E4. Hanbay, D., İ. Türkoğlu ve Y. Demir - Fırat Üniversitesi
E4. Hanbay, D., İ. Türkoğlu ve Y. Demir - Fırat Üniversitesi
E4. Hanbay, D., İ. Türkoğlu ve Y. Demir - Fırat Üniversitesi
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Zekai ŞEN<br />
Ahmet ÖZTOPAL<br />
Taner ÜSTÜNTAŞ<br />
16-18 Kasım 2005<br />
Grand Yükseliş Kocaeli<br />
BĐLDĐRĐLER KĐTABI<br />
Editörler<br />
Haluk KONAK<br />
Önder EKĐNCĐ<br />
Orhan KURT
SEMPOZYUM BĐLĐM KURULU<br />
Alev Alatlı<br />
Ali <strong>Demir</strong>ci KOÜ<br />
Allaberen Ashyralyev FÜ<br />
Arif <strong>Demir</strong> KOÜ<br />
Aslan Dila<strong>ve</strong>r KTÜ<br />
Bahadır Ergün GYTE<br />
Cemalettin Kubat SAÜ<br />
Cingiz Hacıyev ĐTÜ<br />
Derin Orhon ĐTÜ<br />
Derviş Karaboğa ERCÜ<br />
Elbrus Jafarov ĐTÜ<br />
Ercan Öztemel MAM<br />
Ergün Öztürk KOÜ<br />
Erkut Sezgin ĐÜ<br />
Faik Budak KOÜ<br />
Fevzi Gümrah ODTÜ<br />
Fikret Çalışkan ĐTÜ<br />
Galip Canse<strong>ve</strong>r YTÜ<br />
Haluk Konak KOÜ<br />
Harun Taşkın SAÜ<br />
Đbrahim Dinçer OUĐT<br />
Đbrahim Özkol ĐTÜ<br />
Đnan Güler Gazi Ün.<br />
Kerem Cığızoğlu ĐTÜ<br />
Mehmet Can ĐTÜ<br />
Mehmet Pakdemirli CBÜ<br />
Mehmet Sedat Hayalioğlu DÜ<br />
Mesut Tığdemir SDÜ<br />
Metin Orhan Kaya ĐTÜ<br />
Mithat <strong>Fırat</strong> Özer KOÜ<br />
Nizamettin Toprak DÜ<br />
Özer Kenar KOÜ<br />
Ömer Şahin HRÜ<br />
Özgür Kişi ERCÜ<br />
Şafak Ural ĐÜ<br />
Şakir Kocabaş ĐTÜ<br />
Şerif Hekimoğlu YTÜ<br />
Selman Nas ĐTÜ<br />
Serhat Şeker ĐTÜ<br />
Türkkan Evrensel UÜ<br />
Zafer Gül MÜ<br />
Z. Fuat Toprak DÜ<br />
Zekai Şen ĐTÜ
BĐLĐMDE MODERN YÖNTEMLER SEMPOZYUMU BMYS’2005<br />
16-18 Kasım, 2005<br />
Grand Yükseliş, KOCAELĐ<br />
Yapay Sinir Ağları ile Meteorolojik Verileri Kullanarak Yağış Tahmini<br />
Turgay PARTAL <strong>ve</strong> Kerem CIĞIZOĞLU.................................................................................................................. 798<br />
Sapanca Gölü Günlük Buharlaşma Miktarının Radyal Temelli Yapay Sinir Ağı<br />
Modeli Kullanarak Tahmin Edilmesi<br />
Emrah DOĞAN <strong>ve</strong> Sabahattin IŞIK.......................................................................................................................... 807<br />
Akarsularda Debi-Su Seviyesi Đlişkisinin Yapay Sinir Ağları ile Belirlenmesi<br />
Hüsnü DEMĐRPENÇE .............................................................................................................................................. 815<br />
YSA Tabanlı Uyuklama Seviyesinin Kestirimi<br />
Mehmet AKIN, Muhittin BAYRAM, M. Bahattin KURT <strong>ve</strong> Abdulnasır YILDIZ ....................................................... 825<br />
YSA Tabanlı Uyku Evrelerinin Otomatik Skorlanması<br />
Mehmet AKIN, Muhittin BAYRAM, Abdulnasır YILDIZ <strong>ve</strong> M. Bahattin KURT ....................................................... 833<br />
Bayanlarda Kemik Yoğunluğunun Yapay Sinir Ağları ile Sınıflandırılması<br />
Mehmet Siraç ÖZERDEM, Veysi AKPOLAT <strong>ve</strong> M.Salih ÇELĐK.............................................................................. 840<br />
Yapay Sinir Ağı ile Türkiye'deki Đllerin Sağlık Bazında Gelişmişlik Düzeylerinin Belirlenmesi<br />
Mübariz EMĐNOV <strong>ve</strong> Nida GÖKÇE ......................................................................................................................... 850<br />
