Akarsu Akımlarının Tahmininde Yapay Zekâ Tekniklerinin Kullanılması PDF

CELAL BAYAR NVERSTES * FEN BLMLER ENSTTS
AKARSU AKIMLARININ TAHMNNDE YAPAY ZEK

TEKNKLERNN KULLANILMASI

YKSEK LSANS TEZ

n. Mh. Mustafa Erkan TURAN

Anabilim Dal : naat Mhendislii

Program : Hidrolik

MANSA 2007

i
NDEKLER

Sayfa No
KISALTMALAR iii
EKL LSTES iv
TABLO LSTES vi
TEEKKR vii
ZET viii
ABSTRACT ix

1. GR 1
1.1 Akmn Meydana Gelii 2
1.1.1 Yan Aka Dnm 2
1.1.2 Dolaysz ak 3
1.1.3 Taban ak 3
1.1.4 Artk Ya Ve Dolaysz Akn Belirlenmesi 3
1.1.5 Yzeysel Akn Havza zerinde Dalm 5
1.2 Bulank Sistemlerin Su kaynaklar Mhendisliindeki Uygulamalar 5
1.3 nceki Nehir Akmlar Kullanlarak Gelecekteki Akm Deerinin Tahmini 7

2. KULLANILAN YNTEMLER 9
2.1 ok Deikenli Regresyon Analizi 9
2.2 Yapay Sinir Alar 10
2.2.1 Yapay Sinir A Modeli 12
2.2.2 Biyolojik Sinir Hcresi 13
2.2.3 Yapay Sinir Hcresi 13
2.2.4 Yapay Sinir A Mimarileri 16
2.2.5 Yapay Sinir Anda renme ve renme Algoritmalar 17
2.2.5.1 retmenli renme 18
2.2.5.2 Destekleyici renme 18
2.2.5.3 retmensiz renme 18
2.2.5.4 renme Kurallar 19
2.2.5.4.1 Hebb renme Kural 19
2.2.5.4.2 Hopfield renme Kural 19
2.2.5.4.3 Delta renme Kural 19
2.2.5.4.4 Kohonen renme Kural 20
2.2.6 Yapay Sinir Alarndan En ok Kullanlan Modeller 20
2.2.7 ok Katmanl Sinir Alar 20
2.2.7.1 leri Beslemeli Geri Yaynm Alar 21
2.2.7.1.1 Scaled Conjugate Gradient (SCG) Algoritmas 22
2.2.8 Genelletirilmi Regresyon Sinir A 25
2.3 Bulank Mantk 27
2.3.1 Klasik Kme 29
2.3.2 Bulank Kme 30
2.3.3 Bulank Sistem Nedir? 31
2.3.4 yelik Fonksiyonlar 32
2.3.5 Bulank Kme eitleri 33
2.3.6 Bulank Kme lemleri 35
2.3.6.1 Kesiim 35
2.3.6.2 Birleim 36
2.3.6.3 Tmleyen 36
2.3.7 Bulank Kural Taban 37
2.3.7.1 Girdi kt Saysna Gre 37
2.3.7.2 Soncul Ksmn Tipine Gre 38
2.3.8 Bulank karm modelleri 38
ii
2.3.8.1 Mamdani tipi modeller 38
2.3.8.2 Takagi-Sugeno tipi modeller 41
2.3.9 Durulatrma 43
2.3.9.1 En Byk yelik lkesi 43
2.3.9.2 Sentroid 43
2.3.9.3 Ortalama En Byk 44
2.3.9.4 Arlkl Ortalama 44
2.3.9.5 En Byk Alann Merkezi 45
2.3.10 Bulank arml Bellek Algoritmas 45

