NEURAL NETWORK TOOLBOX VE UYGULAMALARI

Slides:



Advertisements
Benzer bir sunumlar
MATLAB MATrix LABoratory Hazırlayan: S. Murat BAĞDATLI.
Advertisements

Matlab’da Diziler; Vektörler ve Matrisler
Bilgisayar Programlama Güz 2011
MATLAB MATLAB İLE GRAFİK.
Bilgisayar Programlama
5 EKSENLİ ROBOT KOLUNUN YÖRÜNGE PLANLAMASI ve DENEYSEL UYGULAMA
Çok Katmanlı Yapay Sinir Ağı Modelleri
Giriş Erciyes Üniversitesi Mühendislik Fakültesi
Yapay Sinir Ağı (YSA).
İlk Yapay Sinir Ağları.
Numbers of Opcodes Nihal Güngör.
2) Sayısal Hesaplamalarda Gerek Duyulabilecek Matlab İşlemleri
Yapay Sinir Ağları.
MATLAB’İN SAYI YUVARLAMA FONKSİYONLARI
MC-CDMA (Çok Taşıyıcılı-Kod Bölmeli Çoklu Erişim ) Alıcılarda Yakın-Uzak Problemine Yönelik Yapay Zekâ Uygulamaları Metin ÇİÇEK, Bilgi Teknolojileri ve.
BTN Elektronik Güvenlik
Yapay Sinir Ağları Artificial Neural Networks (ANN)
MIT563 Yapay Zeka ve Makine Öğrenmesi
Optimizasyon Teknikleri
MATLAB’ de Programlama
AST409 Astronomide Sayısal Çözümleme
Görsel C# ile Windows Programlama
4. HAFTA Mart 2010.
Formüller Mustafa AÇIKKAR.
Yapay Sinir Ağlarının Tarihçesi
MinDolog Minder Bilişim
MATLAB temel komutlar ve fonksiyonlar.
MAKİNE ÖĞRENİMİ-Machine learning
4. Hafta.  % Parametreler %   A = 3; % genlik  f = 440; % frekans (Hz)  phi = -pi/4; % faz  fs = 20e3; % örnekleme oranı (20 kHz)  Ts = 0; %
Katmanlar (Layer).
Sürekli Zaman Aktif Filtre Tasarımı
Yrd. Doç. Dr. Ayhan Demiriz
BM-103 Programlamaya Giriş Güz 2014 (7. Sunu)
BM-103 Programlamaya Giriş Güz 2014 (8. Sunu)
BİYOİNFORMATİK NEDİR? BİYOİNFORMATİKTE KULLANILAN SINIFLAMA YÖNTEMLERİ
YAPAY SİNİR AĞLARI.
Erkan ULKER & Ahmet ARSLAN Selçuk Üniversitesi,
HER GENÇ MATEMATİK ÖĞRENEBİLİR MURAT GÜNER KELKİT
YAPAY SİNİR AĞLARI VE BAYES SINIFLAYICI
Matlab GİRİŞ MATLAB ORTAMI
F(t): Girdi,u(t): Cevap k03a. Ekponansiyel/ harmonik girdi s= i; hs=(s+3)/(s^3+4*s^2+14*s+20);abs(hs), angle(hs) REZONANS Öz değerler: -1±3i, -2.
Bilgisayar Donanımı Bilgisayarın elle tutulup gözle görülen parçalarına donanım denir. Bilgisayar kasasının içindeki parçalara iç (dahili) donanım, dışındaki.
Matlab nedir? Temel olarak teknik ve bilimsel hesaplamalar için yazılmış yüksek performansa sahip bir yazılımdır.
Yapay Sinir Ağları (YSA)
Yapay Sinir Ağları (YSA)
PROJENİN ADI “Doğrusal Konumlandırıcılar” için Profesyonel Kontrol Ara yüz Tasarımı ve İmalatı.
Bulanık Mantık Tabanlı Uçak Modeli Tespiti
Uç Öğrenme Makineleri Kullanılarak Internet Trafik Bilgisinin Sınıflandırılması Fatih ERTAM Engin AVCI AB2016-Aydın.
Yapay Sinir Ağları (YSA)
Yapay Sinir Ağları (Artificial Neural Networks) Bir Yapay Sinir Ağı Tanımı (Alexander, Morton 1990) Yapay sinir ağı, basit işlemci ünitelerinden oluşmuş,
YAPAY SİNİR AĞLARI.
Çok Katmanlı Algılayıcı-ÇKA (Multi-Layer Perceptron)
Ayrık Zaman Hopfield Ağı ile Çağrışımlı Bellek Tasarımı Kullanılan Hücre Modeli: McCulloch-Pitts Eksik birşey var!! Örüntüler: 1. Aşama: Belleğin Oluşturulması.
Izhikevich Sinir Hücresinin davranışı Deneysel sonuçModelden elde edilen sonuç E.M. Izhikevich, “Dynamical Systems in Neuroscience”, MIT Press, 2007.
Bölüm 3 : Yapay Sinir Ağları (MatLab) Artificial Neural Network
“Bilgi”’nin Gösterimi “Bilgi” İnsan veya Makina Yorumlama Öngörme Uygun yanıt verme Depolanmış enformasyon veya model Kurallar: (1) Benzer sınıflardan.
Yapay sinir ağı, basit işlemci ünitelerinden oluşmuş, çok
Öğretim Görevlisi Alper Talha Karadeniz Ağ Temelleri
Engin Kaya Kontrol Mühendisliği İstanbul Teknik Üniversitesi
Engin Kaya Kontrol Mühendisliği İstanbul Teknik Üniversitesi
YAPAY SİNİR AĞLARININ YAPISI VE TEMEL ELEMANLARI
Geriye Yayılım Algoritması (Back-Propagation Algorithm)
Çok Katmanlı Algılayıcı-ÇKA (Multi-Layer Perceptron)
ARTIFICIAL NEURAL NETWORKS-ANN (YAPAY SİNİR AĞLARI-YSA)
S. Haykin, “Neural Networks- A Comprehensive Foundation”,
Yapay Sinir Ağları (Artificial Neural Networks)
Meriç ÇETİN Pamukkale Üniversitesi Bilgisayar Mühendisliği Bölümü
Yapay Zeka Nadir Can KAVKAS
Çok Katmanlı Algılayıcı-ÇKA (Multi-Layer Perceptron)
Bilişim Teknolojileri Meslek Seçimi ve Ücretler (2019)
Sunum transkripti:

