Gelişmiş Arama

Basit öğe kaydını göster

dc.contributor.advisorTombul, Mustafa
dc.contributor.authorAldoori, Sinan Jasim Hadi
dc.date.accessioned2018-09-10T09:55:23Z
dc.date.available2018-09-10T09:55:23Z
dc.date.issued2018
dc.identifier.uri
dc.identifier.urihttps://hdl.handle.net/11421/6534
dc.descriptionTez (doktora) - Anadolu Üniversitesien_US
dc.descriptionAnadolu Üniversitesi, Fen Bilimleri Enstitüsü, Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Anabilim Dalıen_US
dc.descriptionKayıt no: 469318en_US
dc.description.abstractBu çalışmada, yapay sinir ağı (Artificial Neural Network (ANN)), uyarlamalı nörobulanık çıkarım sistemi (Adaptive Neuro-Fuzzy Inference System (ANFIS)) ve destek vektör makinesi (Support Vector Machine (SVM)) gibi veriye dayalı modeller (Data-Driven Models (DDMs)) kullanılarak günlük akım tahmini yapılmıştır. Yedi gün ve bir ay ilerideki akım tahmini daha az öngörülebilir hale gelirken, modellerin performansını artırmak için ön işlem olarak dalgacık dönüşümü (Wavelet Transformation (WT)) kullanılmıştır. Sürekli dalgacık dönüşümü (Continuous Wavelet Transformation (CWT)) 'dan elde edilen önemli ölçekleri seçmek için, bir seçim aracı olan çok genli genetik programlama (Multi-Gene Genetic Programming (MGGP)) ve aşırı gradient yükseltmeyi (XGB) kullanarak iki yeni hibrid model önerilmiştir. Bu modeller yapay sinir ağları (ANN) ve Aşırı Öğrenme Makinesi (Extreme Learning Machine (ELM)) olarak uygulamaya konmuştur. Gerçek tahminlerde WT tabanlı modellerin performansını incelemek için hindcast ve gerçek tahmin denemesi yapılmıştır. Sonuçlar, günlük tahmini DDM'leri kullanarak başarılı bir şekilde uygulandığını ve ANN'nin ANFIS ve SVM'ye kıyasla en yüksek performansa sahip olduğunu göstermektedir. Modele daha fazla bilgi dahil edilebildiğinden, önerilen iki model daha iyi performans göstermiştir; o nedenle bu çalışmada ayrık dalgacık dönüşümü (Discrete Wavelet Transformation (DWT)) kullanılmıştır. Son olarak, WT'nin yanlış uygulanmasından dolayı, WT- tabanlı hibrit modellerin art arda yapılan denemelerinde, hem CWT hem de DWT için performansının arttığı bulunmuştur. Çoğunlukla, WT, zaman serilerine uygulanmakta, daha sonra DDM'lere uygulanacak kalibrasyon ve test alt kümelerine bölünmekte ve geleceğe dair bazı bilgileri modele göndermektedir. Gerçek tahmin denemesinde, WT tabanlı hibrit modellerde, ön işlem uygulanmayan bağımsız DDM'lerden daha az performans göstermiştir.en_US
dc.language.isoengen_US
dc.publisherAnadolu Üniversitesien_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.subjectYapay sinir ağları (Bilgisayar bilimi)en_US
dc.subjectDalgacıklar (Matematik)en_US
dc.titleImproving data-driven based streamflow forecasting using wavelet transformationen_US
dc.typedoctoralThesisen_US
dc.contributor.departmentFen Bilimleri Enstitüsüen_US
dc.identifier.startpageXX, 191 yaprak : resim + 1 CD-ROM.en_US
dc.relation.publicationcategoryTezen_US


Bu öğenin dosyaları:

Thumbnail

Bu öğe aşağıdaki koleksiyon(lar)da görünmektedir.

Basit öğe kaydını göster