Elektronik burun verilerinin yapay zeka tabanlı algoritmalarla sınıflandırılması
Classification of e-nose data by using artificial intelligence-based algorithms
- Tez No: 434034
- Danışmanlar: PROF. DR. NEJAT YUMUŞAK
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Elektronik burun, Yapay arı kolonisi algoritması, Yapay sinir ağları, Electronic nose, Artificial bee colony algorithm, Artificial neural networks
- Yıl: 2016
- Dil: Türkçe
- Üniversite: Sakarya Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüzde elektronik burun teknolojisi, yiyecek kalitesinin belirlenmesi, sağlık, savunma sanayi ve çevre gibi birçok farklı alanda başarıyla kullanılmaktadır. Adı geçen bu alanlarda genellikle koku verisinin sınıflandırıldığı görülmektedir. Gaz Sensörleri yardımıyla elde edilen koku verisinin sınıflandırılmasında birçok yöntem kullanılmakla birlikte literatürde özellikle yapay sinir ağlarına (YSA) sıklıkla rastlanmaktadır. YSA'da geleneksel olarak kullanılan geri yayılım algoritmasının (YSA-BP) bilindiği üzere, lokal minimuma takılma ve eğitim verisini ezberleme gibi zayıf yönleri bulunmaktadır. Bu tez kapsamında bu zayıf yönleri aşmak için, gaz sensörlerinden elde edilen koku verisinin sınıflandırılmasında YSA'nın eğitim kısmı yapay arı koloni (YSA-ABC) ve genetik algoritma (YSA-GA) ile optimize edilmiştir. Geliştirilen yazılım sayesinde, veri seti okutulup, YSA tasarlanıp ve eğitim modeli seçilerek algoritma çalıştırılabilmektedir. YSA'nin eğitilmesindeki geleneksel yöntemde (BP) karesel ortalama hata (MSE) baz alınırken, geliştirilen yazılım sayesinde, YSA-ABC ve YSA-GA eğitiminde, istenirse MSE, ortalama mutlak hata (MAE) veya R2 kullanılabilir. YSA-ABC'nin eğitilmesinde MAE'nin kullanılması MSE'ye göre daha başarılı sonuçlar verdiği görülmüştür. Bu yöntemler kullanılarak 4 farklı çalışma yapılmıştır. Bu 4 çalışmada eğitim hata değerleri olarak YSA-BP E-06, YSA-GA E-03 ile E-18 ve YSA-ABC ise E-16 düzeylerinde başarım göstermişlerdir. Test verisindeki başarımları ise YSA-BP E-06, YSA-GA E-03 ile E-09 ve YSA-ABC E-08 ile E-16 düzeylerinde başarım göstermişlerdir. Bu sonuçlar YSA-ABC'nin 4 çalışmanın 3'ünde diğer iki eğitim modeline göre daha başarılı eğitim ve test sonucu ürettiğini YSA-GA'nın ise sadece 1 çalışmada başarılı olduğunu göstermiştir. Eğitim süreleri karşılaştırıldığında, bütün çalışmalarda en hızlı eğitim modelinin saniyeler içerisinde tamamlanan YSA-BP olduğu daha sonra dakikalar düzeyinde süren YSA-ABC geldiği ve en yavaş modelin ise saatler süren YSA-GA olduğu görülmüştür. Eğitim modellerinin, eğitim süresi ve test verilerinde gösterdikleri başarı bir arada düşünüldüğünde, YSA-ABC'nin koku verisinin sınıflandırılmasında kullanımının daha uygun olacağı sonucuna varılmıştır.
Özet (Çeviri)
Today, electronic nose technology is successfully used in a wide range of areas such as food quality, health system, defense industry, and in environment. Usually, it is required to classify odour data during the use of e-nose technology in these fields. There are many methods used in classification of gas sensor data. Artificial neural networks (ANN) are especially come across in numerous studies as a classification method. Back propagation algorithm (ANN-BP) which is traditionally used in ANN, is known to get stuck in local minima and overfit the training data. In this thesis, during the classification of gas sensor data, artificial bee colony (ANN-ABC) and genetic algorithm (ANN-GA) are used to optimize ANN training in order to overcome these weaknesses of ANN-BP. A software is developed to run the algorithm after dataset is given to the network, ANN is designed and training method is determined. Mean squared error (MSE) is traditionally used as the only performance measure in ANN training (with BP). However, in the software developed here, mean absolute error (MAE) and R2 are also measured during ANN-ABC and ANN-GA training. It is observed that using MAE in ANN-ABC training as a performance measure gives more successful results compared to MSE use. Four different studies are conducted using this method. In these studies, ANN-BP had training error values in the level of E-06, while ANN-GA had E-03 and E-18, and ANN-ABC achieved E-16 level. The success levels of the networks in the test data were E-06 for ANN-BP, E-03 and E-09 for ANN-GA, and E-08 and E-16 for ANN-ABC. These results showed that, ANN-ABC produced more satisfactory training and test results in three of the four studies, compared to other two training methods. ANN-GA is found to be the most successful in only one of the studies. In terms of training time, ANN-BP is seen to be the fastest in all of the studies with a completion time in seconds; it is followed by ANN-ABC with a minutes-level completion time, while ANN-GA is observed to be the slowest by lasting for hours. When training time and performance in test data measures are both considered simultaneously, it can be concluded that ANN-ABC is more suitable to be used in classification of odour data.
Benzer Tezler
- Prediction of the pedestrian crossing intention using deep learning
Yayaların karşıya geçme davranışlarının derin öğrenmeyle tahmini
BERK EREN
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET HAMDİ KAYRAN
- Development of RW-UAV detection model using deep learning training with a synthetic dataset
Sentetik veriseti ile derin öğrenme eğitimi kullanarak döner kanat İHA tespit modelinin geliştirilmesi
ALİ EMRE ÖZTÜRK
Doktora
İngilizce
2021
Elektrik ve Elektronik MühendisliğiGaziantep ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ERGUN ERÇELEBİ
- A novel method to estimate state of charge of li-based batteries
Lityum bazlı batarya hücrelerinin özgün bir yöntem ile şarj durumu tahmini
EYMEN İPEK
Yüksek Lisans
İngilizce
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MURAT YILMAZ
- Building sensor-based real-time predictive maintenance system by utilizing artificial intelligent techniques
Yapay akıllı teknikleri kullanarak sensör tabanlı gerçek zaman tahminli bakım sistemi kurulması
RAGHAD MOHAMMED KHORSHEED
Doktora
İngilizce
2021
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Farklı katı yakıt türlerinin üst ısıl değerlerinin çoklu lineer regresyon, karar ağacı, random forest ve yapay sinir ağları yöntemleriyle belirlenmesi
Prediction of calorific value of solid fuel by multiple linear regression, decision tree, random forest and artificial neural network
KAAN BÜYÜKKANBER
Yüksek Lisans
Türkçe
2022
Kimya Mühendisliğiİstanbul Teknik ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
PROF. DR. HANZADE AÇMA