Akarsularda Günlük Toplam Askı Maddesi Miktarının Yapay Sinir Ağları Đle Tahmini<br />
Veysel GÜLDAL <strong>ve</strong> Gökmen TAYFUR ..................................................................................................................... 858<br />
Esnek Modelleme Yöntemlerini Kullanarak Nehirdeki Askı Maddesi Miktarının<br />
Tahmin Edilmesi<br />
Emrah DOĞAN, Sabahattin IŞIK <strong>ve</strong> Mustafa ŞAŞAL............................................................................................... 867<br />
Prefabrik Yapıların Yapay Sinir Ağları Đle Tasarımı<br />
Ali Haydar KAYHAN, Mahmut FIRAT <strong>ve</strong> Salih YILMAZ ......................................................................................... 875<br />
Đçme Suyu Arıtımında Ozonlama Sonucu Bromat Oluşumunun Yapay Sinir<br />
Ağları Đle Modellenmesi<br />
Gökhan CĐVELEKOĞLU, Nevzat Ö. YĐĞĐT, Evan DIAMADOPOULOS <strong>ve</strong> Mehmet KĐTĐS ................................... 883<br />
Yapay Sinir Ağlarında Hidrolik Sistemlerin Dinamiği<br />
Le<strong>ve</strong>nt YILMAZ ......................................................................................................................................................... 892<br />
Neural Network Donanımları <strong>ve</strong> Genel Amaçlı PIC-Mikrodenetleyiciler<br />
Kullanarak Uygulanması<br />
Davut HANBAY, Đbrahim TÜRKOĞLU <strong>ve</strong> Yakup DEMĐR ....................................................................................... 902<br />
Üç Fazlı Asenkron Motorlarda Rulman Arızalarının YSA Algoritması Kullanılarak Tesbiti<br />
Đzzet Yılmaz ÖNEL <strong>ve</strong> Đbrahim ŞENOL..................................................................................................................... 910<br />
Yapay Sinir Ağları ile Gamma-Işını Buildup Faktörlerinin Tayini<br />
Mustafa BÖYÜKATA <strong>ve</strong> Yücel KOÇYĐĞĐT............................................................................................................... 918<br />
Elektro Erezyon Đle Đşlemede Yüzey Pürüzlülüğünün Yapay Sinir Ağları Đle Modellenmesi<br />
M. Cengiz KAYACAN, Özlem SALMAN <strong>ve</strong> M. Mahir SOFU.................................................................................... 925<br />
Prefabrik Yapıların Yapay Sinir Ağları Đle Optimum Tasarımı<br />
Salih YILMAZ, Ali Haydar KAYHAN <strong>ve</strong> Mahmut FIRAT ........................................................................................ 933<br />
xii
Neural Network Donanımları <strong>ve</strong> Genel Amaçlı PIC-Mikrodenetleyiciler<br />
Kullanarak Uygulanması<br />
Davut HANBAY 1 , <strong>İ</strong>brahim TÜRKOĞLU 1 <strong>ve</strong> Yakup DEM<strong>İ</strong>R 2<br />
1 <strong>Fırat</strong> Üni<strong>ve</strong>rsitesi Elektronik <strong>ve</strong> Bilgisayar Eğitimi Bölümü, 23119, Elazığ<br />
dhanbay@firat.edu.tr, iturkoglu@firat.edu.tr,<br />
2 <strong>Fırat</strong> Üni<strong>ve</strong>rsitesi Elektrik-Elektronik Mühendisliği Bölümü, 23119, Elazığ<br />
ydemir@firat.edu.tr<br />
ÖZET<br />
Bu çalışmada Neural Network donanımları hakkında bilgi <strong>ve</strong>rilmiş <strong>ve</strong> genel amaçlı picmikrodenetleyici<br />
