Yapay sinir ağları ve tarımda bir uygulama
Artificial neural networks and an application in agricultural
- Tez No: 284419
- Danışmanlar: PROF. DR. ERCAN EFE
- Tez Türü: Doktora
- Konular: Ziraat, Agriculture
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2011
- Dil: Türkçe
- Üniversite: Kahramanmaraş Sütçü İmam Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Zootekni Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 171
Özet
Bu çalışmanın amacı, yapay sinir ağlarının yapısının, işleyişinin, tahmin ve sınıflandırma özelliklerinin tarımsal alandan seçilen örnek bir veri seti üzerinde uygulamalı olarak incelenmesidir. Yapılan bu inceleme ile diğer bilim dallarında yaygın olarak kullanılan sinir ağlarının tarımsal alanda da kullanılabilirliği konusunda bu alanda çalışan araştırıcılara yol gösterilmesi hedeflenmiştir.Çalışmada, yapay sinir ağında ağ tasarımı, ara katman sayısının belirlenmesi ve katmanlarda kullanılacak olan aktivasyon fonksiyonlarının belirlenmesi aşamasında, daha önceden belirlenmiş kesin bir kriter olmamasından dolayı, literatürde yer alan tavsiyeler doğrultusunda, uygulama aşamasında elde edilen tüm sonuçlar deneme ? yanılma yoluyla tek tek denenerek en uygun sonuç elde edilmeye çalışılmıştır.Uygulamada kullanılmak üzere tarımsal alandan seçilen veri seti, Kahramanmaraş ili Dere köy bölgesinde bulunan 30 başlık kapalı duraklı süt sığırı ahırlarında ölçülen barınak içi sıcaklık-nem indeksi (SNİ) değerleri, kuru termometre sıcaklığı (0C) ve çiğlenme noktası sıcaklığı (0C) ölçüm değerlerinden oluşmaktadır. Bu değerler bölgeye yerleştirilen veri kaydedicilerden sabah 07:00, öğlen 14:00 ve akşam 21:00'de olmak üzere günün üç farklı saatinde alınmıştır.Çalışmada, optimum ağ yapısı 3-2-4-1, 3-2-5-1 ve 3-2-6-1 olmak üzere üç farklı şekilde tasarlanmıştır. Katmanlarda kullanılacak olan aktivasyon fonksiyonlarının katmanlarda bulunuş sırasına göre tek tek denenerek en uygun ağ yapısı ve en uygun aktivasyon fonksiyonu belirlenmeye çalışılmıştır. Deneme-yanılma yoluyla belirlenen optimum ağ mimarisi olarak 3-2-6-1 şeklindeki yapı, aktivasyon fonksiyonu olarak da ara katmanlarda lineer, çıkış katmanında hiperbolik tanjant fonksiyonunun kullanılması çalışmada kullanılan veri seti için uygun bulunmuştur.Ağın eğitimi için geri yayılım algoritması kullanılmış olup, öğrenme işlemini en iyi şekilde gerçekleştiren algoritmada 13 farklı algoritma arasından seçilmiştir. Seçim işleminde algoritmalarının başarı performanslarının karşılaştırılmasında yaygın olarak kullanılan Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE %) ve Root Mean Squared Error (RMSE) ölçütleri esas alınmıştır.Uygulamada kullanılan veri seti üç farklı alt veri setine ayrıştırılmıştır. Bu ayırım yapılırken, tüm veri seti içersinden %70 oranında rastgele olarak seçilen veriler ağı eğitmek üzere, ?Eğitim Verisi? olarak, %20'si ağı test etmek için ?Test Verisi? ve %10'da ağın geçerliliğini sınamak üzere ?Geçerlilik? verisi olarak ayrıştırılmıştır.Parametrelerin birbirinden farklı birimlerde ve oransız olmasından dolayı da normalizasyon işlemine tabi tutularak [-1, 1] aralığında ölçeklendirilerek ağa sunulması işlemi gerçekleştirilmiştir. Ağın eğitimine hazır hale getirilen bu veriler, ağın çıkışında tekrar orijinal ölçeğine çevrilmiştir.Aktivasyon fonksiyonu olarak, ara katmanda lineer fonksiyonun kullanılması, çıkış katmanında ise hiperbolik tanjant fonksiyonlarının kullanılmasıyla oluşturulan 3-2-6-1 şeklinde tasarlanan mimari yapıda, ağ öğrenimini en başarılı tamamlayan Bayesian Regularization Algoritması (BR) olmuştur.BR algoritmasının eğitim veri seti için MAE değeri 0.0035, MAPE değeri % 0.0061 ve RMSE değeri ise 0.0079 olup, test veri seti için MAE değeri 0.0055, MAPE değeri % 0.0081 ve RMSE değeri ise 0.0117 olarak bulunmuştur. Geçerlilik veri seti için ise bu değerler sırasıyla 0.0084, % 0.0116 ve 0.0396 olarak bulunmuştur.Bu algoritma ile bulunan MAPE (%) değerleri incelendiğinde, elde edilen sonuçlar %10'un altında olduğundan dolayı kullanılan modelin ?