Geri Dön

Dayanıklı seyrek temel bileşenler analizi

Robust sparse principal component analysis

  1. Tez No: 470640
  2. Yazar: IŞIL ÜNALDI
  3. Danışmanlar: YRD. DOÇ. DR. BİLAL BARIŞ ALKAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: İstatistik, Statistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2017
  8. Dil: Türkçe
  9. Üniversite: Sinop Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Matematik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 52

Özet

Temel Bileşenler Analizi (TBA), çok boyutlu veri kümesi olduğunda genellikle ilk başvurulan boyut indirgeme ve veri işleme yöntemidir. Bu nedenle TBA, hemen hemen bütün bilimsel alanlarda kullanımı oldukça yaygın olan bir yöntemdir. Ancak TBA'da her bir temel bileşenin tüm orijinal değişkenlerin doğrusal birleşimi olmasından dolayı analiz sonuçlarının yorumlama aşamasında genellikle birtakım güçlüklerle karşılaşılır. Bu sıkıntıların çözümü için önerilen yaklaşımlardan biri Seyrek Temel Bileşenler Analizi (STBA) olarak adlandırılmaktadır. Fakat seyrek yaklaşımlar da TBA'da olduğu gibi veri kümesinde aykırı gözlemlerin olması durumuna karşı dayanıklı değildir. Bu çalışmada, STBA ve Dayanıklı Temel Bileşenler Analizinin (DTBA) avantajlı özelliklerini bir araya getiren, Croux ve ark. (2013) tarafından önerilen yaklaşımın performansı iki gerçek ve üç yapay veri kümesi üzerinden incelenecektir. Çalışmanın 1. bölümünde TBA, DTBA ve STBA hakkında ön bilgilerin yer aldığı giriş bölümü verilecektir. 2. bölümünde çalışmada kullanılan bazı temel kavramların tanımları ve açıklamaları ile birlikte literatür özeti yer alacaktır. 3. bölümünde incelenen veri kümeleri ve yöntemlere, 4. bölümde ise önceki bölümlerde ayrıntılı olarak incelenen yöntemlerin gerçek ve yapay veri kümeleri üzerinde uygulamalarına yer verilecektir. Son bölümde ise çalışmadan elde edilen sonuçlar tartışılacaktır.

Özet (Çeviri)

The Principal Component Analysis (PCA) is the first method of size reduction and data processing when the dataset is of a high-dimensional. Therefore PCA is a widely used method in almost all scientific fields. However, since all the original variables of each principal component in the PCA are linear combination, the interpretation process of the analysis results is often encountered with some difficulties. The approaches proposed for solving these problems are referred to as Sparse Principal Component Analysis (SPCA). However, sparse approaches are not resistant to the fact that there are outliers in the data set, such as in the PCA. In this study, Croux et al. (2013), which combines the advantageous properties of SPCA and Robust Principal Component Analysis (RPCA), the performance of the proposed approach will be examined through two real and three artificial datasets. Preliminary information on PCA, RPCA and SPCA will be given in Section 1 of the study. In the Section 2, a summary of the literature will be included with definitions and explanations of some basic concepts used in the study. The datasets and methods examined in Section 3 will be included, and in Section 4, the methods examined in detail in the previous sections will be applied to real and artificial datasets. In the last section, the results obtained in the study will be discussed.

Benzer Tezler

  1. Face recognition with local Walsh transform

    Yerel Walsh dönüşümü ile yüz tanıma

    MERYEM UZUN PER

    Doktora

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MUHİTTİN GÖKMEN

  2. Yapılarda taban izolasyonu sistemleri

    Base isolation systems in structures

    AHMET CANER BAŞDOĞAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2012

    Deprem Mühendisliğiİstanbul Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. ÜNAL ALDEMİR

  3. Standart altı geniş betonarme kolonların yön değiştiren tekrarlı yükler altında davranışı, modellenmesi ve değerlendirilmesi

    Behavior, modeling, and assessment of substandard wide reinforced concrete columns under reversed cyclic loads

    BİLAL SARI

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Deprem Mühendisliğiİstanbul Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. ALPER İLKİ

  4. Robust extraction of sparse 3D points from image sequences

    Seyrek 3B noktaların görüntü dizilerinden dayanıklı biçimde çıkarımı

    ELİF VURAL

    Yüksek Lisans

    İngilizce

    İngilizce

    2008

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Elektrik ve Elektronik Mühendisliği Bölümü

    DOÇ. DR. A. AYDIN ALATAN

  5. Derivative based proportionate type adaptive filtering over sparse echo channels

    Seyrek eko kanalları için türev tabanlı orantılı uyarlanır süzgeçleme

    MURAT BABEK SALMAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. TOLGA ÇİLOĞLU