Post Image

Levenberg Marquardt Optimizasyonu

Matematik problemlerinde doğrusal ve doğrusal olmayan sistemlerle ilgili çözümler bulmak için optimizasyon teknikleri yaygın olarak kullanılmaktadır. Özellikle kontrol teorisi/sistem dinamiğinde modellenmemiş dinamikleri çözerken optimizasyon algoritmaları sağlamak faydalıdır.

Öte yandan, veri biliminde dinamik model tasarımının çözümü/oluşturulması için sinir ağı yapısı kullanımı belki de en önemli konu haline gelmiştir. Bunun yanı sıra genel mikroişlemci hızıyla sinir ağlarının verimliliği de artar.

Teorik olarak yapay sinir ağları, geri yayılım algoritması (backprojection – BP) olan eğitim kuralı ile girdi-çıktı ilişkisini kurar. Ancak, BP algoritması kararlılığının aksine yavaştır. Bu nedenle BP algoritması, Levenberg-Marquardt algoritması olarak adlandırılan Newton-Gauss yöntemleri ile yeniden tasarlanmıştır. LM algoritmasında, her katsayı, toplam maliyet değil, belirli bir hata değeri için güncellenir. Böylece, daha hızlı bir öğrenme algoritması meydana getiren bir çözüm yolu sunar.

Bu nedenle, bu sorunları hem bilgisayar hem de mikroişlemci yapılarında düzeltmek için basit bir Levenberg-Marquardt algoritması sunulmaktadır.

Bu GitHub dosyamızda, ileri beslemeli sinir ağı yapısına LM optimizasyon tekniği uygulanmaktadır.

Umarız yararlı olur!

Bu kutuphanenin ana kullanımları:

  • doğrusal olmayan girdi-çıktı ilişkisine model kurma
  • belirli bir sistem dinamik modeli için tahmin
  • belirli bir küme için eğitim doğrusal çıktısı

Bu kodu ne tip projelerde kullanabilirsiniz?

  • Motor tasarımı (fizik motorları)
  • Hat tahmini ve üretim
  • Desen tanıma
  • Gerçek zamanlı motor uygulaması

Bu kutuphaneyi nasil kullanabilirsiniz?

  • Örnek klasörde ayrıntılı bir örnek verilmiştir!
  • Kendi veri kümenizi oluşturmak için createDataset kodunu da kullanabilirsiniz!

Comments are closed.