Özet:
Genelleştirilmiş Regresyon Ağı (GRNN) sürekli değişkenlerin kestirimine olanak tanıyan ve temel regresyon yüzeyine yakınsayan hafıza tabanlı bir ağ yapısıdır. Tek adımda öğrenmeye dayalı bir algoritmaya sahip olmasından dolayı, iteratif yöntemle öğrenen ağ yapılarından çok daha hızlıdır. Ağda depolanan örnek sayısı arttıkça, optimum regresyon yüzeyine yakınsar ve kestirim hatası sıfıra yaklaşır. Bir yapay sinir ağının performansını belirleyen etkenler genelleştirme yeteneği, çok amaçlı kullanılıp kullanılamayacağı, ağ yapısının karmaşıklığı ve elektronik tasarıma uygun olup olmadığıdır. GRNN yapısı sistem modelleme ve sistem tanıma uygulamalarında sıklıkla kullanılmıştır. Yapının büyük boyutlu veri kümeleri ile yüksek doğruluklu sonuçlar verme yeteneği, bu ağ yapısının medikal teşhis alanında da kullanılabileceğini göstermektedir. GRNN' in katmanlı, yüksek derecede paralel yapısı ve tek adımda eğitme gerçekleştirmesi, ağın hızlı öğrenmesini ve donanımsal tasarımının basitleşmesini sağlar. Bu çalışmada GRNN yapısı çeşitli medikal problemlerin teşhisi üzerinde denenmiş ve yapının performansı incelenmiştir. Bu amaçla geliştirilebilecek GRNN tabanlı bir sınıflayıcı tasarımında kullanılacak akım modlu analog tümdevre alt blokları TÜBİTAK- YÎTAL 1.5u CMOS proses parametreleri kullanılarak tasarlanmıştır. Bu alt bloklar sırasıyla çıkarma devresi, kare alma/bölme devresi, üstel fonksiyon devresi ve çarpma/bölme devresidir.
