Güçlendirilmiş sezgisel üstü algoritma temelli makine öğrenme algoritmaları ile veri sınıflandırma stratejileri
Data classi̇fi̇cati̇on strategi̇es usi̇ng enhanced metaheuri̇sti̇c-based machi̇ne learni̇ng algori̇thms
- Tez No: 1015551
- Danışmanlar: DOÇ. DR. YENER ALTUN, DOÇ. DR. ERDAL EKER
- Tez Türü: Doktora
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Van Yüzüncü Yıl Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tezin amacı, buğday çeşitlerinin morfolojik (şekilsel) özellikleri üzerinden yüksek doğruluklu sınıflandırmasını sağlamak amacıyla geliştirilmiş sezgisel üstü algoritmalara dayalı makine öğrenmesi stratejileri üretmektir. Günümüz koşullarında, hızla artan dünya nüfusu ve iklim değişikliği gibi etkenler, tarımsal üretimin hem verimliliği hem de kalitesinin artırılmasını gerektirmektedir. Bu durum, stratejik bir ürün olan buğdayı, hem tohum ıslahı hem de endüstriyel işleme açısından kalite sınıflandırmasında kritik bir konuma taşımaktadır. Uzman görüşüne dayalı geleneksel sınıflandırma yöntemleri, öznel hatalara açık olmaları, zaman alıcı ve maliyetli olmaları açısından çeşitli sakıncalar taşımaktadır. Bu nedenle, bilgisayarla görü ve makine öğrenmesinden yararlanan otomatik sistemlere acil bir ihtiyaç duyulmaktadır. Bu çerçevede, çalışma öncelikli olarak doğrudan makine öğrenmesi modellerinin başarımını etkileyen hiperparametre optimizasyonu sorununa yenilikçi bir çözüm sunmayı amaçlamaktadır. Bu doğrultuda, görece yeni bir yöntem olan Tuna Swarm Optimization algoritması, Lagrange çarpanlarının ve geliştirilmiş arama stratejelerinin entegre edilmesiyle modifiye edilerek, önerilen Lagrange Tuna Swarm Optimization (LTSO) algoritması ortaya konmuştur. Çalışmada, geliştirilen bu yeni algoritmanın hem teorik karşılaştırma fonksiyonları hem de gerçek tarım verisetleri üzerinde etkinliğinin gösterilmesi hedeflenmiştir. Literatürde yaygın olarak kullanılan ve üç farklı buğday çeşidinden örnekler içeren SEEDS veriseti, deneysel materyal olarak kullanılmıştır. Veri setinde yer alan her bir buğday tanesi; alan, çevre, kompaktlık, tane uzunluğu, tane genişliği, asimetri katsayısı ve tane oluk uzunluğu olmak üzere yedi geometrik özellik ile tanımlanmıştır. Bu özellikler, buğday çeşitleri arasındaki morfolojik farklılıkları yakalamakta ve sınıflandırma görevi için anlamlı bir özellik uzayı oluşturmaktadır. Çalışmanın yöntemi üç ana aşamadan oluşmaktadır. İlk aşamada, klasik optimizasyon algoritmasının yerel minimumlarda takılı kalma ve yavaş yakınsama gibi temel eksikliklerini gidermek amacıyla Lagrange tabanlı bir düzenleme mekanizması eklenmiştir. Bu yaklaşım, arama uzayında keşif ve sömürü dengesi daha etkin biçimde yönetilmiş ve algoritmanın küresel optimuma ulaşma yeteneği güçlendirilmiştir. İkinci aşamada, önerilen algoritmanın doğrudan makine öğrenmesi modellerine uygulanmasından önce, karmaşık yapılı matematiksel test fonksiyonlarında performansı denenmiştir. Bu testler, algoritmanın küresel optimumu bulma yeteneğini, yakınsama hızını ve istatistiksel stabilitesini değerlendirmiştir. Son aşamada ise, geliştirilen algoritma çok katmanlı algılayıcı (ÇKA), k-en yakın komşular (k-NN) ve destek vektör makineleri (DVM) ile hibrit bir yapıda kullanılmıştır. Bu süreçte, ÇKA'nın ağırlıkları ve bias değerleri, k-NN'in komşu sayısı ve mesafe metrikleri, DVM'in ceza parametresi ve çekirdek fonksiyonu parametreleri optimize edilmiştir. Ortaya çıkan modellerin performansı, doğruluk, F1-skoru, duyarlılık, AUC gibi değerlendirme metrikleri ve 5 katlı ile 10 katlı çapraz doğrulama prosedürleriyle kapsamlı biçimde analiz edilmiştir. Analizlerden elde edilen sonuçlar, önerilen algoritmanın test edilen fonksiyonların çoğunda rakip algoritmalara kıyasla daha düşük hata değerleri ve daha dengeli yakınsama eğrileri sunduğunu göstermektedir. Özellikle, çok modlu fonksiyonlar üzerinde elde edilen düşük standart sapma değerleri algoritmanın dayanıklılığını ortaya koymaktadır. Sınıflandırma aşamasında öne çıkan önemli bulgu ise, hibrit modelin veri seti üzerinde yaklaşık %99 doğruluk elde etmesidir. Bu başarı, algoritmanın karmaşık ağırlık uzayını etkin şekilde keşfetmesi ve klasik eğitim yaklaşımlarının karşılaştığı yerel minimum tuzaklarının aşılmasına olanak sağlamasına bağlanmaktadır. Yakınsama eğrilerinin ayrıntılı incelenmesi, en iyi sonuca çok daha az yineleme ile ulaşıldığını ve bunun sonucu olarak