---

kendime ait olan yapay sinir ağları ile imza tanıma lisans tezim ektedir. güvenlik sebepleri ile kişilerin isimleri ve imzaları silinmiş bunun dışında literatür araştırması ve uygulama kodlarının tamamı mevcuttur. bu iş ile ilgilenen arkadaşlara umarım yardımı dokunur. içindekiler;

özet ıv
önsöz v
tablolar dizini vı
şekiller dizini vıı
simgeler ve kısaltmalar dizini ıx
1. giriş 1
2. biyometrik tanıma sistemleri 2
2.1 biyometri 2
2.2 biyometrik teknolojiler 2
2.2.1 iris tanıma 2
2.2.2 parmak izi tanıma 3
2.2.3 yüz tanıma 3
2.2.4 el geometrisi tanıma 3
2.2.5 ses tanıma 4
2.2.6 retina tanıma 4
2.2.7 imza tanıma 4
2.3 uygulama alanları 4
3. yapay sinir ağları 6
3.1 yapay sinir ağlarının tanımı ve tarihçesi 6
3.2 yapay sinir ağlarının uygulama alanları 7
3.3 yapay sinir ağlarının üstünlükleri 7
3.3.1 doğrusal olmama 8
3.3.2 paralellik 8
3.3.3 gerçeklenme kolaylığı 8
3.3.4 yerel bilgi işleme 8
3.3.5 hata toleransı 9
3.3.6 öğrenebilirlik 9
3.3.7 genelleme 9
3.3.8 uyarlanabilirlik 10
3.4 yapay sinir ağları nasıl çalışır? 10
3.5 yapay sinir ağlarının yapısı 11
3.5.1 girdi katmanı 11
3.5.2 ara katman (gizli katman) 11
3.5.3 çıktı katmanı 11
3.6 yapay sinir hücresi 12
3.6.1 girdiler 13
3.6.2 ağırlıklar 13
3.6.3 birleştirme fonksiyonu 13
3.6.4 aktivasyon fonksiyonu 13
3.6.4.1 doğrusal aktivasyon fonksiyon 14
3.6.4.2 sigmoid aktivasyon fonksiyonu 15
3.6.4.3 tanjant hiperbolik aktivasyon fonksiyonu 15
3.6.5 çıktı 16
3.7 yapay sinir ağlarının sınıflandırılması 16
3.7.1 yapay sinir ağları’nın yapılarına göre sınıflandırılması 16
3.7.1.1 ileri beslemeli (feedforward) ağlar 17
3.7.1.2 geri beslemeli ağlar 17
3.7.2 yapay sinir ağları’nın öğrenme algoritmalarına göre sınıflandırılması 18
3.7.2.1 öğretmenli öğrenme 18
3.7.2.2 öğretmensiz öğrenme 19
3.7.2.3 takviyeli öğrenme 19
3.7.3 uygulamaya göre öğrenme algoritmaları 19
3.7.3.1 çevrimiçi öğrenme 19
3.7.3.2 çevrimdışı öğrenme 19
3.8 yapay sinir ağ yapıları 20
3.8.1 yapay sinir ağı tasarımı 20
3.8.1.1 ysa ağ yapısının seçimi 20
3.8.1.2 ysa’nın öğrenme algoritması seçimi 21
3.8.1.3 ara katman sayısını belirleme 22
3.8.1.4 nöron sayısının belirlenmesi 22
3.8.1.5 normalizasyon 23
3.8.1.6 performans fonksiyonu seçimi 23
3.8.2 yapay sinir ağları ağ yapıları 23
3.8.2.1 tek katmanlı algılayıcı 23
3.8.2.2 adaline 24
3.8.2.3 çok katlı algılayıcılar (multi layer perceptron) 24
3.8.2.4 radyal tabanlı sinir ağı 25
3.8.2.5 lvq (learning vector quantisation) 25
3.8.2.6 hopfield ağı 27
3.8.2.7 elman ve jordan ağları 30
3.8.2.8 kohonen ağı 31
3.8.2.9 art (adaptive resonance theory) ağı 32
3.8.2.10 olasılık tabanlı yapay sinir ağları 34
3.9 yapay sinir ağlarının öğrenme algoritmaları 34
3.9.1 temel öğrenme kuralları 34
3.9.1.1 hebb kuralı 35
3.9.1.2 delta kuralı 35
3.9.1.3 kohonen kuralı 35
3.9.1.4 hopfield kuralı 36
3.10 yapay sinir ağlarının öğrenme algoritmaları 36
3.10.1 geriyayılım algoritması 36
3.10.2 delta bar delta 37
3.10.3 geliştirilmiş delta bar delta 38
3.10.4 hızlı yayılım(quickprop) 38
4. matlab ve yapay sinir ağları 41
4.1 matlab nedir? 41
4.2 matlab’da ileri beslemeli çok katmanlı algılayıcı ağların tasarımı 41
4.3 yapay sinir ağları ile imza tanıma projesinin matlab ile hazırlanması 42
4.3.1 imzaların toplanması ve eğitim seti ile test setinin tasarlanması 43
4.3.2 imzaların normalizasyonu 43
4.3.3 giriş matrisinin oluşturulması 46
4.3.4 çıkış matrisinin oluşturulması 47
4.3.5 gizli katman aktivasyon fonksiyonun seçilmesi 49
4.3.6 gizli katman nöron sayısının tespiti 49
4.3.7 çıkış katmanı aktivasyon fonksiyonun seçilmesi 49
4.3.8 çıkış katmanı nöron sayısının tespiti 50
4.3.9 eğitim fonksiyonun seçilmesi ve ağın eğitilmesi 50
4.3.10 ağın test edilmesi 53
4.3.11 test sonuçlarının beklenen sonuçlar ile karşılaştırılması 54
4.3.12 eğitim fonksiyonlarının karşılaştırılması 57
5. sonuç ve öneriler 59
ekler 60
kaynaklar 64

