COOT optimizasyon algoritması temelli yapay sinir ağı modeli

Yapay Sinir Ağları (YSA) biyolojik beyinde bulunan sinir hücrelerinin bilgiyi işleme ve iletme sistemlerini modelleyerek geliştirilmiş yapay zeka tekniğidir. Son yıllarda yapay sinir ağı modellerinde önemli ilerlemeler kaydedilmiş ve bu modeller örüntü tanıma, görüntü işleme ve sınıflandırma gibi çeşitli gerçek dünya problemlerine başarıyla uygulanmıştır. Bununla birlikte, yapay sinir ağlarının bir sınırlaması, eğitim aşamasında yerel minimumlara takılabilmesidir. Bu durum, gradyan inişine dayalı tekniklerin kullanılmasının bir sonucudur ve ağın genelleme performansını olumsuz bir şekilde etkilemektedir. Ağın performansının iyileştirilmesi ve oldukça zor bir problem olan yapay sinir ağlarının parametre optimizasyonu için literatürde çeşitli metasezgisel algoritmalar kullanılmıştır. Metasezgisel algoritmalar doğadan ilham alan ve birçok karmaşık optimizasyon probleminde başarıyla kullanılmakta olan algoritmalardır. Bu tez çalışmasında, yapay sinir ağı parametre optimizasyonunun sağlanması amacıyla COOT-ANN adı verilen yeni bir hibrit yapay sinir ağı modeli önerilmektedir. COOT-ANN modeli, yapay sinir ağı parametrelerini optimize etmek için yeni meta-sezgisel bir yaklaşım olan COOT optimizasyon algoritmasını kullanmaktadır. COOT optimizasyon algoritması coot kuşlarının yiyecek arayışında su üzerindeki farklı hareketleri modellenerek geliştirilmiş sürü zekası temelli bir metasezgisel algoritmadır. Metasezgisel tabanlı COOT optimizasyon algoritması kullanımı sayesinde COOT-ANN modeli, eğitim aşamasında yerel minimumlara takılmamaktadır. Çalışmada şarap, göğüs kanseri, iris cam veri setleri ve video sınıflandırma için spor veri seti üzerinde sınıflandırma işlemi yapılmış ve önerilen model ile gradyan inişi yöntemlerinin performansı karşılaştırılmıştır. Çalışmanın sonuçları, önerilen yöntemin gradyan inişi, ölçeklenmiş eşlenik gradyan ve Levenberg-Marquardt optimizasyon teknikleriyle karşılaştırıldığında test veri setleri üzerinde elde edilen doğruluk, çapraz entropi, F1 puanı ve Cohen's Kappa metrikleri açısından oldukça başarılı olduğunu göstermektedir. Tez çalışması, sınıflandırma problemleri için yapay sinir ağı eğitiminde COOT optimizasyon algoritmasının kullanımının performansı artırdığını ortaya koymaktadır.