NEURAL NETWORK TOOLBOX VE UYGULAMALARI MATLAB NEURAL NETWORK TOOLBOX VE UYGULAMALARI

Yapay Sinir Ağları Yapay sinir ağları insan beyin hücresini (nöron) taklit etmeye çalışan matematiksel bir modeldir.

Yapay Sinir Ağları Avantajlı yönleri Doğrusallık özelliği Paralel işlem yapabilme Öğrenebilme yeteneği Genelleme yapabilme Uygulanabilirlik Hata toleransı Donanım ve hız Analiz ve tasarım kolaylığı

Yapay Sinir Ağları Bazı kullanım alanları Arıza analizi Tıp alanı Askeri teknoloji Haberleşme Üretim, fabrika yönetimi Otomatik kontrol Otomotiv Uçak,Uzay teknolojisi Finans sektörü Robotik Konuşma ve ses yorumlama Karakter, resim tanıma Güvenlik

Yapay Sinir Ağları Yapay hücre modeli Yapay sinir hücreleri, YSA’nın çalışmasına esas teşkil eden en küçük bilgi işleme birimidir

Yapay Sinir Ağları Yapay hücre modeli P: Giriş vektörü W: Ağırlık matrisi n: Net giriş toplamı, a: Hücrenin çıkışı f(.): Aktivasyon fonksiyonu

Yapay Sinir Ağları Aktivasyon fonksiyonları Hard-limit (eşik) aktivasyon fonksiyonu

