Application of Artificial Neural Network for Wheat Type Classification: A Novel Artificial Intelligence Training Software
Öz
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.
Anahtar Kelimeler
Artificial Neural Networks Artificial Intelligence Classification Artificial Intelligence Training Application Interface
Kaynakça
- 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.
Öz
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.
Anahtar Kelimeler
Yapay Sinir Ağları Yapay Zeka Sınıflandırma Yapay Zeka Eğitim Uygulaması
Kaynakça
- 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.
Ayrıntılar
| Birincil Dil | İngilizce |
|---|---|
| Konular | Bilgisayar Yazılımı, Mühendislik |
| Bölüm | Araştırma Makalesi |
| Yazarlar | |
| Yayımlanma Tarihi | 23 Ekim 2018 |
| Gönderilme Tarihi | 4 Ağustos 2017 |
| Yayımlandığı Sayı | Yıl 2018Cilt: 21 Sayı: 3 |