Geri Dön

Yapay sinir ağlarında kullanılan normalizasyon tekniklerinin tahmin algoritmasına etkisinin karşılaştırılması

Comparison of the effect of normalization techniques used inartificial neural networks on the prediction algorithm

PDF İndir

  1. Tez No: 951272
  2. Yazar: BEYZA EKMEKÇİ
  3. Danışmanlar: PROF. DR. RIDVAN ÜNAL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Afyon Kocatepe Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 103

Özet

Yapay sinir ağı gibi karmaşık olan modellerin eğitilmesinde ve etkili çıktı değerlerinin alınmasında veri seti normalizasyon işlemi büyük öneme sahiptir. Yapay sinir ağlarının başarılı sonuçlar üretmesi, ağın genelleme yeteneğine, öğrenme sürecine, optimizasyon algoritmalarının etkili şekilde çalışmasına bağlıdır ve yapılan çalışmalarda veri seti normalizasyon işlemi bu durumlara olumlu etki sağlamaktadır. Ancak veri setine uygulanacak olan normalizasyon işlemi seçimi de kritik bir konudur. Her veri setinde aynı normalizasyon işleminin uygulanması aynı performans değerini vermemektedir. Veri setine uygun normalizasyon işlemi seçerken belirli bir kural bulunmamaktadır. Bu çalışmada, ham veri setlerine minimum-maksimum, d-minimum-maksimum, z skor, ondalık, medyan, sigmoidal ve norm normalizasyon olmak üzere toplamda 7 farklı normalizasyon teknikleri uygulanarak normalizasyon işlemlerinin yapay sinir ağlarının tahmin performansına olan etkisi üzerinde karşılaştırma işlemi yapılmıştır. Çalışmada kullanılan veri setleri, University of California, Irvine (UCI) açık veri setlerinden alınmıştır. Yapılan çalışma sonucunda, normalizasyon tekniklerinin modelin performansına olumlu etkisi olduğu görülmüştür ancak her veri setinin dağılımları aynı olmadığından dolayı veri setine uygun olan normalizasyon tekniği de değişmektedir.

Özet (Çeviri)

Data set normalization process is of great importance in training complex models such as artificial neural networks obtaining effective output values. The successful results of artificial neural networks depend on the generalization ability of the network, the learning process and the effective operation of optimization algorithms and in the studies conducted, the data set normalization process has a positive effect on these situations. However, the selection of the normalization process to be applied to the data set is also a critical issue. Applying the same normalization process to each data set does not give the same performance value. There is no specific rule when choosing the appropriate normalization process for the data set. In this study, a total of 7 different normalization techniques, including minimum-maximum, d-minimum-maximum, z score, decimal, median, sigmoidal and norm normalization were applied to raw (unprocessed) data sets and a comparison was made on the effect of normalization processes on the prediction performance of artificial neural networks. The data sets used in the study were taken from the open data sets of the University of California, Irvine (UCI). As a result of the study, it was seen that normalization techniques have a positive effect on the performance of the model, but since the distributions of each data set are not the same, the normalization technique suitable for the data set also changes.

Benzer Tezler

  1. Tez No

    728716

    Short term electricity load forecasting with deep learning

    Derin öğrenme ile kısa dönemli elektrik yük talep tahmini

    İBRAHİM YAZICI

    Doktora

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA

  2. Tez No

    924146

    Nesnelerin interneti ağlarında derin öğrenme tabanlı yeni bir saldırı tespit sistemi

    A novel deep learning-based intrusion detection system for internet of things networks

    KEMAL AKKANAT

    Doktora

    Türkçe

    Türkçe

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTrakya Üniversitesi

    Hesaplamalı Bilimler Ana Bilim Dalı

    PROF. DR. MUHARREM TOLGA SAKALLI

  3. Tez No

    893184

    2.5D ViT: vision transformer based brain age estimation with 3D brain MRI pre-processes

    2.5D ViT: 3 boyutlu beyin MR görüntülerinin ön işlenmesiyle görüntü dönüştürücü tabanlı beyin yaşı tahmini

    MUAZZEZ BUKET DARICI

    Doktora

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik MühendisliğiKadir Has Üniversitesi

    Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ATİLLA ÖZMEN

  4. Tez No

    658650

    Generative adversarial networks in computer vision applications

    Bilgisayarli görü uygulamalarinda çekişmeli üretici ağlar

    SEMİH ÖRNEK

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. ENDER METE EKŞİOĞLU

  5. Tez No

    959126

    Data-driven anomaly detection for airspace security using ADS-B surveillance data

    ADS-B gözetim verisi ile hava sahası güvenliği için veri tabanlı anomali tespiti

    ABDULLAH ÇERKEZOĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Savunma ve Savunma Teknolojileriİstanbul Teknik Üniversitesi

    Savunma Teknolojileri Ana Bilim Dalı

    DOÇ. BARIŞ BAŞPINAR

Geri Dön