MAKALELER / Yapay Zeka-Yapay Sinir Ağları-Ağla Oluşan Zeka






Yapay Zeka-Yapay Sinir Ağları-Ağla Oluşan Zeka:

 

1--İnsan beyninin özelliklerinden olan öğrenme yolu ile yeni bilgiler türetebilme, yeni bilgiler oluşturabilme ve keşfedebilme gibi yetenekleri herhangi bir yardım almadan otomatik olarak gerçeklestirmek amacı ile geliştirilen bilgisayar sistemleridir.

 

2--Bu yetenekleri geleneksel programlama yöntemleri ile gerçekleştirmek oldukça zordur veya mümkun değildir.Bu nedenle, yapay sinir ağları bilim dalının, programlanması çok zor veya mümkün olmayan olaylar için geliştirilmiş adaptif bilgi işleme ile ilgilenen bir bilgisayar bilim dalıdır.

 

3--Yapay sinir ağları, olayların örneklerine bakmakta, onlardan ilgili olay hakkında genellemeler yapmakta, bilgiler toplamakta ve daha sonra hiç görmediği örnekler ile karşılaşınca öğrendiği bilgileri kullanarak o örnekler hakkında karar verebilmektedir.

 

4--1990 lı yıllardan beri bilgisayarların öğrenmesini sağlayan Yapay Sinir Ağları teknolojisinde oldukça hızlı bir gelişme gösterdi.Yapay sinir ağları, insan beyninin özelliklerinden olan öğrenme yolu ile yeni bilgiler üretebilme, yeni bilgiler oluşturabilme ve keşfedebilme gibi yetenekleri herhangi bir yardım almadan otomatik olarak gerçekleştirmek amacı ile geliştirilen bilgisayar sistemleri olduklarından hem yeni gelişmelere neden oldular hem de nasıl çalıştığı bilinmeyen insan beyni hakkında yapılan araştırmalara da önemli katkılar sağladılar ve sağlamaktadırlar.

 

5--Yapay Sinir Ağları-(YSA), basit biyolojik sinir sisteminin çalışma seklini simüle etmek için tasarlanan programlardır. Simüle edilen sinir hücreleri (nöronlar) içerirler ve bu nöronlar çeşitli şekillerde birbirlerine bağlanarak ağı olustururlar. Bu ağlar öğrenme, hafızaya alma ve veriler arasmdaki ilişkiyi ortaya çıkarma kapasitesine sahiptirler.

 

5.1--Diger bir ifadeyle, YSA'lar, normalde bir insanın; düşünme ve gözlemlemeye yönelik doğal yeteneklerini gerektiren problemlere çözüm üretmektedir. Bu ise insan beyninin ve dolayısıyla insanın sahip olduğu yaşayarak veya deneyerek öğrenme yeteneğidir

 

5.2--Biyolojik sistemlerde öğrenme, nöronlar arasındaki sinaptik bağlantıların ayarlanması ile olur. Yani, insanlar doğumlarından itibaren bir yaşayarak öğrenme süreci içerisine girerler. Bu süreç içinde beyin sürekli bir gelişme göstermektedir. Yaşayıp tecrübe ettikge sinaptik bağlantılar-YSA da ağırlıkların ayarlanması- her defasında yeniden ayarlanır ve hatta yeni bağlantılar oluşur.Bu süreç nöronuyla beraber ağın öğrenmesidir.


5.2.1--Yapay zekada ağın öğrenmesi konusu hala bir bilinmeyendir.Yani nasıl doğruya çok yakın bir çıkarsama nasıl sağlanıyor. Bu konuda şöyle bir yorum yapılabilir.Mühendislikte sayısal değerlere arasında enterpolasyon yapılabilmekte.Belki yapay sinir ağları bir nevi çok boyutlu-diyelim 20 boyutlu olarak değerlere arasında enterpolasyon yaparak sonuca ulaşmakta.Zira bunun kanıtı ağın eğitilmesinde yanlış set değerleri girildiğinde yanlış sonuç üretebilmesidir.Zira ağı nasıl eğitirseniz öyle sonuç alırsınız.

