Buğday Tipi Sınıflandırma için Yapay Sinir Ağı Uygulaması: Yeni Bir Yapay Zeka Eğitimi Yazılımı
Bu çalışmada, yapay sinir ağlarının eğitiminde kullanılmak üzere .NET ortamında C# programlama dili kullanılarak görsel arayüze sahip bir eğitim yazılımı geliştirilmiştir. Gerçekleştirilen yapay sinir ağı sınıflandırma yazılımı buğday türü sınıflandırılması örneğine uygulanmış ve başarılı sonuçlar alınmıştır. Ayrıca çalışmada, yapay sinir ağları konusunun önemine değinilmiştir. Yapay sinir ağlarının eğitilmesi aşamasında kullanılan mevcut yazılımların kullanım karmaşıklığının ve zorluğunun önüne geçmek için geliştirilen yazılımda buğday türlerinin sınıflandırılmasında geriye yayılım (backprogration) algoritmasından yararlanılmıştır. Ayrıca geliştirilen bu yazılım yapay sinir ağları ile çözülebilecek uygulamalarda ve diğer bütün çalışmalarda kullanılabilecek esneklik ve yapıda tasarlanmıştır.
Application of Artificial Neural Network for Wheat Type Classification: A Novel Artificial Intelligence Training Software
In this study, a training software with a visual interface was developed by using C# programming language in .NET platform for the purpose of using it in artificial neural networks’ training. The created artificial neural network classification software was applied on wheat type classification case study and successful results were achieved. Additionally, the importance of artificial neural networks was mentioned in the study. Backpropagation algorithm was utilized in wheat type classification case and in the developed software in order to eliminate the difficulty and complexity of the use of current software in an artificial neural network training process. Additionally, the developed software was designed in flexible and convenient structure as to be used in the applications which could be solved with artificial neural networks and other all kinds of studies.
___
- CireşAn, D., Meier, U., Masci, J., & Schmidhuber, J. (2012). Multi-column deep neural network for traffic sign classification. Neural Networks, 32, 333-338.
- Elmas, Ç. (2003). Yapay Sinir Ağları. Seçkin Yayıncılık, Ankara, 27-37.
- Elmas, Ç. (2007). Yapay zeka uygulamaları. Seçkin Yayıncılık, Ankara, 379-401.
- Fausett, L., & Fausett, L. (1994). Fundamentals of neural networks: architectures, algorithms, and applications (No. 006.3). Prentice-Hall.
- Hagan, M. T., Demuth, H. B., & Beale, M. H. (1996). Neural network design, PWS Pub. Co., Boston, 3632.
Haykin, S. (1994). Neural networks: a comprehensive foundation. Prentice Hall PTR.
- Kaastra, I., & Boyd, M. (1996). Designing a neural network for forecasting financial and economic time series. Neurocomputing, 10(3), 215-236.
- Kılıç, H. B. (1998). Yapay Sinir Ağları İle Karakter Algılama. Yüksek Lisans Tezi, Gazi Üniversitesi, Fen Bilimleri Enstitüsü, Ankara.
- LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444.
- Nabiyev, V. V. (2005). Yapay zeka: problemler-yöntemler-algoritmalar. Seçkin Yayıncılık.
- Sagiroglu, S., Besdok, E., & Erler, M. (2003). Muhendislikte Yapay Zeka Uygulamalari-I: Yapay Sinir Aglari. Ufuk Yayincilik, Kayseri.
- Tekin, A., & Gökbulut, M. (2008). Yapay Sinir Ağları ile Asenkron Motorların Hız Kontrolü çin Bir Eğitim Yazılımın Geliştirilmesi. Fırat Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 20(3), 449-453.
- Uğur, A., & Kınacı, A. C. (2006). Yapay zeka teknikleri ve yapay sinir ağları kullanılarak web sayfalarının sınıflandırılması. XI. Türkiye'de İnternet Konferansı (inet-tr'06), Ankara, 1-4.
- URL1:Internet: Online.http://www.yildiz.edu.tr/~gulez/3k1n.pdf, (2017).
- Witoonchart, P., & Chongstitvatana, P. (2017). Application of structured support vector machine backpropagation to a convolutional neural network for human pose estimation. Neural Networks.