Yapay sinir ağları ile kapsama analizi
Genel Bilgi ve Haberler
Günümüzde, yapay sinir ağları olarak da bilinen yapay zeka, yaşamımızın hemen hemen tüm alanlarında kendini göstermeye başlamıştır. Halihazırda sanayiden tıbba, ekonomiden psikolojik davranışların analizine kadar pek çok alanda yaygın bir şekilde kullanılmaya başlanmıştır.
Nobel ödüllü bilim insanı Stephen Hawking, “Yapay zeka araştırmaları büyük bir hızla devam ediyor. Son dönemde kendi kendini süren otomobiller, bilgi yarışmalarını kazanan robotlar, Siri, Google Now ve Cortana gibi dijital asistanlar icat edildi. Bütün bunlar yapay zeka teknolojileri konusunda önemli bir araştırma ve yatırım savaşının başladığına işaret ediyor” demiştir.
İnsana benzer robotların, beynin fonksiyonunu yerine getirmek için elektronik devrelerden aldığı işaretlere göre davranış göstermesi, etrafındaki olaylara tepki vermesi, bir bakıma yapay zekanın, günün birinde insan zekasının yerine geçecek mi sorusunu gündeme getirmeye başlamıştır.
Yukarıda temsili olarak insan beynini resmeden şekillerden sizce hangisi daha hızlı düşünür ve daha hızlı karar verir?
Descart’ın düşüncenin önemini vurgulamak için 17. yy’da söylediği, “Düşünüyorum öyleyse varım” sözü bugünün bilgisayarları için de galiba geçerli olmaya başlayacak. Ne zamanki bir yapay zekaya sahip düşünen makine veya robot, aynı sözü söyler, o zaman bir daha düşünmemiz lazım, teknoloji nereye gidiyor diye?
Bilgisayarlar halihazırda insan gibi olmasa da “düşünmeye” ve öğrenmeye başladılar. İnsanoğlu, doğumundan itibaren, hatta varoluşundan bu yana sürekli olarak etrafını keşfetmeye, tecrübe ile öğrenmeye devam etmektedir. Etrafındaki olaylara bakarak, öğrenmeye, yaşadığı tecrübelerden ve öğrendiklerinden hayata uygulamaya devam etmektedir.
İnsan aklı, doğuşdan itibaren sürekli olarak öğrenme ile gelişen bir yetenektir. Öğrenme beynin çevresel etkilere karşı oluşturduğu bir tepki sonucu oluşmaktadır. Öğrenme, aynı zamanda geçmiş tecrübelerden yararlanarak yeni karşılaşılan duruma uyum sağlama yeteneği olarak da ifade edilmektedir. İnsan beyni öğrenme işlemini, bir kez gerçekleştirdikten sonra karşısına çıkacak yeni problemleri çözmede kullanır.
Bilgisayar alanındaki ilerlemeler 1940’lı yıllardan günümüze dek teknolojinin gelişimi ile hızla devam etmektedir.
Yapay sinir ağları (YSA), insan beyninin çalışma mantığına dayalı olarak çalışmaktadır. YSA; tıpki insanda olduğu gibi deneme, yanılma yöntemini kullanarak öğrenme işlemini gerçekleştirmektedir.
Yapay sinir ağları, propagasyon (yayılım) modellerine bir alternatif olarak kapsama analizlerinde kullanılmakta olup, simülasyon modellerinden elde edilen sonuçlara yakın, hatta onlardan daha iyi sonuç vermektedir. Benzer şekilde YSA hücresel sistemlerinin yol kaybı tahmininde başarılı bir şekilde kullanılmaktadır (Ostlin 2010, Popescu, I. 2003. )
Bir vericiden yayılan elektromanyetik dalganın bir coğrafik alanda nerelere ulaştığının yani nereleri kapsadığının bilinebilmesi için verici ve alıcı noktası arasındaki her türlü engelin ve etkinin (yansıma, kırılma kırınım şartlarının) bilinmesi gerekmektedir. Tüm bu etkiler sinyalin nerelere kadar ilerleyebileceğinin dolayısıyla nerelerin kapsanacağının belirlenmesinde başat rol oynamaktadır. Yani iyi bir kapsamanın elde edilebilmesi için fiziksel çevrenin çok iyi tanımlanması gerekmektedir.
Çoğu zaman alıcı ve verici arasında direkt görüş hattı bulunmamaktadır. Bu sebeple, elektrik alanını tahmin etmek çok karmaşık ve zor bir iş olarak karşımıza çıkmaktadır. Bir vericinin kapsama alanının belirlenebilmesi için vericiye ait teknik parametrelerin (çıkış gücü, anten kazancı, koordinat bilgisi vb) bilgisayar ortamına girilmesi ve teorik modellerin sayısal harita üzerinde “koşturulması” gerekmektedir. Çalışmanın sonucunda ne kadarlık bir alanın kapsanıp kapsanamayacağı belirlenebilmektedir. Kapsama analiz programları ticari yazılımlar olup, oldukça pahalı yazılımlardır. Şekil- 1de bir vericinin ne kadarlık bir coğrafi alanda etkili olduğu görülmektedir.
