Geri Dön

Mekansal fonksiyonel veri analizi: CNN tabanlı yeni bir doğrusal olmayan yaklaşım

Spatial functional data analysis: A novel nonlinear approach based on CNNs

PDF İndir

  1. Tez No: 943482
  2. Yazar: MERVE BAŞARAN
  3. Danışmanlar: DOÇ. DR. UFUK BEYAZTAŞ
  4. Tez Türü: Yüksek Lisans
  5. Konular: İstatistik, Statistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Marmara Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İstatistik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 51

Özet

Mekansal bağımlılık içeren fonksiyonel verilerin doğru bir şekilde tahmin edilmesi, mühendislik ve bilimsel uygulamaların pek çoğu açısından kritik öneme sahiptir. Bu çalışmada, mekansal bağımlılıkları ve fonksiyonel açıklayıcıları derin öğrenme teknikleri aracılığıyla bütüncül biçimde birleştiren yeni bir doğrusal olmayan modelleme çerçevesiyle, mekansal fonksiyonel derin sinir ağı modeli geliştirilmiştir. Önerilen model, klasik skaler-fonksiyon regresyonunu mekansal otoregresif bir bileşen ile genişleterek, doğrusal olmayan karmaşık ilişkilerin yakalanmasında fonksiyonel derin sinir ağlarından faydalanmaktadır. Sağlam bir tahminleme elde etmek amacıyla, önerilen metodoloji iki aşamalı uyarlamalı bir yaklaşım izlemektedir: ilk olarak, mekansal bağımlılık parametresi maksimum olabilirlik yöntemiyle tahmin edilmekte; ardından, derin öğrenmeye dayalı doğrusal olmayan fonksiyonel regresyon uygulanmaktadır. Modelin etkinliği, kapsamlı Monte Carlo benzetimleri ve Brezilya COVID-19 verileri üzerinde gerçekleştirilen ampirik bir uygulama ile değerlendirilmiştir. Uygulamada, günlük ortalama ölüm sayılarının tahmin edilmesi hedeflenmiştir. Kestirim başarımı ölçütü temel alınarak yapılan karşılaştırmalı analizler, önerilen fonksiyonel derin sinir ağı modelinin, maksimum olabilirlik temelli mekansal fonksiyonel doğrusal regresyon modellerine kıyasla üstün performans sergilediğini göstermiştir. Brezilya COVID-19 verisine ilişkin sonuçlar, tüm modellerin eğitim aşamasında benzer ortalama kare hata değerleri ürettiğini; ancak test aşamasında yalnızca önerilen modelin en düşük ortalama kare tahmin hatasına ulaştığını ve bu doğrultuda diğer modellere kıyasla daha üstün genelleme yeteneği sergilediğini ortaya koymuştur.

Özet (Çeviri)

Accurate prediction of spatially dependent functional data is critical for various engineering and scientific applications. In this study, a spatial functional deep neural network model was developed with a novel nonlinear modeling framework that seamlessly integrates spatial dependencies and functional predictors through deep learning techniques. The proposed model extends classical scalar-on-function regression by incorporating a spatial autoregressive component, while leveraging functional deep neural networks to capture complex nonlinear relationships. To ensure robust estimation, the methodology adopts a two-stage adaptive approach: the spatial dependence parameter is first estimated via maximum likelihood, followed by nonlinear functional regression using deep learning. The effectiveness of the proposed model is assessed through extensive Monte Carlo simulations and an empirical application based on Brazilian COVID-19 data, where the goal is to predict the average daily number of deaths. Comparative analysis with maximum likelihood-based spatial functional linear regression and functional deep neural network models demonstrates that the proposed algorithm significantly enhances predictive performance. The results from the Brazilian data reveal that while all models yield similar mean squared error values in the training phase, the proposed model achieves the lowest mean squared prediction error during testing, indicating superior generalization capability.

Benzer Tezler

  1. 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

  2. Tez No

    895804

    Vision transformer network implementation for multi-label image classification

    Çoklu etiketli görüntü sınıflandırması için görüntü dönüştürücü ağ uygulaması

    EMRE AKKAŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik MühendisliğiBaşkent Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SELDA GÜNEY

  3. Tez No

    917311

    Explainable deep learning classification of tree species with very high resolution VHRTreeSpecies dataset

    Açıklanabilir derin öğrenme yöntemleri ile çok yüksek çözünürlüklü VHRTreeSpecies veri seti kullanılarak ağaç türlerinin sınıflandırılması

    ŞULE NUR TOPGÜL

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    İletişim Sistemleri Ana Bilim Dalı

    PROF. DR. ELİF SERTEL

  4. Tez No

    864101

    A comparative study of deep learning approaches for autonomous vehicle control

    Otonom araç kontrolü için ̇derin öğrenme yaklaşımlarının karşılaştırılması

    EMRE ŞAHİN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Mekatronik Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. GÜLAY ÖKE GÜNEL

  5. Tez No

    883980

    Deep fake image detection based on deep learning using a hybrid CNN-LSTM with machine learning architectures as classifier

    Makine öğrenme mimarileri kullanılarak hibrid CNN-LSTM ile derin öğrenmeye dayalı deep fake görüntü tespiti

    OMAR ALFAROUK AL-DULAIMI

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SEFER KURNAZ

Geri Dön