Slide 1

Bir SNNS Uygulaması: Karakter
ve Rakam Tanıma

Parametrelerin Tanıma Üzerinde Etkisi

Kerem ERZURUMLU
[email protected]

Hacettepe Üniversitesi
Bilgisayar Bilimleri Mühendisliği


Slide 2

Proje Tanımı

 Temel tanım karakter tanıma
– Girdi: 5x7’lik 0 ve 1’lerden oluşan matris
– Çıktı: İkili kod
– Amaç: Harflerin ve rakamların öğretilmesi

Hacettepe Üniversitesi
Bilgisayar Bilimleri Mühendisliği


Slide 3

Girdi Örneği

Hacettepe Üniversitesi
Bilgisayar Bilimleri Mühendisliği


Slide 4

Çıktı Örneği
 A karakteri için 41:
–01000001
 B karakteri için 42:
–01000010
.
.
 0 karakteri için 30:
–00110000
Hacettepe Üniversitesi
Bilgisayar Bilimleri Mühendisliği


Slide 5

Tasarlanan Ağ

Hacettepe Üniversitesi
Bilgisayar Bilimleri Mühendisliği


Slide 6

Öğrenme Parametreleri

Hacettepe Üniversitesi
Bilgisayar Bilimleri Mühendisliği


Slide 7

Öğrenme Süreç Grafiği

Hacettepe Üniversitesi
Bilgisayar Bilimleri Mühendisliği


Slide 8

Öğrenme Sonuçları
 %100 başarılı sonuçlar için 2700 devir

gerekiyor.
 %6 oranındaki gürültüde düzeltme
yapabiliyor.

Hacettepe Üniversitesi
Bilgisayar Bilimleri Mühendisliği


Slide 9

Test I
 Gizli katmandaki nöron sayısı 10’a

çıkarıldı.
 Aynı öğrenme parametreleri ve aynı
dosya ile öğrenme süreci baştan
tekrarlandı.

Hacettepe Üniversitesi
Bilgisayar Bilimleri Mühendisliği


Slide 10

I. Test Öğrenme Grafiği

Hacettepe Üniversitesi
Bilgisayar Bilimleri Mühendisliği


Slide 11

I. Test Sonuçları
 %100 başarılı sonuçlar için 1750 devir

gerekiyor.
 %15 oranındaki gürültüde düzeltme
yapabiliyor.

Hacettepe Üniversitesi
Bilgisayar Bilimleri Mühendisliği


Slide 12

Test II
 Gizli katmandaki nöron sayısı 15’a

çıkarıldı.
 Aynı öğrenme parametreleri ve aynı
dosya ile öğrenme süreci baştan
tekrarlandı.

Hacettepe Üniversitesi
Bilgisayar Bilimleri Mühendisliği


Slide 13

II. Test Öğrenme Grafiği

Hacettepe Üniversitesi
Bilgisayar Bilimleri Mühendisliği


Slide 14

II. Test Sonuçları
 %100 başarılı sonuçlar için 1510 devir

gerekiyor.
 %21 oranındaki gürültüde düzeltme
yapabiliyor.
 Yarım harf tanımlaması yapabiliyor.

Hacettepe Üniversitesi
Bilgisayar Bilimleri Mühendisliği


Slide 15

Test III
 Gizli katmandaki nöron sayısı 6’da

tutuldu.
 Öğrenme fonksyonu QuickProp seçildi.
 Aynı öğrenme parametreleri ve aynı
dosya ile öğrenme süreci baştan
tekrarlandı.

Hacettepe Üniversitesi
Bilgisayar Bilimleri Mühendisliği


Slide 16

Test III Öğrenme Parametreleri

Hacettepe Üniversitesi
Bilgisayar Bilimleri Mühendisliği


Slide 17

III. Test Öğrenme Grafiği

Hacettepe Üniversitesi
Bilgisayar Bilimleri Mühendisliği


Slide 18

III. Test Sonuçları
 %100 başarılı sonuçlar için 990 devir

gerekiyor.
 Gürültüde hata düzeltme yapamıyor.

Hacettepe Üniversitesi
Bilgisayar Bilimleri Mühendisliği


Slide 19

Test IV
 Gizli katmandaki nöron sayısı 15’e

çıkarıldı.
 Test III’ün parametreleri ve aynı dosya
ile öğrenme süreci baştan tekrarlandı.

Hacettepe Üniversitesi
Bilgisayar Bilimleri Mühendisliği


Slide 20

IV. Test Öğrenme Grafiği

Hacettepe Üniversitesi
Bilgisayar Bilimleri Mühendisliği


Slide 21

IV. Test Sonuçları
 %100 başarılı sonuçlar için 450 devir

yeterli.
 %15 oranındaki gürültüde düzeltme
yapabiliyor.

Hacettepe Üniversitesi
Bilgisayar Bilimleri Mühendisliği


Slide 22

Bir SNNS Uygulaması: Karakter
ve Rakam Tanıma

Parametrelerin Tanıma Üzerinde Etkisi

Kerem ERZURUMLU
[email protected]

Hacettepe Üniversitesi
Bilgisayar Bilimleri Mühendisliği