---

---

çok merak ediyoru yapat sinir ağları nedir son günlerde çok duymaya başladı kısca özetleyebilir misiniz teşekkürler

---

Başa dön

---

elimden geldiği kadar yardımcı olmaya çalışayım...

Yapay sinir ağları beyindeki sinirlerin çalışma prensiplerini taklit ederek sistemlere öğrenme, genelleme yapma, hatırlama gibi yetenekleri kazandırmayı amaçlayan bilgi işleme sistemidir. Bu sistemler tahmin, sınıflandırma ve veri ilişkilendirme problemlerinde oldukça başarılı bir şekilde kullanılmaktadır. Bu ağ sistemlerinde bir çok öğrenme algoritması, eğitim fonksiyonu, ağ yapısı mevcuttur. Bu değişkenlere bağlı olarak bazı sistemler bazı problemler için özel olarak kullanılır ve bu şekilde çok hızlı ve başarılı sonuç veren sistemler ortaya çıkar.

---

Başa dön

---

En azından imza resimlerini silmeseydiniz. İsimler olmadıktan sonra kimsenin bu imzaları kullanacak hali yok ki. Hem imzaları sildikten sonra bu imza resimlerinin işlenmiş hallerinin nasıl olacağını nereden bileceğiz. Müneccim değiliz ya.

---

Başa dön

---

Resimlerin üstünde imzanın sahibinin ismi yazdığı için sildim. Eğer isimler mevcut olmasaydı silmeyecektim zaten ancak her resmin üstünde imzanın sahibinin adı da yazdığı için silmek zorunda kaldım kusura bakmayın. Ancak işlenmiş hallerinin nasıl olacağını EKLER kısmında verilen kodlar aracılığı ile çok kısa sürede MATLAB ortamında görebilirsiniz. Herhangi bir siyah-beyaz resmi işleme sokarak sonuç alabilirsiniz.

Saygılarımla...

---

Başa dön

---

Yapay Sinir Ağları; Biyolojik sinir hücresi model alınarak geliştirilmiştir. Basit bir sinir hücresinde alıcı uçlar(dentrit), hücre çekirdeği, ve verici uçlar(akson) bulunur. Biyolojik sinir hücreleri birbirlerine bağlanarak sinir kordonlarını ve sinir ağlarını oluşturur. Biyojik sinir hücreleri arasındaki iletişim elektriksel olarak gerçeleşir. Bu model esas alınarak sanal olarak bilgisayar ortamında algılayıcı(perceptron) adı verilen yapı kurgulanmıştır. Bu yapay sinir hücresinin alıcıları(dentrit) olarak nümerik olarak girişleri vardır. Bu girişler biyolojik sinir hücre çekirdeğinde olduğu gibi toplam fonksiyonu ve aktivasyon fonksiyonu adı verilen yapılarla değerlendirilir ve nümerik olarak bir çıktı değeri oluşturur. Bu değer sinir kordonu ile bağlanan sinir hücreleri gibi diğer yapay sinir hücrelerine aktarılır. Yapay hücrelerin vermesi beklenen çıktıları vermemesi durumunda her algılayıcının sahip olduğu nümerik ağırlık değerleri değiştirilir. Bu şekilde ağ beklenen çıktı verene kadar ağın eğitilme işlemi devam eder.

Özetle insanın öğrenme özelliği model olarak esas alınarak makinelere öğrenebilme(genelleme yapabilme) özelliği kazandıran yapay sinir ağlarıdır. Sisteme örneklemeler sunularak ağ eğitilir, ağın öğrenip öğrenmediğini daha önce hiç görmediği durumlar gösterilerek test edilir. Başarı oranı istenilen seviyeye gelene dek ağın parametreleri değiştirilir.

Günümüzde başarılı ve pratik uygulamaları çok çeşitli alanlarda mevcuttur. İktisattan gen bilişimine, robot uygulamalarına kadar farklı alanlarda kullanılılmaktadır. Genelleme, sınıflandırma, tanımlama alanlarında kullanılır.

---

Başa dön