Şekil-1’de bir vericinin simülasyon ortamında hesaplanmış ve sayısal harita üzerinde her noktada oluşturduğu elektrik alan şiddet değeri görülmektedir.. Vericiden uzaklaşıldıkça sinyal şiddeti azalmaktadır (kırmızıdan mavi renge dönüşmekte).
Benzer şekilde, Şekil- 2’de bir arazi üzerinde elektromanyetik dalganın mesafeye ve alıcı ve verici arasındaki arazi engebesine bağlı olarak değişimi görülmektedir.
Şimdi esas meseleye gelelim. Peki, YSA elektrik alan şiddet değerinin vericiden itibaren uzaklaşıldıkça azalacağını, serbest uzayda nasıl bir kayba uğrayacağını veya dalganın önüne bir engel geldiğinde nasıl davranış göstereceği nasıl ve nereden bilecek. Yansıma, kırılma ve kırınım mekanizmalarını nereden bilecek de, örneğin vericiden 10 km uzaklıkta olması gereken elektrik alan şiddet değeri veya olması gereken güç değeri dBm cinsinden şu kadar dBm diyecek? dB, dBm veya dbuV/m değerini hesap makinesi kullanmadan “kafadan” nasıl hesaplayacak. Bunları hesap edebilmek için en az üniversite düzeyinde bir eğitim almak gerekli değil mi?
Yapay sinir ağları, simulasyon sonucu veya ölçüm değerlerinden elde edilmiş olan değerleri (çıktı), kendisine girdi olarak verilen parametrelere bağlı olarak anlamlandırmakta, ve girdi ve çıktı arasında bir ilişki (korelasyon) kurarak bir bakıma öğrenme işlemini gerçekleştirerek, doğru sonucu bulmaya çalışmaktadır. Eğer yapay sinir ağlarına ezberci bir öğrenme yöntemi uygulanırsa, sonuçlar oldukça yanlış da çıkabilmektedir. O yüzden YSA’ların girdi verileri ile çıktı veriler arasında ezberci bir mantıkla öğrenmemeleri için çeşitli algoritmalar çeşitli öğrenme kuralları uygulanmaktadır.
Kapsama analizinde verici kaynaktan uzaklaşıldıkça (d mesafesi) elektrik alan şiddet değerinde bir azalma görülecektir. Örneğin bu uzaklık parametresi YSA’nın öğrenme işleminde bir girdi olarak tanımlanabilir. Bunun yanı sıra, verici ve ölçüm noktası arasındaki her türlü fiziksel parametreyi girdi olarak sisteme tanıtmak gerekmektedir.
Örneğin, bir yapay sinir ağına girdi parametresi olarak vericiden olan uzaklık (d), etkin anten yüksekliği (EAY) ve arazi engebesi (Delta-H) gibi parametreler, “girdi” olarak sisteme girilip, bu verilere karşı simülasyon programından elde edilen çıktı değeri (örneğin elektrik alan şiddet değeri) veya gerçek hayatta elde edilen ölçüm değerleri “çıktı” olarak verilebilir. Bu durumda, YSA hangi girdi değerleri için ölçüm değerinin ne olacağın öğrenmekte, daha sonra farklı bir “girdi” sisteme tanıtıldığında YSA olması gereken elektrik alan şiddet değerini tahmin edebilmektedir.
Şekil-3’de temsili bir YSA görülmektedir. Girdi değerleri (d, EAY, Delfa –H) , Gizli katman olarak isimlendirilen arak katmanlar ve bir çıktı değeri (Elektrik alan değeri) . Girdi değerine karşı YSA’ya çıktı değeri öğretilmekte, daha sonra farklı 3 değer verildiğinde çıktı değerinin (elektrik alan şiddet değeri ) ne olacağını YSA tahmin edebilmektedir.
Şekil- 4’de bir vericinin ölçüm değerleri, simülasyon programından elde edilen (RTV) değerler ve YSA ile elde edilen değerlerin karşılaştırılması görülmektedir.
Şekil 4’de YSA’dan elde edilen tahmini değerlerinin gerçek hayattaki ölçüm değerlerine kapsama analizinde kullanılan simülasyon programından çok daha yakın olduğu görülmektedir.
Tüm bu veriler ışığında YSA’nın gelecek yıllarda çok daha fazla hayatımızın içine gireceğini tahmin etmek mümkündür.
Bilişim Uzmanı Ali Rıza ÖZDEMİR
Kaynakça:
Ostlin, E. 2010. Macrocell path-loss prediction using artificial neural networks, IEEE Transactions onVehicular Technology, vol.59, no.6, pp.2735-2746.
Ozdemir A.R, Alkan, M., Kabak, M., Gulşen, M., Sazli, M.H. 2014 .The Prediction of Propagation Loss of FM Radio Station Using Artificial Neural Network, Journal of Electromagnetic Analysis and Applications, 2014, 6, pp.358-365.
Popescu, I. 2003. Neural Network Applications for Radiocoverage studies in mobile communications systems, Politehnica University, Electronics and Telecommunications Faculty, Ph.D. Thesis.