Bulanık dalgacık çekirdek tabanlı aşırı öğrenme makineleri yaklaşımı ile sınıflandırma analizi

Sınıflandırma problemleri, günlük hayatta farklı veri tiplerinde sıklıkla karşılaşılan problemlerden biridir. Son zamanlarda bu tarz problemlerin giderilmesi için çeşitli makine öğrenmesi algoritmaları önerilmiştir ve bu algoritmaların kendine özgü bazı avantajları bulunmaktadır. Dalgacıkların zaman-frekans yerelleştirme özellikleri, yapay sinir ağının öğrenme yetenekleri, bulanık çıkarım sisteminin yaklaşık muhakeme özelliği ve aşırı öğrenme makinesi algoritmasının son derece yüksek öğrenme hızında tek geçişli öğrenme ve iyi genelleme performansı gibi avantajları sınıflandırma problemlerinde etkili bir çözüm ortaya koyacak özellikleri sergileyebilmektedir. Bu bağlamda, bu tez çalışması bu avantajları birleştirerek bulanık dalgacık çekirdek tabanlı aşırı öğrenme makinesi (FWKELM) adı verilen yeni bir yapı sunmaktadır. FWKELM'nin ana hedefleri, doğrusal öğrenme parametrelerinin sayısını azaltarak ağ karmaşıklığını önemli ölçüde azaltmak ve kabul edilebilir doğruluk ve genelleme performansları korumaktır. Önerilen yapıda, her bulanık kural bir alt dalgacık sinir ağına karşılık gelmektedir ve farklı genişleme ve ötelemelere sahip dalgacıklardan oluşmaktadır. Çalışma kapsamında, öncelikle bir Mexican Hat dalgacığının kabul edilebilir bir aşırı öğrenme makinesi algoritması (ELM) çekirdeği olduğu gösterilmiş ve daha sonra bir bulanık model ile çekirdek tabanlı aşırı öğrenme makinesine eşdeğerliği kanıtlanmıştır. FWKELM'nin sınıflandırma doğruluğunu değerlendirmek için farklı tip sınıflandırma problemleri üzerinde çeşitli popüler yöntemler ile karşılaştırılmıştır. Simülasyon sonuçları, önerilen yaklaşımın daha robust yapıda olduğu ve dikkate değer verimliliğini göstermiştir.