)1()(twytwikjikajikj (3.26) ile hesaplanr. aj ise: majmmajwsf)(' (3.27) Sigmoid aktivasyon fonksiyonu kullanldnda hata deeri ise: majmmajajajwyy)1( (3.28) forml ile hesaplanr. Deiim miktar hesaplandktan sonra t. iterasyondaki yeni deerler: )()1()(twtwtwikjikjikj (3.29) olur. Ara katman eik deer arlklar a ile gsterilirse deiim miktar: )1()(ttajajaj (3.30) 55 Arlklar t. iterasyondaki deerleri ise yle hesaplanr: )()1()(tttajajaj (3.31) Bylece arlklarn hepsi deitirilmi olacaktr. Bir iterasyon hem ileri hem geri hesaplamalar yaplarak bitirilip ikinci rnee ayn ilemler uygulanr. Bu ilemler, renme gerekleene kadar srdrlr. 3.3. Yapay Sinir Alar Destekleyici renme: Dorusal Vektr Paralama/Niceleme Modeli (LVQ) LVQ (Learning Vector Quantization), 1984 ylnda Kohonen tarafndan

Bu model ve Kohonenin LVQ andan ncegelitirdii SOM (SelfOrganizing Maps) modeli katman zerine temellendirmitir. Kohonen katman n boyutlu bir vektr bir vektrler setine uydurmaktadr (mapping)97. Daha ok snflandrma problemlerinin zmnde kullanlan LVQda ama bir vektrn belirli sayda vektr ile gsterilmesidir. LVQ ann renmesi, girdi vektrnn hangi vektr seti tarafndan temsil edildiinin bulunmas anlamna gelmektedir. Bu vektr setine referans vektrleri denirse LVQ ann grevi, renme yolu ile bu referans vektrleri belirlemektir. Yani, girdi vektrlerinin yesi olabilecekleri vektr snfn belirlemektir98. LVQ alar katmandan olumaktadr. lk katman girdi katmandr. rneklerin aa gsterildii bu katmanda bilgi ileme gereklemez, gelen bilgiler, girdi vektrn oluturur. kinci katman, Kohenen katmandr. Bu katmanda girdi setine en yakn olan arlk vektr belirlenir. Bu katmandaki her eleman bir referans vektrn

Girdi vektr, girdi katman ile Kohonen katman arasndaki arlklarn oluturduu referans vektrlerine haritalanmaktadr. nc katman olan kt katmannda ise girdinin ait olduu snf belirlenir. 97 Anderson ve McNeill,a.g.e.,s.41 98 ztemel,a.g.e.,s.115 56 ekil 3.5: LVQ Ann Topolojik Yaps LVQ alar, girdi ve Kohonen katmanlar arasnda tam balantl, Kohonen ve kt katmanlar arasnda ise ksmi balantl olmaktadr. Girdi katmanndaki her ilemci eleman Kohonen katmanndaki tm ilemci elemanlarla balantldr. Kohonen katmanndaki ilemci elemanlar ise kt katmanndaki bir tek ilemci elemanla

Kohonen katman ile kt katman arasndaki arlklar () sabit olup 1e eittir ve bu arlklar deimez. An eitimi sadece Kohonen katman ile girdi katman arasndaki arlklarn yani referans vektrlerin deerlerinin deitirilmesi ile gerekletirilir. Kohenen katmannda ne kadar ilemci eleman varsa o kadar referans vektr oluturulur99. LVQ, retmensiz renme trlerinden olan yarmac renme (competitive learning) snfna giren Kohonen renme kuraln kullanmaktadr. Eitim srasnda girdilerin snflandrlmas en yakn komu (nearest neigbour) kuralna gre gerekleir. Eitimde girdi vektr ile referans vektr arasndaki en ksa mesafe