Sýnýr aðlarý üzerinden Fourier özniteliklerinin incelenmesi ve kablosuz örgü aðlarda akýllý baðlantý yönlendirmeye uygulanmasý

Rastgele Fourier öznitelikleri (RFÖ), doðrusal olmayan sýnýflandýrma için özellikle büyük ölçekli veri koþullarýnda en önemli araçlardan biridir. Bununla birlikte, RFÖ'nün orijinal önerisi dikkate alýndýðýnda, Fourier öznitelikleri belirli bir daðýlýmdan rastgele seçilir ve eniyilenmeden kullanýlýr. Bu yazýda, Fourier özniteliklerini tek gizli katmanlý bir ileri beslemeli sinir aðý (TKÝS) aracýlýðýyla incelemekte ve bu öznitelikleri (rastgele seçim yerine) optimize etmekte, yani öðrenmekteyiz. Öðrenilen Fourier öznitelikleri radyal taban fonksiyonundan (rtf çekirdeði) üretildikten sonra TKÝS'nin gizli katmanýnda gerçeklenir ve sonra takip eden çýktý katmanýnda kullanýlýr. Biyoinformatik gibi çeþitli alanlardan 10 farklý sýnýflandýrma veri kümeleri ile kapsamlý deneyler sunmaktayýz. Fourier öznitelik öðrenmesinin, rtf çekirdek uzayýnda perseptron uygulama veya ileri yönlü fýrsatçý öznitelikleri seçme stratejileri gibi rakip tekniklere göre oldukça üstün olduðu gözlemlenmiþtir. Öte yandan, Fourier öznitelik öðrenmesi, DVM (rtf çekirdekli destek vektör makineleri) ile karþýlaþtýrýlabilir bir performans sergilerken, önemli hesaplama avantajlarýný marjin büyütmesini kullanmadan dahi saðlayabilmektedir. Ayrýca, TKÝS'yi kablosuz örgü aðlarýnda test ettiðimizde akýllý yönlendirme açýsýndan umut vaat ettiðini gözlemlemekteyiz.

Investigation of Fourier features via neural networks and an application to smart steering in wireless mesh networks

Random Fourier features (RFF) provide one of the most prominent means for nonlinear classification in especially large scale data settings. However, considering the original proposal of RFF, Fourier features are randomly drawn from a certain distribution and used unoptimized. In this paper, we investigate Fourier features via a single hidden layer feedforward neural network (SLFN) and optimize, i.e., learn, those features (instead of drawing randomly). The learned Fourier features are deduced from the radial basis function (rbf kernel), and implemented in the hidden layer of the SLFN which is followed by the output layer. We present extensive experiments with 10 different classification datasets from various fields, e.g., bioinformatics. The learning of Fourier features is observed to be highly superior over the competing techniques such as perceptron in the rbf kernel space or a greedy forward feature selection strategy. On the other hand, the Fourier feature learning performs comparably with SVM (support vector machines with rbf kernel) while providing substantial computational benefits, and this is even without using the max margin regularization. Moreover, when tested in wireless mesh networks, the SLFN delivers promising smart steering capabilities.