kullanılarak bazı mantıksal kapıların neural network modelleri başarı ile<br />
gerçekleştirilmiştir. Modelin eğitimi matlab programında gerçekleştirilmiş, elde edilen<br />
ağırlıklar pic-C programında kullanılarak pic programı hazırlanmıştır. ISIS-6 programı ile<br />
devrenin benzetimi gerçekleştirilmiştir.<br />
Anahtar Kelimeler: Neural Network Donanımları, Pic-Mikrodenetleyiciler, Lojik Kapılar<br />
ABSTRACT<br />
In this study, an o<strong>ve</strong>rview of neural network hardware and the implementation of neural<br />
network model of some logic gates on general purpose PIC-microcontrollers was presented.<br />
The train stages of models were achie<strong>ve</strong>d by using Matlab. Obtained weights were used in<br />
Pic-C programs to built Neural network model of logic gates. All programs were successfully<br />
examined in ISIS-6 electronic simulations programs.<br />
Key Words: Neural Network Hardware, Pic-Microcontroller, Logic Gates<br />
1.G<strong>İ</strong>R<strong>İ</strong>Ş<br />
<strong>İ</strong>nsan davranışlarını taklit etmek amacıyla geliştirilen yapay zekâ uygulamalarının bir alt dalı<br />
olan yapay sinir ağları, ortaya çıkışından günümüze kadar birçok aşamalardan geçmiştir. Son<br />
yıllardaki teknolojik gelişime paralel olarak gelişimini çok hızlı bir şekilde devam<br />
ettirmektedir[1-4].Yapay sinir ağları, anatomi, psikoloji <strong>ve</strong> nörobiyoloji alanlarındaki<br />
araştırmalarla paralel gelişmektedir[2].<br />
B<strong>İ</strong>L<strong>İ</strong>MDE MODERN YÖNTEMLER SEMPOZYUMU - BMYS'2005<br />
16 - 18 Kasım 2005<br />
Grand Yükseliş, KOCAEL<strong>İ</strong><br />
Karmaşık problemlerin çözümlenmesinde kullanılan akıllı sistemler genellikle kişisel<br />
bilgisayarlar kullanılarak benzetim yapılır[4-11]. Fakat akıllı sistemlerin üstünlüklerinin<br />
problem çözümünde kullanılması <strong>ve</strong> maliyetin düşürülmesi amacı ile gerekli çalışma<br />
performansını sağlayan özel donanımlar kullanılmalıdır[1]. Akıllı sistemlerde birçok temel<br />
işlem elemanı bir araya getirilerek karmaşık problemler çözümlenmeye çalışılır.<br />
902
Farklı uygulama alanlarında farklı donanım yapıları kullanılabilir. Özel tasarlanmış<br />
donanımlar bu amaçla kullanılabileceği gibi genel amaçlı mikroişlemciler <strong>ve</strong> mikro<br />
denetleyicilerde bu amaçla kullanıma uygundur. Genel amaçlı mikroişlemcili sistemler <strong>ve</strong>ya<br />
pic-mikrodenetleyicilerde kullanılarak arzu edilen sistem tasarlanabilir[12,13]. Sayısal<br />
uygulamalarda bu donanımların yanında FPGA(alan-programlanabilir kapı dizileri) yongaları<br />
da kullanılabilir [14].<br />
2. YAPAY S<strong>İ</strong>N<strong>İ</strong>R AĞLARI<br />
2.1. Yapay Sinir Ağının Tanımı <strong>ve</strong> Modeli<br />
Yapay sinir ağları, birbirine paralel olarak bağlanmış işlem elemanları <strong>ve</strong> onların hiyerarşik<br />
bir organizasyonundan oluşur. Yapay sinir ağlarının paralel yapıları, bilgisayarları geleneksel<br />
yöntemlerden çok daha farklı kullanarak özellikle seri bilgisayarlarda bilinen yöntemlerle<br />
yapılması mümkün olmayan <strong>ve</strong>ya çok zor olan bir takım işlevleri (ses <strong>ve</strong> örüntü tanıma gibi)<br />
rahatlıkla yapmaları, yapay sinir ağlarını üstün kılmıştır[1-4].<br />
