Yapay sinir ağlarında geri yayılım algoritmalarının performans karşılaştırılması üzerine bir tahminleme çalışması

Bu çalışmada, süt sığırı ahırlarında ölçülen barınak içi sıcaklık-nem indeksi (SNİ)'ni tahmin etmek amaçlı bir yapay sinir ağı modeli geliştirilmiştir. Analizde, Kahramanmaraş ili Dereköy bölgesinde bulunan 30 başlık kapalı duraklı süt sığırı ahırlarında günün farklı saatlerinde ölçüm (sabah saat:07:00, öğlen saat: 14:00 ve akşam saat: 21:00) yapan veri kaydedicilerden alınan toplam 4548 adet kayıt değerlerinden yararlanılmıştır. Araştırmada, kuru termometre sıcaklığı (0C), çiğlenme noktası sıcaklığı (0C) ile vericilerin saat aralıkları giriş verileri, SNİ değerleri de çıkış verileri olmak üzere üç giriş, bir ara katman ve bir çıkıştan oluşan ağ yapısı kullanılmıştır. Ağın eğitilmesinde on üç farklı geri yayılım algoritması denenmiş ve performans kriterleri bakımından hata kareler ortalamasının karekökü (RMSE), ortalama mutlak hata (MAE), ortalama mutlak yüzde hata (MAPE) değerlerine göre karşılaştırılmıştır. Sonuç olarak, Bayesian Regularization (BR) algoritmasının kullanıldığı YSA modelinin, SNİ değerlerini tahmin etmede gerçek değerlere çok yakın sonuçlar verdiği görülmüştür [MAE: 0.0035, 0.0055, 0.0084; MAPE(%):0.0061, 0.0081,0.0116; RMSE: 0.0079, 0.0117,0.0396]

An estimation study on performance comparison of back propagation algorithms in artificial neural networks

In this study, an artificial neural network model was developed in order to estimate the interior temperature-humidity index(THI) measured in dairy cattle barns. In the analysis, a total of 4548 registration values obtained from the data loggers that make measurements at different times of the day (07:00 a.m. in the morning, 02:00 p.m. in the afternoon and 09:00 p.m. in the evening) in closed stop dairy cattle barns for 30 cattles located in Dere village in Kahramanmaraş province were used. In the study, a network structure consisting of three input layers including dry bulb temperature (0C), dew point temperature (0C) and time intervals input data of transmitters, a hidden layer and an output layer in which the THI values were used as the output data were used. In the training of the network, thirteen different back propagation algorithms were tested and were compared according to the values of root mean square error (RMSE), mean absolute error (MAE), mean absolute percentage error (MAPE) in terms of performance criteria. In conclusion, it has been found that the ANN model in which the Bayesian Regularization (BR) algorithm was used gave very close results to the actual values in estimating THI values [MAE: 0.0035, 0.0055, 0.0084; MAPE(%):0.0061, 0.0081,0.0116; RMSE: 0.0079, 0.0117,0.0396]

