Geri Dön

Online nonlinear modeling for big data applications

Büyük veri uygulamaları için onlıne non lineer olmayan modelleme

  1. Tez No: 482313
  2. Yazar: FARHAN KHAN
  3. Danışmanlar: Assoc. Prof. Dr. SÜLEYMAN SERDAR KOZAT
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2017
  8. Dil: İngilizce
  9. Üniversite: İhsan Doğramacı Bilkent Üniversitesi
  10. Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 144

Özet

Birkaç gerçek yaşam, uyarlamalı sinyal için çevrimiçi doğrusal olmayan öğrenmeyi araştırırız büyük veriler içeren işleme ve makine öğrenme uygulamaları ve hem etkin hem de etkili algoritmalar. Için yeni çözümler sunuyoruz yüksek hızda üretilen ve / veya büyük boyutlu olan verilerin öğrenilmesi, durağan olmayan bir çevrede yaşıyor ve anında işlenmesi gerekiyor. Özellikle olumsuz gerçek yaşam koşullarından kaynaklanan sorunları büyük bir veri açısından incelemeye odaklanıyoruz. Verilerdeki durgunluk ve bozulmalara karşı sağlam olan çevrimiçi algoritmalar önermekteyiz. Önerilen algoritmaların, yüksek boyutluluk, zamana bağlı istatistikler, veri yapıları ve ani değişiklikler içeren karmaşıklıklara bakılmaksızın, birkaç gerçek hayat uygulaması için evrensel olarak uygulanabileceğini vurguluyoruz. Bu amaçla, verilerin zamanla değişen bir manifold üzerinde bulunduğu yüksek boyutlu bir ortamda çevrimiçi doğrusal olmayan öğrenme için oldukça sağlam hiyerarşik ağaçlar algoritması sunmaktayız. Altta yatan manifoldun altuzayını izleyerek boyutsallık lanetinden kaçarız ve doğrusal olmayan sistemin modellenmesi için modifiye regressor vektörleri olarak alttaki manifold üzerine orijinal yüksek boyutlu regressor uzayının projeksiyonlarını kullanırız. Önerilen algoritmayı kullanarak, hesaplama karmaşıklığını ağacın derinlik sırasına ve bellek gereksinimini yalnızca manifoldun öz boyutunda doğrusal olana indirgiyoruz. Simülasyona giren ve gerçek veriler aracılığıyla diğer teknolojik teknikler üzerindeki ortalama karesel hata açısından önemli performans artışı sergiliyoruz. Ardından, çevrimiçi zorunlu öğrenme modellemesinin, ağ saldırıları tespiti, müşterilerin çarpma analizi ve sualtı akustik iletişimi için kanal tahmini gibi gerçek yaşam uygulamalarını ele alacağız. Son teknoloji tekniklerle karşılaştırıldığında, algılama hassasiyeti açısından önemli performans sağlayan sıralı ve çevrimiçi öğrenme yöntemleri önermekteyiz. Sağlam öğrenme algoritmalarını geliştirmek için yapılandırılmış ve derin öğrenme yöntemlerini özellikle tanıtmaktayız. Ayrıca önerilen çevrimiçi nonlineer öğrenme modellerimizin performansını, uzmanların karışımı yöntemleri ve güçlendirme kavramı ile geliştiriyoruz. Önerilen algoritmalar, gerçek yaşam koşullarında önemli ölçüde azaltılmış hesaplama karmaşıklığı ve depolama gereksinimi ile en son teknoloji yöntemler üzerinde önemli bir performans kazancı elde etmektedir.

Özet (Çeviri)

We investigate online nonlinear learning for several real life, adaptive signal processing and machine learning applications involving big data, and introduce algorithms that are both efficient and effective. We present novel solutions for learning from the data that is generated at high speed and/or have big dimensions in a non-stationary environment, and needs to be processed on the fly. We specifically focus on investigating the problems arising from adverse real life conditions in a big data perspective. We propose online algorithms that are robust against the non-stationarities and corruptions in the data. We emphasize that our proposed algorithms are universally applicable to several real life applications regardless of the complexities involving high dimensionality, time varying statistics, data structures and abrupt changes. To this end, we introduce a highly robust hierarchical trees algorithm for online nonlinear learning in a high dimensional setting where the data lies on a time varying manifold. We escape the curse of dimensionality by tracking the subspace of the underlying manifold and use the projections of the original high dimensional regressor space onto the underlying manifold as the modified regressor vectors for modeling of the nonlinear system. By using the proposed algorithm, we reduce the computational complexity to the order of the depth of the tree and the memory requirement to only linear in the intrinsic dimension of the manifold. We demonstrate the significant performance gains in terms of mean square error over the other state of the art techniques through simulated as well as real data. We then consider real life applications of online nonlinear learning modeling, such as network intrusions detection, customers' churn analysis and channel estimation for underwater acoustic communication. We propose sequential and online learning methods that achieve significant performance in terms of detection accuracy, compared to the state-of the-art techniques. We specifically introduce structured and deep learning methods to develop robust learning algorithms. Furthermore, we improve the performance of our proposed online nonlinear learning models by introducing mixture-of-experts methods and the concept of boosting. The proposed algorithms achieve significant performance gain over the state-of-the-art methods with significantly reduced computational complexity and storage requirements in real life conditions.

Benzer Tezler

  1. Sequential regression techniques with second order methods

    İkinci dereceden yöntemler ile ardışık bağlanım teknikleri

    BURAK CEVAT CİVEK

    Yüksek Lisans

    İngilizce

    İngilizce

    2017

    Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Elektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SÜLEYMAN SERDAR KOZAT

  2. 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

    İngilizce

    2015

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    DOÇ. VEYSEL MURAT İSTEMİHAN GENÇ

  3. Design of an intelligent boost pressure controller for a series sequential turbocharged diesel engine

    Seri bağlı aşırı doldurma sistemine sahip dizel motorlar için akıllı manifold basıncı kontrolcüsü tasarımı

    MUSTAFA ENGİN EMEKLİ

    Doktora

    İngilizce

    İngilizce

    2015

    Makine Mühendisliğiİstanbul Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. BİLİN AKSUN GÜVENÇ

  4. Evaluation of model-based predictive control methods in high-speed automated ground vehicle path following

    Yüksek hızlı bir otonom kara taşıtının yörünge takibinde model bazlı öngörülü kontrol yöntemlerinin değerlendirilmesi

    VOLKAN BEKİR YANGIN

    Doktora

    İngilizce

    İngilizce

    2024

    Makine Mühendisliğiİstanbul Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. ÖZGEN AKALIN

  5. Doğrusal olmayan sistemler için model öngörülü kontrol yöntemine ters optimal kontrol yapısının katılması

    Injection of inverse optimal control structure to model predictive control method for non-linear systems

    LÜTFİ ULUSOY

    Doktora

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    PROF. DR. MÜJDE GÜZELKAYA