Yapay Sinir Ağları Parametrelerinin Optimizasyonunda Deney Tasarımının Kullanılması: Tütün Endüstrisi Örneği

Abstract

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.

Artificial neural networks are commonly used in predictive models as an artificial intelligence technique and there are parameters like learning rate, momentum rate, neuron amount etc., which have impact on performance of neural network. Try and fail approach is generally used to determine these parameters and the topology which gives maximum performance is selected. However, this approach is not only time-consuming approach but also an approach which does show only one parameter's effect on the response. Recently the methods such as experimental design, genetic algorithm, simulated annealing etc. are used to determine optimum neural network topology as an alternative to try and fail approach. In this study, the factors, which affect performances of neural networks learning with gradient descent and genetic algorithm, are desired to be optimized to predict one of the most important quality parameter, loose ends, in tobacco industry. In this context, the quality parameters, which affect loose ends, are considered as cigarette circumference, total cigarette weight, tobacco moisture, tobacco sieve amount and tobacco fill value. While hidden neuron amount, learning rate momentum rate, epoch size and stop criteria are considered as factors for Box-Behnken experimental design one of the response surface models, in gradient descent learning algorithm, epoch size, hidden neuron amount, population size, crossover rate, mutation rate and SBX coefficient are selected for the factors of genetic algorithm learning method. The neural network, in which 'Mean Absolute Deviation' and 'Learning Rate' are minimized, is utilized to predict loose end parameter. In this paper, to apply proposed method to other prediction problems in a straightforward way; a software called 'OMU Neural Optimization' is developed.