Non-uniformly sampled sequential data processing
Düzgün olmayan şekilde örneklenmiş sıralı verinin işlenmesi
- Tez No: 582470
- Danışmanlar: PROF. DR. SÜLEYMAN SERDAR KOZAT
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 65
Özet
Bu tezde, düzgün olmayan bir şekilde örneklenmiş veya eksik örnek içeren değişken uzunluktaki sıralı veri kümelerinin sınıflandırılması ve bağlanımı üzerinde çalışılmıştır. Sıralı veri işleme çalışmalarında veri genellikle düzgün olarak örneklenmiş ve eksiksiz olarak kabul edilir. Ancak, medikal görüntüleme ve finansal tahmin uygulamalarının da içerisinde bulunduğu bir çok gerçek hayat uygulamasında düzgün örneklenmemiş veya eksik veri ile karşılaşılmaktadır. Bu problemlere çözüm olarak, belirli ön-işleme teknikleri, istatiksel varsayımlar ve yerine koyma metotları kullanılmaktadır. Ancak, istatiksel varsayımlar veriyi her zaman tam olarak modelleyememekte ve yerine koyma algoritmaları da verinin örgüsüne uygun şekilde çalışmamaktadır. Bu nedenle yüksek performans artışları gözlenememektedir. Bu problemlere çözüm olarak, ikinci bölümde, yeni ve özgün bir Uzun Kısa-Soluklu Bellek (UKSB) sinir ağı mimarisi sunulmaktadır. Bu mimaride, geleneksel UKSB sinir ağı mimarisi zaman kapılarıyla genişletilmiş ve zaman bilgisini doğrusal olmayan bir ölçekleme faktörü olarak kullanacak şekilde gelişmiştir. Ayrıca önerilen LSTM mimarisi için ileri geçiş ve geri geçiş güncelleme denklemleri de sunulmaktadır. Yaklaşımımızın, zaman örnekleri arasında bir ilişki olduğu zaman, klasik LSTM mimarisine üstün olduğunu gösteriyoruz. Üçüncü bölümde ise eksik örnekleri içeren değişken uzunluklu sıralı verilerin bağlanımı çalışıldı ve Uzun Kısa-Soluklu Bellek (UKSB) sinir ağlarına dayanan yeni bir ağaç mimarisi tanıtıldı. Bu mimaride, sadece dizideki mevcut girdileri kullanan, ağaç benzeri bir mimaride, eksik verilerle ilgili herhangi bir istatistiksel varsayım yapmadan, değişken sayıda LSTM ağı kullanıyoruz. Burada, belirli sayıdaki geçmiş girdinin mevcudiyet modeline dayanarak kullanılabilecek UKSB ağlarını belirleyip bu ağların tahminlerini uyarlanabilir bir şekilde birleştiriyoruz.
Özet (Çeviri)
We study classi cation and regression for variable length sequential data, which is either non-uniformly sampled or contains missing samples. In most sequential data processing studies, one considers data sequence is uniformly sampled and complete, i.e., does not contain missing input values. However, non-uniformly sampled sequences and the missing data problem appear in a wide range of elds such as medical imaging and nancial data. To resolve these problems, certain preprocessing techniques, statistical assumptions and imputation methods are usually employed. However, these approaches su er since the statistical assumptions do not hold in general and the imputation of arti cially generated and unrelated inputs deteriorate the model. To mitigate these problems, in chapter 2, we introduce a novel Long Short-Term Memory (LSTM) architecture. In particular, we extend the classical LSTM network with additional time gates, which incorporate the time information as a nonlinear scaling factor on the conventional gates. We also provide forward pass and backward pass update equations for the proposed LSTM architecture. We show that our approach is superior to the classical LSTM architecture, when there is correlation between time samples. In chapter 3, we investigate regression for variable length sequential data containing missing samples and introduce a novel tree architecture based on the Long Short-Term Memory (LSTM) networks. In our architecture, we employ a variable number of LSTM networks, which use only the existing inputs in the sequence, in a tree-like architecture without any statistical assumptions or imputations on the missing data. In particular, we incorporate the missingness information by selecting a subset of these LSTM networks based on presence-pattern of a certain number of previous inputs.
Benzer Tezler
- Jeofon dizinleri vasıtasıyla sismik yön tespiti
Seismic direction estimation via geophone arrays
ARDA ARAS
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. TAYFUN AKGÜL
- Mineral maddenin Türk linyitlerinin yanma özelliklerine etkisi
Effect of the mineral matter on the combustion properties of Turkish lignites
ÇİĞDEM ŞENTORUN
- Badland systems in Turkey: A holistic approach to understand the formation, controlling factors and geomorphologic characteristics
Türkiye'deki kırgıbayır sistemleri: Oluşumlarını, kontrol eden faktörlerini ve jeomorfolojik karakterlerini anlamak üzerine bütünsel bir yaklaşım
AYDOĞAN AVCIOĞLU
Doktora
İngilizce
2023
Coğrafyaİstanbul Teknik ÜniversitesiKatı Yer Bilimleri Ana Bilim Dalı
DOÇ. DR. TOLGA GÖRÜM
DR. ÖĞR. ÜYESİ ÖMER YETEMEN
- N-nitrosodimethylamine in drinking water: Temporalformation potential patterns in source waters andtreatability of precursors
Başlık çevirisi yok
HABİBULLAH UZUN
- Multi-scale deformation and failure prediction of polycrystalline metals: A case study on impact and localization
Polikristal metallerin farklı ölçeklerde deformasyon ve kırılma öngörüsü: Darbe ve lokalizasyon üzerine vaka çalışması
MORAD MIRZAJANZADEH
Yüksek Lisans
İngilizce
2016
Makine MühendisliğiKoç ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
Assoc. Prof. Dr. DEMİRCAN CANADİNÇ