Multi-channels deep convolution neural network for early classification of multivariate time series
Çok kanallı derin dönüşümerken sinir ağıçok değişkenli zaman sınıflandırmasıdiziler
- Tez No: 768069
- Danışmanlar: YRD. DOÇ. DR. AYÇA KURNAZ TÜRKBEN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilişim Teknolojileri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilişim Teknolojileri Bilim Dalı
- Sayfa Sayısı: 65
Özet
Günümüzde her biri aşağıdakileri içeren çok sayıda zaman serisi tahmin yöntemi vardır. yararlı bir tahmin sunmak için yeterli veri ön işleme ve analiz. Bu çalışmanın amacı çok çeşitli serilerde en çok kullanılan Zaman Serisi tahmin edicilerinin performansını karşılaştırmak için Derin Sinir Ağları (DNN) kullanan EEG algılama alanları için. sahip olan tüm DNN modelleri otomatik hale getirilerek hiper parametre aramasını modelin bir bileşeni haline getirir. Bu modelin önceden anlaşılmasına gerek kalmadan EEG veri setinde kullanılabilecek şekilde yapılmıştır. 61 farklı özelliğin EEG verilerinin içsel öznitelik çıkarımı ve kıyaslaması yapılmıştır. bu kampanyaları otomatik olarak başlat. Araştırma, kullanıldığında hiçbir performans sorunuyla karşılaşmaz. Derin öğrenme tabanlı DNN modeli, verilerin bazı mühendisliklerini bir %97.00 doğruluk. Bu eksikliği gidermek ve DNN sonuçlarını daha tam olarak açıklamak için zaman serisi sınıflandırma alanında, iki sığ ağ, bir DNN ve bir LSTM tezde değerlendirilmiştir. Deneysel bir yaklaşım için birkaç mevcut paralelliği genişletiyoruz. çalışmaların olduğu zaman serileri için iki sınıflandırma alanının temel analizini içerir. neredeyse yok. Bunu yapmak için, iletkenlik için kolayca genişletilebilir bir yapı inşa ettik. viii üç ayrı veri kümesi üzerinde çapraz doğrulama kullanarak modellerimizi denedik ve test ettik. sınıflandırıyoruz motor çalışması ile depresif hastalar. Her veri seti için sistem DNN'yi test etmek için kullanıldı ve LSTM bağımsızdır ve farklı sinir ağı modelleri için genelleştirilebilir. ilgili karşılaştırma çalışmaları için kullanılır. Temel DNN'nin LSTM ile aynı işlevi gördüğünü kanıtlıyoruz ve daha hızlı trenler. Tüm örneklerimiz için, DNN 30 saniyeden daha hızlı kullanılır, ancak DNN daha fazla antrenman kullandığında, zamanın saniye cinsinden kullanıldığını ve tekrar ettiğini görüyoruz. Biz DNN'lerin sınıflandırılması için LSTM'ye göre tercih edilen alternatif olması gerektiği sonucuna varır. başarı ve daha hızlı hazırlanmadaki verimlilikleri göz önüne alındığında, zaman serileri.
Özet (Çeviri)
There are numerous time series forecasting methods available today, each of which involves sufficient data pre-processing and analysis to offer a useful prediction. The goal of this study is to compare the performance of the most used Time Series estimators on a wide range of series for EEG sensing fields using Deep Neural Networks (DNN). All the DNN models that have been created are automated, making hyper-parameter search a component of the model. This is done so that it may be utilized on the EEG dataset without any prior understanding of the model. Internal feature extraction and benchmarking of EEG data of 61 different features were used to automatically launch these campaigns. The research faces no performance issues, when using deep learning based DNN model, that tackled refining some engineering of the data with an accuracy of 97.00%. To overcome this deficiency and to explain more fully the results of DNN in the time series classification domain, two shallow networks, one DNN and one LSTM are evaluated in the thesis. We expand the few current parallels for an experimental approach to include a baseline analysis of the two classification fields for time series, where studies are almost absent. To do this, we have built a readily extensible structure for conducting viii experiments and tested our models using cross validation on three separate datasets. We classify depressive patients with engine operation. For each dataset the system was used to test DNN and LSTM independently and is generalizable for different neural network models that can be used for related comparison studies. We prove that basic DNN performs the same as LSTM and trains quicker. For all our examples, DNN is used for more than 30 seconds more quickly, but we see a balance in time used in seconds and repeats when DNN uses more workouts. We conclude that DNNs should be the preferable alternative over LSTM for the classification of time series, given their efficiency in success and faster preparation.
Benzer Tezler
- Göğüs kafesi röntgen görüntülerinde derin öğrenme metoduyla zatürre hastalığının tanısı
Pneumonia detection using deep learning on chest X-ray images
MUAZZEZ BUKET DARICI
Yüksek Lisans
Türkçe
2020
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ZÜMRAY ÖLMEZ
- Derin öğrenme yöntemi ile optik uydu görüntülerinden gemi tespiti
Ship detection by optical satellite images with deep learning method
OSMAN DUMAN
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. MESUT KARTAL
- Deep learning methods for classification Alzheimer's disease
Alzheimer hastalığının sınıflandırılmasına yönelik derin öğrenme yöntemleri
HUSAM MOHAMMED ABDULFATTAH SAIF AL-HAMMADI
Yüksek Lisans
İngilizce
2023
Bilim ve TeknolojiFatih Sultan Mehmet Vakıf ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EBUBEKİR KOÇ
- Deep learning approaches for multiple sclerosis lesion segmentation using multi-sequence 3D MR images
Çok sekanslı 3B MR görüntüleri kullanılarak multiple skleroz lezyon bölütlemesi için derin öğrenme yaklaşımları
BEYTULLAH SARICA
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. DURSUN ZAFER ŞEKER
- Derin sinir ağlarıyla elektroensefalografi sinyalleri sınıflandırılarak yenidoğanlarda epilepsi tanı yöntemi geliştirilmesi
Development of an epilepsy diagnosġs method in neonates byclassifying electroencephalography signals with deep neuralnetworks
SÜLEYMAN RENCUZOĞULLARI
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik Mühendisliğiİskenderun Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ABDULLAH ÇALIŞKAN