Tez No	İndirme	Tez Künye	Durumu
16779	Bu tezin, veri tabanı üzerinden yayınlanma izni bulunmamaktadır. Yayınlanma izni olmayan tezlerin basılı kopyalarına Üniversite kütüphaneniz aracılığıyla (TÜBESS üzerinden) erişebilirsiniz.	An Approach to knowledge representation with neural networks using an extended backpropagation learning para digm / Yazar:WALİD ABU-SALAMEH Danışman: DOÇ.DR. MEHMET R. TOLUN Yer Bilgisi: Orta Doğu Teknik Üniversitesi / Fen Bilimleri Enstitüsü Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Bilgi gösterimi = Information display ; Sinir ağları = Nerve net ; Uzman sistemler = Expert systems	Onaylandı Doktora İngilizce 1991 282 s.
ÖZET GELİŞTİRİLMİŞ GERİ YAYILMALI ÖĞRENME OLGUSUNU KULLANARAK NÖRON AĞLARIYLA BİLGİ GÖSTERİMİ İÇİN BİR YAKLAŞIM ABU-S ALAMEH, Walid Doktora Tezi, Bilgisayar Mühendisliği Bölümü Tez Danışmanı: Doç.Dr. Mehmet R.Tolun Yard. Tez Danışmanı : Yard. Doç.Dr. Marifi Güler Kasım 1991, 282 Sayfa Bu çalışmada, nöron ağlı bilgi tabanından kural-temelli geliştirim için yeni bir yöntemle birlikte yeni bir bilgi gösterim tekniği ve Yapay Nöron ağlarında bilgi işlenmesi ele alınmıştır. Ayrıca, geri yayılması öğrenme kuralına yeni bir ilave önerilmiş ve geliştirilen bu kural, nöron ağlı bilgi tabanını içeren bir uzman sistem görevini yapan bir ağın eğitimi için kullanılmıştır. Bu kuralının yakınsaklığını hızlandırmak amacıyla yakınsaklık zamanını çabuklaştıran yeni bir kural geliştirilmiştir. Bu yeni kural ile orjinal Bp'nin bir takım zorluklan giderilmiştir. Yeni kural hem daha iyi ağırlık değiştirimlerine hem de ağın daha önce öğrendiği örneklere olan tepkisini saklamasına dayanmaktadır. Sınıflandırma problemi, ağ mimarisi ve gereken eğitim verisinin nitelikleri arasındaki ilişkiyi anlatmak için bir çok örnek incelemiştir. Geliştirilmiş geri yayılma kuralını aslıyla karşılaştırma doğrultusunda çeşitli nöron ağı deneyleri tartışılmıştır.Ilk araştırmalar bu çalışmada sunulan yeni kuralın hesaplama zamanını azalttığını göstermiştir. Öte yandan bu teknik, nöron ağlı uzman sistem geliştirmek için, girdi örüntülerinin açık tanımının ne kadar gerekli olduğunu vurgulamıştır. Açıklama amacıyla, elde edilen ağdan EĞER-İSE kural geliştiriminin değişik kullanımları incelenmiş, ve bu kurallarla elde edilen ağ modelleri arasındaki ilişki araştırılmıştır. Değişik ağ modellerinde bu yaklaşım ile orjinal geri yayılma kuralı çeşitli nöron ağ problemleri üzerinde durularak, kapsamlı bir başarım karşılaştırması yapılmıştır. Anahtar Kelimeler : Yapay Nöron Ağları, Uzman Sistemler, Nöron Ağlı Uzman Sistemler, Geri Yayılma Kuralı, Kural ve Bilgi Gösterimi, Nöron Ağlı Çıkarım Mekanizması. Bilim Kodu: 619.01.03 vı
ABSTRACT AN APPROACH TO KNOWLEDGE REPRESENTATION WITH NEURAL NETWORKS USING AN EXTENDED BACKPROPAGATION LEARNING PARADIGM ABU-SALAMEH, Walid Ph.D. in Computer Engineering Supervisor: Assoc. Prof. Dr. Mehmet R. Tolun Co-Supervisor: Asst. Prof Dr. Mar if i Güler November 1991, 282 pages A new knowledge representation technique and information processing in Artificial Neural Networks is discussed together with a new method for rule-base generation from a connectionist knowledge-base. An extension to the Backpropagation learning rule(Bp) is proposed, and the modified version is used to train a network that serves as a rule-base for a connectionist knowledge-based expert system. In order to speed up the convergence of the Bp rule a new rule that speeds up the convergence time Is develpoed. The new rule overcomes the barriers of the original Bp. This rule depends on better weight modifications as well as it lets the network to keep the response on the previously learned example. iiiSeveral examples are investigated in order to express the relationship among the classification problem, the network architecture and the nature of the required training data. A number of well known neural network experiments are discussed for measuring the performance of modified backpropagation rule versus the original one. Preliminary investigations showed that the new rule addressed in this work reduces the number iterations required for training. However, the technique also demonstrated that accurate input description of the input patterns are required to build a connectionist expert system. Different treatments of the IF-THEN rule generation from the resultant network for the purposes of explanation are discussed, and the relationships between these rules and the resultant network topologies are investigated. Extensive performance study between this approach and the original backpropagation rule on various well known neural network problems is carried out on different network topologies. Key Words: Artificial Neural Networks, Expert Systems, Connectionist Expert Systems, Backpropagation Rule, Information and Knowledge Representation, Connectionist Inferencing Mechanism. Science Code: 619.01.03. iv