Parçacık sürü optimizasyonuna dayalı en küçük budanmış kareler yöntemi ile çarpımsal nöron model için dayanıklı öğrenme algoritması
Robust learning algori̇thm for multiplicative neuron model artificial neural networks wi̇th least tri̇mmed squares based on particle swarm optimization
- Tez No: 425796
- Danışmanlar: PROF. DR. EROL EĞRİOĞLU
- Tez Türü: Doktora
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2016
- Dil: Türkçe
- Üniversite: Ondokuz Mayıs Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Uygulamalı İstatistik Bilim Dalı
- Sayfa Sayısı: 123
Özet
Zaman serilerinin geçmişteki ve bugünkü bilgilerini kullanarak, gelecek durum ya da koşullar hakkında öngörüde bulunmak birçok bilim dalı için önemlidir. Öngörü yaparken kullanılan analiz yöntemleri ise öngörünün doğruluğu ve performansı üzerinde oldukça etkilidir. Son yıllarda yapay sinir ağları (YSA), üstün öngörü performansı ve geleneksel yöntemlerin aksine, sağlanması zor varsayımlara ihtiyaç duymaması sebebiyle öngörü elde etmede sıklıkla kullanılmaktadır. Literatürde yapısal özellikleriyle farklılaşan birçok YSA türü mevcuttur. Çarpımsal nöron model YSA (ÇNM-YSA), tek nörondan oluşması sebebiyle mimari yapı belirleme problemi içermediğinden kolay kullanım özelliğine ve iyi öngörü gücüne sahiptir. Zaman serilerinde aykırı değerlerin bulunması geleneksel yöntemlerde olduğu gibi YSA'da da öngörü performansını olumsuz etkilemektedir. Literatürde geleneksel yöntemler için önerilen dayanıklı tahmin yöntemleri YSA'ya uyarlanabilmektedir. Çok katmanlı algılayıcı için literatürde dayanıklı mimari yapıya ya da öğrenme algoritmasına sahip birçok dayanıklı yöntem önerilmiştir. Bununla birlikte mimari üstünlüğe sahip ancak çarpımsal birleştirme fonksiyonu kullanması sebebiyle aykırı değerlerden oldukça fazla etkilenen ÇNM-YSA için herhangi bir dayanıklı öğrenme algoritması mevcut değildir. Bu tez kapsamında ÇNM-YSA için aykırı değer tespiti yapmadan da çalışabilecek dayanıklı bir öğrenme algoritması önerilmiştir. Önerilen yöntemde ağın eğitiminde uygunluk fonksiyonu olarak en küçük budanmış kareler tahmin edicisini temel alan garanti yakınsamalı parçacık sürü optimizasyonu kullanılmıştır. Aynı zamanda ÇNM-YSA'da istatistiksel değerlendirme yapmanın mümkün olduğunu göstermek üzere rastgele hareketli kayan blok bootstrap yöntemi kullanılarak parametreler için hipotez testleri yapılmış ve güven aralıkları tahmin edilmiştir. Önerilen yöntemin, aykırı değerlerin varlığı durumunda öngörü performansını değerlendirmek amacıyla; bir benzetim çalışması yapılmış ve iki farklı gerçek hayat zaman serisinin çözümlemesi yapılarak alternatif yöntemlerin sonuçları ile karşılaştırılmıştır.
Özet (Çeviri)
Forecasting about future conditions by using past and present data of time series is an important issue for many disciplines. Analysis methods used for forecasting are very effective on accuracy and performance. In recent year, artificial neural networks (ANNs) are often used in forecasting due to high forecasting performances and they do not need strict assumptions. Many ANNs types used for forecasting are available in the literature. Multiplicative neuron model ANN (MNM-ANN) that does not need to determine architectural structure, has a good forecasting power and ease of use. Existence of outliers in the time series has a negative effect on forecasting performance. Robust methods have been proposed for many traditional methods in the literature, and these methods can be adapted to ANNs. Many robust methods which have robust architecture structure or robust learning algorithm for multilayer perceptron have been proposed in the literature. Because the MNM-ANNs utilize multiplicative aggregation function, it is expected to affect more than other artificial network model. In literature, there is no robust learning algorithm for MNM-ANN. In this thesis, a robust learning algorithm that ability to work without outliers' detection is proposed for MNM-ANN. Least trimmed squares method based guaranteed convergence particle swarm optimization method is used as fitness function for training of the network in the proposed method. Hypothesis testing and confidence intervals for parameters are estimated by using moving block bootstrap method. Simulation study and analysis for two different real time series are made to evaluate forecasting performance of the proposed method.
Benzer Tezler
- Parçacık sürü optimizasyonuna dayalı yeni bir aritmi sınıflama yöntemi
A new arrhythmia classification method based on particle swarm optimization
BERAT DOĞAN
Yüksek Lisans
Türkçe
2009
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET KORÜREK
DOÇ. DR. MUSTAFA YILDIZ
- Yüz tanıma sistemlerinde kullanılan öznitelik vektörlerinin optimizasyonu
Optimization of feature vectors used in face recognition systems
SERKAN TÜZÜN
Yüksek Lisans
Türkçe
2010
Elektrik ve Elektronik Mühendisliğiİstanbul ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. AYDIN AKAN
- Üçlü güç üretim (trijenerasyon) sistemlerinde ana güç üretim birimi seçimi ve sistem optimizasyonu
Power generation unit selection and system optimization in trigeneration systems
ALİ NADİ ÜNAL
Doktora
Türkçe
2016
Endüstri ve Endüstri MühendisliğiHava Harp Okulu KomutanlığıEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜLGÜN KAYAKUTLU
- 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
2015
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. VEYSEL MURAT İSTEMİHAN GENÇ
- Arıma modellerinde parçacık sürü optimizasyonu ile parametre tahmini
Parameter estimation in arima model with particle swarm optimization
ALİ KARADAĞOĞLU