Show/Hide Menu
Hide/Show Apps
Logout
Türkçe
Türkçe
Search
Search
Login
Login
OpenMETU
OpenMETU
About
About
Open Science Policy
Open Science Policy
Open Access Guideline
Open Access Guideline
Postgraduate Thesis Guideline
Postgraduate Thesis Guideline
Communities & Collections
Communities & Collections
Help
Help
Frequently Asked Questions
Frequently Asked Questions
Guides
Guides
Thesis submission
Thesis submission
MS without thesis term project submission
MS without thesis term project submission
Publication submission with DOI
Publication submission with DOI
Publication submission
Publication submission
Supporting Information
Supporting Information
General Information
General Information
Copyright, Embargo and License
Copyright, Embargo and License
Contact us
Contact us
Elman Ağının Benzetilmiş Tavlama Algoritması Kullanarak Eğitilmesi
Date
2003-10-01
Author
Kalınlı, Adem
Metadata
Show full item record
Item Usage Stats
313
views
0
downloads
Cite This
Yaygın olarak kullanılan geribeslemeli yapay sinir ağlarından birisi Elman ağıdır. Son yıllarda Elman ağı ve geliştirilmiş modelleri sistem kimliklendirme uygulamalarında sıkça kullanılmaktadır. Orijinal Elman ağı ve geliştirilmiş modelleri ileribesleme ve geribesleme bağlantılarına sahiptir. Ancak, bu ağlar temelde ileribeslemeli ağlar gibi standart geriyayılım algoritması ile eğitilmekte, geribesleme bağlantıları ise sabit kalmaktadır. Eğitme başarısı için, geribesleme bağlantılarının doğru değerde seçilmesi önemlidir. Bununla beraber, bu değerler uzunca bir deneme yanılma işlemiyle belirlenmektedir. Bu makalede benzetilmiş tavlama algoritmasının sistem kimliklendirme amacıyla Elman ağını eğitmede kullanılması tanımlanmıştır. Benzetilmiş Tavlama algoritması, ileribesleme ve geribesleme bağlantılarının her ikisi için optimal ağırlık değerlerini sağlayabilecek, etkili bir rasgele araştırma algoritmasıdır.
Subject Keywords
Geribeslemeli sinir ağları
,
Elman ağı
,
Benzetilmiş tavlama
,
Dinamik sistem kimliklendirme
,
Recurrent neural networks
,
Simulated annealing
,
Elman network
,
Dynamic system identification
URI
https://hdl.handle.net/11511/72401
https://dergipark.org.tr/en/download/article-file/236686
Journal
Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi
Collections
Other, Article
Suggestions
OpenMETU
Core
Elman ağının simulated annealing algoritması kullanarak sistem kimliklendirme için eğitilmesi
Kalınlı, Adem (2002-04-01)
Elman ağı geribeslemeli yapay sinir ağlarının özel bir türüdür. Elman ağının ileribesleme bağlantıları, ileribeslemeli ağlar gibi yalın geriyayılım algoritması ile eğitilmekte, geribesleme bağlantıları ise sabit kalmaktadır. Geribesleme bağlantılarının uygun değerlerde seçilmesi, eğitmenin başarısı için önemlidir. Ancak, bu değerlerin belirlenmesi uzunca bir deneme yanılma işlemiyle olabilmektedir. Bu çalışmada, Simulated annealing (SA) algoritmasının, dinamik sistemlerin kimliklendirilmesi amacıyla Elman a...
SWIM : a new multicast routing algorithm for wireless networks
Akyürek, Alper Sinan; Uysal Bıyıkoğlu, Elif; Department of Electrical and Electronics Engineering (2011)
In this work, a new multicast routing algorithm for wireless networks is presented. The algorithm, called SWIM (Source-initiated WIreless Multicast), is a depth-optimal multicast tree formation algorithm. SWIM is fully distributed and has an average computational complexity of O(N 2 ). SWIM forms a shared tree from the source(s) to destinations; yet, as a by-product, it creates a multicast mesh structure by maintaining alternative paths at every tree node. This makes SWIM suitable for both ad hoc networks a...
Attack Independent Perceptual Improvement of Adversarial Examples
Karlı, Berat Tuna; Temizel, Alptekin; Department of Information Systems (2022-12-23)
Deep Neural networks (DNNs) are used in a variety of domains with great success, however, it has been proven that these networks are vulnerable to additive non-arbitrary perturbations. Regarding this fact, several attack and defense mechanisms have been developed; nevertheless, adding crafted perturbations has a negative effect on the perceptual quality of images. This study aims to improve the perceptual quality of adversarial examples independent of attack type and the integration of two attack agnostic t...
Improving Perceptual Quality of Spatially Transformed Adversarial Examples
Aydın, Ayberk; Temizel, Alptekin; Department of Modeling and Simulation (2022-8)
Deep neural networks are known to be vulnerable to additive adversarial perturbations. The amount of these additive perturbations are generally quantified using Lp metrics over the difference between adversarial and benign examples. However, even when the measured perturbations are small, they tend to be noticeable by human observers since Lp distance metrics are not representative of human perception. Spatially transformed examples work by distorting pixel locations instead of applying an additive perturba...
Adaptive neuro fuzzy inference system applications in chemical processes
Güner, Evren; Özgen, Canan; Leblebicioğlu, Kemal; Department of Chemical Engineering (2003)
Neuro-Fuzzy systems are the systems that neural networks (NN) are incorporated in fuzzy systems, which can use knowledge automatically by learning algorithms of NNs. They can be viewed as a mixture of local experts. Adaptive Neuro-Fuzzy inference system (ANFIS) is one of the examples of Neuro Fuzzy systems in which a fuzzy system is implemented in the framework of adaptive networks. ANFIS constructs an input-output mapping based both on human knowledge (in the form of fuzzy rules) and on generated input-out...
Citation Formats
IEEE
ACM
APA
CHICAGO
MLA
BibTeX
A. Kalınlı, “Elman Ağının Benzetilmiş Tavlama Algoritması Kullanarak Eğitilmesi,”
Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi
, pp. 28–37, 2003, Accessed: 00, 2021. [Online]. Available: https://hdl.handle.net/11511/72401.