çok iyi? olarak sınıflandırılabileceği ve ağın eğitim işlemini başarı ile tamamlandığı sonucuna varılmıştır.Bayesian Regularization Algoritmasına göre ağın üretmiş olduğu çıkış değerleri ile gerçek SNİ değerleri karşılaştırıldığında, elde edilen sonuçların gerçek değerlere ?yakın, güvenilir ve oldukça düşük sapmalı? olarak yakınsadığı sonucuna varılmıştır. Dolayısıyla yapay sinir ağları, tahminleme işlemi için oldukça elverişli bir yöntem olarak tavsiye edilebilir.BR algoritmasına göre eğitilen ağın ?genelleme yeteneği? kazanıp kazanmadığı da daha önce kullanılmayan yeni giriş değerlerin ağa verilmesi ile sınanmıştır. Bu giriş değerlerine göre tahmin edilen SNİ değerlerinin ağ tarafından başarı ile üretilmesi sonucunda da ağın genelleştirme yeteneği kazandığı, artık eğitimi esnasında kullanılmayan yeni giriş verileri ile de istenen SNİ değerlerini rahatlıkla hesaplayabileceği sonucuna varılmıştır.
Özet (Çeviri)
The purpose of this study is to practically examine the structure of artificial neural networks, their functions, their estimation and classification properties on a selected sample data set from agricultural area. In this study, it has been aimed to lead researchers on the usability of neural networks, which are widely used in other disciplines, in agricultural field.In this study, all results obtained from the application phase have been attempted to get in a most suitable way through trial-and-error one by one -in line with recommendations contained in the literature due to lack of pre-determined precise criteria- in the phase of network design in artificial neural network, determination the number of middleware layers and the activation functions that are to be used.The chosen data set gathered from agricultural area for application consists as measurement variables of the rates of shelter temperature-humidity index (SNI) measured in 30 headed-steady-indoor dairy cattle stables in Dere koy province of Kahramanmaras, dry thermometer temperature (0C) and the dew point temperature (0C). These rates are gathered three different time of the day - 07:00am, 02:00pm and 09:00pm- from data recorders placed in the area.In the study, the optimal network structure are designed as three different ways: 3-2-4-1, 3-2-5-1 and 3-2-6-1 the most the proper network structure and the most suitable activation function to be used in layers have been tried to be determined by being experimented one by one according to their order of occurrence in layers. The use of the form 3-2-6-1 that has been determined through trial and error as optimal network architecture, linear for middleware layers and hyperbolic tangent function for output layer as activation function have been found suitable for the data set in this study.Back-propagation algorithm is used for training of the network, the best performing learning process algorithm was chosen from among 13 different algorithms. During selection process Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE%) and the Root Mean Squared Error (RMSE) - widely used criterias in the comparison of the success performance of algorithms- have been based on. Data set used in the application has been separated to three different sub-sets of data.During this separation, 70% of randomly selected data from within the entire data set have been separated to train the network as“training data”, 20% as“test data”to test the network, and 10% as“validity”data to test the validity the network.Because the parameters are in different departments from each other and disproportionate, they