Yapay Sinir Ağları Aktivasyon fonksiyonları Sigmoid aktivasyon fonksiyonu Pureline (Doğrusal) aktivasyon fonksiyonu

Yapay Sinir Ağları Aktivasyon fonksiyonları Radial tabanlı (gauss) aktivasyon fonksiyonu Hiperbolik tanjant (Tanh) aktivasyon fonksiyonu

Yapay Sinir Ağları Yapay sinir hücresinin matematiksel model örneği Çalıştır

Yapay Sinir Ağları Yapay Sinir Ağları Yapay sinir ağları hücrelerin bir birleri ile çeşitli şekillerde bağlanmalarından oluşur.

Yapay Sinir Ağları Yapay Sinir Ağı Modelleri İleri sürümlü sinir ağları Multi Layer Perceptron (MLP) Radial-Basis Network (RBF) Self-Organizing map (SOM) Geri beslemeli sinir ağları Recurrent (Geri beslemeli) ağlar

Yapay Sinir Ağları Multi Layer Perceptrons İleri sürümlü yapay sinir ağlarıdır. Bir giriş katmanı, bir veya daha fazla saklı katman ve bir çıkış katmanından oluşur Giriş katmanındaki bilgiler, her hücre tek tek işlenerek ağın çıkışına iletilir. Sınıflandırma, karakter tanıma, fonksiyon hesaplama… gibi çok yaygın kullanım alanına sahiptir. 2-4-1 düzenine sahip bir MLP

Yapay Sinir Ağları Multi Layer Perceptrons – İleri yönde veri akışı i.Hücre için net giriş toplamı i.Hücrenin çıkışı

Yapay Sinir Ağları Literatürde en çok kullanılan yöntemdir. Multi Layer Perceptrons – Hata geriye yayma (Backpropagation) yöntemi ile parametre Güncelleme Literatürde en çok kullanılan yöntemdir. Dayandığı yöntem; bir maliyet fonksiyonunun zaman içerisinde, ağ parametrelerinin uyarlanması ile azaltılmasıdır. Ağın çıkışı ile istenen değer arasındaki fark, eğim düşümü yöntemi yardımı ile her bir hücrenin ağırlıklarının güncellenmesi için parametre olarak kullanılır.

Yapay Sinir Ağları Multi Layer Perceptrons – Hata geriye yayma (Backpropagation) yöntemi ile parametre güncelleme

Yapay Sinir Ağları Multi Layer Perceptrons – Hata geriye yayma (Backpropagation) yöntemi ile parametre güncelleme : Ağın (k+1)’inci katmanındaki i’ıncı hücrenin j’inci girişine bağlı olan ağırlık : Ağın (k+1)’inci katmanındaki i’ıncı hücrenin net giriş toplamı : Ağın (k+1)’inci katmanındaki i’ıncı hücrenin çıkışı : Ağın (k+2)’inci katmanındaki h’ıncı hücrenin i’inci girişine bağlı olan ağırlık : Ağın (k+2)’inci katmanındaki h’ıncı hücrenin net giriş toplamı : Ağın (k+2)’inci katmanındaki h’ıncı hücrenin çıkışı (ağın çıkışı) : Ağın h’ıncı çıkışı için istenen çıkış değeri : Maliyet fonksiyonu

Yapay Sinir Ağları Multi Layer Perceptrons – Hata geriye yayma (Backpropagation) yöntemi ile parametre güncelleme Ağın girişine veri uygulanıp ileri yayımlandıktan sonra maliyet fonksiyonu hesaplanır: Daha sonra bu maliyet fonksiyonu kullanılarak her hücre için delta değerleri Hesaplanır. Eğer çıkış hücresi hesaplanıyorsa delta formülü:

Yapay Sinir Ağları Eğer hücre saklı katman hücresi ise hesaplama : Multi Layer Perceptrons – Hata geriye yayma (Backpropagation) yöntemi ile parametre güncelleme Eğer hücre saklı katman hücresi ise hesaplama :

Yapay Sinir Ağları Multi Layer Perceptrons – Sinüs ve karakter tanıma örnekleri Sinus.m -> Sinüs örneğinde 0 ile 360 arasında otuz adet açı ile eğitimi yapılan 1-24-1 yapıya sahip MLP ağı, sinüs fonksiyonunu taklit ediyor. Mlp_fonksiyon_yaklasimi.exe -> Delphi ile yapılmış MLP yapısını kullanan görsel bir ysa demo programı Karakter.m -> Matlab’da karakter tanıma programı.

