Genetik algoritmalar ve bulanık üyelik fonksiyonlarıyla hibrit bayes yapay sinir ağları

Abstract

Bu çalışmanın amacı, dinamik ve doğrusal olmayan sistemlerin faktörlerini bulanık ve stokastik ortamda en iyi biçimde temsil edecek modellerin kestiriminde kullanılacak özgün algoritmaların geliştirilmesidir. Dinamik sistemlerde, veriler anlık olarak değerlendirildiklerinden verinin hem olasılık dağılımının hem de olabilirlik dağılımının birlikte ele alınması daha hassas sonuçların elde edilmesini sağlayacaktır. Ayrıca, doğrusal olmayan sistemlerde giriş ve çıkış değişkenleri arasındaki fonksiyonel yapı hakkındaki ön bilgi ya yoktur ya da çok azdır. Böyle durumlarda yapay sinir ağları giriş ve çıkış değişkenleri arasındaki fonksiyonel yapıyı belirlemek için oldukça kullanışlı araçlardır. Bu çalışmada, Bayes yapay sinir ağlarının yinelenen hiper-parametreli normal yaklaşımında (Gaussian approach with recursive hyperparameters) ve tam Bayes (full Bayesian approach) yaklaşımında kullanılan Monte Carlo (MC) algoritmaları, bulanık üyelik fonksiyonları ve Genetik Algoritmalar (GA) ile hibritleştirilmiştir. Ayrıca, GA ve MC işlevleri içinde bulanık belirsizliği ölçmek için bulanık üyelik fonksiyonlarından yararlanılmıştır. Böylece, Bayes YSA nın parametre ve hiper-parametrelerini daha etkin bir biçimde kestirmek için hibrit Bayes öğrenim yaklaşımları geliştirilmiştir. Uygulama bölümünde, Bayes yapay sinir ağları için önerilen öğrenme algoritmalarının performansları geleneksel yapay sinir ağlarınınkiyle karşılaştırılarak sonuçlar tartışılmıştır.