Çok katmanlı aşırı öğrenme makinelerinin geliştirilmesi ve sistem modellemedeki başarımlarının analizi

Aşırı Öğrenme Makinesi (AÖM), sınıflandırma ve regresyon uygulamalarında yüksek verimlilik ve kolay uygulanabilirdiğinden dolayı son on yılda önemli araştırma konusu olmuştur. Çalışmamız kapsamında regresyon ve sınıflandırma problemleri için geliştirilen klasik AÖM, Radyal Tabanlı Fonksiyon Kullanan Aşırı Öğrenme Makinesi (RTF-AÖM), Meta Aşırı Öğrenme Makinesi (Meta-AÖM) ve Çok Katmanlı Aşırı Öğrenme Makinesi (ÇK-AÖM) gibi mevcut AÖM yapıları incelenmiştir. Bu çalışmada, anılan yapıların zayıf ve üstün yönleri incelenerek yapıların iyileştirilmesi ve yeni hibrit yapılar önerilmiştir. Çalışmamızdaki motivasyon unsuru, AÖM yöntemlerinin yaygın olarak sınıflandırma problemlerinde kullanılmış olması ve sistem modelleme üzerinde çalışılmamış olmasıdır. Bu bağlamda zamana dinamik bir şekilde bağlı sistemlerin yanısıra engebeli ve/veya keskin değişimli yüzeylere denektaşı sistemlerin modellenmesi üzerinde çalışılarak iyileştirme ve yeni karma ağ yapısının geliştirilmesi hedeflenmiş olup çalışmamızda istenen hedefe ulaşılmıştır. ÇK-AÖM yapısının sistem modelleme başarımını arttırmayı ve hesaplama zamanını düşürmeyi amaçlayan iki İyileştirilmiş Çok Katmanlı Aşırı Öğrenme Makinesi (İÇK-AÖM) adını verdiğimiz AÖM ağ yapıları geliştirilmiş olup deney sonuçları ile başarım üstünlünlükleri denektaşı sistemler üzerinde gösterilmiştir. İÇK-AÖM yapıları ile yedi farklı dinamik sistem modelleme uygulaması üzerinde başarımı incelenmiştir. Ayrıca çok katmanlı aşırı öğrenme makinesi ile radyal tabanlı fonksiyon ağları birleştirerek HybRBF-ML-ELM adını verdiğimiz karma bir ağ yapısı daha geliştirilmiştir. Engebeli ve/veya keskin değişimli yüzey problemlerinde başarımı deney sonuçları ile kıyaslamalı olarak gösterilmiştir. Dinamik sistem modelleme deneylerinde geliştirilen İÇK-AÖM'nin bazı durumlarda ÇK-AÖM'ye kıyasla hem eğitim hem de test veri setleri için %70lere varan daha iyi modelleme başarım sergilediği gözlenmiştir. Örneğin, Denektaşı Dinamik Sistem (DDS) 7 için 100 düğüm kullanıldığında ÇK-AÖM, İÇK-AÖM1 ve İÇK-AÖM2 yapıları 0.627977, 0.104272 ve 0.092683 ortalama test Karesel Ortalama Hatanın Karakökü (RMSE) sonuçları verilmiştir. ÇK-AÖM ile karşılaştırıldığında İÇK-AÖM1 yapısı 83% daha iyi ortalama test RMSE sonuçları sağlarken İÇK-AÖM2 yapısı 85% daha iyi ortalama test RMSE sonuçları sağlamıştır. Yüzey modelleme deneylerinde geliştirilen HybRBF-ML-ELM yapısının ÇK-AÖM yapısına göre her problem için daha başarılı olduğu gözlemlenmiştir. Örneğin, Griewank, Dropwave ve Schaffer2 fonksiyonları için hem eğitim hem de test RMSE sonuçlarına bakıldığında ÇK-AÖM yapısına göre yaklaşık olarak %99 daha iyi başarım elde edildiği görülmüştür. Peaks fonksiyonu için de eğitim verisinde ortalama RMSE değerine bakıldığında ÇK-AÖM yapısına göre %76,87 daha iyi modelleme başarım sergilediği gözlenmiştir.