3. KULLANILAN VERLER VE ANALZ 47
3.1 Verilerin Homojen Hale Getirilmesi 49

4.UYGULAMALAR 51
4.1 Yapay Sinir Alarnn Su kaynaklar Mhendisliindeki Uygulamalar 52
4.1.1 leri Beslemeli Geri Yaynml Yapay Sinir A ile Gemi Nehir Akmlar
Kullanlarak Gelecekteki Akm Deerinin Tahmini 53
4.1.2 Genelletirilmi Regresyon A ile A ile Gemi Nehir Akmlar
Kullanlarak Gelecekteki Akm Deerinin Tahmini 56
4.1.3 Bulank Sistem ile Gemi Nehir Akmlar Kullanlarak Gelecekteki
Akm Deerinin Tahmini 58
4.2 lm Yaplamam Akm stasyonundaki Akm Deerlerinin Kestirimi 63
4.2.1 leri Beslemeli Geri Yaynml Yapay Sinir A ile lm Yaplamam
Akm stasyonundaki Akm Deerlerinin Kestirimi 64
4.2.2 Genelletirilmi Regresyon A ile lm Yaplamam Akm
stasyonundaki Akm Deerlerinin Kestirimi 66
4.2.3 Bulank Sistem ile lm Yaplamam Akm stasyonundaki
Akm Deerlerinin Kestirimi 68
4.2.4 Regresyon Analizi ile lm Yaplamam Akm stasyonundaki
Akm Deerlerinin Kestirimi 73

5.SONULAR 75

KAYNAKLAR

iii
KISALTMALAR

AG: Ak gzlem istasyonu
BS: Bulank sistem
E: Verimlilik katsays
GRSA: Genelletirilmi regresyon sinir a
BGY: leri beslemeli geri yaynm
OKH: Ortalama karesel hata
GNAKGAD: Gemi Nehir Akmlar Kullanlarak Gelecekteki Akm Deerinin Tahmini
YAADK: lm yaplamam akm istasyonundaki akm deerlerinin kestirimi
RA: Regresyon analizi
SCG: Scaled Conjugate Gradient
YSA: Yapay sinir a

iv
EKL LSTES
Sayfa No
ekil 1.1 Ya Ak likisi 2
ekil 1.2 Hidrograf 4
ekil 1.3 zonkron Erileri 5
ekil 2.1 Yapay Sinir A 12
ekil 2.2 Biyolojik Sinir ve Yaps 13
ekil 2.3 Yapay Sinir Hcresi 14
ekil 2.4 Aktivasyon Fonksiyonlar 15
ekil 2.5 A Mimarileri 16
ekil 2.6 Yapay Sinir Anda renme 17
ekil 2.7 ok Katmanl Yapay Sinir A 21
ekil 2.8 Genelletirilmi Regresyon A 27
ekil 2.9 Klasik Kme 30
ekil 2.10 Bulank Kme 30
ekil 2.11 Klasik Sistem 31
ekil 2.12 Genel Bulank Sistem 31
ekil 2.13 Bulank Kme Bileenleri 33
ekil 2.14 gen yelik Fonksiyonu 34
ekil 2.15 Yamuk yelik Fonksiyonu 34
ekil 2.16 Gauss yelik Fonksiyonu 35
ekil 2.17 Bulank Kmlerin Kesiimi 35
ekil 2.18 Bulank Kmelerin Birleimi 36
ekil 2.19 Tmleyen Kme 36
ekil 2.20 Mamdani tipi model iin bulank operatr ilemleri ve
kurallarn deerlendirilmesi 40
ekil 2.21 Mamdani tipi model iin kurallarn toplanmas 40
ekil 2.22 Sugeno tipi model iin bulank operatr ilemleri ve
kurallarn deerlendirilmesi 42
ekil 2.23 Sugeno tipi model iin kurallarn toplanmas 42
ekil 2.24 En Byk yelik lkesi Durulatrmas 43
ekil 2.25 Sentroid Yntemi Durulatrma 43
ekil 2.26 Ortalama En Byk Yntemi Durulatrma 44
ekil 2.27 Arlkl Ortalama Yntemi Durulatrma 44
ekil 2.28 En Byk Alan Yntemi Durulatrma 45
ekil 3.1 Birs Nehri ve AG 47
ekil 3.2 2122 Nolu Akm Gzlem stasyonu Akm Deerleri 48
ekil 3.6 2122 Nolu st. ift Toplam Akm Erisi 50
ekil 4.1 M
1
3 BGY A Eitim Verileri 55
ekil 4.2 M
1
3 BGY A Eitim Verileri Salma Diyagram 55
ekil 4.3 M
1
3 BGY A Test Verileri 55
ekil 4.4 M
1
3 BGY A Test Verileri Salma Diyagram 55
ekil 4.5 M
1
3 GRSA Eitim Verileri 57
ekil 4.6 M
1
3 GRSA Eitim Verileri Salma Diyagram 57
ekil 4.7 M
1
3 GRSA Test Verileri 57
ekil 4.8 M
1
3 GRSA Test Verileri Salma Diyagram 57
ekil 4.9 Akm girdi ve kt verilerinin yelik fonksiyonu 59
ekil 4.10 M
1
2 BS Eitim Verileri 62
ekil 4.11 M
1
2 BS Eitim Verileri Salma Diyagram 62
v
ekil 4.12 M
1
2 BS Test Verileri 62
ekil 4.13 M
1
2 BS Test Verileri Salma Diyagram 62
ekil 4.14 M
2
ekil 4.15 M
2
ekil 4.16 M
1
ekil 4.17 M
2
ekil 4.18 M
2
6 GRSA Eitim Verileri 67
ekil 4.19 M
2
6 GRSA Eitim Verileri Salma Diyagram 67
ekil 4.20 M
2
6 GRSA Test Verileri 67
ekil 4.21 M
2
6 GRSA Test Verileri Salma Diyagram 67
ekil 4.22 Akm girdi ve kt verilerinin yelik fonksiyonu 69
ekil 4.23 M
2
6 BS Eitim Verileri 72
ekil 4.24 M
2
6 BS Eitim Verileri Salma Diyagram 72
ekil 4.25 M
2
6 BS Test Verileri 72
ekil 4.26 M
2
6 BS Test Verileri Salma Diyagram 72
ekil 4.27 M
2
7 RA Eitim Verileri 74
ekil 4.28 M
2
7 RA Eitim Verileri Salma Diyagram 74
ekil 4.29 M
2
7 RA Eitim Verileri 74
ekil 4.30 M
2
7 RA Eitim Verileri Salma Diyagram 74
ekil 5.1 En Uygun GNAKGAD Tahmini Modellerinin Eitim Verileri 77
ekil 5.2 En Uygun GNAKGAD Tahmini Modellerinin Test Verileri 77
ekil 5.2 En Uygun YAADK Tahmini Modellerinin Eitim Verileri 78
ekil 5.4 En Uygun YAADK Tahmini Modellerinin Test Verileri 78