 

5.3--Bu durum YSA için de geçerlidir. Ögrenme, eğitme yoluyla örnekler kullanarak olur; başka bir deyisle, gerçeklesme girdi/çıktı verilerinin işlenmesiyle, yani eğitme algoritmasının bu verileri kullanarak bağlantı ağırlıklarını bir yaknnsama-değere yaklaşma sağlanana kadar, tekrar tekrar ayarlamasıyla olur.

 

6--YSA'lar, ağılıklandırılmış şekilde birbirlerine bağlanmis bir çok işlem elemanlarından (nöronlar) oluşan matematiksel sistemlerdir. Bir işlem elemanı aslında sık sık transfer fonksiyonu olarak anılan bir denklemdir. Bu işlem elemanı diger nöronlardan sinyalleri alır; bunları birleştirir,dönüştürür ve sayısal bir sonuç ortaya çıkartır.

 

6.1--Genelde, işlem elemanları kabaca gerçek nöronlara karşılık gelirler ve bir ağ içinde birbirlerine bağlanırlar; bu yapı da sinir ağlarını oluşturmaktadır.

 

6.2--Sinirsel (neural) hesaplamanın merkezinde dağıtılmış, adaptif ve doğrusal olmayan işlem kavramları vardır. YSA'lar, geleneksel işlemcilerden farklı şekilde işlem yapmaktadırlar.

 

6.2.1--Geleneksel işlemcilerde, tek bir merkezi işlem elemanı her hareketi sırasıyla gerçeklestirir.YSA'lar ise herbiri büyük bir problemin bir parçası ile ilgilenen, çok sayıda basit işlem elemanlarından oluşmaktadir. En basit şekilde, bir işlem elemanı bir girdiyi bir ağırlık etkisi ile ağırlıklandırır, dogrusal olmayan bir şekilde dönüşümünü sağlar ve bir çıktı değeri oluşturur.

 

6.2.2—İşlem elemanlarının çalışma şekli yanıltıcı şekilde basittir. Sinirsel hesaplamanın gücü, toplam işlem yükünü paylaşan işlem elemanlarının birbirleri arasındaki yoğun bağlantı yapısından gelmektedir.Çoğu YSA'da, benzer karakteristiğe sahip nöronlar tabakalar halinde yapılandırılırlar ve transfer fonksiyonları eş zamanlı olarak çalıştırılırlar.

 

6.2.3--Hemen hemen tüm ağlar, veri alan nöronlara ve ileti üreten noronlara sahiptirler.

YSA'nın ana öğesi olan matematiksel fonksiyon, ağın mimarisi tarafından şekillendirilir. Daha açık bir şekilde ifade etmek gerekirse, fonksiyonun temel yapısını ağılıklarının büyükluğü ve işlem elemanlarının işlem şekli belirler. 

YSA'larm davranışları, yani girdi veriyi çıktı veriye nasıl ilişkilendirdikleri, ilk olarak nöronlarını transfer fonksiyonlarından, nasıl birbirlerine bağlandıklarından ve bu bağlantılarını ağırlıklarından etkilenir.

 

6.3—Yorum:Kısaca doğa ve yaradılış insan beyninine zeka çözümlerini ağ sistemli nöronal sistemle-merkezi olmayan-non lineer bir yapı ile çözmüştür denilebilir mi.

