Hibrit yapay öğrenme yöntemlerinin performanslarınınkıyaslanması
Comparing the performance of hybrid artificial learning methods
- Tez No: 975288
- Danışmanlar: DOÇ. DR. MAHMUT ALKAN
- Tez Türü: Yüksek Lisans
- Konular: Makine Mühendisliği, Mechanical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Niğde Ömer Halisdemir Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma, montaj hatlarından elde edilen zaman serisi tabanlı kalite verilerinin tahmininde farklı modelleme tekniklerinin (NAR, LSTM, GRU, CNN-RNN, ANFIS, MLP) performansını karşılaştırmayı amaçlamaktadır. Yapılan analizler, veri yapısının doğrusal veya doğrusal olmayan özelliklerine göre modellerin tahmin başarısının önemli ölçüde değiştiğini ortaya koymuştur. NAR modeli, doğrusal ilişkilerin baskın olduğu verilerde en yüksek R² değerleri ve düşük hata oranlarıyla öne çıkarken, derin öğrenme modelleri karmaşık ve gürültülü veri yapılarında daha dengeli kalıntı dağılımı ve düşük hata seviyeleri sağlamıştır. Bununla birlikte, LSTM modeli korelasyon metriğinde zayıf performans göstermiştir. ANFIS ve MLP modelleri ise doğrusal olmayan ilişkilerde yüksek R² değerleriyle üstünlük sağlamış ancak kalıntı analizlerinde sistematik sapmalar nedeniyle güvenilirlik açısından sınırlı kalmıştır. Sonuç olarak, model seçiminin verinin doğasına bağlı olarak kritik önem taşıdığı görülmüştür. Performans değerlendirmesinde çoklu metriklerin birlikte kullanılması gerektiği ve gelecek çalışmalarda hiper parametre optimizasyonu ile hibrit model sadeleştirmelerinin yapılmasının faydalı olacağı önerilmektedir. Bu bulgular, üretim ve kalite kontrol süreçlerinde zaman serisi tahminlerinin doğru modelleme teknikleriyle yapılmasının sistem performansı üzerindeki etkisini açıkça ortaya koymaktadır.
Özet (Çeviri)
This study aims to compare the performance of different modelling techniques (NAR, LSTM, GRU, CNN-RNN, ANFIS, MLP) in the prediction of time series-based quality data obtained from assembly lines. The analyses revealed that the prediction success of the models varies significantly according to the linear or non-linear characteristics of the data structure. While the NAR model stood out with the highest R² values and low error rates in data dominated by linear relationships, deep learning models provided more balanced residual distribution and low error levels in complex and noisy data structures. However, the LSTM model performed poorly in the correlation metric (R²). ANFIS and MLP models excelled in non-linear relationships with high R² values, but were limited in terms of reliability due to systematic biases in residual analyses. As a result, it is seen that model selection is critical depending on the nature of the data. It is suggested that multiple metrics (R², MAE, residual analysis) should be used together in performance evaluation and hybrid model simplifications with hyper parameter optimization would be useful in future studies. These findings clearly demonstrate the impact of accurate modelling techniques for time series forecasting on system performance in production and quality control processes.
Benzer Tezler
- Kalça displazisinin otomatik tespiti için u-net, alexnet ve densenet tabanlı hibrit bir derin öğrenme yaklaşımı
A hybrid deep learning approach based on u-net, alexnet and densenet for automatic detection of hip dysplasia
EMİNE ULUSOY
Yüksek Lisans
Türkçe
2025
Mühendislik BilimleriKütahya Dumlupınar ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. DURMUŞ ÖZDEMİR
- Yapay sinir ağlarındaki öğrenme matrisinde nelder- mead optimizasyon algoritmasının kullanılmasının sınıflandırmaya olan etkisinin araştırılması
Investigation on the classification of the use of nelder-mead optimization algorithm in learning matrix on artificial neural networks
MUSTAFA ADNAN MERDAN
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HASAN ERDİNÇ KOÇER
- Yapay sinir ağları tabanlı topluluk öğrenme yöntemi ile ekg sinyallerinin sınıflandırılması
Classification of ecg signals with artificial neural network based ensemble learning method
ASHA WANYENZE
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜLAY TEZEL
- Mobil kablosuz ağların optimizasyonunda yapay zeka yöntemlerinin kullanılarak operasyonel verimliliğin artırılması
Increasing operational efficiency on mobil wireless network optimization by using artificial intelligence methods
YAKUP TARIK KRANDA
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. RÜYA ŞAMLI
- Zaman serileri tahmininde melez bir yaklaşım
A hybrid approach to time series forecasting
NURBANU IŞIK DELİBALTA
Yüksek Lisans
Türkçe
2023
Mühendislik BilimleriFatih Sultan Mehmet Vakıf ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BURHANETTİN CAN
DR. ÖĞR. ÜYESİ GÖNÜL ULUDAĞ