Yapay sinir ağları, biyolojik sinir ağları gibi yapay sinir hücrelerinin <strong>ve</strong>ya işlem elemanlarının<br />
bir araya gelmesinden oluşur. Her bir işlem elemanı şekil 1’de görüldüğü gibi beş parçadan<br />
oluşur. Bunlar; girişler, ağırlıklar, toplama fonksiyonu, aktivasyon fonksiyonu <strong>ve</strong> çıkıştır.<br />
Burada,<br />
Xi= Girişler<br />
Wi= Ağırlıklar<br />
Σ= Toplama fonksiyonu<br />
f(.)= Aktivasyon fonksiyonu<br />
V= Çıkış<br />
B<strong>İ</strong>L<strong>İ</strong>MDE MODERN YÖNTEMLER SEMPOZYUMU - BMYS'2005<br />
16 - 18 Kasım 2005<br />
Grand Yükseliş, KOCAEL<strong>İ</strong><br />
X 1<br />
X 2<br />
X 3<br />
.<br />
.<br />
.<br />
X m<br />
W 1<br />
W 2<br />
W3 .<br />
.<br />
.<br />
W m<br />
X 0<br />
Σ<br />
b<br />
f (.)<br />
Şekil 1. Yapay sinir hücresinin modeli.<br />
903<br />
V
<strong>İ</strong>şlem elemanına birden fazla giriş gelmekte <strong>ve</strong> sadece bir çıkış üretilmektedir. Ağırlıklar<br />
elemanlar arasında bulunan bağlantı hatları üzerinde depolanır. Her bağlantının bir ağırlığı<br />
vardır. Bu ağırlık bir işlem elemanının diğeri üzerindeki etkisini gösterir. Ağırlıklar sabit<br />
olabildikleri gibi değişken de olabilirler. Toplama fonksiyonu, bir işlem elemanına gelen net<br />
girişi hesaplayan bir fonksiyondur. Net giriş genellikle gelen bilgilerin ilgili bağlantıların<br />
ağırlıkları ile çarpılıp toplanması ile belirlenir. Bu nedenle adı, toplama fonksiyonu olarak<br />
<strong>ve</strong>rilmiştir. Aktivasyon fonksiyonu da, toplama fonksiyonu tarafından belirlenen net girişi<br />
alarak, işlem elemanının çıkışını belirleyen fonksiyondur. Genel olarak türevi alınabilen bir<br />
fonksiyon olması tercih edilir. Toplama <strong>ve</strong> çıkış fonksiyonları, ilgili probleme bağlı olarak<br />
farklı şekiller alabilirler. <strong>İ</strong>şlem elemanının çıkış ünitesi ise çıkış fonksiyonunun ürettiği<br />
dürtüyü diğer işlem elemanlarına <strong>ve</strong>ya dış dünyaya aktarma işlevini yapar. <strong>İ</strong>şlem elemanları<br />
ağın topolojik yapısına bağlı olarak tamamen birbirinden bağımsız <strong>ve</strong> paralel olarak<br />
çalışabilirler. Şekil 1’de <strong>ve</strong>rilmiş olan yapay sinir hücresine x1, x2, x3, ...xm giriş işaretleri,<br />
uygulanmaktadır. Her giriş işareti, w1, w2, w3... wm ilgili ağırlık değerleriyle çarpılırken basit<br />
hücre modelinde, Net çıkışı denklem 1ile, V çıkış ifadesi denklem 2 ile ifade edilebilir[4].<br />
m<br />
∑<br />
i=<br />
0<br />
u = x w − b<br />
(1)<br />
i<br />
i<br />
B<strong>İ</strong>L<strong>İ</strong>MDE MODERN YÖNTEMLER SEMPOZYUMU - BMYS'2005<br />
16 - 18 Kasım 2005<br />
Grand Yükseliş, KOCAEL<strong>İ</strong><br />
v=f(u) (2)<br />
Burada, girişler x, ağırlıklar w <strong>ve</strong>ktörüyle toplu olarak gösterilir. Giriş işaretleri biyolojik<br />
hücrelerin sinapsislerindeki işaretlere karşı düşen giriş hattındaki elektriksel etkinliği, ağırlık<br />
<strong>ve</strong>ktörüyse biyolojik sinirlerdeki sinaptik gücü ifade etmektedir. b, ise eşik değer olarak<br />
adlandırılır. f(.) fonksiyonu, bir lineer <strong>ve</strong>ya lineer olmayan fonksiyondur. Aktivasyon<br />
fonksiyonları, işlem elemanlarının sınırsız sayıdaki girişini önceden belirlenmiş sınırda çıkış<br />
