Bir Gizli Katmanlı Yapay Sinir Ağlarında Optimal Nöron Sayısının İncelenmesi-Reference-Cited by-同舟云学术

Bir Gizli Katmanlı Yapay Sinir Ağlarında Optimal Nöron Sayısının İncelenmesi

Published:2022-11-25 Issue:2 Volume:17 Page:303-325
ISSN:1306-7575
Container-title:Süleyman Demirel Üniversitesi Fen Edebiyat Fakültesi Fen Dergisi
language:tr
Short-container-title:

Author:

ÜNAL Tayfun¹,ÇİFTÇİ Ünver²,URGAN Nurkut Nuray²

Affiliation:

1. KIRKLARELİ ÜNİVERSİTESİ

2. TEKİRDAĞ NAMIK KEMAL ÜNİVERSİTESİ

Abstract

Bu makalede, bir gizli katmanlı yapay sinir ağları için optimal nöron sayısı araştırılmıştır. Bunun için teorik ve istatiksel çalışmalar yapılmıştır. Optimal nöron sayısını bulmak için global minimum bulmak gereklidir. Ancak yapay sinir ağlarının eğitimi konveks olmayan bir problem olduğundan optimizasyon algoritmaları ile global minimum bulmak zordur. Bu çalışmada global minimumu dolayısıyla optimum nöron sayısını bulmak için baskı maliyet fonksiyonu önerilmiştir. Baskı maliyet fonksiyonu yardımıyla global minimumu veren yapay sinir ağı modelinin nöron sayısının, optimal nöron sayısını verdiği gösterilmiştir. Ayrıca baskı maliyet fonksiyonu XOR veri kümesi ve daire veri kümesi üzerinde test edilmiş ve XOR veri kümesi üzerinde %99, daire veri kümesi üzerinde ise %97 başarı elde edilmiştir. Bu veri kümeleri için optimal nöron sayısı tespit edilmiştir.

Publisher

Suleyman Demirel Universitesi Fen Edebiyat Fakultesi Fen Dergisi

Subject

General Economics, Econometrics and Finance

Reference38 articles.

1. I. Goodfellow, Y. Bengio and A. Courville, Deep Learning. MIT Press, Cambridge, 2016.

2. M. Şahan ve Y. Okur, “Akdeniz bölgesine ait meteorolojik veriler kullanılarak yapay sinir ağları yardımıyla güneş enerjisinin tahmini,” Süleyman Demirel Üniversitesi Fen Edeb. Fakültesi Fen Derg., 11 (1), 61–71, 2016.

3. M. Şahan, “Yapay sinir ağları ve angström-prescott denklemleri kullanılarak Gaziantep, Antakya ve Kahramanmaraş için global güneş radyasyonu tahmini,” Süleyman Demirel Üniversitesi Fen Edeb. Fakültesi Fen Derg., 16 (2), 368–384, 2021.

4. A. Zhang, Z. C. Lipton, M. Li and A. J. Smola, “Dive into deep learning, ” arXiv, 2020.

5. C. F. Higham and D. J. Higham, “Deep learning: an introduction for applied mathematicians,” SIAM Rev., 61 (4), 860–891, 2019.

Cited by 3 articles. 订阅此论文施引文献订阅此论文施引文献，注册后可以免费订阅5篇论文的施引文献，订阅后可以查看论文全部施引文献

1. Application of geographic information systems with artificial neural networks technique in prediction of wind energy potential; the case of Isparta Province, Türkiye;International Journal of Environmental Science and Technology;2024-06-09

2. Optimizing Hyperparameters for Enhanced Performance in Convolutional Neural Networks: A Study Using NASNetMobile and DenseNet201 Models;Mühendislik Bilimleri ve Araştırmaları Dergisi;2024-04-30

3. Prediction of Biochemical Oxygen Demand in Wastewater Treatment Plants Using Artificial Neural Network and Regression Analysis;Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi;2023-12-01