Neural Network Toolbox Neural Network Toolbox komutları NEWFF : Yeni bir Feed-Forward sinir ağı oluşturur. TRAIN : Sinir ağının eğitimini yapar. SIM : Sinir ağını simüle eder. INIT : Sinir ağını sıfırlar. GENSIM : Sinir ağını simulink’e aktarır.

Neural Network Toolbox NEWFF fonksiyonunun kullanımı net = newff(PR,[S1 S2...SNl],{TF1 TF2...TFNl},BTF) PR : Rx2 matris Girişler içindeki maksimum ve minimum değerler Si : i. Katmandaki nöron sayısı TFi : i. Katmandaki nöronların transfer fonksiyonları (logsig, tansig, hardlim ….) BTF : Geriyansıtma eğitim cinsi (traınlm, traınbfg, traınrp, traıngd … )

Neural Network Toolbox TRAIN fonksiyonunun kullanımı [net,tr] = train(NET,P,T) net : Eğitim yapılmış olan ağ (çıkış ağı) tr : Eğitim kayıtı NET : Eğitimi yapılacak olan ağ P : Eğitim örnekleri T : Eğitimdeki hedefler

Neural Network Toolbox SIM fonksiyonunun kullanımı y = sim(net,P) y : Simülasyon çıkışları net : Simüle edilecek olan ağ (çıkış ağı) P : Test girişleri

Neural Network Toolbox Neural Network Toolbox komutları ile yapılan örnekler: Nn2.m -> y=sin(x) fonksiyonunu taklit eden yapay sinir ağı örneği Nn3.m -> y=sin(x)^2-sin(x) fonksiyonunu taklit eden yapay sinir ağı örneği karakter.m -> Bu örnekte önce harfler yapay sinir ağına tanıtılıyor daha sonra bozuk harfler yapay sinir ağına uygulanarak ağın harfleri tanıması test ediliyor.

Neural Network Toolbox Sinüs fonksiyonu için yapay sinir ağı örneği : (NN2.M doyası) N=10; P=linspace(0,360,N); T=sin(P*pi/180); x=P/360; net = newff(minmax(x),[5 1],{'tansig' 'purelin'}); net.trainParam.epochs = 50; net = train(net,x,T);

Neural Network Toolbox Sinüs fonksiyonu için yapay sinir ağı örneği(devam): test=sim(net,[0:2:360]/360); plot(0:2:360,test,'r:') hold on; plot(0:2:360,sin([0:2:360]*pi/180)); title('Sinus ve YSA''da Sinus Grafiği'); grid on; xlabel('Açı Derece'); ylabel('YSA''da Sinus +/ Sinus -'); figure(3); plot(0:2:360,abs(test-sin([0:2:360]*pi/180))); title('Hata');

Yapay Sinir Ağları Neural Network Toolbox Arabirimi Bu ara birim yardımı ile yapay sinir ağı istenilen şekilde görsel olarak tanıtılır, eğitilir, test edilir. İstenirse sonuç workspace’e aktarılablir.

Neural Network ile Sistem tanımlama Yapay Sinir Ağları Neural Network ile Sistem tanımlama

Neural Network ile Ön çıkartımlı Sistem Kontrolü Yapay Sinir Ağları Neural Network ile Ön çıkartımlı Sistem Kontrolü

Neural Network ile Sistem tanımlama ve kontrol örneği Yapay Sinir Ağları Neural Network ile Sistem tanımlama ve kontrol örneği