olarak düzenlerler. En çok kullanılan dört tane aktivasyon fonksiyonu vardır. Bunlar, sigmoid,<br />
doğrusal, doyumlu doğrusal, eşik fonksiyonlarıdır[2].<br />
2.2. Yapay Sinir Ağlarının Temel Özellikleri<br />
Yapay sinir ağlarını hem popüler yapan, hem de geleneksel bilgi işleme metotlarından<br />
ayıran özellikleri vardır. Yapay sinir ağlarının bir takım özellikleri, her ne kadar ilgili<br />
problemin yapısına <strong>ve</strong> kullanılan sinir ağı modeline bağlı olsa da, genel özellikleri; Öğrenme,<br />
Genelleme, Hata Toleransı <strong>ve</strong> Hız dır[4,12].<br />
904
3. YAPAY S<strong>İ</strong>N<strong>İ</strong>R AĞLARI DONANIMLARI<br />
Günümüzde yapay sinir ağları uygulamalarının çoğu yazılım teknolojisi olarak görülmektedir.<br />
Belirli bir modelin yazılımı gerçeklenmekte <strong>ve</strong> seri bilgisayarlarda çalıştırılarak sorunların<br />
çözülmesi istenmektedir. Yapay sinir ağlarının paralellik, hız gibi özelliklerinin<br />
gösterilebilmesi için özel donanım teknolojisine ihtiyaç vardır. Yapay sinir ağları donanımları<br />
ticari olarak genellikle şu alanlarda kendini göstermektedir[4,12], Optik karakter tanıma, Ses<br />
tanıma, Trafik izleme, Veri madenciliği <strong>ve</strong> filtreleme<br />
Yapay sinir ağları için özel donanım geliştirilmesinin birçok yararı vardır. Bunlar arasında<br />
şunları saymak mümkündür. Hız, Gü<strong>ve</strong>nilirlik, Özel çalıştırma koşulları, Gü<strong>ve</strong>nlik. Değişik<br />
şekillerde yapay sinir ağı donanımlarının geliştirildiğini görmek mümkündür. Hangi donanım<br />
daha iyi olacağı ağın öğreneceği probleme göre değişmektedir. Yapay sinir ağlarını<br />
geliştirmeye yönelik çalışmaların merkezinde VLSI yongaları (chips) bulunmaktadır. Yapay<br />
sinir ağları donanımlarının iki yönlü geliştirildiği görülmektedir. Bunlar Genel amaçlı<br />
donanımlar <strong>ve</strong> Özel amaçlı donanımlardır[4,12].<br />
Piyasada bu iki yaklaşıma dayanarak geliştirilmiş donanım çeşitlerine örnekleri şu şekilde<br />
sıralamak mümkündür. Nörobilgisayarlar, PC hızlandırıcılar <strong>ve</strong> kartları, Yongalar (Chips),<br />
Gömülü mikroişlemciler, Ayrıca bu donanımları tasarım olarak 3 grupta toplamakta<br />
mümkündür[4,12]. Bunlar;<br />
•Sayısal tasarımlar<br />
•Analog tasarımlar<br />
•Karma tasarımlardır.<br />
B<strong>İ</strong>L<strong>İ</strong>MDE MODERN YÖNTEMLER SEMPOZYUMU - BMYS'2005<br />
16 - 18 Kasım 2005<br />
Grand Yükseliş, KOCAEL<strong>İ</strong><br />
Sayısal yapay sinir ağı donanımlarında, ağ üzerindeki bütün hesaplamalarda kullanılan<br />
değerler ikili <strong>ve</strong>ktörlerdir. Sayısal teknolojinin, <strong>ve</strong>rilerin gürültüden ayrılmış olması,<br />
ağırlıkları saklamak içim RAM kullanılması, çarpma <strong>ve</strong> toplama işlemlerinde duyarlılığın<br />
artması <strong>ve</strong> özelliklede mevcut sistemin entegrasyonunun sağlanmasındaki kolaylıklar gibi<br />
olumlu yanları vardır. Sayısal yapay sinir ağları, ağa girdi olarak <strong>ve</strong>rilen bilgilerdeki<br />
gürültüye karşı analog sistemlere göre daha toleranslıdırlar. Hem sabit hem de değişken<br />
ağırlık matrislerini saklayabilirler. Programlanabilir elemanları içerebilirler. Bunların yanında<br />
bazı olumsuz yanları da vardır. Özellikle, çarpma <strong>ve</strong> toplama işlemlerini yavaş yapması <strong>ve</strong> dış<br />