have been subjected to the process of normalization and scaled between [-1, 1], and the process to present them to the network have been executed. These data made ready for training of the network have been re-converted into the original scale at the output of the network.Bayesian Regularization (BR) has been the activation function as it has completed network learning the most successfully in architectural structure designed in the form of 3-2-6-1 which has formed by the use of linear function in middleware layer and hyperbolic tangent function in output layer.It has been found out that MAE-value of BR algorithm is 0.0035, MAPE-value is 0.0061% and RMSE-value is 0.0079 for training data set; MAE-value is 0.0055, MAPE-value is 0.0081% and RMSE-value is 0.0117 for test data set. These values for validation of the data set are respectively 0.0084, 0.0116, and 0.0396%.When MAPE (%) values found with this algorithm are analyzed, it has been concluded that this model can be classified as“Very Good”on account that the generated results are below 10% and that network training process has been completed succeffully.When compared output values that the network has produced according to Bayesian Regularization Algorithm with actual values of SNI, it has concluded that the results converge to real values in a“close, reliable and extremely low-distorted”way. Therefore, artificial neural networks can be recommended as a highly favorable method for forecasting process.Whether network trained by the BR algorithm has gained“the ability to generalize”is tested with giving new input values to the network. As a result that SNI values estimated according to input values have been produced successfully by the network, it has been concluded that the network has gained generalization ability and it can easily calculate required SNI values with the new input data that is no longer used during training.
Benzer Tezler
- Hidroponik tarımda besin solüsyonundaki bazı elementlerin miktar değişimini makine öğrenimiyle gerçek zamanlı takip eden uzaktan veri toplama sisteminin ve bitki gelişimini etkileyen ışığın yoğunluğunu ölçebilen Yb/CIGS fotosensörün geliştirilmesi
Development of a remote data acquisition system for real-time monitoring of some elemental variations in nutrient solutions in hydroponic farming using machine learning, and a Yb/CIGS photodetector for measuring light intensity affecting plant growth
CELAL ALP YAVRU
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiIsparta Uygulamalı Bilimler ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. İSMAİL SERKAN ÜNCÜ
- Görüntü işleme ile ağaç meyve yükünün hesaplanması
Prediction of fruit trees load with image processing
GAMZE HİKMET YAŞAR
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. BAYRAM AKDEMİR
- Çilek meyvesi gelişiminin derin öğrenme metotlarıyla karşılaştırmalı incelenmesi
Comparison of development strawberry fruit with deep learning methods
LEVENT DALGIN
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolVan Yüzüncü Yıl ÜniversitesiYapay Zeka ve Robotik Ana Bilim Dalı
DOÇ. DR. MURAT CANAYAZ
- Derin öğrenme yöntemleri ile asma yaprak hastalıklarının sınıflandırılması
Classification of vine leaf diseases using deep learning methods
YASİN ÜNAL
Yüksek Lisans
Türkçe
2024
Bilim ve TeknolojiAmasya ÜniversitesiTeknoloji ve İnovasyon Yönetimi Ana Bilim Dalı
PROF. DR. MEHMET KARA
- Derin öznitelikler kullanılarak kiraz yapraklarında külleme hastalık seviyesinin sınıflandırılması
Classification of level of powdery mildew disease on cherry leaves using deep attributes
HATİCE KAYHAN
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAmasya ÜniversitesiTeknoloji ve İnovasyon Yönetimi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YAVUZ ÜNAL
DR. ÖĞR. ÜYESİ EMRAH DÖNMEZ