Geri Dön

Yapay sinir ağı faktör analizi hibrit modeli ile yapay sinir ağı modellerinin sınıflama başarılarının karşılaştırılması

Comparison of artificial neurol networks classification ability with factor analysis and artificial neurol network hybrid model

PDF İndir

  1. Tez No: 856387
  2. Yazar: DENİZ TEZER
  3. Danışmanlar: PROF. DR. FEZAN MUTLU
  4. Tez Türü: Doktora
  5. Konular: Biyoistatistik, Biostatistics
  6. Anahtar Kelimeler: Faktör Analizi, Hibrit Yapay Sinir Ağları, Veri Üretme, Python, Factor Analysis, Hybrid Neural Networks, Data Generation, Python
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Eskişehir Osmangazi Üniversitesi
  10. Enstitü: Sağlık Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Biyoistatistik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 130

Özet

Amaç: Tahmini parametrelerle oluşturulmuş Klasik Yapay Sinir Ağ (Klasik YSA) modeline kıyasla Faktör Analizinin değişkenlerdeki birlikteliği nedenselliğe göre tanımlama yeteneğinden yararlanarak, analizin saptadığı veri topolojisine benzer bir Klasik Yapay Sinir Ağ (Klasik YSA) mimarisini çok kısa bir zamanda oluşturabilen bir Hibrit Yapay Sinir Ağ (Hibrit YSA) modeli geliştirerek, Klasik Yapay Sinir Ağ (Klasik YSA) modeline kıyasla veriyi daha başarılı ve çok daha kısa sürede sınıflayabilme amaçlanmıştır. Yöntem: Jupyter Notebook çalışma platformunda Klasik YSA sınıflayıcı yöntemin Python kodları düzenlenmiştir. Hibrit YSA modelinin algoritmasında birinci adımda veriye Faktör Analizi uygulanmakta ve ikinci adımda Yapay Sinir Ağı modelinin mimarisini verinin 0,70 varyansını açıklayan faktör sayısı kadar katmanın ve değişken sayısı kadar nöronun olduğu, bir faktörlü veri durumunda 0,20'den küçük faktör yükü olan değişkeni veriden çıkarıp, kalan değişken sayısı kadar nöron ve bir katmanın olduğu şekilde tasarlayabilecek kodlar yazılmıştır ve üçüncü adımda belirlenen mimariye sahip Hibrit YSA veriyi sınıflara atamaktadır. Bulgular: Normal dağılıma sahip, sürekli sayısal değerden oluşan (x∼N(μ,σ^2), n=5.000), sırası ile beş, dört, üç, iki ve bir faktörlü ve 20, 16, 12, 8 ve 10 değişkenli veri setleri oluşturulmuştur. En başarılı Klasik YSA ve Hibrit YSA modellerinin doğruluk skorları 0,90'nın üstünde başarı kaydetmiştir. Klasik YSA mimarisinin oluşması ve eğitimi 240 dakika sürerken Hibrit YSA 0,2 saniyede kendi mimarisini oluşturmakta ve eğitimi tamamlamaktadır. Sonuç: Hibrit YSA algoritması başarılı bir YSA model belirleyicisi alternatifidir.

Özet (Çeviri)

Aim: Compared to the Classical Artifical Neurol Network (Classical ANN) model created with estimated parameters, by taking advantage of the ability of Factor Analysis to define the association in variables according to causality, by developing a Hybrid Artifical Neurol Network model that can create in a very short period of time the ANN architecture similar to the data topology determined by the factor analysis, it is aimed to classify the data more successfully and in a much shorter period of time compared to the Classical Artifical Neurol Network. Methods: The codes of the Classical Artificial Neural Networks classifier method have been modified on Jupyter Notebook platform. In the algorithm of the Hybrid ANN model, in the first step, factor analysis is applied to the data. In the second step, codes were written to design the architecture of the Artificial Neural Network model in a way that it has as many layers as the number of factors that explain the 0.70 variance of the data and as many neurons as the number of variables. In the case of single-factor data, the variables of factors which loads less than 0.20 is removed from the data so that it has as many neurons as the number of remaining variables and a single layer. In the third step, Hybrid ANN with the determined architecture assigns the data to classes. Results: Five data sets with normal distribution, consisting of continuous numerical values (x∼N(μ,σ^2), n=5,000), with five, four, three, two, and one factors, and 20, 16, 12, 8 and 10 variables, respectively, have been created. The accuracy scores of the most successful Classical ANN model and the Hybrid ANN model are over 0.90. While creating the architecture and training of the Classical ANN models take 240 minutes, the Hybrid ANN model creates its own architecture and completes its training in 0.2 seconds. Conclusions: The Hybrid ANN is a successful ANN model determinant alternative.

Benzer Tezler

  1. Tez No

    776581

    Arazi kullanım/arazi örtüsü değişikliğinin modellenmesi ve toprak özellikleri üzerine etkilerinin incelenmesi: Adıyaman, Besni ilçesi örneği

    Modeling of land use/land cover change and effects on soil properties: A case study of Adıyaman, Besni

    MİRAÇ KILIÇ

    Doktora

    Türkçe

    Türkçe

    2023

    ZiraatHarran Üniversitesi

    Toprak Bilimi ve Bitki Besleme Ana Bilim Dalı

    PROF. DR. RECEP GÜNDOĞAN

  2. Tez No

    847173

    Fake news classification using machine learning and deep learning approaches

    Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması

    SAJA ABDULHALEEM MAHMOOD AL-OBAIDI

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR

  3. Tez No

    553329

    Design and structural finite element analysis of an artificial neural network based optimized alpha type stirling engine

    Yapay sinir ağı bazlı optimize edilmiş bir stırlıng motorunun tasarımı ve yapısal sonlu elemanlar analizi

    CENGİZ YILDIZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Makine Mühendisliğiİstanbul Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. ATA MUGAN

    DR. ÖĞR. ÜYESİ FATMA BAYATA

  4. Tez No

    791326

    Analysis of hyperspectral images with deep learning methods

    Derin öğrenme yöntemleriyle hiperspektral görüntülerin analizi

    EKREM TARIK KARAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    İletişim Sistemleri Ana Bilim Dalı

    PROF. DR. ZÜMRAY ÖLMEZ

  5. Tez No

    688423

    Deep learning for wind energy systems using the hurst exponent and statistical parameters

    Hurst üslü ve istatistiksel parametreleri kullanarak rüzgar enerjisi sistemleri için derin öğrenme

    BEHNAZ ALAFI

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞAHİN SERHAT ŞEKER

Geri Dön