Investigation of the Optimal Number of Neuron in One-Hidden-Layer Artificial Neural Networks

Atık su arıtma tesislerinde su kalitesini takip edip müdahale etmek, tesislerin yönetiminde önemli bir rol oynar. Atık su arıtma tesisleri yapılırken ve işletilirken, biyolojik oksijen ihtiyacı değerlerine gereksinim duyulmaktadır. Bu değerin ölçülmesi diğer parametrelere göre daha uzun sürelerde gerçekleşmekte ve deneylerin yapılması da zahmetli ve maliyetli olmaktadır. Bu çalışmada biyolojik oksijen değerinin, atık su arıtma tesislerinde kolayca ölçülebilen diğer parametreler aracılığıyla yapay sinir ağları ve çoklu regresyon analizi teknikleriyle tahmin edilmesi amaçlanmıştır. Çalışmada kullanılan ölçüm sonuçları 2021-2022 yılları arasında Van iline ait bir atık su arıtma tesisinde ölçülen verileri kapsamaktadır. Kullanılan tahmin girdi parametreleri pH, elektriksel iletkenlik, sıcaklık, çözünmüş oksijen, kimyasal oksijen ihtiyacı, askıda katı madde, toplam azot ve toplam fosfor değerleri bağımsız değişken ve biyolojik oksijen değeri ise bağımlı değişken olarak seçilmiştir. Yapılan tahminlerde yapay sinir ağı modeli için MAPE değeri %0.12, MAD değeri 0.04, R değeri %99.83 ve R2 değeri %99.68 olarak elde edilmiştir. Aynı şekilde çoklu regresyon analizi yöntemi ile BOİ tahmin modelinde MAPE değeri %0.68, MAD değeri 0.06, R değeri %96.40 ve R2 değeri %92.92 olarak bulunmuştur. Çalışmada elde edilen bulgular biyolojik oksijen değerinin kolayca ölçülebilen parametreler yardımıyla ileri beslemeli yapay sinir ağları ve doğrusal çoklu regresyon analizi teknikleri ile oluşturulmuş olan modeller kullanılarak tahmin edilmesi mümkündür. Her iki model karşılaştırıldığında ise yapay sinir ağları ile geliştirilmiş olan modelin çoklu regresyon analizi ile geliştirilmiş olan modele göre daha iyi performans sergilediği tespit edilmiştir.

show abstract

Optimizing Hyperparameters for Enhanced Performance in Convolutional Neural Networks: A Study Using NASNetMobile and DenseNet201 Models

Aksoy,

Adem

2024

Mühendislik Bilimleri Ve Araştırmaları Dergisi

View full text Add to dashboard Cite

Convolutional neural networks, inspired by the workings of biological neural networks, have proven highly successful in tasks like image data recognition, classification, and feature extraction. Yet, designing and implementing these networks pose certain challenges. One such challenge involves optimizing hyperparameters tailored to the specific model, dataset, and hardware. This study delved into how various hyperparameters impact the classification performance of convolutional neural network models. The investigation focused on parameters like the number of epochs, neurons, batch size, activation functions, optimization algorithms, and learning rate. Using the Keras library, experiments were conducted using NASNetMobile and DenseNet201 models—highlighted for their superior performance on the dataset. After running 65 different training sessions, accuracy rates saw a notable increase of 6.5% for NASNetMobile and 11.55% for DenseNet201 compared to their initial values.

show abstract

scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.

Contact Info

hi@scite.ai

10624 S. Eastern Ave., Ste. A-614

Henderson, NV 89052, USA

Blog Terms and Conditions API Terms Privacy Policy Contact Cookie Preferences Do Not Sell or Share My Personal Information

Made with 💙 for researchers

Part of the Research Solutions Family.

Investigation of the Optimal Number of Neuron in One-Hidden-Layer Artificial Neural Networks

Cited by 3 publications

References 26 publications

Application of geographic information systems with artificial neural networks technique in prediction of wind energy potential; the case of Isparta Province, Türkiye

Application of geographic information systems with artificial neural networks technique in prediction of wind energy potential; the case of Isparta Province, Türkiye

Prediction of Biochemical Oxygen Demand in Wastewater Treatment Plants Using Artificial Neural Network and Regression Analysis

Optimizing Hyperparameters for Enhanced Performance in Convolutional Neural Networks: A Study Using NASNetMobile and DenseNet201 Models

Contact Info

Product

Resources

About