Affiliation:
1. NECMETTİN ERBAKAN ÜNİVERSİTESİ, FEN BİLİMLERİ ENSTİTÜSÜ
2. NECMETTİN ERBAKAN ÜNİVERSİTESİ, MÜHENDİSLİK VE MİMARLIK FAKÜLTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ
Abstract
Kar erime optimizasyonu (snow ablation optimizer, SAO) algoritması, karın erimesinden ilham alınarak 2023 yılında önerilen yeni bir metasezgisel algoritmadır. Bu çalışmada, yapay sinir ağının ağırlıklarının güncellenmesi amacıyla SAO algoritması ile hibrit bir model geliştirilmiştir. Geliştirilen hibrit model aggregation, balance, liver, pathbased ve wine adlı beş farklı veri seti üzerinde gri kurt, sürüngen arama, guguk kuşu ve sinüs kosinüs algoritmaları ile oluşturulan hibrit modeller ile karşılaştırılmıştır. Modellerin başarısını ölçmek için duyarlılık, özgüllük, kesinlik ve f1-puanı adı verilen dört farklı metrik kullanılmıştır. Modellerin her veri seti için başarı sıralaması ve tüm veri setleri için ortalama başarı sıralaması verilmiştir. Sonuçlar incelendiğinde, SAO modelinin tüm metrikler için wine veri setinde 2., diğer tüm veri setlerinde 1. olduğu görülmektedir. Ortalama başarı sırası açısından ise SAO modeli tüm metriklerde 1.2 değeri ile en iyi sonucu elde etmiştir. Ayrıca hibrit modellerin, eğitim aşamasındaki ortalama karesel hata değerlerinin yakınsama grafikleri çizdirilmiş ve SAO hibrit modelinin wine hariç diğer tüm veri setlerinde karşılaştırılan modellerden daha hızlı bir yakınsama performansına sahip olduğu gözlenmiştir. Son olarak popülasyondaki parçacık sayısının hibrit SAO modelinin başarısına etkisi analiz edilmiş ve birey sayısının 100 olması durumunda başarının arttığı gözlenmiştir.
Publisher
Cukurova Universitesi Muhendislik-Mimarlik Fakultesi Dergisi
Reference48 articles.
1. Turing, A.M., 2009. Computing Machinery and Intelligence. Springer.
2. 2. Öztemel, E., 2003. Yapay Sinir Ağlari. Papatya Yayincilik.
3. 3. Rosenblatt, F., 1958. The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain. Psychological review, 65(6), 386.
4. 4. Rumelhart, D.E., Hinton, G.E., Williams, R.J., 1986. Learning Representations by Back-Propagating Errors. Nature, 323(6088), 533-536.
5. 5. Ciregan, D., Meier, U., Schmidhuber, J., 2012. Multi-Column Deep Neural Networks for Image Classification. In 2012 IEEE Conference on Computer Vision and Pattern Recognition, Providence, RI, USA, 3642-3649.