905
dünyadan gelen bilgilerin genellikle analog bilgiler olması <strong>ve</strong> onların sayısal bilgilere<br />
dönüştürülmesi için dönüştürücülere ihtiyaç duyulması dezavantajlara örnek olarak <strong>ve</strong>rilebilir.<br />
Analog sistemlerin özellikle hızları onları cazip hale getirmektedir. Fakat çarpma <strong>ve</strong> toplama<br />
işlemlerinde duyarlılıkları Sayısal sistemler kadar iyi değildir. Sıcaklık <strong>ve</strong> ısı şartlarına, imalat<br />
sırasında kullanılan toleranslara bağlı olarak çok küçük sinyalleri sınırlamaktadır. Diğer bir<br />
problem ise, ağırlık değerlerinin uzun süreli saklanmasının zorluğudur. Analog yapay sinir ağı<br />
donanımları, doğrusal <strong>ve</strong> doğrusal olmayan aygıtlardan oluşan elektronik devrelerdir.<br />
Transistörler, dirençler <strong>ve</strong> kondansatörler bu aygıtlarda kullanılmaktadır. Analog yapay sinir<br />
ağları donanımları incelendiğinde şu yararlarının olduğu görülebilmektedir. Basit bir<br />
transistör yapay sinir ağlarının temel fonksiyonlarından birisi olan çarpma işlemini kolayca<br />
gerçekleştirebilir. Aynı işi sayısal olarak yapmak için birçok transistöre ihtiyaç vardır. Yapay<br />
sinir ağlarının diğer bir özelliği ise toplamadır. Basit bir kablo ile birçok Çarpandan gelen<br />
akımları toplayabilir. Bunu sayısal olarak yapmak için birçok transistöre ihtiyaç vardır.<br />
Kapasitörleri doldurmak için herhangi bir güç israfı yapılmamaktadır. Yapay sinir ağı yongası<br />
ağırlık matrisinin saklanmasını gerektirir. Eğer yonga uyartımlı bir algoritmayı çalıştıracak ise<br />
o zaman ağırlık değerlerinin elektriksel olarak değişken olmaları gerekir. Analog ağlar ağırlık<br />
matrisini saklamak <strong>ve</strong> dinamik olarak kullanmak bakımından herhangi bir güçlük<br />
göstermezler. Bu sistemler hem sabit hem de değişken değerleri saklayabilirler. Analog<br />
sistemler hazır sistemler kullanarak tasarlamak kolaydır[4]. Analog sensörlerin çoğu analog<br />
çıktılar üretirler. O nedenle analogtan sayısala dönüştürücülerin kullanılmasına gerek yoktur.<br />
Analog yapay sinir ağları üzerinde yapılan araştırmalar şu dezavantajların olduğunu<br />
göstermektedir. Analog yapay sinir ağları ısıya karşı duyarlıdır. Isı değişiklikleri yonga<br />
fonksiyonlarını etkileyebilir. Gürültü analog sistemlerin diğer bir problemidir. Yapay sinir<br />
ağları girdi voltajlarına duyarlı olduklarından bu voltajdaki en küçük bir değişiklik <strong>ve</strong><br />
<strong>ve</strong>rilerdeki çok küçük bir gürültü yonga davranışlarını etkiler. Paralel analog yapay sinir<br />
ağlarını test etmek kolay değildir. Direnç <strong>ve</strong> kapasitörleri geliştirmek kolay değildir. 256 x<br />
256 girdi <strong>ve</strong> çıktısı olan bir ağ için 512 Uç (pin) gerektirmektedir. Bu ise oldukça pahalıdır.<br />
Önceden belirlenmiş ağırlık matrisleri ile seri üretim yapmak çok zordur. Farklı yapılarda<br />
donanım tasarlamalarına karşın genel olarak kullanılabilecek bir sınıflandırma yapısı Şekil<br />
2’de <strong>ve</strong>rilmiştir[12].<br />
B<strong>İ</strong>L<strong>İ</strong>MDE MODERN YÖNTEMLER SEMPOZYUMU - BMYS'2005<br />
16 - 18 Kasım 2005<br />
Grand Yükseliş, KOCAEL<strong>İ</strong><br />
Karma tasarımlar hem Sayısal hem de analog sistemlerin birleştirilmesi ile elde edilen<br />