 

7--Yapay Sinir Ağlarının Türleri:


1--Özdüzenleyici Haritalar (Self-Organizing Maps (SOM))


2--Katmanlı Sinir Ağları (Convolutional Neural Networks)


3--Radial Basis Function (RBF) Network -İleri Beslemeli Sinir Ağları (Feedforward Neural Networks (FFNN))


4--Yinelenen Sinir Ağları(Recurrent Neural Networks (RNN))

 

8--Yapay Sinir Ağları ile Ilgili Kavramlar ve Algoritmalar


1--Hebb Kuralı veya Öğremesi (Hebb Rule / Hebbian Learning)

2--PerceptronEH


3--Perceptron LearningBl

4--AdalineBl and MadalineEB


5--Adaptive Resonance Theory (ART)

6--Back-Propagation (BP)


7--Bi-Directional Associative Memory

8--Boltzman Machine


9--Brain-State-in-a-Box

10--Cascade-Correlation Networks


11--Counter-Propagation

12--Functional-link Networks


13--Hamming Networks

14--Hopfield Networks


15--Learning Vector Quantization (LVQ)

16--Destek Vektor Makinesi (Support Vector Machine (SVM))


17--Neocognitron

18--Khonen Ağları (Kohonen Networks)


19--Probabilistic Networks

20--Recirculation Networks

 

 

9-- Yapay Sinir Ağlarına Genel Bir Bakış-Bilgi:

 

1--Yapay sinir ağları (YSA), insan beyninin özelliklerinden olan öğrenme yolu ile yeni bilgiler türetebilme, yeni bilgiler oluşturabilme ve kesfedebilme gibi yetenekleri, herhangi bir yardim almadan otomatik olarak gerfeklestirebilmek amaci ile gelistirilen bilgisayar sistemleridir.

 

2--Insan beyninin çalışma prensibini taklit ederek çalışan bu sistemler, mili saniyeler mertebesindeki işlen hızları ile işlem yapan insan beyninin işlevselliğinin henüz çok uzağında-ilkel kalmaktadır.insan beyninde yaklasik 10" sinir hücresinin varlığından bahsedilmekle birlikte, bu sayının bilgisayar ortamında modellenmesi şu an için mümkün görünmemektedir.

 

10--YSA'lann Genel     Özellikleri:

 

1--YSA'lar, uygulanan ağ modeline göre değişik karakteristik özellikler göstermelerine karşın temel birkaç ortak özellige sahiptirler.


1.1-- YSA'larda sistemin paralelliği ve toplamsal işlevin yapısal olarak dağılmışlığıdır.

 

1.1.1--YSA lar bir çok nörondan meydana gelir ve bu nöronlar eş zamanlı olarak çalışarak karmaşık işlevleri yerine getirir. Diger bir değişle karmasik işlevler bir çok nöronun eş zamanlı çalışması ile meydana getirilir. Süreç içerisinde bu nöronlardan her hangi biri işlevini yitirse dahi sistem güven sınırları içerisinde çalışmasına devam edebilir.

 

1.2--Genelleme yeteneği:Diger bir değişle ağ yapısının eğitim esnasında kullanılan nümerik bilgilerden eşlestirmeyi betimleyen kaba özellikleri çıkarsaması ve böylelikle eğitim sırasında kullanılmayan girdiler için de, anlamlı yanıtlar üretebilmesidir.

 

1.3--Ağ fonksyonları non-lineer olabilmektedir. Yapı üzerinde dağılmış belli tipteki non-lineer alt birimler özellikle, istenen eşleştirmenin denetim ya da tanımlama işlemlerinde olduğu gibi non-lineer olması durumunda işlevin doğru biçinde yerine getirilebilmesini matematiksel olarak olası kılarlar.

 

1.4--Sayısal ortamda tasarlanan YSA'ların, donanımsal gerçeklestirilebilirlikleridir. Bu özellik beklide YSA'larin günlük hayatta daha da fazla yaşamımızın içine gireceğinin (girebileceğinin) göstergesidir.

 

1.5-- YSA'lar da herbiri büyük bir problemin bir parcasi ile ilgilenen, çok sayıda basit işlem birimlerinden oluşmaktadır. En basit şekilde, bir işlem birimi, bir girdiyi bir ağırlık kümesi ile ağırlıklandırır, dogrusal olmayan bir şekilde donüşümünü sağlar ve bir çıktı değeri oluşturur.


1.6--Sinirsel hesaplanın gücü, toplam işlem yükünü paylasan işlem birimlerinin birbirleri arasındaki yoğun bağlantı yapısından gelmektedir. Bu sistemlerde geri yayılım metoduyla daha sağlıklı öğrenme sağlanmaktadır.


