyonu eğitim örneklerinin istatistiksel yoğunluk fonksiyonlarından hesaplanan Olasılık Sinir Ağları (PNN) sayılabilir (Yıdırım, 2003).
3.1.3 Zaman Serileri Kestirimine Örnek Çalışmalar
Zaman serilerinin kestirimi bilim dünyasında önemli yeri olan uygulamalardan biridir. Fonksiyon yaklaştırmadaki becerileri YSAyı zaman serilerinin kestirimi konusunda çekici kılmaktadır. Önceki bölümde bahsettiğimiz YSA yapılarının tamamı kestirimde sıkça kullanılmaktadır.
Bu çalışmalardan birinde MLP ve GRNN ağları su kaynakları mühendislik problemlerinde önemli bir yeri olan hidrolojik verinin kestirilmesinde kullanılmış ve performansları karşılaştırılmıştır. Bir nehirdeki günlük çökelti konsantrasyonu, giriş vektör uzunluğu deneme yanılma yöntemiyle 6 olarak belirlenmiş MLP ve GRNN ağlarıyla kestirilmiş ve GRNNin çok daha iyi sonuçlar verdiği gözlenmiştir. GRNNin etkinleştirme fonksiyonu olarak kullandığı radyal temelli fonksiyonun genişlik (spread) değeri giriş vektöründeki değerler arasındaki farktan daha küçük seçilerek ağdan optimum performans alınmıştır (Yildirim ve diğ., 2002).
Bir diğer çalışmada, yüksek boyutlu dinamik bir sistemin ürettiği 100.000 uzunluklu bir zaman serisi SOM ağları kullanılarak kestirilmiştir. Bu çalışmada giriş vektör uzunluğu 20 olarak belirlenmiş ve 0.39 gibi küçük bir ortalama karesel hatayla kestirim başarılı bir şekilde gerçekleştirilmiştir (Lendasse ve diğ., 1998).
Son olarak başka bir çalışmada Japon yeni, Alman markı ve İngiliz sterlini kur değerleri dinamik sinir ağlarıyla kestirilmiştir. Adım adım kestirim yöntemi kullanılarak yapılan çalışmada, kur değerleri değişimi gibi oldukça karmaşık bir problem %56ya varan oranda bir

İlgili Kaynaklar







single.php