Dirichlet sınır değer koşullarına sahip adi diferansiyel denklemlerin nümerik çözümleri için basit tekrarlayan sinir ağları
| Autor: | Gülsüm Işman, Merve Kocakula, Korhan Günel |
|---|---|
| Jazyk: | angličtina |
| Rok vydání: | 2018 |
| Předmět: |
Combinatorics
symbols.namesake Polymers and Plastics Tekrarlayan sinir ağları parçacık sürü optimizasyonu adi diferansiyel denklemler Dirichlet sınır değer problemi Dirichlet boundary condition Recurrent neural networks particle swarm optimization ordinary differential equations Dirichlet boundary value problem Ode symbols Business and International Management Industrial and Manufacturing Engineering Mathematics |
| Zdroj: | Volume: 20, Issue: 3 143-153 Balıkesir Üniversitesi Fen Bilimleri Enstitüsü Dergisi |
| ISSN: | 1301-7985 2536-5142 |
| Popis: | In this study, we consider Dirichlet Boundary Value Problems (DBVPs) for Ordinary Differential Equations (ODEs) to illustrate the general procedure of obtaining numerical solutions using simple Recurrent Neural Networks (RNNs). Different types of both linear and nonlinear activation functions are used in the neural network. The network is trained by Particle Swarm Optimization (PSO) method, and cross validation approach is performed to tune the arbitrary parameters of neural nets. The exact solutions and the obtained neural net solutions, regarding with the types of activation functions, are compared to determine the efficiency of using RNNs in solving the problem. In all cases, the exact solutions are confronted with those obtained from RNNs in the context of absolute errors and average mean squared errors (MSEs) with standard deviations. Bu çalışmada, basit tekrarlayan yapay sinir ağları (RNN’ler) kullanılarak nümerik çözümlerin elde edilmesine yönelik süreci genel olarak açıklamak adına, Adi Diferansiyel Denklemler (ODE) için Dirichlet Sınır Değer Problemleri (DBVP) ele alınmıştır. Yapay sinir ağında doğrusal ve doğrusal olmayan türlerde çeşitli aktivasyon fonksiyonları kullanılmıştır. Ağ, Parçacık Sürü Optimizasyonu (PSO) yöntemiyle eğitilmiştir ve ağın keyfi parametrelerinin ayarlanabilmesi için çarpaz doğrulama yaklaşımı kullanılmıştır. Problemin çözümünde RNN kullanımının etkinliğini belirlemek için, gerçek çözümler ile aktivasyon fonksiyonunun türüne bağlı olarak elde edilen sinir ağı çözümleri karşılaştırılmıştır. Tüm durumlarda gerçek çözümler ile RNN’den elde edilen sonuçlar, mutlak hatalar, ortalama karesel hataların ortalaması ve standart sapma bağlamında karşılaştırılmıştır. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|