Çarpımsal Nöron Modelli Yapay Sinir Ağlarında Yeni Bir Sağlam Öğrenme Algoritması

Abstract

Literatürde öngörü problemi üzerine birçok model ortaya konmuştur. Bu modellerden klasik öngörü modelleri, çeşitli varsayımlar gerektirmeleri nedeniyle ele alınan birçok verinin çözümlenmesinde yetersiz kalabilmektedir. Bu bakımdan son yıllarda klasik öngörü modellerinin içerdiği varsayımları içermeyen yapay sinir ağları, klasik zaman serisi yaklaşımlarına alternatif olarak yaygın ve başarılı bir şekilde kullanılmaktadır. Çok katmanlı ileri beslemeli yapay sinir ağları, zaman serisi problemlerinde yaygın bir şekilde kullanılmalarına ve başarılı öngörü sonuçları vermelerine rağmen temel bazı problemlere de sahiptir. Bu problemlerden biri, ağın öngörü performansı üzerinde etkin bir rol oynayan, mimari seçim problemidir. Bu sorunu ortadan kaldırmak adına Yadav ve diğ. (2007) mimari belirleme problemi içermeyen ve tek bir nörondan oluşan çarpımsal nöron modelli yapay sinir ağını önermişlerdir. Literatürde, çok katmanlı ileri beslemeli yapay sinir ağında sağlam öğrenme algoritmaları ortaya konmuş olmasına rağmen çarpımsal nöron modele sahip yapay sinir ağı için ortaya konmuş bir sağlam öğrenme algoritması mevcut değildir. Bu tez kapsamında çarpımsal nöron modele sahip yapay sinir ağı için sağlam bir öğrenme algoritması önerilmektedir. Önerilen yöntemde, çarpımsal nöron modele sahip yapay sinir ağının eğitimi uygunluk fonksiyonu olarak Huber'in kayıp fonksiyonunu kullanan parçacık sürü optimizasyonu tarafından gerçekleştirilmiştir. Önerilen yöntemin performansının değerlendirilmesi için literatürde sıklıkla kullanılan iki farklı gerçek hayat zaman serisi çözümlenmiş ve ayrıca bir benzetim çalışması ile önerilen yöntemin aykırı değer durumundaki üstün performansı diğer bazı yapay sinir ağı türleriyle karşılaştırılmıştır.

There are many models proposed in the literature on the forecasting problem. Conventional forecasting models, one of these models, may be inadequate to solve many data due to various assumptions that they require. In this respect, artificial neural networks that do not include the assumptions valid for conventional forecasting models are widely used as an alternative to conventional time series approaches. Although multilayer feed forward neural networks have been commonly used in time series problems and give successful forecasting results, they have some basic problems. One of these problems is architecture selection problem that plays an active role on the network's forecasting performance. In order to eliminate this problem, Yadav et al. (2007) proposed multiplicative neuron model artificial neural network that this neuron model has a single neuron and it does not have architecture selection problem. In the literature, although there have been proposed robust learning algorithms for multilayer feed forward neural networks there is no a robust learning algorithm for multiplicative neuron model artificial neural networks. In this thesis, a robust learning algorithm is proposed for multiplicative neuron model artificial neural networks. In the proposed method, the training of multiplicative neuron model artificial neural networks is performed by particle swarm optimization using Huber's loss function as fitness function. To evaluate the performance of the proposed method, the proposed method is applied to two well-known different real world time series data. Besides, a simulation study is performed and the performance of the proposed method in case of outlier is compared to other artificial neural networks.