1.6.1--Çoğu YSA'da, benzer karakteristiğe sahip noronlar tabakalar halinde yapılandırılırlar ve transfer fonksiyonları eş zamanlı olarak çalıştırılırlar. Hemen hemen tüm ağlar, veri alan nöronlara ve çıktı üreten nöronlara sahiptirler.


1.6.2--YSA'mn ana öğesi olan matematiksel fonksiyon, ağın mimarisi tarafından şekillendirilir. Daha açık bir şekilde ifade etmek gerekirse, fonksiyonun temel yapısını ağırlıkların büyüklüğü ve işlem elemanlarnın işlem şekli belirler.


1.6.3--YSA'ların davranışları, yani girdi veriyi çıktı veriye nasil ilişkilendirdikleri, ilk olarak nöronlarm transfer fonksiyonlarından, nasıl birbirlerine bağlandıklarından ve bu baglantıların ağırlıklarmdan etkilenir.

 

 

11-- YSA'larin Avantaj ve Dezavantajları:

 

1--YSA'lar makina ögrenmesi gerçeklestirebilirler. Yapay sinir ağlarının temel işlevi zaten bilgisayarın-donanımın işlevsel hale getirilmesi ögrenmesini sağlamaktir. Olaylan öğrenerek benzer olaylar karşısında mantıklı kararlar verebilirler.

 

2--Bilgi işleme yöntemleri geleneksel programlamadan farklıdır.Bu nedenle geleneksel programlamanın getirdigi bir çok olumsuzluk ortadan kaldırılabilir.

 

3--Bilgiler ağın tamamında saklanır.-Halografik karaktere yakınlık. Geleneksel programlamada oldugu gibi bilgiler veri tabanları yada dosyalarda belli bir düzende tutulmaz, ağın tamamına yayılarak değerler ile ağ baglantılarında saklanmaktadır. Nöronlardan bazılarının işlevini yitirmesi, anlamlı bilginin kaybolmasına neden olmaz.

 

4--Örnekleri kullanarak öğrenirler. YSA'mn öğrenebilmesi için örneklerin belirlenmesi, bu örneklerin ağa gosterilerek istenen çıktılara göre ağın eğitilmesi gerekmektedir. Ağın başarısı seçilen örnekler ile doğru orantılıdır.ABD de hukuk davalarında beyazlara göre eğitilen ağ zenci asıllı vatandaşlar için uygun olmayan sonuçlar üretebilmekte.Ağa olay bütün yönleri ile gösterilemezse ağ yanlış çıktılar üretebilir.

 

5--Daha önce görülmemiş örnekler hakkında bilgi üretebilirler. YSA'lar eğitimleri sırasında kendilerine verilen örneklerden genellemeler çıkarırlar ve bu genellemeler ile yeni örnekler hakkında bilgi üretebilirler.

 

6--Algılamaya yönelik olaylarda kullanılabilirler.YSA'ların en başarılı oldukları alanlar, algılamaya yönelik uygulama alanlarıdır.Bu alanlarda başarıları kanıtlanmıştır.

 

7--Örüntlü (pattern) ilişkilendirme ve sınıflandırma yapabilirler. YSA'lar kendilerine örnekler halinde verilen örüntüleri kendisi veya diğerleri ile ilişkilendirebilir. Ayrıca kendisine verilen örneklerin kümelenmesi ile, bir sonraki verinin hangi kümeye dahil olacağına karar verilmesi konusunda kullanılabilirler.

 

8--Örüntü tamamlama yapabilirler. Ağa eksik bilgileri içeren örüntüler verildiğinde eksik bilgilerin tamamlanması konusunda başarılıdırlar.


10--Kendi kendine öğrenebilme ve organize etme yetenekleri vardır. YSA'lar online olarak öğrenebilirler ve kendi kendilerini eğitebilirler.

