Büyük veri kümelerinin bulanık C-ortalamaları algoritması kullanılarak yapısal analizi ve bulanık fonksiyonlar ile modellenmesi
Structural analysi̇s of bi̇g data sets usi̇ng the fuzzy c-means algori̇thm and modeli̇ng wi̇th fuzzy functi̇ons
- Tez No: 986722
- Danışmanlar: PROF. DR. ADEM GÖLEÇ
- Tez Türü: Doktora
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Büyük sistemlerin yapısal analizi ve modellenmesi verinin hacimsel boyutları ile içerdiği belirsizlik nedeniyle geleneksel yaklaşımların yetersiz kaldığı bir araştırma alanıdır. Bu çalışmada büyük veri kümelerinin etkin ve yorumlanabilir şekilde modellenmesi amacıyla Bulanık C- Ortalamaları (Fuzzy C-Means – FCM) algoritmasının MapReduce mimarisi üzerinde paralelleştirilmesi ve bu yapıdan elde edilen kümelerin ağırlıklandırıldıktan sonra bulanık fonksiyonlar ile modellemesi amaçlanmıştır. Çalışmada geleneksel FCM'nİn ötesinde üyelik bilgisini doğrudan model girdisi olarak kullanan İyileştirilmiş Bulanık Kümeleme (Improved Fuzzy C-Means – IFCM) yaklaşımı ile Cezalı Belirsizlik Katsayısı (Penalized Uncertainty Coefficient – PCF) temelli bir küme ağırlıklandırma stratejisi kullanılmış ve bu sayede veri çarpıklığına karşı dirençli ve bilgi yoğunluğu yüksek bir indirgenmiş veri kümesi oluşturulmuştur. Elde edilen bu yapı En Küçük Kareler Tahmini ve Destek Vektör Makinesi algoritmaları kullanılarak bulanık fonksiyon modellerinin geliştirilmesinde kullanılmıştır. Deneysel sonuçlar önerilen yöntemin özellikle IFCM ve Destek Vektör Makinesi Tabanlı Bulanık Fonksiyon (FF-SVM) bileşimiyle karmaşık, gürültülü ve yüksek hacimli sistemlerde dahi %95'in üzerinde Belirleme Katsayısı (R²) değeri ve düşük Kök Ortalama Kare Hatası (RMSE) ile yüksek doğruluk ve sağlamlıkla modelleme sağladığını göstermiştir. Bu çalışma büyük veri analitiğinde belirsizliği modelleme, paralel hesaplama ve fonksiyonel bulanık sistem tasarımı alanlarının kesişiminde yeni bir çerçeve önermektedir.
Özet (Çeviri)
Structural analysis and modeling of large-scale systems constitute a research area where traditional approaches fall short due to the volumetric dimensions of data and the inherent uncertainty it contains. In this study, to effectively and interpretably model large datasets, the Fuzzy C-Means (FCM) algorithm is parallelized on the MapReduce architecture, and the resulting clusters are weighted and subsequently modeled using fuzzy functions. Beyond conventional FCM, an Improved Fuzzy Clustering (IFCM) approach that directly utilizes membership information as a model input, along with a Penalty-based Uncertainty Coefficient (PCF)-driven cluster weighting strategy, is employed. This enables the creation of a reduced dataset that is robust against data skewness and possesses high information density. The resulting structure is then utilized to develop fuzzy function models employing the Least Squares Estimation and Support Vector Machine algorithms. Experimental results demonstrate that the proposed method—particularly the combination of IFCM and Support Vector Machine-based Fuzzy Functions (FF-SVM)—achieves modeling with high accuracy and robustness even in complex, noisy, and high-volume systems, yielding a coefficient of determination (R²) exceeding 95% and low Root Mean Square Error (RMSE). This study proposes a novel framework at the intersection of uncertainty modeling in big data analytics, parallel computing, and functional fuzzy system design.
Benzer Tezler
- Advancing conformal prediction with fuzzy logic and ıts extensions to system ıdentification
Konformal tahminin bulanik mantik ile geliştirilmesi ve sistem tanimlamadaki kullanimi
SALEH MSADDI
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. TUFAN KUMBASAR
- Fuzzy clustering based ensemble learning approach: Applications in digital advertising
Bulanık kümeleme tabanlı topluluk öğrenmesi yaklaşımı: Dijital reklam alanında uygulamalar
AHMET TEZCAN TEKİN
Doktora
İngilizce
2021
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
PROF. DR. FERHAN ÇEBİ
PROF. DR. TOLGA KAYA
- Sürü zekâsı kullanarak renkli görüntü segmentasyon tekniklerinin geliştirilmesi
Development of color image segmentation techniques using swarm intelligence
TAHİR SAĞ
Doktora
Türkçe
2015
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET ÇUNKAŞ
- Exploiting clustering patterns in training sets to improve classification performance of fully connected layers
Tam bağlantılı katmanların sınıflandırma performansını iyileştirmek için eğitim setlerindeki kümeleme örüntülerinden faydalanma
TOLGA AHMET KALAYCI
Doktora
İngilizce
2023
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. UMUT ASAN
- Nokta bulut verilerde bulanık mantık tabanlı sınıflandırma uygulaması ve analizi
Fuzzy logic based on point cloud data classification application and analysis
ZERRİN BAYRAM
Yüksek Lisans
Türkçe
2024
Jeodezi ve FotogrametriGebze Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
DOÇ. DR. BAHADIR ERGÜN