PDF

___

Ahmadi, H., Mottaghitalab, M. and Nariman-Zadeh,N. 2007. Group method of data handling-type neural network prediction of broiler performance based on dietary metabolizable energy, methionine, and lysine. J. App.Poult. Res. 16(4): 494-501.
Akıllı, A., Atıl, H. 2014. Süt sığırcılığında yapay zeka teknolojisi: bulanık mantık ve yapay sinir ağları. Hay. Üret. 55(1): 39-45.
Aygören, H.,Sarıtaş, H., Moralı, T. 2012.İMKB 100 endeksinin yapay sinir ağları ve Newton nümerik arama modelleri ile tahmini. Uluslararası Alanya İşletme Fakültesi Dergisi 4(1): 73-88.
Baltacıoğlu,A.K.,Civalek, Ö., Akgöz, B., Korkmaz, A. 2010. Deprem hasarlarının hızlı tespitinde yapay sinir ağları yaklaşımı. Müh. Bilimleri ve Tasarım Dergisi 1(1): 22-27.
Çınar, Ö., Yılmaz, A.S. 2005. Yapay sinir ağlarının atıksu arıtma tesisi işletimine uygulanması: bir örnek çalışma. KSÜ Fen ve Müh. Dergisi 8(2): 48-52.
Çuhadar, M., Kayacan, C. 2005. Yapay sinir ağları kullanılarak konaklama işletmelerinde doluluk oranı tahmini: Türkiye'deki konaklama işletmeleri üzerine bir deneme. Anatolia: Turizm Araş. Der. 16(1): 24- 30.
Dongre, V.B., Gandh, R.S.,Singh, A., Ruhi, A.P.2012. Comparative effidency of artificial neural network and multiple linear regression analysis for prediction of first lactation 305-day milk yield in Sahiwal cattle. Livestock Sci. 17(1): 192-197.
Ergülen, A.,Topuz,D.2008.İşletmelerdeki verimliliğin tahmin edilmesi ve bu verimliliği etkileyen faktörlerin MLP tipi yapay sinir ağları tekniği ile belirlenmesi. Mustafa Kemal Üniv. Sosyal Bil. Ens. Dergisi 5(10): 219-231
Fausett L. 1994. Fundementals of neural networks- architectures, algorithms and applications. Prentice Hall, 300p.
Gevrekçi, Y.E., Yeğenoğlu, D., Akbağ, Y., Sesli, M. 2011. Yapay sinir ağlarının tarımsal alanda kullanımı. E.Ü. Ziraat Fak. Derg. 48(1): 71-76.
Hosseinia, P., Edrisi, M., Edriss, M. A., Nilforooshan, M. A. 2007. Prediction of second parity milk yield and fat percentage of dairy cows based on first parity information using neural networks system. J. Appl. Sci. 7: 3274-3279.
Grzesiak, W, Lacroix, R, Wójcik, J, Blaszczyk, P. 2003.A comparison of neural network and multiple regression predictions for 305-day lactation yield using partial lactation records. Can. J. Anim. Sci. 83: 307-310.
Heald, C.W., Kim,T., Sischo,W.M., Cooper, J.B. and Wolfgang, D.R. 2000. A computerized mastitis decision aid using farm-based records: an artificial neural network approach. J. Dairy Sci. 83: 711-722.
İnan, A.1999. Yapay sinir ağlarının güç sistemlerinde kullanım alanları. Kaynak Elektrik Dergisi 119: 104- 114.
İnce, D., Sofu, A. 2013. Estimation of lactation milk yield of Awassi sheep with Artificial neural network modeling. Small Rum. Res. 113(1): 15-19.
Lewis, C.D. 1982.Industrial and business forecasting methods. Butterworths Publishing, London, s. 40.
MATLAB,2013. https://www.mathworks.com/programs (Erişim: 05.04.2013).
Öztemel E. 2003. Yapay sinir ağları. Papatya Yayıncılık, İstanbul, s 29.
Roush, W.B., Dozier,W.A and Branton,S.L. 2006. Comparison of gompertz and neural network models of broiler growth. Poult. Sci. 85(4): 794-797.
Takma, Ç., Atıl, H., Aksakal, V. 2012. Çoklu doğrusal regresyon ve yapay sinir ağı modellerinin laktasyon süt verimlerine uyum yeteneklerinin karşılaştırılması.Kafkas Üniv.Vet.Fak.Derg.18(6): 941-944.
Vazquez-Cruz, M.A., Luna-Rubio,R., Contreras-Medina, L.M.,Torres-Pacheco, İ.,Guevara-Gonzalez, R.G.2012. Estimating the response of tomato (Solanum lycopersicum) leaf area to changes in climate and salicylic acid applications by means of artificial neural networks. Biosystems Engineering 112:319-327.
Yang, X.Z., Lacroix, R., Wade, K.M. 2000.Investigation into the production and conformation traits associated with clinical mastitis using artificial neural networks.Can. J. Anim. Sci. 80: 415-426.
Witt,S.F.,Witt, C. 1992.Modeling and forecasting demand in tourism.Academic Press: London, s. 137.