 

10.1--Eksik bilgi ile çalışabilmektedirler. Geleneksel sistemlerin aksine YSA'lar eğitildikten sonra veriler eksik bilgi içerse dahi, çıktı üretebilirler. Bu durum bir performans kaybı yaratmaz, performans kaybı eksik bilginin önemine bağlıdır.Burada bilgilerin önem dereceleri eğitim sırasında öğrenilir.

 

10.2--Hata toleransına sahiptirler.YSA'ların eksik bilgilerle çalışabilmeleri ve bazı hücreleri bozulsa dahi çalışabilmeleri, onları hatalara karşı toleranslı yapar.

 

10.3--Dereceli bozulma (Graceful degradation) gösterirler. Bir ağ, zaman içerisinde yavaş ve göreceli bir bozulmaya uğrar. Ağlar problemin ortaya çıktığı anda hemen bozulmazlar.

 

10.4--Dağıtık belleğe sahiptirler. YSA'larda bilgi ağa dağılmış bir şekilde tutulur. Hücrelerin bağlantı ve ağırlık dereceleri, ağın bilgisini gösterir. Bu nedenle tek bir bağlantının kendi başına anlamı yoktur.

 


11—YSA ların Dezavantajları:

 

11.1—Donanıma bağımlıdır.YSA'ların en önemli sorunu donanıma bağımlı olmalarıdır.

 

11.2--YSA'ların en önemli özellikleri ve var oluş nedenlerinden birisi olan paralel işlem yapabilme yeteneği, paralel çalışan işlemciler ile performans gösterir.

 

11.3--Uygun ag yapısının belirlenmesinde belli bir kural yoktur. YSA'larda probleme uygun ağ yapısının belirlenmesi için geliştirilmis bir kural yoktur. Uygun ağ yapısı deneyim ve deneme yanılma yolu ile belirlenmektedir.

 

11.4—Agın parametre değerlerinin belirlenmesinde belli bir kural yoktur. YSA'larda öğrenme katsayısı,hücre sayısı, katman sayısı gibi parametrelerin belirlenmesinde belirli bir kural yoktur. Bu değerlerin belirlenmesi için belirli bir standart olmamakla birlikte her problem için farklı bir yaklaşım söz konusu olabilmektedir.

 

11.5--Ögrenilecek problemin ağa gösterimi önemli bir problemdir. YSA'lar numerik bilgiler ile çalışabilmektedirler. Problemler YSA'lara tanıtılmadan önce nümerik değerlere çevrilmek zorundadırlar. Burada belirlenecek gösterim mekanizması ağın performansını doğrudan etkileyecektir. Bu da kullanıcının yeteneğine bağlıdır.

 

11.6—Ağın eğitiminin ne zaman bitirilmesi gerektigine ilişkin belli bir yöntem yoktur.Ağın örnekler üzerindeki hatasının belirli bir değerin altına indirilmesi eğitimin tamamlandığı anlamına gelmektedir. Burada optimum neticeler veren bir mekanizma henüz yoktur ve YSA ile ilgili araştırmaların önemli bir kolunu oluşturmaktadır.

 

11.7—Ağın davranışları açıklanamamaktadır. Bu sorun YSA'larm en önemli sorunudur. YSA bir probleme çözüm ürettiği zaman, bunun neden ve nasıl olduğuna ilişkin bir ipucu vermez. Bu durum ağa olan güveni azaltıcı bir unsurdur.

 


11.8--Geleneksel Algoritmalar-Yapay Sinir Ağları


1--Çıkışlar, koyulan kurallara girişlerin uygulanması ile elde edilir.


1.1--Öğrenme esnasmda giris çıkış bilgileri verilerek, kurallar koyulur.


2--Hesaplama; merkezi, eş zamanlı ve ardışıldır.


2.1--Hesaplama; toplu, eş zamansız ve öğrenmeden sonra paraleldir.


3--Bellek paketlenmiş ve hazır bilgi depolanmıştır.


3.1--Bellek ayrılmış ve aga yayılmıştır.Dahilidir.


