Geri Dön

Stochastic recurrent networks and their usage on time series

Olasılıklı yinelenen ağlar ve zaman serileri üzerinde kullanımları

  1. Tez No: 47369
  2. Yazar: SEMİH CEMİLOĞLU
  3. Danışmanlar: DOÇ.DR. MARİFİ GÜLER
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Yapay Sinir Ağlan, Zaman Serileri Tahmini, Gizli Markov Modelleme iv, Yapay sinir ağları, Zaman serileri, Neural Networks, Stochastic Processes, Hidden Markov Modelling, Time Series Prediction m, Artificial neural networks, Time series
  7. Yıl: 1995
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Belirtilmemiş.
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

oz OLASILIKLI YİNELENEN A?LAR VE ZAMAN SERİLERİ ÜZERİNDE KULLANIMLARI Cemiloğlu, Semih Yüksek Lisans, Bilgisayar Mühendisliği Bölümü Tez Yöneticisi: Doç. Dr. Marifi Güler Eylül 1995, 81 sayfa Bu çalışmada olasılıklı yinelenen ağ yapıları (OYA), adaptasyon algoritmaları ve zaman seri leri üzerindeki uygulamaları incelenmiştir. Her bir zaman adımında, OYA'nm her bir elemanı bir önceki zaman aralığında komşu elemanların durumlarına bağlıolan bir olasılıkla yeni bir konuma geçmektedir. OYA özellikle zaman serilerinin modellenmesi, sınıflandırılması ve tahmin edilmesi işlemlerinde kullanılabilir. OYA'nm teorik alt yapısını oluşturan Gizli Markov Modelleme (GMM) adaptasyon algoritmaları ve ispatlarıyla ayrıntılı olarak ince lenmiştir. Olasılıklı kontrol teorisi ve GMM yardımıyla, OYA'nm özellikleri ispatlarıyla in celenmiş ve tartışılmıştır. OYA'nm Boltzmann makinası ve diğer disiplinlerle olan yakınlığı araştırılmıştır. Zaman serilerinin modellemesi, sınıflandırılması ve tahmin edilmesi biçimsel olarak ortaya konmuş ve bunlarla ilgili OYA adaptasyon algoritmaları incelenmiş, gerçek sorunlar ve veriler üzerinde bu algoritmalar temel alınarak uygulamalar geliştirilmiş, sonuçlar tartışılmıştır. Ayrıca OYA ve GMM metodları karşılaştırılmıştır.

Özet (Çeviri)

ABSTRACT STOCHASTIC RECURRENT NETWORKS AND THEIR USAGE ON TIME SERIES Cemiloğlu, Semih M.Sc, Department of Computer Engineering Supervisor: Assoc. Prof. Dr. Marifı Güler September 1995, 81 pages In this thesis, Stochastic Recurrent Networks, which are collections of interconnected finite state stochastic units, their application areas and implementation issues are pursued. At every discrete time step, each unit of the SRN goes into a new state, following a probability law that is conditional on the state of neighboring units at the previous time step. A network of this type can learn a stochastic process (time series), where“learning”means maximiz ing the probability Likelihood function of the model. Hidden Markov Modelling which is theoretical origin of the SRNs, is extensively covered. With the help of Stochastic Control and Hidden Markov Modelling theory, representational properties of SRNs are analyzed and presented. Relationships with Boltzmann machine and other disciplines are surveyed. Maximum A Posteriori Classification, Maximum Likelihood Prediction algorithm and Local Backward-Forward algorithm are discussed and implemented as models of finite-alphabet time series classification, prediction, and modelling respectively. Some real applications are presented, and implementation issues are addressed. In addition, HMM and SRNs are compared, difficulties on implementing SRNs as a software are described.

Benzer Tezler

  1. Tez No

    142716

    Çimento endüstrisindeki harmanlama projesinin değişik tipte yapay sinir ağları ile tanılanması ve kıyaslanması

    The Identification and comparison of the blending process in cement industry with various type of neural networks

    GÜVEN EMRE

    Yüksek Lisans

    Türkçe

    Türkçe

    2003

    Makine Mühendisliğiİstanbul Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. CAN ÖZSOY

  2. Tez No

    924485

    Dynamic routing on stochastic time-dependent networks using real-time information

    Gerçek zamanlı bilgileri kullanarak stokastik zamana bağlı ağlarda dinamik yönlendirme

    ALİ RIZA GÜNER

    Doktora

    İngilizce

    İngilizce

    2011

    Endüstri ve Endüstri MühendisliğiWayne State Unıversıty

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. RATNA BABU CHINNAM

  3. Tez No

    1010312

    Physics- and biology-inspired learning dynamics for artificial neural networks

    Yapay sinir ağları için fizik ve biyoloji esinli öğrenme dinamikleri

    BAŞER TAMBAŞ

    Doktora

    İngilizce

    İngilizce

    2026

    Fizik ve Fizik Mühendisliğiİstanbul Teknik Üniversitesi

    Fizik Mühendisliği Ana Bilim Dalı

    PROF. DR. AHMET LEVENT SUBAŞI

  4. Tez No

    768530

    Stochastic action and scene estimation system for multi robot teleoperation environments

    Çok robotlu teleoperasyon ortamları için stokastik eylem ve sahne tahmin sistemi

    ABDULLAH AKAY

    Doktora

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGebze Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. YUSUF SİNAN AKGÜL

  5. Tez No

    826952

    Derin öğrenmede tekrarlayan sinir ağları yaklaşımı ile hisse senedi fiyat tahmini

    Stock price prediction with recurrent neural networks approach in deep learning

    GÜLDENİZ CANATAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    İstatistikÇukurova Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. GÜZİN YÜKSEL

Geri Dön