eğitim süresinin kısaldığını ortaya koymuştur. Diğer modellerle yapılan deneylerde de uygun mesafe metrikleri ve optimize edilmiş parametrelerle yüksek başarı oranlarına ulaşılmıştır. Çalışmanın bir diğer önemli sonucu da permütasyon özellik önemi analiziyle ilgilidir; bu analiz, tane oluk uzunluğu ve asimetri katsayısının modelin karar verme sürecinde en yüksek ağırlıklarla belirlendiğini ortaya koymuştur. Bu bulgu, morfolojik simetri ve iç yapısal özelliklerin buğday çeşitlerinin ayrımında birincil öneme sahip olduğunu bilimsel olarak doğrulamaktadır. Ayrıca, çapraz doğrulama sonuçlarının katlar arasında tutarlı olması, geliştirilen modellerin güçlü genelleme yeteneğine sahip olduğunu göstermektedir. Bu tez kapsamında, önerilen Lagrange Tuna Swarm Optimization algoritmasının makine öğrenmesi modellerinin eğitimi ve hiperparametre optimizasyonunda son derece etkili bir araç olduğu gösterilmiştir. Çalışma, klasik bir optimizasyon algoritmasına Lagrange tabanlı bir mekanizma ekleyerek yöntemsel bir katkı sunmakta ve manuel olarak parametre ayarı gereksinimini en aza indiren yüksek performanslı bir sınıflandırma çerçevesi oluşturmaktadır. Ayrıca, özellik önemi analizi yoluyla model açıklanabilirliğini artırmakta ve tarım endüstrisi için kritik öneme sahip morfolojik nitelikleri belirlemektedir. Modellerin yüksek performansı ve stabil davranışı, önerilen yaklaşımın gelecekte gerçek zamanlı optik tohum ayırıcı makinelerde ve akıllı tarım uygulamalarında güvenle kullanılabileceğini göstermektedir. Gelecekte, geliştirilen algoritmanın derin öğrenme mimarilerinde ve daha büyük ölçekli veri setlerinde değerlendirilmesi planlanmaktadır.
Özet (Çeviri)
The aim of this thesis is to produce machine learning strategies based on improved metaheuristic algorithms to provide high-accuracy classification of wheat varieties based on their morphological characteristics. In the contemporary context, factors such as the burgeoning global population and climate change necessitate improvements in both the efficiency and quality of agricultural production. This elevates wheat, a strategic crop, to a critical position regarding quality classification for both seed breeding and industrial processing. Traditional classification methods, based on expert judgment, are prone to subjective errors in terms of time-consuming, and being costly. Consequently, there is an urgent need for automated systems utilizing computer vision and machine learning. Within this framework, the study primarily seeks to provide an innovative solution to the hyperparameter optimization problem, which directly impacts the performance of machine learning models. To this end, the relatively novel Tuna Swarm Optimization algorithm was modified by incorporating Lagrange multipliers and enhanced search strategies, resulting in the proposed Lagrange Tuna Swarm Optimization (LTSO) algorithm. The study aims to demonstrate the efficacy of this newly developed algorithm on both theoretical benchmark functions and real-world agricultural datasets. The SEEDS dataset, extensively used in the literature and comprising samples from three different wheat varieties, served as the experimental material. Each wheat kernel in the dataset is characterized by seven geometric features: area, perimeter, compactness, kernel length, kernel width, asymmetry coefficient, and kernel groove length. These features capture the morphological differences among wheat varieties and form a meaningful feature space for the classification task. The study's methodology consists of three main stages. In the first stage, a Lagrange-based regulation mechanism was incorporated to address fundamental shortcomings of the classical optimization algorithm, such as getting trapped in local minima and slow convergence. This approach managed the exploration-exploitation balance in the search space more effectively, enhancing the algorithm's ability to reach the global optimum. In the second stage, before applying the proposed algorithm directly to machine learning models, it was tested on mathematical test functions with complex structures. These tests evaluated the algorithm's capability to locate the global optimum, its convergence speed, and its statistical stability. In the final stage, the developed algorithm was employed within a hybrid framework alongside a Multilayer Perceptron (MLP), k-Nearest