4--Hata toleransı yoktur.


4.1--Hata toleransi vardır.


5--Nisbeten hızlıdır.


5.1--Yavaş ve donanıma bağımlıdır.


6--Bilgiler ve algoritmalar kesindir.


6.1--Deneyimden yararlamr.

 

12--Yapay sinir ağları başlıca; Sınıflandırma, Modelleme ve Tahmin uygulamaları olmak üzere, pek çok alanda kullanılmaktadır. Başarılı uygulamalar incelendiğinde, YSA'ların çok boyutlu,gürültülü,karmaşık, kesin olmayan, eksik, kusurlu, hata olasılığı yüksek sensör verilerinin olması ve problemi çözmek için matematiksel modelin ve algoritmaların bulunmadığı, sadece örneklerin var olduğu durumlarda yaygın olarak kullanıldıkları görülmektedir. Bu amaçla geliştirilmiş ağlar genellikle şu fonksiyonları gerçekleştirmektedirler


1--Muhtemel fonksiyon kestirimleri


2--Sınıflandırdırma


3--İlişkilendirme veya örüntü eşleştirme

4--Zaman serileri analizleri


5--Sinyal filtreleme


6--Veri sıkıştırma


7--Örüntü tanıma


8--Doğrusal olmayan sinyal işleme


9--Dogrusal olmayan sistem modelleme


10--Optimizasyon


11--Kontrol

 

12--YSA'lar pek çok sektörde değişik uygulama alanlan bulmuştur. Bunlardan bazıları

 

1--Uzay: Uçuş, simülasyonlan, otomatik pilot uygulamaları, komponentlerin hata denetimleri


2--Otomotiv: otomatik yol izleme, rehber, garanti aktivite analizi, yol koşullarına göre sürüş analizi vs.


3--Bankacılık:kredi uygulamaları geliştirilmesi, müşteri analizi ve kredi müraacat degerlendirilmesi,bütçe yatırım tahminleri vs.


4--Savunma: silah yönlendirme, hedef seçme, radar, sensör sonar sistemleri, sinyal işleme, görüntü işleme vs.


5--Elektronik: kod sırası öngörüsü, çip bozulma analizi, non-lineer modelleme vs.


6--Eğlence: animasyonlar, özel efektler, pazarlama öngorüsü vs.


7--Finans: kıymet biçme, pazar performans analizi, bütçe kestirimi, hedef belirleme vs.


8--Sigortacılık: ürün optimizasyonu, uygulama politikası geliştirme vs.


9--Üretim: üretim işlem kontrolü, ürün dizaynı, makina yıpranmalarının tespiti, dayanıklılık analizi,kalite kontrolü, iş çizelgeleri hazırlanması vs.


10--Sağlık: göğüs kanseri erken teşhis ve tedavisi, EEG, ECG, MR, kalite artırımı, ilaç etkileri analizi, kan analizi sınıflandırma, kalp krizi erken teşhis ve tedavisi vs.


11--Petro kimya: arama, verim analizi vs.


12--Robotik: yörünge kontrol, forklift robotları, görsel sistemler, uzaktan kumandalı sistemler,optimum rota belirleme vs.


12--Dil: sözcük tanıma, yazı ve konuşma çevrimi, dil tercüme vs.


13--Telekomünikasyon: görüntü ve data karşılaştırma, filtreleme, eko ve gürültü sönümlendirilmesi, ses ve görüntü işleme, trafik yoğunlugunun kontrolü ve anahtarlama vs.


14--Güvenlik: parmak izi tanıma, kredi kartı hileleri saptama, retina tarama, yüz eşleştirme

 

15--YSA'ların Tarihçesi:

 

1--YSA'lar ile ilgili çalışmalar 20, yy'in ilk yarısında başlamış ve günümüze kadar büyük bir hızla devam etmiştir. Bu çalışmaları 1970 öncesi ve sonrası diye iki kısma ayırmak mümkündür. Zira 1970 yılları YSA için bir dönüm noktası teşkil etmiş, daha önce aşılması imkansız görünen pek çok problem bu dönemlerde aşılmıştır.