donanımlardır. Bu sistemlerin amacı her iki yaklaşımında avantajlarını bir araya<br />
906
getirmektedir. Genel olarak dış dünya ile ilişki sayısal sinyaller ile gerçekleştirilmektedir.<br />
Dâhili işlemler ise ya tamamen ya da kısmen analog devreler ile sağlanmaktadır.<br />
Hızlandırıcı<br />
kartlar<br />
Standart<br />
Chipler<br />
Çoklı<br />
<strong>İ</strong>şlemciler<br />
Nörobilgisayarlar<br />
Analog<br />
Nörochipler<br />
Karma<br />
Sayısal<br />
Şekil 2. YSA donanımlarının sınıflandırılması.<br />
Yapay sinir ağlarının donanımlarını karşılaştırmak <strong>ve</strong> performanslarını değerlendirmek için şu<br />
ana kadar bir kıyaslayıcı henüz geliştirilmemiştir[12]. Ağın sahip olduğu topoloji, modelin<br />
yapısı <strong>ve</strong> öğrenme kuralları donanımın performansını etkilemektedir. Buna rağmen, yapay<br />
sinir ağlarına dayalı donanımların performanslarını ölçmek için kullanılan en yaygın ölçüt<br />
saniyede gerçekleştirilen işlem (connection per sec) sayısıdır. Yani bu ağa bilgiler<br />
sunulduktan sonra saniyede gerçekleştirilen işlem sayısıdır. Bir problemi öğrenme zamanı da<br />
yine ölçülebilecek <strong>ve</strong> performansı gösteren bir faktör olarak görülebilir.<br />
4. DONANIM UYGULAMASI<br />
Bu uygulama çalışmasında YSA donanım uygulamaları alanında kullanılan genel amaçlı<br />
16F877 pic-mikro denetleyici ile gerçekleştirilen temel mantık kapıları incelenmiştir.<br />
Kullanılan yonganın belirlenmesinde seçilen yonganın kullanım alanının fazla olması, hafıza<br />
kapasitesinin, giriş- çıkış port sayısının yeterli olması etkili olmuştur. Bu nedenle uygulamada<br />
8K program hafızası, 20 MHz çalışma frekansı, 33 port sayısı ile 16F877 pic yongası tercih<br />
edilmiştir.<br />
B<strong>İ</strong>L<strong>İ</strong>MDE MODERN YÖNTEMLER SEMPOZYUMU - BMYS'2005<br />
16 - 18 Kasım 2005<br />
Grand Yükseliş, KOCAEL<strong>İ</strong><br />
Bu çalışmada eğim düşme (Gradient descent) öğrenme algoritması kullanılarak ileri beslemeli<br />
YSA’nın eğitimi gerçekleştirilmiştir. Giriş dizileri uygulanmış <strong>ve</strong> her girişe uygun çıkış elde<br />
edilmiştir. Aktivasyon fonksiyonu olarak eşik fonksiyonu kullanılmıştır.<br />
<strong>İ</strong>lk olarak YSA ile VE, VEYA mantık kapıları gerçekleştirilmiştir. Giriş değerleri Tablo 1 <strong>ve</strong><br />
Tablo 2’de <strong>ve</strong>rilmiştir. Kullanılan ağ yapısı şekil 3’te gösterilmiştir. Kullanılan ağırlık<br />
907
değerleri Matlab ortamında hesaplanmış <strong>ve</strong> pic yongasına yüklenmiştir. Ve kapısı için elde<br />
edilen ağırlık <strong>ve</strong> polarma değerleri. W1=0.4, W2=0,4; b= -0,6 dir. VEYA kapısı için elde<br />
edilen Ağılık <strong>ve</strong> polarma değerleri ise W1=1,W2=1, b= -2 olarak hesaplanmıştır. Yani eğitim<br />
bilgisayar aracılığı ile yapılmıştır. VE değil <strong>ve</strong> VEYA değil kapıları için ise sadece kullanılan<br />
ağırlık değerlerinin değiştirilmesi yeterli olacaktır.<br />
Tablo 1. VE kapısı doğruluk tablosu.<br />
X1 X2 Y<br />
Girişi Girişi Çıkışı<br />
0 0 0<br />
0 1 0<br />
1 0 0<br />
1 1 1<br />
Tablo 2. VEYA kapısı doğruluk tablosu.<br />
X1<br />
X1 X2 Y<br />
Girişi Girişi Çıkışı<br />
0 0 0<br />
0 1 1<br />
1 0 1<br />
1 1 1<br />
W2<br />
W1<br />