Neighbors (k-NN), and Support Vector Machines (SVM). During this process, the weights and biases of the MLP, the number of neighbors and distance metrics of k-NN, and the penalty parameter and kernel function parameters of the SVM were optimized. The performance of the resulting models was thoroughly analyzed using evaluation metrics such as accuracy, F1-score, recall, and AUC, along with 5-fold and 10-fold cross-validation procedures. The results derived from the analyses suggest that the proposed algorithm yielded lower error values and more stable convergence curves compared to competing algorithms across the majority of the tested functions. Notably, the low standard deviation values obtained for multimodal functions substantiate the robustness of the algorithm. Particularly a noteworthy finding at the classification stage is that the hybrid model achieved an accuracy of approximately 99% on the dataset. This success is attributed to the algorithm's capacity to effectively explore the complex weight space, thereby aiding in overcoming local-minimum traps encountered by conventional training approaches. Further examination of the convergence curves revealed that the optimal solution was attained with significantly fewer iterations, resulting in reduced training time. Experiments conducted with other models also demonstrated high success rates through the application of appropriate distance metrics and optimized parameters. Another significant outcome of the study pertains to permutation feature importance analysis, which indicated that kernel groove length and the asymmetry coefficient were assigned the highest weights in the model's decision-making process. This finding scientifically corroborates that morphological symmetry and internal structural characteristics are of primary importance in distinguishing wheat varieties. Furthermore, the consistency of cross-validation results across folds indicates that the developed models possess strong generalization capability. Through this thesis, it has been demonstrated that the proposed Lagrange Tuna Swarm Optimization algorithm serves as a highly effective tool for training machine learning models and optimizing hyperparameters. The study offers a methodological contribution by enhancing a classical optimization algorithm with a Lagrange-based mechanism, and establishes a high-performance classification framework that alleviates the need for manual parameter tuning. Additionally, through feature importance analysis, the study enhances model interpretability and identifies significant morphological characteristic that are critical for agriculturel indusrtry. The high performance and stable behavior of the models suggest that the proposed approach can be reliably employed in future real-time optical seed sorting machines and smart agriculture applications. Future research is planned to evaluate the developed algorithm on deep learning architectures and larger-scale datasets.
Benzer Tezler
- Kısa beslenme okuryazarlığı (S-NutLit) ölçeğinin Türkçeye adaptasyonu ve beslenme okuryazarlığının beden memnuniyetine etkisinde sezgisel yemenin aracı rolünün incelenmesi
Adaptation of the short nutrition literacy (S-NutLit) scale into Turkish and examination of the mediating role of intuitive eating on the effect of nutrition literacy on body appreciation
EZGİ MAKAN
Yüksek Lisans
Türkçe
2026
Beslenme ve Diyetetikİstanbul Okan ÜniversitesiBeslenme ve Diyetetik Ana Bilim Dalı
DOÇ. DR. SALİM YILMAZ
DR. ÖĞR. ÜYESİ AHMET MURAT GÜNAL
- Amplified backscattering in RFID communications with energy harvesting tags
RFID haberleşmesindeki enerji hasatı yapabilen etiketlerin güçlendirilmiş geri saçılımı
DENİZHAN ÜNALAN
Yüksek Lisans
İngilizce
2018
Elektrik ve Elektronik MühendisliğiBoğaziçi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MUTLU KOCA
PROF. DR. MUSTAFA HAKAN DELİÇ
- Dağıtık üretim sistemlerinin akıllı şebekeler üzerine etkilerinin incelenmesi
Examination of the effects of distributed generation on smart grids
MİKAİL PÜRLÜ
Doktora
Türkçe
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. BELGİN TÜRKAY
- Dağıtılmış permütasyon akış tipi atölye çizelgeleme problemleri
Distributed permutation flowshop scheduling problems
MÜNEVVER GÜNAY VAN
Doktora
Türkçe
2025
İstatistikVan Yüzüncü Yıl Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. ALPER HAMZADAYI