Yapay Sinir Ağları
ağ |
SİSTEM MODELLEME
Doğa bilimleri, sosyal bilimler, mühendislik, iş dünyası
ve finansın birkaç örnek başlık olarak sıralanabileceği çeşitli alanlarda
modelleme ve öngörü gerçekleştirilmesi arzu edilen ve dolayısı ile yoğun çaba
sarfedilen araştırma konularıdır. İncelenen sistemin giriş-çıkış ilişkisini
tanımlayan ifadeye matematik model veya kısaca model denir [1].
Sistemin modeli, giriş uzayı u’dan çıkış uzayı y’ye
bir P operatörü olarak tanımlanır ve tanımlama işlemiyle P’nin
ait olduğu kümesinin özellikleri
yakalanmaya çalışılır. kümesi verilmiş ve P olduğu biliniyorken,
tanımlama işleminin hedefi olmak kayıdıyla öyle bir
elemanı tespit
etmektir ki iken , P’ye arzu edilen tarzda yaklaşsın [2].
Modelleme işleminde kullanılan iki temel yaklaşımın ilki,
kümelendirilmiş parametre modellemesi(lumped-parameter modelling), ikincisi ise
sistem tanımadır [1]. Kümelendirilmiş parametre modellemesi yaklaşımında,
sistem, giriş-çıkış ilişkisi basitçe ifade edilebilen bileşenlerle
yapılandırılmaya çalışılır. Sistem tanıma yaklaşımında ise deneysel olarak elde
edilmiş veya hipotetik olarak üretilmiş giriş-çıkış verilerinin kullanılarak
sistemin matematik modelinin kurulmasına çalışılır. Sistem tanıma, parametrik
ve nonparametrik başlıkları altında iki grupta incelenebilir. Parametrik model, sonlu sayıda parametre ile tamamen belirlenen
fonksiyonel bir formu benimsediği halde nonparametrik modelde ne fonksiyonel
form ne de parametre sayısı ile ilgili bir kısıtlama vardır.
Modelin kurulabilmesi için üç temel gereksinim:
1.
Giriş-çıkış verisi
2.
Model adaylarının belirlenmesi
3.
Modelin seçim kriteridir.
Gelecekteki verilerin istatistiksel özelliklerinin
geçmiştekilerle uyumlu olacağı varsayımından hareketle, modellemeye konu olan
sisteme ait geçmişe dönük verilerin istatistiksel özelliklerinden
yararlanılarak kurulan modele zaman-serisi modeli denir. Modelin, geçmişteki
verileri yeterli doğrulukta sağlaması kadar gelecekte tekrarlanma ihtimali
yüksek özellikleri tanımlaması da gereklidir.
“Kestirim zordur; özellikle, geleceğe dönükse” Nils Bohr.
Sistemin karmaşıklığı veya hedefin hassaslığına bağlı
olarak, tasarlanan modellerin yoğun işlem gerektiren algoritmalarının
geçerliliği, gelişen teknolojinin harikası ve vazgeçilmez unsuru
bilgisayarların elverdiği kolaylıkla ve hızla sınanabilmektedir. Sınamayı
başarıyla geçen modeller öngörü işleminde kullanılmaktadır. Başarılı modellerin
sahip olması istenilen diğer özellikler:
·
Parametre sayısı asgariye
indirilmeli
·
Parametrelerin kestirimi kolay
olmalı
·
Parametreler
fiziksel olarak anlamlıca yorumlanabilir olmalıdır.
İdeal durumda, yukarıdaki maddeler de gerçeklenmiş
olacaktır, modelin lineer olması arzu edilir. Bir H sistemi, ve keyfi giriş değerleri ve keyfi sabitleri için;
(2.1a)
ağ |
denklemini sağlıyorsa; lineerdir. Bu
denklemde lineer sistemlerin taşıdığı iki özellik olan toplanabilirlik
ve homojenlik verilmiştir. Ayrı ayrı (2.1a) ve
(2.1b) şeklindedirler:
1.
Toplanabilirlik özelliği:
(2.1b)
2.
