Yapay sinir ağlarında momentumlu dik iniş ve eşlenik gradyan eğitim algoritmalarının karşılaştırılması

Abstract

Bu tezde, tahmin ve sınıflandırma problemlerinde istatistik yöntemlere alternatif olarak önerilen geriye yayılım yapay sinir ağı (y.s.a.) eğitim algoritmaları incelenmiştir. Kuadratik hata fonksiyonunun minimizasyonu probleminde öğrenme oranı ve momentum faktörünün süreç boyunca sabit olduğu momentumlu gradyan azalan metodunda, algoritmanın yakınsak olduğu parametre aralıkları türetilmiştir. Optimum öğrenme oranı ve momentum faktörlerinin dağılımı rassal olarak üretilmiş problemler üzerinde gözlemlenmiştir. Öğrenme oranı ve momentum faktörünün süreç boyunca değişken olduğu durumda ise sistemin öz bileşenlerinin tavrı gözlemlenmiş ve belirli bir fiziksel sistemle benzerliği incelenmiştir. İncelenen eğitim algoritmaları güncel bir sınıflandırma problemi üzerinde bir simülasyon çalışmasıyla karşılaştırılmıştır. Çalışmada, nonobstrüktif azoospermi (ejakulatta sperm bulunmaması)' ye sahip erkeklerde testis biopsisine dayanan spermatozoa (sperm hücresi) tahmini için bir y.s.a. geliştirilmiştir. Eğitim algoritmaların performansları değerlendirilirken yakınsama süreleri, devir sayıları ve doğru sınıflandırma oranları dikkate alınmıştır.