Geri Dön

Vektör nicemleme için geometrik bir öğrenme algoritmasının tasarımı ve uygulaması

A design and implementation of geometrical learning algorithm for vector quantization

  1. Tez No: 372557
  2. Yazar: İCLAL GÖR
  3. Danışmanlar: YRD. DOÇ. DR. KORHAN GÜNEL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Matematik, Mathematics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2013
  8. Dil: Türkçe
  9. Üniversite: Adnan Menderes Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Matematik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 97

Özet

Bu çalışmada, makine öğrenmesi alanında sıklıkla kullanılan yöntemlerden biri olan vektör nicemleme yaklaşımındaki serbest parametre sayısı ve referans vektörlerinin hesaplatılmasındaki yoğun iş gücünü azaltarak çözüme daha hızlı yakınsayacak geometrik bir öğrenme algoritması önerilmiştir. Öğrenme algoritmasının temel prensibi, sınıf sınırlarını belirleyen referans vektörlerinin sadece girdi vektörüne değil, paralel olarak dahil oldu˘gu sınıf merkezine yaklaştırılıp uzaklaştırılması esasına dayanır. Çalışma temel olarak beş bölümden oluşmaktadır. Giriş bölümünde, makine öğrenmesi alanında kar¸sıla¸sılan sınıflandırma probleminin matematiksel tanımı verilmiş ve sınıflandırma problemlerinin çözümü için literatürde yer alan geometrik yaklaşımlardan bahsedilmiştir. İkinci bölümde bir makine öğrenmesi yaklaşımı olan destekleyici öğrenmeli vektör nicemleme ağlarından ve bu metodun tarihsel gelişiminden söz edilmiştir. Çalışmanın üçüncü bölümü olan vektör nicemleme için geometrik bir öğrenme algoritması kısmında, yarışmacı öğrenme modelindeki genelleştirilmiş delta öğrenme kuralı kullanımında gerçekle¸sen problem açıklanmıştır. Bu problemi çözme amacıyla geometrik bir model önerilmiştir ve önerilen yeni metodun çalışma prensibinden bahsedilmiştir. Dördüncü bölümde ise, oluşturulan öğrenme algoritmasının geçerliliğini ispatlamak amacıyla deneysel çalışmalar yapılmış ve önerilen algoritma literatürdeki mevcut algoritmalarla karşılaştırılmıştır. Deneysel çalışmalar sonucunda elde edilen bulgular çalışmanın son bölümünde yorumlanmştır.

Özet (Çeviri)

In this thesis, the learning vector quantization, one of the frequently used methods in machine learning, is examined in detail. Furthermore, an alternative model with a geometrical approach is proposed to reduce workload and to increase the speed of convergence to the solution of classification problem, by eliminating some arbitrary parameters. The main principle of the proposed learning algorithm is that the boundaries of the classes are determined by moving the reference vectors to or away from not only the sample input vector but also the centroid of the classes using reference hyperspheres. The thesis is organized into five chapters. The first chapter introduces the classification problem in machine learning from a strictly mathematical viewpoint. Furthermore, some geometrical approaches for solving the classification problems in the literature are mentioned in the same chapter. Chapter 2 lays out the mathematical foundation of the learning vector quantization, one of the neural network models designed specifically for the classification problem. In the Chapter 3, a fundamental problem encountered, when the generalized learning rule is applied, in some competitive approaches is explained. In order to solve this problem, a geometrical learning approach is presented in the Chapter 3. In Chapter 4, the proposed method is compared with some variants of learning vector quantization via some experimental studies. The observations obtained with experimental studies are discussed.

Benzer Tezler

  1. Alt uzay yöntemleri kullanarak işaret kodlama

    Signal coding by using subspace methods

    SERKAN KESER

    Doktora

    Türkçe

    Türkçe

    2017

    Elektrik ve Elektronik MühendisliğiEskişehir Osmangazi Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET BİLGİNER GÜLMEZOĞLU

  2. Signaling and information games with subjective costs or priors and privacy constraints

    Öznel maliyetler veya olasılık modelleri ve gizlilik kısıtları kapsamında işaretleme ve bilgi oyunları

    ERTAN KAZIKLI

    Doktora

    İngilizce

    İngilizce

    2021

    Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. SİNAN GEZİCİ

    PROF. DR. SERDAR YÜKSEL

  3. 3-D object mesh geometry compression with vector quantization

    3-B nesne bilgilerinin vektör nicemleme yöntemleriyle sıkıştırılması

    ÖZGÜR ORCAY

    Yüksek Lisans

    İngilizce

    İngilizce

    2003

    Elektrik ve Elektronik MühendisliğiBoğaziçi Üniversitesi

    Sistem ve Kontrol Mühendisliği Ana Bilim Dalı

    PROF. DR. FİKRET GÜRGEN

    YRD. DOÇ. DR. ULUĞ BAYAZIT

  4. Konuşmacı tanıma yöntemlerinin karşılaştırmalı analizi

    A comparative study of speaker recognition techniques

    CEMAL HANİLÇİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2007

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolUludağ Üniversitesi

    Elektronik Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. FİGEN ERTAŞ

  5. Path extraction of low SNR dim targets from 2-D grayscale image sequences

    Gri tonlamalı 2 boyutlu görüntü dizisinden düşük SNR'lı soluk hedeflere ait yol tayini

    SAİT ERGÜVEN

    Yüksek Lisans

    İngilizce

    İngilizce

    2006

    Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. KERİM DEMİRBAŞ