Please use this identifier to cite or link to this item: http://hdl.handle.net/11527/7911
Title: Genelleştirilmiş Regresyon Yapay Sinir Ağının Su Kaynakları Mühendisliğinde Kullanımı
Other Titles: The Use Of Generalized Regression Neural Network In Water Resources Engineering
Authors: Cığızoğlu, H. Kerem
Sürel, Altuğ
Hidrolik ve Su Kaynakları Mühendisliği
Hydraulics and Water Resources Engineerin
Keywords: Genelleştirilmiş Regresyon Yapay Sinir Ağı
İleri Beslemeli Geriye Yayılım Sinir Ağı
Radyal Tabanlı Yapay Sinir Ağı
Performans Değerlendirme Kriterleri
Generalized Regression Neural Network
Feed Forward Back Propagation
Radial Basis Functions
Performance Evaluation Criteria
Publisher: Fen Bilimleri Enstitüsü
Institute of Science and Technology
Abstract: Bu çalışmada yeni bir yapay sinir ağı metodu olan Genelleştirilmiş Regresyon Yapay Sinir Ağı’nın, ulusal ve uluslararası toplam 6 havza genelinde günlük sürekli akım, kurak devreli günlük akım, aylık akım, yeraltı suyu, günlük yağış-akış ve günlük akım-askı malzemesi verisine uygulaması yapılmıştır. Çalışma sonuçları, geleneksel yapay sinir ağı metodları olan İleri Beslemeli Geriye Yayılım Sinir Ağı ve Radyal Tabanlı Yapay Sinir Ağı ile karşılaştırılmıştır. Performans karşılaştırma kriterleri olarak, test süresi için elde edilen verinin ortalama kare hatası ve determinasyon katsayısı değerleri kullanılmıştır. Genelleştirilmiş Regresyon Yapay Sinir Ağı metodu genel olarak başarılı tahmin sonuçları vermiş ve diğer iki yapay sinir ağı metoduna kıyasla bazen daha iyi performans değerlendirme kriter değerlerine ulaşmıştır. Sonuç olarak, yapılan çalışmada GRYSA, standart İBGYSA ve RTYSA metodlarına güvenilir bir alternatif metod olduğunu göstermiştir.
In this study, Generalized Regression Neural Network, which is a new artificial neural network method, is applied to daily continuous river flow series, daily intermittent river flow series, monthly river flow series, ground water level series, daily rainfall and daily river flow series, and daily river flow and daily suspended sediment data of 6 national and international hydrologic regions. Estimation results are compared with the Feed Forward Back Propagation and Radial Basis Functions which are conventional artificial neural network methods. Mean squared error and coefficient of determination are used as the performance comparison criteria. Generalized Regression Neural Network method, generally provided successful estimation results and sometimes reached better performance evaluation criteria values when compared to the other two artificial neural network methods. In conclusion, this study showed GRNN to be a reliable alternative to the standard FFBP and RBF.
Description: Tez (Yüksek Lisans) -- İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, 2006
Thesis (M.Sc.) -- İstanbul Technical University, Institute of Science and Technology, 2006
URI: http://hdl.handle.net/11527/7911
Appears in Collections:Hidrolik ve Su Kaynakları Mühendisliği Lisansüstü Programı - Yüksek Lisans

Files in This Item:
File Description SizeFormat 
3626.pdf3.27 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.