Geri Dön

Doğrusal olmayan regresyon modellerinin parametrelerinin genetik algoritmayla tahmin edilmesi

Estimating the parameters of the nonlinear regression models using genetic algorithms

  1. Tez No: 114460
  2. Yazar: İLKER OZAN KOÇ
  3. Danışmanlar: YRD. DOÇ. DR. MUZAFFER KAPANOĞLU
  4. Tez Türü: Yüksek Lisans
  5. Konular: İstatistik, Statistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2001
  8. Dil: Türkçe
  9. Üniversite: Eskişehir Osmangazi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İstatistik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 174

Özet

ÖZET Bu çalışmada, doğrusal olmayan regresyon modellerinin parametrelerinin tahmin edilmesinde genetik algoritmaların kullanılması konusu üzerinde çalışılmıştır. Literatürde bu konu üzerine bazı çalışmalar yapılmış olmasına rağmen, çeşitli yapılara sahip doğrusal olmayan regresyon modelleri üzerinde, genetik algoritmaların diğer tekniklere karşın etkinliğini inceleyen kapsamlı bir çalışma yoktur. Bu çalışmada, A.B.D. Ulusal Standartlar ve Teknoloji Enstitüsü tarafından verilmiş ve zorlukları onaylanmış doğrusal olmayan regresyon modellerinin parametrelerini tahmin etmek için bir genetik algoritma geliştirilmiş ve kullanılmıştır. Genetik algoritmayla elde edilen sonuçlar, ardışık kuadratik programlama ve Levenberg -Marquardt teknikleri kullanılarak elde edilen sonuçlar ile karşılaştırılmıştır. Genetik algoritmanın bu iki tekniğe çeşitli yönlerden üstünlük sağladığı görülmüştür.

Özet (Çeviri)

11 ABSTRACT In this study, the utilization of genetic algorithms in estimating the parameters of nonlinear regression models has been addressed. Although some research papers make use of genetic algorithms in solving some specific nonlinear regression models, there is no available comprehensive research that analyzes the efficiency of genetic algorithms versus other traditional methods for a variety of nonlinear regression problems. A genetic algorithm has been proposed and implemented in order to estimate the parameters of benchmark nonlinear regression models that have been presented, classified and approved by United States, National Institute of Standarts and Technology. The results of the experiments have been compared with two well-known techniques; i.e. sequential quadratic programming and Levenberg-Marquardt. The experiments showed that genetic algorithms are superior to the two traditional techniques based on several aspects.

Benzer Tezler

  1. Tez No

    559931

    Determining parameters of rheological models by the method of least squares

    Enküçük kareler yöntemiyle reolojik modellerin parametrelerinin belirlenmesi

    JORES DONGMO NGUIMATSIA

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Petrol ve Doğal Gaz Mühendisliğiİstanbul Teknik Üniversitesi

    Petrol ve Doğal Gaz Mühendisliği Ana Bilim Dalı

    Assoc. Prof. Dr. GÜRŞAT ALTUN

  2. Tez No

    847190

    Prediction of COVID 19 disease using chest X-ray images based on deep learning

    Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini

    ISMAEL ABDULLAH MOHAMMED AL-RAWE

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ADEM TEKEREK

  3. Tez No

    509254

    Doğrusal olmayan regresyon model parametrelerinin nokta ve aralık tahmini için bir yaklaşım

    An approximation for point and interval estimations of nonlinear regression model parameters

    FİKRET AKGÜN

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    İstatistikAnkara Üniversitesi

    İstatistik Ana Bilim Dalı

    DOÇ. DR. ÖZLEM TÜRKŞEN

  4. Tez No

    367435

    Kategorik bağımlı değişken modellerinde parametre tahmini için klasik yaklaşımlara alternatif bazı sezgisel optimizasyon teknikleri

    Some heuristic optimization techniques to the classical approaches for the parameter estimation in categorical dependent variable models

    EMRE DEMİR

    Yüksek Lisans

    Türkçe

    Türkçe

    2014

    İstatistikMuğla Sıtkı Koçman Üniversitesi

    İstatistik Ana Bilim Dalı

    DOÇ. DR. ÖZGE AKKUŞ

  5. Tez No

    397782

    Dynamic security enhancement of power systems via population based optimization methods integrated with artificial neural networks

    Yapay sinir ağlarının entegre edildiği popülasyon tabanlı optimizasyon yöntemleriyle güç sistemlerinin dinamik güvenliğinin iyileştirilmesi

    CAVİT FATİH KÜÇÜKTEZCAN

    Doktora

    İngilizce

    İngilizce

    2015

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    DOÇ. VEYSEL MURAT İSTEMİHAN GENÇ

Geri Dön