vi
TABLO LSTES
Sayfa No
Tablo 3.1 Akm Deerlerinin statistik Parametreleri 49
Tablo 4.1 nceki Nehir Akmlar Kullanlarak Gelecekteki
Akm Deerinin Tahmini in Kurulan Modeller 53
Tablo 4.2 BGY A ile yaplan GNAKGAD Tahmini Modellerinin
Eitim ve Test Performanslar 54
Tablo 4.3 GRSA ile yaplan GNAKGAD Tahmini Modellerinin
Tablo 4.4 BS ile yaplan GNAKGAD Tahmini Modellerinin
Tablo 4.5 M
1
3 modelinin bulank sistemine ait kural taban 59
Tablo 4.6 lm Yaplamam Akm stasyonundaki Akm
Deerlerinin Kestirimi iin Kurulan Modeller 63
Tablo 4.7 BGY A ile yaplan YAADK Modellerinin
Tablo 4.8 GRSA ile yaplan YAADK Modellerinin
Tablo 4.9 BS ile yaplan YAADK Modellerinin
Tablo 4.10 M
2
6 modelinin bulank sistemine ait kural taban 69
Tablo 4.11 RA ile yaplan YAADK Modellerinin
Tablo 5.1 En uygun YAADK Tahmini Modellerinin
Tablo 5.2 En Uygun YAADK Modellerinin

vii
TEEKKR

Tez alma srem srasnda her anlamda yardmn, bilimsel katk ve tecrbelerini esirgemeyen
bana yol gsteren danmanm Sayn hocam Do. Dr. Mehmet Ali YURDUSEV e

alma konusundaki bilgilerini benimle paylaan Dr. Mahmut FIRAT a, alma sresince
desteini esirgemeyen arkadam Gken BACAK a

Eitimimin her aamasnda beni destekleyen ve yanmda olan aileme ok teekkr ederim.

