Akademik Veri Yönetim Sistemi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Marmara Üniversitesi, Türkiye
Tezin Onay Tarihi: 2006
Tezin Dili: İngilizce
Öğrenci: Aleksei Ustimov
Özet:
BÜYÜYEN ÖZDEVİNİR İLE GÜRÜLTÜLÜ SINYALLERDE DÖNGÜ BULMA: SÖZDİZİMSEL ÖRÜNTÜ TANIMAYA, UYUMLU YAKLAŞIM Yapay zekanın günümüzdeki en önemli parçalardan biri sözdizimsel örüntü tanımadır. Sonlu özdevinirin bulunmasından sonra örüntü tanıma büyük derecede gelişme göstermiştır. Örüntü tanıma sorunların çoğu için özdevinir elle kurulabilir ve ayarlanabilir; fakat teknolojideki gelişimler daha karmaşık sorunları çözebilmek için gelişmiş araçları sunar. Bu sorunlar için özdevinirin elle kuruluşu kullanışsız ve zaman alıcı bir iştir. Ayrıca, bu sorunların çoğu gürültülü ve eksik veriler ile başa çıkmayı gerektirir. Bu tip veriler için güçlü ve uyumlu analiz aracına ihtiyaç doğar. Böyle bir verilerin analizi için büyüyen özdevinir kullanışlı bir araçtır. Özdevirinin kurulması tek durumdan başlar ve, büyüme sırasında kullanılmış ham veriden öğrenilen örüntüyü tanıyabilen, son durumunu alan özdevinirle tamamlanır. Bu yaklaşım, ham verilerin büyük miktarlarda kolaylıkla elde edilebildiği, ve sadece gürültülü değil, zamanı ve yapıyı değişenler sorunlar için uygundur. Bu çalışmada anlatılan yaklaşım tek boyutlu yapıları irdelendi. Özdevinir, sunulan veri dizisinde saklı olan örüntüyü tanımak için geliştirildi. Yaklaşımda, gürültülü dizi üreteç tarafından üretilen ilkellerin sentetik dizisi kullanıldı, çünkü bu çalışmanın amacı gerçek dünya verileri tanımakta kullanılmak üzere tasarlanmış bu yöntemin başarımını ölçmektedir. Ocak, 2006 Aleksei USTIMOV ABSTRACT CYCLE DETECTION IN NOISY SIGNALS BY CONSTRUCTIVE AUTOMATA: AN ADAPTIVE SYNTACTIC APPROACH TO PATTERN RECOGNITION Syntactic pattern recognition is one of the today’s most important titles in artificial intelligence. Pattern recognition has developed a great deal after invention of the finite automata. Automata can be created and tuned manually for most problems in pattern recognition; but advances in technology provide powerful tools for solving more complicated problems. Manually creating an automaton for use in such problems is a cumbersome and time consuming job. Many of these problems require dealing with a diversity of noisy and imperfect structures of data. This type of data arises the need for a robust and adaptive medium of analysis. Constructive automata are useful tools for analysis of such data. Construction of an automaton starts with a single state and ends up with a full automaton that is able to recognize a pattern learned from the raw data presented during the construction. This approach suits best those problems where raw data is easily available in vast amounts, and it is not only noisy, but also subject and time-varying. The approach discussed in this work assumed patterns with 1-D sequential structures. The automaton was constructed for recognition of a specific pattern (cycle) that was hidden in presented data sequence. In this work we used synthetic sequences of primitives, generated by a noisy sequence generator, since our goal was to determine the performance of the method which will ultimately be used in recognition of real world data in the future. January, 2006 Aleksei USTIMOV