Enhanced generalized regression neural network for large datasets
Büyük veri setleri için geliştirilmiş genelleştirilmiş regresyon yapay sinir ağı
- Tez No: 479159
- Danışmanlar: DOÇ. DR. MUSTAFA ORAL
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2017
- Dil: İngilizce
- Üniversite: Çukurova Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 134
Özet
Genelleştirilmiş Regresyon Yapay Sinir Ağı (GRYSA), fonksiyon yaklaştırma ve tahmin işlemleri için kullanılan, radyal tabanlı fonksiyon yapay sinir ağlarından biridir. Birçok uygulamada Çok Katmanlı Algılayıcı (CKA) ve Destek Vektör Makineleri (DVM) gibi tahmin edici metotlara bir alternatif olarak kullanılabilmesini sağlayan iki önemli özelliğe sahiptir. Bu özellikler, kolay modellenebilmesi ve tek geçişte öğrenebilmesidir. GRYSA'nın örüntü katmanında bulunan nöron sayısının veri setindeki eğitim verisi sayısına eşit olmasından dolayı, büyük veri setlerinde bellek kullanımında ve hesaplama zamanlarında artış meydana gelmektedir. Bu yüzden, örüntü katmanı yapısının küçültülmesine önemli bir ihtiyaç vardır. Bu yalnızca yapıyı basitleştirmekle kalmayacak, aynı zamanda tahmin tutarlılığını da arttıracaktır. Bu çalışmada, örüntü katmanı boyutu problemini çözmek için üç farklı metot önerilmiştir. Önerilen metotların performansı 15 test fonksiyonu ve 8 farklı UCI veri seti ile değerlendirilip sonuçlar standart GRYSA ve literatürde kullanılan popüler karma yöntemler ile karşılaştırılmıştır.
Özet (Çeviri)
Generalized Regression Neural Network (GRNN) is a kind of radial basis function neural networks used for function approximation and prediction. It has two important properties that make it alternative to other prediction methods such as MultiLayer Perceptron (MLP) and Support Vector Machines (SVM) in many applications. These are easy modelling structure, and one pass learning. Since the number of neurons at GRNN's pattern layer is proportional to the number of training samples in dataset, increase in memory usage and computational time will emerge for huge datasets. Therefore, there is a strong need for pattern layer size reduction. It may provide not only simplification in structure but also increase in prediction accuracy. In this study, three different methods are proposed to solve pattern layer size problem. Performances of the proposed methods were evaluated by using fifteen benchmark test functions and eight different UCI datasets and compared with that of standard GRNN as well as popular hybrid methods used in literature.
Benzer Tezler
- Fractional-order derivative based adaptive methods for control and optimization
Kontrol ve optimizasyon için kesir mertebeli türev tabanlı adaptif yöntemler
MERT CAN KURUCU
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. MÜJDE GÜZELKAYA
PROF. DR. İBRAHİM EKSİN
- Lojistik sistemlerin yapay sinir ağları ile modellenmesi, gerçeklenmesi ve kontrolü
Modeling, implementation and control of logistics systems using artificial neural networks
MURAT ERMİŞ
Doktora
Türkçe
2005
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF.DR. FÜSUN ÜLENGİL
- Makine öğrenmesi yöntemleriyle oyun sunucu yükünün tahmin edilmesi
Estimating game server load with machine learning methods
ÇAĞDAŞ ÖZER
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. TANER ÇEVİK
- Multiple arbitrarily inflated count regression models
Çoklu ve keyfi değerlerde yığılmalı sayım regresyon modelleri
IHAB ABUSAIF
- Kötü koşulluluk ve eksik sunumluluk problemi altında çoklu regresyon modelinin tahmin edilmesinde kullanılan bazı yöntemler ve çözüm önerileri
Some methods and solutions for estimating multiple regression model under ill conditioned and ill-posed problem
SÜMEYYA SAYILKAN
Yüksek Lisans
Türkçe
2025
EkonometriÇukurova ÜniversitesiEkonometri Ana Bilim Dalı
DOÇ. DR. SİBEL ÖRK ÖZEL