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
- Kemalpaşa etlik piliç işletmelerinin teknik ve ekonomik yönden incelenmesi
Başlık çevirisi yok
HAYRİ TUNA YÜKSELEN
- Rana ridibunda (anura-ranidae) kompleksi üzerinde morfolojik, serolojik ve ekolojik araştırmalar
Başlık çevirisi yok
HÜSEYİN ARIKAN
- Beyaz yumurtacı yerli otoseks hibritlerin elde edilmesinde ikili ve dörtlü melezleme yöntemlerinin karşılaştırılması
Başlık çevirisi yok
MUSA SARICA
- Pseudomonas tomato bakterisine karşı monoklonal antikor salgılayan hibrid hücrelerin geliştirilmesi
Use of monoclonal antibodies in the generation of hybridomas which is specific to pseudomonas tomato
FATMA ŞAHİNGÖZ