Homojenlik özelliği:
(2.1c)
Bu özellikler, süperpozisyon ilkesi sayesinde sonlu olmak
kaydı ile keyfi sayıda giriş teriminin toplamına genişletilebilir.
Özelliklerden birinin sağlanamadığı durumda sistemin nonlineer oluşuna delil
elde edilmiş olunur. Yapılabilecekler sistemin lineerleştirilmesi veya
nonlineerlik ile başedebilecek bir tanıma algoritmasının geliştirilmesi ile
sınırlıdır. Lineer sistemler için geliştirilmiş pek çok tanıma algoritması
mevcuttur. Ancak, ilgi alanı nonlineer sistemlere kaydığında olanaklar
kısıtlıdır. Yapay sinir ağlarının nonlineer ilişkileri öğrenme ve arzulanan
toleranslar dahilinde yaklaşımda bulunma yeteneği duyulan ilginin
sebeplerindendir.
Öncelikle parametrik modellerden AR modeli hakkında kısa
bilgi verilecek ve parametrik olmayan modellerden yapay sinir ağları Bölüm 3’
te detaylı bir şekilde ele alınacaktır.
1.1. Parametrik Model
1.1.1. AR Modeli
Giriş-çıkış ilişkisini basitçe tanımlayan fark denkleminin
genel ifadesi (2.2) ile verilmiştir. ve sabit çarpanlar, çıkış değerleri ve giriş değerleri dizisi
olmak üzere,
(2.2)
Bu denklem, n anındaki çıkışın, önceki çıkış
değerlerine bağlılığını sağlayan katsayıları ve önceki
giriş değerlerine bağlılığını sağlayan katsayılarını
içerdiğinden ARMA modeli olarak anılır. Özel durumlar olarak, AR ve MA
modelleri, sırasıyla, (2.2a) ve (2.2b) numaralı denklemlerle tanımlanırlar [3].
·
Model:
(2.2a)
·
Model (2.2b)
AR
modelin revaçta olmasının altında yatan başlıca sebep, AR parametrelerinin
hesabı için kullanılan yöntemlerin çoğunun doğrusal denklem takımlarının çözümüne
dayanması nedeniyle kolay olmasıdır.
1.1.2. AR Model Mertebesinin Belirlenmesi
AR
model mertebesi için en iyi değer, genellikle, önceden bilinemez. Düşük
mertebeli modeller az bilgi içeren spektral kestirim sonucu üretirken çok
yüksek mertebeli modellerin kestirimi sahte detaylar verme eğilimindedir. AR
model mertebesi arttıkça kestirimin gücü azalır. Buna karşı kestirim
hatası gücü, artan model mertebesiyle
monoton azaldığından arama sürecinin ne zaman durdurulması gerektiği açık
değildir.
Model mertebesi, ikisi Akaike tarafından ortaya
atılmış çeşitli kriterler doğrultusunda belirlenebilir. Akaike’nin ilk kriteri,
nihai kestirim hatası (final prediction
error(FPE)) adıyla anılır. Veri sayısı N, model mertebesi , karşılık gelen kestirim hatası gücü olmak üzere AR
modelinin FPE’si (2.3) eşitliği ile tanımlanır [4].
(2.3)
Artan p’ye karşılık azaldığı halde (2.3) eşitliğindeki diğer çarpan artar.
Artan ’ye karşılık değerinin bir minimuma
ulaşması beklenir. Minimum değerini sağlayan değeri AR mertebesi
olarak seçilir.
Akaike’nin ikinci kriteri, kestirim hatasının
gücünün, mertebeli filtrenin bir fonksiyonu gibi alınarak
log-likelihood’unun minimizasyonuna dayanır. Akaike’nin bilgi kuramlı kriteri (Akaike Information
Theoretic Criterion(AIC)) olarak anılan yaklaşım (2.4) eşitliği ile tanımlıdır.
(2.4)
(2.4) eşitliğindeki ilk terim, artan değerine karşılık
monoton azalır. Eşitlikteki ikinci terim, model mertebesini arttırmaktan doğan
ceza terimi olarak düşünülebilir.
Veri sayısı N, sonsuza gittikçe ve denk olurlar [4].
0 yorum:
Yorum Gönder