Büyük-Ölçekli Veriler için Kompleks-Değerli Çevrim İçi Öğrenme Algoritmalarının Tasarımı
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Kayseri Üniversitesi, Lisansüstü Eğitim Enstitüsü, ELEKTRİK VE ELEKTRONİK MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2025
Tezin Dili: Türkçe
Öğrenci: BUKET ÇOLAK GÜVENÇ
Danışman: Engin Cemal Mengüç
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Bu tez çalışmasında, kompleks-değerli büyük-ölçekli veri akışlarının tüm örneklerini işlemek yerine yalnızca bilgilendirici örnekleri işleyen ve bu sayede veri işleme maliyetini önemli ölçüde düşürerek öğrenme başarımını ya koruyan ya da geliştiren çevrim içi sansürleme (online censoring, OC) stratejisi tabanlı bir grup lineer ve lineer olmayan kompleks-değerli öğrenme algoritmaları geliştirilmiştir. Bu tez çalışmasının ilk aşamasında, kurtosis tabanlı maliyet fonksiyonu OC stratejisi ile birleştirilerek OC tabanlı en küçük ortalama kurtosis algoritmaları ile gürbüz versiyonları geliştirilmiş, Lyapunov anlamında kararlılık analizi teorik olarak yapılmış ve başarımları literatürde yaygın kullanılan veri kümeleri üzerinde test edilmiştir. Benzetim sonuçları; önerilen OC tabanlı algoritmaların veri işleme maliyetini ciddi bir şekilde düşürerek, geleneksel versiyonlarına kıyasla ya benzer ya da daha iyi bir başarım sağladığını ve gürbüz versiyonlarının ise aykırı değerlere karşı daha dayanıklı olduğunu ortaya koymuştur. Ayrıca bu tez çalışmasının ikinci aşamasında, kernel tabanlı modelleme OC stratejisi ile birleştirilerek OC tabanlı genelleştirilmiş kompleks-değerli kernel en küçük ortalama kare (OC based generalized complex-valued kernel least mean sqaure, OC-gCKLMS) algoritması geliştirilmiş ve ilgili algoritmanın enerji korunumu ilişkisine dayalı ortalama kare yakınsaması teorik olarak analiz edilmiştir. Önerilen OC-gCKLMS algoritması, lineer olmayan kompleks-değerli sinyallerin işlenmesinde yalnızca bilgilendirici örnekleri kullanarak kernel katsayılarının üstel artış problemini önlemiş ve bu sayede veri işleme maliyetini kendisinin geleneksel versiyonuna göre önemli ölçüde azaltmıştır. Önerilen algoritmanın bu önemli özellikleri literatürde yaygın kullanılan veri kümeleri üzerinde yapılan benzetimler ile doğrulanmıştır.