Tez No	İndirme	Tez Künye	Durumu
276778		Yapay sinir ağlarının yapay arı kolonisi algoritması ile eğitilmesi / Training artificial neural networks with artificial bee colony algorithm Yazar:CELAL ÖZTÜRK Danışman: PROF. DR. DERVİŞ KARABOĞA Yer Bilgisi: Erciyes Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Sınıflandırma = Classification ; Tahmin = Estimation ; Yapay sinir ağları = Artificial neural networks	Onaylandı Doktora Türkçe 2011 205 s.
Yapay Sinir Ağları (YSA) biyolojik beyinin öğrenme ve bilgi saklamayeteneklerinin benzetilmeye çalışıldığı yapay zeka tekniğidir.YSA'da bilgileri depolayan bağlantı ağırlıkları nöronları paralel veardışık bir biçimde birleştirirler. Oldukça zor bir optimizasyonproblemi olan Yapay sinir ağlarının öğrenmesi süreci ağ yapısında kiağırlıklara uygun değerlerin bulunması işlemidir. Bir çok çalışmanınyapıldığı bu alanda ilk çalışmalar yerel en iyileştirme(optimizasyon) tekniklerine dayalı iken genel en iyileştiricialgoritmaların geliştirilmesi ile bu metodlar da yapay sinirağlarının eğitiminde yaygın olarak kullanılmaya başlanmıştır. Budoktora tez çalışmasında, yeni bir genel araştırma tekniği olan sürüzekasına dayalı Yapay Arı Kolonisi (ABC) algoritması YSA eğitimiiçin önerilmiş ve performansı geleneksel ve modern optimizasyonyöntemleriyle karşılaştırılarak analiz edilmiştir.Tez çalışmasında ABC algoritması toplama-birimli ileri beslemeli YSAeğitiminde temel üç test problemi için kullanılmış ve başarısı yerelve genel optimizasyon algoritmalarına karşı tartışılmıştır.Çarpım-birimli YSA modelleri girişlerin ağırlıklar kadarkuvvetlerinin birbirleriyle çarpılması ile nöronların çıkışlarınınhesaplandığı ağlardır. ABC algoritması tahmin amaçlı çarpım vetoplama birimli ileri beslemeli ağların eğitimi için uygulanmış veelde edilen sonuçlar tartışılmıştır.Çok katmanlı algılayıcılar (MLP), vektör kuantalamalı öğrenme (LVQ)ve radyal temelli fonksiyonlar (RBF) sınıflandırma çalışmalarındayaygın kullanılan YSA modelleridir. ABC algoritması, UCIveritabanından alınan dokuz farklı test probleminin bu ağlarlasınıflandırılması amaçlı deneysel olarak değerlendirilmiş veperformansı literatürde yer alan makine ögrenme algoritmalarınınperformansları ile karşılaştırılmıştır. Elde edilen sonuçlar ABC ileeğitilen YSA modellerinin üstün genelleştirme yeteneğini vesınıflandırma başarısını ortaya koymaktadır.
Artificial Neural Networks (ANN) are designed to emulate the storageand learning mechanisms within biological brains. The standard ANNmodel is based upon summation, calculating the net input as theweighted sum of the inputs. Finding the optimal weight set is thetraining phase and is considered as a difficult global optimizationtask, on which there is a strong research. Many training algorithms,most of which were local optimizers have been proposed so far toimprove the performance of neural networks. Global optimizationmethods are under continuous development and lately, they have beenstudied on training ANN's. In this PhD thesis, a new swarm based onArtificial Bee Colony algorithm is proposed to training neuralnetworks and analyzing the performance of the algorithm besides thewell-known conventional and modern optimization techniques.The performance of ABC algorithm is firstly tested for trainingsummation-unit feedforward neural networks on three basic benchmarkproblems and the success of the algorithm is studied against localand global optimizers. Product-unit networks are based onmultiplicative nodes instead of additive ones, where the nonlinearbasis functions express the possible strong interactions betweenvariables. ABC algorithm is then applied on two forecastingbenchmark problems to determine the weights of the product-unit andsummation-unit feedforward network models.Multilayer Feedforward Perceptron (MLP), Learning VectorQuantization (LVQ), and Radial Basis Functions (RBF) are mostlypreferred ANN models in classification problems. In this study,Artificial Bee Colony algorithm is used in training MLP, LVQ, RBFnetworks on nine classification benchmark problems from UCIdatabase. The results indicate better performance of ABC algorithmin terms of generalization as well as the classification error thanother machine-learning algorithms.