Son zamanlarda Yapay Sinir Ağı (YSA) eğitimlerinde türev bilgisi gerektiren algoritmalara alternatif olarakküresel arama özelliğine sahip evrimsel algoritmalar sıklıkla kullanılmaktadır. Bu çalışmada YSA eğitimi, evrimsel algoritmalardan Yapay Arı Koloni (YAK) algoritması ile Alan Programlanabilir Kapı Dizileri (APKD) üzerinde donanımsal gerçekleştirilmiştir. APKD tabanlı gerçeklemede sayı formatı ve aktivasyon fonksiyonu yaklaşımı maliyet, hız ve hata duyarlılığı açısından önem arz etmektedir. Çalışmada yüksek hassasiyet vedinamiklik özelliklerine sahip IEEE 754 kayan noktalı sayı formatı seçilmiştir. Üssel fonksiyonun donanımsalgerçeklenmesinin zor olması nedeni ile aktivasyon fonksiyonunun donanımsal gerçeklenmesinde matematikselyaklaşım kullanılmıştır. Çalışmada araç plaka bölgesi tespiti probleminin çözümüne yönelik YSA mimarisitasarlanmış ve YAK algoritması ile APKD üzerinde eğitilmiştir. Eğitilen ağın test verilerindeki %98.82 başarımı,APDK üzerinde eğitilen YSA’nın iyi bir genelleme yaptığını ve sentezleme sonuçları, uygulamanın APDK’da sadece %9’luk alan tüketimi ile gerçekleştirilebildiğini göstermiştir.
Recently, evolutionary algorithms with global search feature are frequently used as an alternative to algorithmsthat require derivative knowledge in Artificial Neural Network (ANN) trainings. In this study, ANN training wascarried out on Field Programmable Gate Arrays (FPGA) with the Artificial Bee Colony (ABC) algorithm, one ofthe evolutionary algorithms. Number format and activation function approach is important in terms of cost, speedand error sensitivity in FPGA-based implementation. In the study, IEEE 754 floating point number format, whichhas high sensitivity and dynamism features, was chosen. Since the hardware implementation of the exponentialfunction is difficult, a mathematical approach was used in the hardware implementation of the activation function.In the study, ANN architecture was designed to solve the problem of vehicle license plate region detection andtrained on FPGA with ABC algorithm. 98.82% success of the trained network in the test data showed that theANN trained on FPGA made a good generalization and the synthesis results showed that the application could berealized with only 9% area consumption in FPGA.
