Geri Dön

En iyi yapay sinir ağı modelinin belirlenmesinde istatistiksel yöntemlerin kullanılması

Determining the best artificial neural network model using statistical methods

  1. Tez No: 904458
  2. Yazar: ADİL KILIÇ
  3. Danışmanlar: PROF. DR. BİRDAL ŞENOĞLU, PROF. DR. ÇAĞDAŞ HAKAN ALADAĞ
  4. Tez Türü: Doktora
  5. Konular: İstatistik, Statistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Ankara Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İstatistik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 118

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

  1. A dynamic risk assessment methodology (Dy-RAM) in port waters

    Liman sularında dinamik risk değerlendirme (Dy-RAM) metodolojisi

    ÜLKÜ ÖZTÜRK

    Doktora

    İngilizce

    İngilizce

    2019

    Denizcilikİstanbul Teknik Üniversitesi

    Deniz Ulaştırma Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ KADİR ÇİÇEK

  2. 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. 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

    İngilizce

    2021

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. BİHTER EROL

  4. Elektrikli araçlarda yapay sinir ağı tabanlı batarya sağlık durumu kestirimi

    State of health estimation in electric vehicles based on artificial neural network

    MUSTAFA DİNEK

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Mekatronik Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SERHAT İKİZOĞLU

  5. Suggestion of performance prediction models for impact hammer used in Levent-Hisarüstü metro tunnel

    Levent-Hisarüstü metro tünelinde kullanılan darbeli kırıcı için performans tahmini modellerinin önerilmesi

    SHAHABEDIN HOJJATI

    Yüksek Lisans

    İngilizce

    İngilizce

    2015

    Maden Mühendisliği ve Madencilikİstanbul Teknik Üniversitesi

    Maden Mühendisliği Ana Bilim Dalı

    DOÇ. DR. DENİZ TUMAÇ