Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Bitirme Projesi Sunumu
1. YAKIT EKONOMİSİ ANALİZİNDE YAPAY SİNİR AĞLARI YAKLAŞIMININ MATLAB NNTOOL VE NEURO SOLUTION PROGRAMLARI İLE UYGULANMASI VE PERFORMANS KARŞILAŞTIRMASI M.EMRE KILIÇ
2. BİYOLOJİK SİNİR SİSTEMİ 1/22 Yapay sinir ağları biyolojik sinir ağlarının modellemesi olduğundan, yapay sinir ağlarının çalışmasını anlayabilmek için öncelikle biyolojik sinir sisteminin ve biyolojik sinir hücresinin yapısına bakmak gerekir. Biyolojik sinir sisteminin yapı taşı olan sinir hücreleri (nöronlar), yapay sinir ağlarının da yapı taşıdır.
3.
4. 3/22 DENTRİT (DENDRİTE) : Girdi sinyallerini alır ÇEKİRDEK (SOMA) : Girdi sinyallerini işler AKSON (AXON) : Girdi sinyallerini çıktı sinyallerine çevirir BAĞLANTI (SYNAPSE ) : Nöronlar arasındaki elektrokimyasal teması sağlar
5.
6. 4/22 YAPAY SİNİR AĞLARI (YSA) Yapay sinir ağları (YSA), biyolojik sinir sisteminin çalışma şeklini simüle ederek (benzeterek) elektronik ortama taşımayı hedefleyen bir programlama yaklaşımıdır. Diğer bir deyişle insan beyninin bilgi işleme teknolojisinden esinlenerek geliştirilmiş bir bilgi işlem teknolojisidir.
7. 5/22 YAPAY SİNİR HÜCRESİ YSA’ları oluşturan temel elemanlar yapay sinir hücreleri yani yapay nöronlardır. Bu nöronlar arasında bağlantılar oluşturularak ve tabakalar halinde gruplandırılarak yapay sinir ağları oluşturulmaktadır.
8. 6/22 YAPAY SİNİR HÜCRESİNİN MATEMATİKSEL BİR ÖRNEĞİ Hücreye gelen NET bilgi, ağırlıklı toplam alınarak şu şekilde hesaplanır; NET= 0.5 * (-0.2) + 0.6 * 0.6 + 0.2 * 0.2 + 0.7 (-0.1) NET= -0.1 + 0.36 + 0.04 - 0.07 NET= 0.23 Hücrenin sigmoidfonksiyonuna göre çıktısı (Ç) hesap edilir ise; Ç= 1/(1+e-0.23) Ç= 0.56
9. BİYOLOJİK VE YAPAY SİNİR SİSTEMİNİN KARŞILAŞTIRILMASI 7/22 Biyolojik Sinir Sistemi Nöron Dentrit HücreGövdesi Aksonlar Sinapslar Yapay Sinir Sistemi İşlemcieleman Girdiler Transfer Fonksiyonu Yapaynöronçıkışı Ağırlıklar
33. HEDEF DEĞERLERİ VE NEURO SOLUTION PROGRAMINDA ELDE EDİLEN DEĞERLERİN KARŞILAŞTIRILMASI 18/22
34. HEDEF DEĞERLERİ VE MATLAB PROGRAMINDA ELDE EDİLEN DEĞERLERİN KARŞILAŞTIRILMASI 19/22 Çıktı Değeri Veri Sayısı
35. PİK DEĞERLERİNİN VERİ SETİNDEN ÇIKARILMASI SONUCU OLUŞAN GRAFİK 20/22 Çıktı Değeri Veri Sayısı
36. 21/22 SİMÜLASYON input(:,275)=[8;302;139;3570;12.8;78]; a=premnmx(input); b=sim(network1,a); c=postmnmx(b,mintn,maxtn); sonuc=c(:,275) Girdi değerleri olarak [8;302;139;3570;12.8;78] kullanılmış elde edilen sonuç ise ; sonuc = 19.3208 olarak bulunmuştur. Neurosolution programında aynı girdi değerlerine verilen cevap sonuc= 20.2 olarak bulunmuştu.
37. 22/22 SONUÇ VE ÖNERİLER NeuroSolution ve Matlabnntool programlarının YSA çalışmalarında kabul edilebilir sonuçlar verdikleri görülmektedir. NeuroSolution programında verileri normalize etmeye gerek yoktur. Bu bakıma kullanışı kolaydır denilebilir. Buna karşılık yapılan çalışma gösteriyor ki Matlabnntool daha düşük bir hata değerine ulaşabilmektedir. Fakat Matlabnntool eğitimin sonlandırılımasında yani iterasyon sayısının belirlenmesinde yeterli değildir. Fazla deneme yapılmasına neden olmaktadır. Gelişen dünyada motor üreticileri az yakıtla daha çok performans elde eden motorlar üretmeye çalışmaktadırlar. Bunun yanında petrolün tükenmeye başlaması motor üreticilerini alternatif yakıtla çalışan motor üretmeye yöneltmiştir. YSA’lar günümüzde halen doğruluğu tartışılan bir konudur. Fakat çalışmalar hız kazandığı takdirde geliştirilen motorun parametreleri kullanılarak YSA yardımıyla üretime geçmeden önce motorun yakıt ekonomisi tahmini yapılabilir. Bu sayede deneysel çalışmalara gerek kalmadığı için deney maliyetleri ortadan kaldırılabilir.