şekil :1 Bir çok giriş için genellikle bir nöron yeterli olmayabilir. Paralel işlem yapan birden fazla nörona ihtiyaç duyulduğunda katman kavramı devreye girmektedir. S tane nöronun tek bir katmanı Şekil’de gösterilmiştir. Burada P girişin her biri bir nörona bağlıdır. Yapılan çalışmalar sonucunda çok katmanlı algılayıcı modeli geliştirilmiş ve XOR problemini çözmeyi başarmıştır. Bu modele hata yayma modeli veya geriye yayım modeli (backpropogation network) de denmektedir. ÇKA modeli yapay sinir ağlarına olan ilgiyi çok hızlı bir şekilde artırmış ve yapay sinir ağları tarihinde yeni bir dönemi başlamasına neden olmuştur.. Bu yöntem Delta öğrenme kuralı denilen bir öğrenme yöntemi kullanmaktadır. Bu aslında Adaline ve perseptron modellerinin geliştirilmiş bir şeklidir. Temel amaç ağın beklenen çıktısı ile ürettiği çıktı arasındaki hatayı en aza indirmektir. Bunu hatayı ağa yayarak gerçekleştirdiği için bu ağa hata yayma modeli denmektedir. Delta Kuralı Öğrenme sondan başa doğru ilerler, en sondaki çıkan sonuçlar ile çıkması gereken Sonuçlar arasındaki farklardan elde edilen hatalar bir öğrenme algoritması sayesinde Başta çıkışa en yakın katmandakiler olmak üzere geriye doğru bütün ağırlıkları güncelleme Şeklinde devam ettirilir. ÇKA’nın Yapısı
n : net giriş toplamı a : çıkış Σ: Toplam fonksiyonu. f : Aktivasyon fonksiyonu. Sigmoid Tanh Lineer
Ä°leri DoÄŸru Hesaplama(Feed Forward)
ileri doğru hesaplamada ağın çıktısı hesaplanır. İşlem Girdi katmanından başlar. Örnek setinden bir örnek ağa Girdi (p1,p2...) katmanından gösterilir ve hiç bir değişiklik olmadan ara katmana gönderilir.
Ara katmandaki her proses elemanı girdi katmanındaki bütün proses elemanlarından gelen bilgileri bağlantı ağırlıkları (A1, A2....) yolu ile alır. Önce ara katmandaki proses elemanlarına gelen net girdi hesaplanır.
ve
Burada ßj, j nolu ara katmana gelen eşik değer elemanın ağırlığını göstermektedir. Bu eşik değeri ünitesinin çıktısı sabit olup 1'e eşittir. Ağırlık değeri ise sigmoid fonksiyonunun oryantasyonunu belirlemek üzere konulmuştur. Eğitim esnasında ağ bu değeri kendisi belirlemektedir.
Çıktı katmanı için oluşan toplam hatayı bulmak için bütün hataların toplanması gerekir. Bazı hata değerleri negatif olacağından toplamın sıfır olmasını önlemek amacı ile ağırlıkların kareleri hesaplanarak sonucun kare kökü alınır. ÇKA ağının eğitilmesindeki amaç bu hatayı en aza indirmektir ve şu formül ile bulunur.
Momentum etkisi yok
Momentum etkisivar ÇKA ağlarının eğitilme felsefesi diğer ağlarınkinden farklı değildir. Ağın kendisine gösterilen girdi örneği için beklenen çıktıyı üretmesini sağlayacak ağırlık değerleri bulunmaya çalışılır. Başlangıçta bu değerler rastgele olarak atanır ve ağa örnekleri gösterdikçe ağın ağırlıkları değiştirilerek zaman içerisinde istenen değerlere ulaşması sağlanır. İstenen ağırlık değerlerinin ne olduğu bilinmemektedir. Bu nedenle yapay sinir ağlarının davranışlarını yorumlamak ve açıklamak mümkün olmamaktadır. Zaten diğer yapay zeka tekniklerinden mesala uzman sistemlerden en önemli farkı da davranışlarını açıklayamamasıdır. Bunun temel nedeni bilginin ağ üzerine dağıtılmış olması ve ağırlık değerlerinin tek başlarına herhangi bir anlam göstermemeleridir. Bilinen tek şey problem uzayında en az hata verebilecek ağırlık değerlerinin bulunduğudur.
n : net giriş toplamı
Momentum etkisi yok
Momentum etkisivar 
Bu yorumun beslemesine abone olun