 

2--İlk yapay sinir ağı modeli 1943 yilmda, bir sinir hekimi olan Warren McCulloch ile bir matematikci olan Walter Pitts tarafmdan gerçekleştirilmiştir. McCvilloch ve Pitts, insan beyninin hesaplama yeteneğinden esinlenerek, elektrik devreleriyle basit bir sinir ağı modellemişlerdir.

 

3--1948 yılında "Wiener "Cybernetics" isimi kitabında, sinirlerin çalışması ve davranış özelliklerine değinmiş, 1949 yılında ise Hebb "Organization of Behavior" adli eserinde öğrenme ile ilgili temel teoriyi ele almıştır.

 

3.1--Hebb kitabında öğrenebilen ve uyum sağlayabilen sinir ağları modeli için temel oluşturacak "Hebb kuralı"nı ortaya koymuştur. Hebb kuralı; sinir ağının bağlantı sayısı değiştirilirse,öğrenebileceğini ön görmekteydi.

 

4--1957 yılında Frank Rosenblatt'm Perceptron'u gelistirmesinden soma, YSA'lar ile ilgili çalışmalar hız kazanmıştır. Perceptron; beyin işlevlerini modelleyebilmek amacıyla yapılan çalışmalar neticesinde ortaya çıkan tek katmanlı eğitilebilen ve tek çıkışa sahip bir ağ modelidir.

 

5—1959 yılında Bernand Widrow ve Marcian Hoff (Stanford Universitesi) ADALINE (Adaptive Linear Neuron) modelini geliştirmişler ve bu model YSA'larm mühendislik uygulamaları için başlangıç kabul edilmiştir. Bu model Rosenblatt'm Perceptron'una benzemekle birlikte, öğrenme algoritması daha gelişmiştir.

 

5.1--Bu model uzun mesafelerdeki telefon hatlarında yankılanan ve gürültüleri yok eden bir adaptif filtre olarak kullanılmış ve gerçek dünya problemlerine uygulanan ilk YSA olma özelliğini kazanmıştır.Bu yöntem günümüzde de aynı amaçla kullanılmaktadır.

 

6—1960 ların sonlarına doğru YSA çalışmaları durma noktasma gelmiştir. Buna en önemli etki; Minsky ve Pappert tarafmdan yazılan Perceptrons adlı kitaptır. Burada YSA'larını doğrusal olmayan problemleri çözemediği meşhur XOR problemi ile ispatlanmış, ve YSA çalışmaları bıçak gibi kesilmiştir.

 

7--Tüm bunlara ragmen Anderson, Amari, Cooper, Fukushima, Grossberg, Kohonen, Hopfield gibi bilim adamlan çalışmalarını sürdürmüşler, 1972 de Kohonen ve Anderson Associative memory konusunda benzer çahşmalar yayınlamışlardır. Kohonen daha sonra 1982 yilmda Kendi kendine Ogrenme Nitelik Haritaları (Self Organizing Feature Maps SOM) konusundaki çalışmasını Yapay sinir ağlarının üstünlüklerinin yanı sıra bazı sakıncları da vardır. Bu sakıncalar şu sekilde listelenebilir:

1--Sistem içerisinde ne olduğu bilinemez.


2--Bazı ağlar hariç kararlılık analizleri yapılamaz.


3--Farklı sistemlere uygulanması zor olabilir.

 

Kaynak:

1--Öztemel Ercan, Yapay Sinir Ağları, Papatya Yayıncılık, Istanbul, 2003

2--Efe M. O., Kaynak O. Yapay Sinir Ağları ve Uygulamaları,Bogaziçi Universitesi,

3--Elmas C., Yapay Sinir Alan Kuram, Mimari, Eğitim, Uygulama,Sefkin Yayıncılık, Ankara 2003





Makalenin İzlenme Sayısı : 1032

Eklenme Tarihi : 05.08.2019

Önceki sayfaya geri dön.