Veri dağılımının en yakın bulanık gösterimine dayalı zaman serisi etiketlendirmesi

Bu çalışmada üç yeni zaman serileri etiketlendirme yöntemi geliştirildi. Yöntemlerde, danışmansız öğrenme yöntemlerinden biri olan bulanık c-ortalamalar yöntemi zaman serilerinde uygulandı. Her bir küme, merkez değerinin büyüklüğüne göre etiketlendi. Gözlemler küme merkezlerine olan uzaklıklarına göre atandı ve atandığı kümenin etiket değerini aldı. Böylece gözlemlere ait zaman serilerinden, etiketlere ait zaman serileri çıkartılmış olundu. Sonraki adımda, daha düzgün etiket eğrileri elde edebilmek için, -en yakın komşuluk kuralı etiketlere uygulandı. Klasik yöntemden farklı olarak, komşuluklar bulunurken uzaklıklar değil, verinin zaman bazında kendinden önce ve sonra gelen etiketleri dikkate alındı. Önerilen yöntemlerin etkinliği beyin aktiviteleri ile ilgili olan bispektral endeks veri setlerinde araştırıldı ve -en yakın komşuluk kuralının zaman bazında çalıştırılmasının ortalama sınıflama kesinliğinde bir artışa yol açtığı kanıtlandı.Çalışmanın ikinci kısmında, üyelik fonksiyonlarının sınıflama kesinliklerinde artırıcı rolü dikkate alınarak, veri dağılımının en yakın bulanık gösterimleri ile ilgili olan dört yeni teorem geliştirildi. İlgili teoremlerin oluşturulmasında iki yaklaşım kullanıldı. İlk yaklaşımda, veri dağılımının beş noktası parametrik üçgen ve yamuk üyelik fonksiyonlarının beş noktası ile eşleştirildi. İkinci yaklaşımda frekans tabloları kullanıldı. Frekans tablolarındaki normalleştirilmiş yüzdelik değerleri ile sınıf aralıkların orta noktaları dikkate alınarak, amaç fonksiyonları kuruldu. Minimisazyon problemi yardımıyla, verilerin histogramı ile uyumlu parametrik üçgen ve üssel üyelik fonksiyonları elde edildi. Önerilen teoremlerin, sınıflama kesinliğinde artırıcı etkiye sahip olup olmadığını görebilmek için bispektral endeks veri setlerinde sınıflama işlemi yapıldı. Bulunan sınıflama kesinlikleri, literatürde kullanılmış olan başka bir üyelik fonksiyonu yoluyla elde edilenler ile karşılaştırıldı. Veri setlerinin analizi sonucunda, bu tezde geliştirilen üyelik fonksiyon yaklaşımlarının ortalama sınıflama kesinliğinde arttırıcı bir etkiye sahip oldukları kanıtlandı.