tag FonksiyonYaklasiml

Radial Basis Function Network (Radyal Tabanlı Fonksiyon Ağı)

Bu sayfada FonksiyonYaklasiml (Radial Basis Function Network (Radyal Tabanlı Fonksiyon Ağı)) etiketi ile işaretlenmiş 1 yapay zeka kavramını bulabilirsiniz.

Radyal Tabanlı Fonksiyon Ağı (RBF Network), gizli katmanındaki nöronların doğrusal olmayan radyal tabanlı aktivasyon fonksiyonları kullandığı, üç katmanlı bir ileri beslemeli yapay sinir ağıdır. Ağ; bir giriş katmanı, RBF nöronlarından oluşan tek bir gizli katman ve doğrusal çıkış katmanından meydana gelir. RBF ağlarının temeli 1988 yılında Broomhead ve Lowe tarafından atılmıştır. Gizli katmandaki her nöron, bir merkez vektörü (μ) ve bir genişlik parametresi (σ) ile tanımlanır; girdi vektörünün bu merkeze olan uzaklığını bir aktivasyon değerine dönüştürür. En yaygın kullanılan aktivasyon fonksiyonu Gauss fonksiyonudur: φ(x) = exp(−‖x − μ‖² / 2σ²). Girdi merkeze ne kadar yakınsa aktivasyon o kadar yüksek olur; uzaklaştıkça sıfıra yaklaşır. Eğitim süreci iki aşamada gerçekleşir. Birinci aşamada gizli katmanın merkez vektörleri k-ortalamalar algoritması gibi gözetimsiz yöntemlerle belirlenir; bu sayede ağ eğitim verisinin yapısını keşfeder. İkinci aşamada çıkış katmanının ağırlıkları en küçük kareler yöntemiyle öğrenilir; bu aşama dışbükey bir optimizasyon problemidir ve tek bir global minimuma sahiptir. RBF ağları, çok katmanlı algılayıcı (MLP) yapısına göre birçok avantaj sunar: eğitim çok daha hızlıdır, yerel minimumlara takılma riski düşüktür ve ağırlıklar yorumlanabilir merkez yapısı sayesinde anlaşılabilirdir. Fonksiyon yaklaşımı, zaman serisi tahmini, sınıflandırma, enterpolasyon ve kontrol sistemleri gibi alanlarda geniş kullanım bulurlar. Öte yandan yüksek boyutlu giriş uzaylarında merkez sayısının aşırı artması (boyutsallık laneti) önemli bir sınırlamadır.

hub

Radial Basis Function Network (Radyal Tabanlı Fonksiyon Ağı)

Radyal Tabanlı Fonksiyon Ağı (RBF Network), gizli katmanındaki nöronların doğrusal olmayan radyal tabanlı aktivasyon fonksiyonları kullandığı, üç katmanlı bir ileri beslemeli yapay sinir ağıdır. Ağ; bir giriş katmanı, RBF nöronlarından oluşan tek bir gizli katman ve doğrusal çıkış katmanından meydana gelir. RBF ağlarının temeli 1988 yılında Broomhead ve Lowe tarafından atılmıştır. Gizli katmandaki her nöron, bir merkez vektörü (μ) ve bir genişlik parametresi (σ) ile tanımlanır; girdi vektörünün bu merkeze olan uzaklığını bir aktivasyon değerine dönüştürür. En yaygın kullanılan aktivasyon fonksiyonu Gauss fonksiyonudur: φ(x) = exp(−‖x − μ‖² / 2σ²). Girdi merkeze ne kadar yakınsa aktivasyon o kadar yüksek olur; uzaklaştıkça sıfıra yaklaşır. Eğitim süreci iki aşamada gerçekleşir. Birinci aşamada gizli katmanın merkez vektörleri k-ortalamalar algoritması gibi gözetimsiz yöntemlerle belirlenir; bu sayede ağ eğitim verisinin yapısını keşfeder. İkinci aşamada çıkış katmanının ağırlıkları en küçük kareler yöntemiyle öğrenilir; bu aşama dışbükey bir optimizasyon problemidir ve tek bir global minimuma sahiptir. RBF ağları, çok katmanlı algılayıcı (MLP) yapısına göre birçok avantaj sunar: eğitim çok daha hızlıdır, yerel minimumlara takılma riski düşüktür ve ağırlıklar yorumlanabilir merkez yapısı sayesinde anlaşılabilirdir. Fonksiyon yaklaşımı, zaman serisi tahmini, sınıflandırma, enterpolasyon ve kontrol sistemleri gibi alanlarda geniş kullanım bulurlar. Öte yandan yüksek boyutlu giriş uzaylarında merkez sayısının aşırı artması (boyutsallık laneti) önemli bir sınırlamadır.

arrow_forward