Tahmin uygulamalarında performans geliştirmek için kullanılan normalizasyon metotlarına yeni bir yaklaşım
A new approach to normalization methods for improving performance on the prediction applications
- Tez No: 237519
- Danışmanlar: DOÇ. DR. SALİH GÜNEŞ
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2009
- Dil: Türkçe
- Üniversite: Selçuk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 156
Özet
Bu çalışmada tahmin ve sınıflama problemlerinde kullanılmak üzere yeni bir normalizasyon metodu geliştirilmiş ve önerilmiştir. Önerilen metot özellikle yapay zeka uygulamaları hedef alınarak geliştirilmiş ve geliştirilen metodun testinde günümüz literatüründe hakkında en fazla makale ve dökümantasyon olan ve yaygın şekilde kullanılan iki yapay zeka tekniği olan Adaptif ağ tabanlı bulanık çıkarım sistemi (ANFIS) ve Yapay sinir ağları (YSA) kullanılmıştır.Geliştirilen metot yalnızca bir normalizasyon metodu olmanın ötesinde veri normalizasyonuna yeni bir bakış açısı getirmektedir. Satır tabanlı olan normalizasyon modelinin performansının kayda değer şekilde klasik modellerle yarışması önerilen modelin de literatürde kullanılan klasik normalizasyon metotlarına yeni bir alternatif sunabileciğinin işaretidir. Satır tabanlı normalizasyon yapılırken, bir veri seti içerisindeki özellik vektörleri farklı birimlerde olabileceği göz önüne alınarak ilk aşamada bu özellikler birimsizleştirilmiş daha sonra normalize edilmiştir. Bu sayede birim problemi ortadan kalkmış ve değerler salt birer sayı haline dönmüştür.Önerilen metodun test edilmesinde yalnızca tahmin veri setleri kullanılmamış, sınıflama veri setlerindeki olası sonuçları görmek için de literatürde yaygın olan sınıflama veri kümeleri ile denenmiştir. Sınıflama veri setlerindeki başarısı da modelin bu tür veri yapılarında da kullanılabileciğini göstermektedir.Geliştirilen metodun performansının klasik metotlarla olan farklılığı literatürde kullanılan matematiksel ve istatistiksel değerlendirme kriterleri ile kıyas edilmiş ve değerlendirilmiştir. Ortalama devinim, ortalama karesel hata ve iki kat çapraz geçerlilik testi uygulanmıştır. Çalışmada önerilen metodun, ANFIS ve YSA performanslarını arttırması ve sonuçlarının literatürde kullanılan klasik modellerle yarışabilmesi bu metodun başarısı olarak sayılabilir.
Özet (Çeviri)
In this study, a novel normalization method has been developed and proposed to be used in prediction and classification problems. The proposed method has been developed aiming particularly artificial intelligence applications. During testing of the developed method, two widely used artificial intelligence techniques namely adaptive network based fuzzy inference system (ANFIS) and artificial neural networks (ANN), which are perhaps the two most widely reported and documented subjects in literature, have been used.The developed method is not only a normalization method but also brings the data normalization a different point of view. Significant competing of the performance of line-based normalization model with other classical models gives a hint that the proposed model can offer a new alternative to classical normalization methods used in literature. During the implementation of line-based normalization, by taking into account that the feature vectors can be in different dimensions in a dataset, in the first stage the features have been made dimensionless and normalized afterwards. Therefore, the dimension problem has been avoided and each value has been transformed into sole numbers.During the test of proposed method, besides the prediction dataset, classification dataset that are widely available in literature have been tried to observe possible results for classification dataset. The success of the model in classification dataset demonstrates that it can be used in this kind of data structures.The performance of the developed method have been evaluated and compared with the classical methods by employing mathematical and statistical evaluation criteria used in literature. Mean-variance, mean-square-error and two-fold cross-validation tests have been performed. Providing an increase on the performance of ANFIS and ANN and competing of the results with other classical models used in literature can be regarded as the success of this method.
Benzer Tezler
- Performance of laminated glass subjected to blast and impact loading
Patlama ve darbe yüklemesine maruz kalan lamine camın yapısal performansı
MOHELDEEN HEJAZI
Doktora
İngilizce
2024
Makine Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ SARI
- A performance based decision-making approach for insulation material selection: A social housing case
Yalıtım malzemesi seçiminde performans odaklı bir karar verme yöntemi: Sosyal konut örneği
BURCU ÇİĞDEM ÇELİK
Doktora
İngilizce
2018
Mimarlıkİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
DOÇ. SEDEN ACUN ÖZGÜNLER
- Qualitative microwave imaging in non-destructive testing and evaluation applications
Nitel mikrodalga görüntülemede tahribatsız muayene ve değerlendirme uygulamaları
SEMİH DOĞU
Doktora
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET NURİ AKINCI
- 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
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Design and deployment of deep learning based fuzzy logicsystems
Derin öğrenme tabanlı bulanık sistemlerin geliştirilmesi ve uygulanması
AYKUT BEKE
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
DOÇ. DR. TUFAN KUMBASAR