Geri Dön

Ayrıştırma tekniklerinin matris çarpımı yöntemi ile üretilen jeoistatistiksel benzetimler üzerindeki etkisinin incelenmesi

Study of effect of decomposition algorithms on geostatistical simulations generated by matrix decomposition method

PDF İndir

  1. Tez No: 197169
  2. Yazar: ÖMÜR KÖKSAL
  3. Danışmanlar: PROF. DR. ERHAN TERCAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Maden Mühendisliği ve Madencilik, Mining Engineering and Mining
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2005
  8. Dil: Türkçe
  9. Üniversite: Hacettepe Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Belirtilmemiş.
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 102

Özet

Matris çarpımı yöntemi, kovaryans matrisi (C) nin alt ve üst üçgen matrislerşeklinde parçalanmasına (C=LU) dayanmakta, benzetim değerleri alt üçgenmatrisin bağımsız rastlantı sayılardan oluşan bir vektörle çarpılmasındanüretilmektedir. Kovaryans matrisinin ayrıştırılmasında klasik olarak kullanılanteknik, Cholesky ayrıştırma tekniğidir.Bu çalışmada Cholesky, bakışımlı ve izgesel ayrıştırma tekniklerinin matrisçarpımı yöntemi ile üretilen benzetimler üzerindeki performansları incelenmiştir. Buamaçla bir benzetim deneyi düzenlenmiş ve dört farklı yapısal uzaklık (a=600,1000, 1600 ve 2000) gözönüne alınarak her bir ayrıştırma tekniği için 100'er adetkoşullu ve koşulsuz benzetim yapılmıştır.Ayrıştırma yöntemlerinin performansları üretilen koşullu ve koşulsuz benzetimlerinortalama ve varyansları, variogram üretimi, deneysel variogramların modelvariogramlara yaklaşma hızı, Kolmogorov-Simirnov (KS) testi ve bağımsızlık testigibi ölçütler kullanılarak değerlendirilmiştir.Sonuçlar, izgesel ayrıştırma yöntemi ile koşullu benzetimin yapılamayacağını,koşulsuz benzetimler üretirken de bu yöntemin kullanımının oldukça sınırlıolduğunu göstermektedir. Ayrıca Cholesky ya da bakışımlı ayrıştırmayöntemlerinden hangisinin tercih edileceği benzetimin kullanım amacına bağlıdır.Anahtar Kelimeler : Jeoistatistiksel benzetim, variogram, LU ayrıştırma yöntemi,yapısal uzaklık, bağımsızlık, yakınsamaDanışman: Prof. Dr. A. Erhan Tercan , Hacettepe Üniversitesi , MadenMühendisliği Bölümü , Maden İşletme Anabilim Dalı

Özet (Çeviri)

Matrix decomposition method is based on decomposition of covariance matrix (C)into lower and upper triangular matrices ( C=L.U ), simulated values are generatedby multiplication of the lower triangular matrix and a vector of independent randomnumbers. The technique, traditionally used in decomposition of the covariancemartix, is Cholesky decomposition.In this study, the performance of Cholesky, symmetric and spectral decompositionmethods on the simulations produced by matrix decomposition method isinvestigated. For this purpose, a simulation experiment is set up and consideringfor different ranges (a=600, 1000, 1600 and 2000) 100 unconditonal andconditional simulations are generated for each decomposition technique.The performance of the decomposition methods are assessed by measures suchas mean and variance of unconditional and conditional simulations, convergencerate of experimantal variograms to model variogram, variogram reproduction,Kolmogorov-Simirnov (KS) test and finally independent test.The results show that conditional simulation by spectral decomposition methodmay not be possible and in the case of unconditinal simulation, this method hasrather limited use. In addition, the choice of Cholesky and symmetricdecomposition methods depends on the purpose of use of the simulation.Keywords : Geostatistical simulation, variogram, LU decomposition method,range, independence, convergenceAdvisor: Prof. Dr. A. Erhan Tercan , Hacettepe University , Deparment of MiningEngineering, Mining Division

Benzer Tezler

  1. Tez No

    574950

    Deep learning based hybrid recommender system

    Derin öğrenme tabanlı öneri sistemi

    MUHAMMET ÇAKIR

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞULE ÖĞÜDÜCÜ

  2. Tez No

    639996

    Öneri sistemi modellerinde kullanılan makine öğrenmesi tekniklerinin müşteri satın alma tercihleri doğrultusunda karşılaştırılması

    Comparison of machine learning techniques used in the recommender system models in accordance with customer purchase preferences

    ÖMER UÇAN

    Doktora

    Türkçe

    Türkçe

    2020

    İstatistikAkdeniz Üniversitesi

    İşletme Ana Bilim Dalı

    PROF. DR. CAN DENİZ KÖKSAL

  3. Tez No

    112578

    Analysis of large Markov chains using stochastic automata networks

    Büyük Markov zincirlerinin rassal özdevinimli ağ kullanılarak çözümlemesi

    OLEG GUSAK

    Doktora

    İngilizce

    İngilizce

    2001

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TUĞRUL DAYAR

  4. Tez No

    520097

    Linear interference alignment in cognitive radio networks

    Bilişsel radyo ağlarında doğrusal girişim hizalama

    HAKAN ALAKOCA

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Bilişim Uygulamaları Ana Bilim Dalı

    PROF. DR. LÜTFİYE DURAK ATA

  5. Tez No

    892154

    Condition monitoring and fault detection for electrical power systems using signal processing and machine learning techniques

    Sı̇nyal ı̇şleme ve makı̇ne öğrenme teknı̇klerı̇ kullanılarak elektrı̇k güç sı̇stemleri ı̇çı̇n durum ı̇zleme ve arıza belirleme

    YASMIN NASSER MOHAMED

    Doktora

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞAHİN SERHAT ŞEKER

Geri Dön