[tr]
GRYSA giriş katmanı, örüntü katmanı, toplama katmanı ve çıkış katmanı olmak üzere dört katmandan oluşan ileri beslemeli bir YSA modelidir. Geri beslemeli YSA’lardan farklı olarak iteratif bir eğitim süreci gerektirmez. Yapısında bulunan her bir katman farklı sayılarda nöronlardan oluşup, katmanlar sırası ile bir sonraki katman ile bağlantılıdırlar [1]. GRYSA’nın genel yapısı Şekil 1’de verilmiştir.
İlk katman olan giriş katmanında, nöron sayısı verilerin özelliklerinin sayısına, bir başka deyişle verinin boyutuna eşittir. Örüntü katmanında, önceden de belirtildiği gibi nöron sayısı eğitim setindeki veri sayısına eşittir. Bu katmanda bulunan nöronlarda, eğitim verisi ile test verisi arasındaki mesafeler hesaplanır ve sonuçlar σ değeri ile birlikte radyal tabanlı fonksiyondan geçirilerek ağırlık değerleri elde edilir. Örüntü katmanından elde edilen bu ağırlık değerleri, toplama katmanındaki pay ve payda nöronlarına beslenir. Payda nöronunda, tüm ağırlık değerleri direkt toplanırken; pay nöronunda, örüntü katmanındaki her nörondan gelen ağırlık değerleri ile ilgili nöronda bulunan eğitim verisinin çıkış değeri çarpılır ve bu çarpım değerlerinin toplamı, pay nöronunun çıkış değeri olarak kabul edilir. Son olarak, çıkış katmanında pay nöronundan gelen değer, payda nöronundan gelen değere bölünerek ve sonuç değeri elde edilir.[1]
[1] Specht DF, Shapiro PD. “Generalization accuracy of probabilistic neural networks compared with backpropagation networks”. IJCNN-91-Seattle International Joint Conference on Neural Networks, Seattle, WA, USA, 08-12 July 1991.
[2] https://www.journalagent.com/pajes/pdfs/PAJES_24_5_857_863.pdf
[3] https://easyneuralnetwork.blogspot.com/2013/07/grnn-generalized-regression-neural.html
General Regression Neural Networks are a forward-feed ANN model consisting of four layers. *