5. SONUÇ VE DEĞERLEND<strong>İ</strong>RME<br />
X2<br />
+<br />
b<br />
Σ<br />
Şekil 3. VE, VEYA mantık kapısı YSA ağ modeli.<br />
YSA günümüzde oldukça farklı alanlarda kullanılmaktadır. Yapay zeka uygulamalarının<br />
günlük hayatta daha fazla kullanılabilmesi için donanımsal gerçeklemelere ihtiyaç vardır.<br />
Bundan dolayı özel tasarlanmış donanımlar bu uygulamalar için pahalı olacaktır. Ayrıca<br />
kullanıcıların farklı ihtiyaçlarına cevap <strong>ve</strong>recek kapasitede de olamayacaklardır. Küçük yada<br />
orta büyüklükteki YSA donanımları genel amaçlı mikrodenetleyiciler kullanılarak hızlı <strong>ve</strong><br />
etkili bir şekilde gerçekleştirilebilirler. Yapılan çalışmada ise genel amaçlı denetleyiciler ile<br />
akıllı donanım gerçeklemeleri için temel bilgiler <strong>ve</strong>rilmiş <strong>ve</strong> başarılı bir temel uygulama<br />
gerçekleştirilmiştir.<br />
B<strong>İ</strong>L<strong>İ</strong>MDE MODERN YÖNTEMLER SEMPOZYUMU - BMYS'2005<br />
16 - 18 Kasım 2005<br />
Grand Yükseliş, KOCAEL<strong>İ</strong><br />
908<br />
Y
KAYNAKLAR<br />
1. Zurada, M.J., 1992, Introduction to Artificial Neural Systems, West Publishing Company,<br />
Inc. New York.<br />
2. Bal C., 2002, Doğru Akım Motorlarının Hız Denetiminde Yapay Sinir Ağlarının<br />
Performans Analizi, F.Ü. Fen Bilm. Enst. Yüksek Lisans Tezi.<br />
3. Haykin, S., 1994, Neural Networks, A Comprehensi<strong>ve</strong> Foundation, Macmillan College<br />
Publishing Comp. Inc.<br />
4. Öztemel E., 2003, Yapay Sinir Ağları, Papatya yayınları, <strong>İ</strong>stanbul,232p.<br />
5. Glesner M. And Pöchmüller W., 1994, Neurocomputers, Chapman & Hall, Great Britain<br />
Uni<strong>ve</strong>rsity pres, Cambridge, 281p.<br />
6. Hirota K. And Fukuda T., 1999, Soft computing in mechatronics, Physica-Verlag, New<br />
York, 186p.<br />
7. <strong>Türkoğlu</strong>, <strong>İ</strong>., 1996, Yapay Sinir Ağları ile Nesne Tanıma, F.Ü. Fen Bilm. Enst. Yüksek<br />
Lisans Tezi<br />
8. Chen S., and Billings, S.A., 1992, Neural Networks for Nonlinear Dynamic System<br />
Modeling and Identification, Int. J. Control, Vol.56, No:2, 319-346.<br />
9. Har<strong>ve</strong>y, R. L., 1994, Neural Network Principles, Prentice-Hall, Inc., New Jersey.<br />
10. Rumelhart, D.E., McClelland, J.L., and the PDP Research Group, 1986, Parallel<br />
Distributed Precessing (PDP): Exploration in the Microstructure of Cognitioni Vol. 1.<br />
Cambridge, MA: MIT Press.<br />
11. Yihua Liao, "Neural Networks in Hardware: A Sur<strong>ve</strong>y", ECS 250A ( Computer<br />
Architecture) project, Fall 2001<br />
12. Duman F., Erdem H., 2003, Hardware Implementation of Neural Network on General<br />
Purpose Microcontroller, International Conf. On Sig. Proc., Vol. 1, num. 2,<br />
13. Avci M., Yıldırım T., 2003, Microcontroller Based Neural Network Realization and Iris<br />
Plant Classifier App., TAINN 2003, Turkey<br />
14. Kim C. M., Park H.M., Kim T. Lee S. Y., Choi K.Y.,2003, FPGA Implementation of ICA<br />
Algorithm for Blind Signal Separation and acti<strong>ve</strong> Noise Canceling., IEEE Trans. On Neu.<br />
Netw. Vol. 14, No. 5<br />
B<strong>İ</strong>L<strong>İ</strong>MDE MODERN YÖNTEMLER SEMPOZYUMU - BMYS'2005<br />
16 - 18 Kasım 2005<br />
Grand Yükseliş, KOCAEL<strong>İ</strong><br />
909