En iyi yapay sinir ağı modelinin belirlenmesinde istatistiksel yöntemlerin kullanılması
Determining the best artificial neural network model using statistical methods
- Tez No: 904458
- Danışmanlar: PROF. DR. BİRDAL ŞENOĞLU, PROF. DR. ÇAĞDAŞ HAKAN ALADAĞ
- Tez Türü: Doktora
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Faktöriyel tasarım, Tahminleme, Yapay sinir ağları, Factorial design, Forecasting, Artificial neural networks
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Ankara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Otoregresif, hareketli ortalama ve otoregresif hareketli ortalama gibi lineer zaman serilerinde hata terimlerinin dağılımının normal dağılıma uymadığı durumlarla daha yaygın karşılaşılır. Burada, bu tür zaman serisi problemleri için klasik istatistiksel modellere yaygın bir alternatif olarak kullanılan yapay sinir ağları kullanıldı. Ancak, yapay sinir ağlarının uygulamasında karşılaşılan önemli bir problem yapay sinir ağlarının katmanlarındaki nöronların sayılarının uygun bir şeklide belirlenmesi olarak tanımlanan mimari seçim işlemidir. Buradan yola çıkarak, bahsedilen zaman serisi modellerinde hata terimlerinin dağılımının, normal dağılım dahil olmak üzere simetrikten çarpığa birçok farklı dağılımı kapsayan esnek bir dağılım olan, çarpık t dağılımına uyduğu varsayılarak, bu zaman serilerinin yapay sinir ağları ile öngörüsü bağlamında uygun mimarinin belirlenmesi problemine odaklanılmıştır. Bu amaçla ele alınan bu problemin çözümü için, a×b faktöriyel tasarım ve Duncan çoklu aralık testine dayalı bir yaklaşım ortaya konulmuş ve bu yaklaşım kapsamlı bir Monte-Carlo simülasyon çalışması ile incelenmiştir. Sonuç olarak, otoregresif ve otoregresif hareketli ortalama serilerinde genellikle hata terimlerinin dağılımındaki çarpıklık derecesi arttıkça yapay sinir ağlarının gizli katmanındaki nöron sayısının arttığı görülmüştür. Bu sonuç, hareketli ortalama serileri için geçerli değildir. Ayrıca, hata terimlerinin dağılımındaki değişimin girdi katmanındaki nöron sayısı üzerinde bir etkisi olmadığı görülmüştür. Çalışmanın sonunda, önerilen yaklaşımın gerçek bir veri seti için uygulaması gösterilmiştir.
Özet (Çeviri)
In linear time series such as autoregressive, moving average, and autoregressive moving average, it is more common to encounter situations where the distribution of error terms is not normally distributed. Here, artificial neural networks (ANNs) are used, which are widely used as an alternative to classical statistical models for such time series problems. However, an important problem encountered in the application of artificial neural networks is the architecture selection process, which is defined as determining the number of neurons in the layers of artificial neural networks appropriately. Based on this, assuming that the distribution of error terms in the mentioned time series models is distributed as a Skew t distribution, which is a flexible distribution covering many different distributions from symmetric to skewed, including the normal distribution, the focus is on the problem of determining the appropriate architecture in the context of forecasting these time series with ANNs. For this purpose, an approach based on a×b factorial design and Duncan multiple range test is put forward to solve this problem, and this approach is examined with a comprehensive Monte-Carlo simulation study. As a result, it is observed that the number of neurons in the hidden layer of the artificial neural networks generally increased as the degree of skewness in the distribution of error terms in autoregressive and autoregressive moving average series increased. This result is not valid for moving average series. In addition, it is observed that the change in the distribution of error terms does not have an effect on the number of neurons in the input layer. At the end of the study, the application of the proposed approach for a real-life data set is shown.
Benzer Tezler
- A dynamic risk assessment methodology (Dy-RAM) in port waters
Liman sularında dinamik risk değerlendirme (Dy-RAM) metodolojisi
ÜLKÜ ÖZTÜRK
Doktora
İngilizce
2019
Denizcilikİstanbul Teknik ÜniversitesiDeniz Ulaştırma İşletme Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ KADİR ÇİÇEK
- 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
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR
- A comparison of various interpolation methods in prediction and validation of marine gravity data
Deniz gravite verilerinin belirlenmesinde ve kontrol edilmesinde farklı interplasyon yöntemlerinin karşılaştırılması
MUHAMAD ALAIED
Yüksek Lisans
İngilizce
2021
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. BİHTER EROL
- Developing a smart method for real -time brain tumor localization and segmentation on ct ımages using hybrid techniques and yolo
Hibrit teknikler ve yolo kullanilarak bt görüntülerinde gerçek zamanli beyin tümörü lokalizasyonu ve segmentasyonu için akilli bir yöntem geliştirilmesi
NUSAIBAH KHALID ABDULMAJEED AL-SALIHI
Doktora
İngilizce
2025
Elektrik ve Elektronik MühendisliğiÇukurova ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ULUS ÇEVİK
PROF. DR. TURGAY İBRİKÇİ
- Sürekli tip cam ergitme fırınları için hesaplamalı akışkanlar dinamiği tabanlı indirgenmiş model geliştirilmesi
Development of a computational fluid dynamics based reduced order model for continuous glass melting furnaces
ENGİN DENİZ CANBAZ
Doktora
Türkçe
2025
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. MESUT GÜR