matlab
Download
Skip this Video
Download Presentation
MATLAB

Loading in 2 Seconds...

play fullscreen
1 / 31

MATLAB - PowerPoint PPT Presentation


  • 285 Views
  • Uploaded on

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

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about ' MATLAB' - lacey-conley


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
matlab

MATLAB

NEURAL NETWORK TOOLBOX

VE UYGULAMALARI

yapay sinir a lar
Yapay Sinir Ağları
  • Yapay sinir ağları insan beyin hücresini (nöron) taklit etmeye çalışan matematiksel bir modeldir.
yapay sinir a lar1
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 a lar2
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 a lar3
Yapay Sinir Ağları

Yapay hücre modeli

  • Yapay sinir hücreleri, YSA’nın çalışmasına esas teşkil eden en küçük bilgi işleme birimidir
yapay sinir a lar4
Yapay Sinir Ağları

Yapay hücre modeli

  • P: Giriş vektörü
  • W: Ağırlık matrisi
  • n: Net giriş toplamı,
  • a: Hücrenin çıkışı
  • f(.): Aktivasyon fonksiyonu
yapay sinir a lar5
Yapay Sinir Ağları

Aktivasyon fonksiyonları

  • Hard-limit (eşik) aktivasyon fonksiyonu
yapay sinir a lar6
Yapay Sinir Ağları

Aktivasyon fonksiyonları

  • Sigmoid aktivasyon fonksiyonu
  • Pureline (Doğrusal) aktivasyon fonksiyonu
yapay sinir a lar7
Yapay Sinir Ağları

Aktivasyon fonksiyonları

  • Radial tabanlı (gauss) aktivasyon fonksiyonu
  • Hiperbolik tanjant (Tanh) aktivasyon fonksiyonu
yapay sinir a lar8
Yapay Sinir Ağları
  • Yapay sinir hücresinin matematiksel model örneği

Çalıştır

yapay sinir a lar9
Yapay Sinir Ağları

Yapay Sinir Ağları

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

yapay sinir a lar10
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 a lar11
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 a lar12
Yapay Sinir Ağları

Multi Layer Perceptrons – İleri yönde veri akışı

i.Hücrenin çıkışı

i.Hücre için net giriş toplamı

yapay sinir a lar13
Yapay Sinir Ağları

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 a lar14
Yapay Sinir Ağları

Multi Layer Perceptrons –

Hata geriye yayma (Backpropagation) yöntemi ile parametre güncelleme

yapay sinir a lar15
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 a lar16
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 a lar17
Yapay Sinir Ağları

Multi Layer Perceptrons –

Hata geriye yayma (Backpropagation) yöntemi ile parametre güncelleme

Eğer hücre saklı katman hücresi ise hesaplama :

yapay sinir a lar18
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

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 toolbox1
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 toolbox2
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 toolbox3
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 toolbox4
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 toolbox5
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 toolbox6
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 a lar19
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.

yapay sinir a lar20
Yapay Sinir Ağları

Neural Network ile Sistem tanımlama

yapay sinir a lar21
Yapay Sinir Ağları

Neural Network ile Ön çıkartımlı Sistem Kontrolü

yapay sinir a lar22
Yapay Sinir Ağları

Neural Network ile Sistem tanımlama ve kontrol örneği

ad