Mustafa Erkan TURAN
Kasm - 2007

viii
ZET

Suya olan talep arttka, su kaynaklarnn etkili planlamas ve ynetimi su kaynaklar
verimlerinin daha gvenli bir ekilde tahmin edilmesini gerektirmektedir. Gemi akmlar ve
havzada kaydedilen yalardan nehir akmlarnn tahmin edilmesi geleneksel olarak otoregresif
(AR), hareketli ortalamalar (MA) ve otoregresif hareketli ortalama (ARMA) gibi bir dizi stokastik
zaman serisi yaklamlaryla yaplmaktadr. Yapay zek teknikleri karmak nonlineer sreleri
modellemede kapasitelerinden dolay bir sredir geleneksel yntemlerin yerine kullanlmaktadr.

Bu almada teknikleri gemi akmlardan ve memba akm lm deerlerinden nehir
akmlarnn tahmini iin yapay zek teknikleri kullanlmtr. Kullanlan yapay zek teknikleri
arasnda ileri beslemeli geri yaynm yapay sinir a, genelletirilmi regresyon yapay sinir a,
bulank mantk yntemleri bulunmaktadr. Kyaslama iin ok deikenli regresyon analizi
kullanlmtr.

ix
ABSTRACT

As the demand for water increases, efficient planning and management of water resources
have required more reliable estimates for the yields of water resources. River flow estimates
based on past river flows and the rainfalls recorded in the basin have been undertaken
conventionally by various stochastic time series approaches such as autoregressive (AR),
moving average (MA) and autoregressive moving average (ARMA). Artificial intelligence (AI)
techniques have been used for some time to replace such traditional techniques due especially
to their capability of modeling complex nonlinear processes.

In this study, various AI techniques are used to predict river flows from the past flows and from
the values of upstream stations. The AI techniques used include feed forward back propagation
neural networks, generalized regression neural network, fuzzy logic. The classical multiple
regression analysis is also used for comparison. A series of models are constructed to predict
river flows in the case of Birs River in Switzerland. The comparisons of the performance of the
models used are accomplished based on selected performance criteria such as mean square
error, determination coefficient and efficiency coefficient. The study has shown that AI
techniques are quite capable of modeling river flows and providing reliable estimates for them.

1
1. GR

Yapay zek, insan zeksnn yapabildii alglama, renme, karm yapma ve karar verme gibi
karmak davranlar sergileyebilmesi beklenen yapay bir sistemdir. Yapay zek tekniklerinden
bazlar yapay sinir alar, bulank sistemler, evrimsel hesaplamadr.

Yapay sinir alar: Sinir sisteminin matematiksel modelidir. rnt tanmada baarldr.
Bulank sistemler: Bulank mantk temellidir. Belirsizlik altnda karar verme tekniidir.
Evrimsel hesaplama: Evrim yasalarna dayal bir optimizasyon tekniidir.

Su mhendislii, inaat mhendisliinin akkanlar mekanii, hidrolik, hidroloji, su kaynaklar
planlamas ve ynetimi, su yaplar ile ilgilenen bir alt daldr. Su mhendisliinin ilgi
alanlarndan biri olan su kaynaklar ynetimi ve planlamas artan su talebi artna bal olarak
daha da nemli hale gelmitir. Akarsularda deiik amalar iin yaplan yaplarnn (rn:
biriktirme hazneleri, dzenleme yaplar) projelendirilmesi iin ilgili akarsuyun bilgilerinin eksiksiz
ve doru bir biimde elde edilmesi byk nem tamaktadr. Eksik verilerin tamamlanmas ve
akarsu akm deerlerinin tahmininde yapay zek teknikleri sklkla ve baaryla kullanlmaktadr.

Bu almada, gemi nehir akmlar kullanlarak gelecekteki akm deerinin tahmini ve lm
yaplamayan akm gzlem istasyonundaki lmn kestirimi konularnda uygulamalar
yaplmtr.

Gemi nehir akmlar kullanlarak gelecekteki akm deerinin tahmini konusunda yaplan
uygulamada, svire de bulunan Birs Nehri Sorne kolu zerindeki 2479 nolu Delmont akm
gzlem istasyonunun 01.01.199531.12.2002 tarihleri arasnda gzlenen gnlk akm deerleri
kullanlmtr. nceki akm deerleri geciktirilerek kurulan 7 modelde ileri beselemeli geri
yaynml yapay sinir a, genelletirilmi regresyon a ve bulank mantk yntemleri
kullanlmtr. Performans ltleri olarak ortalama karesel hata, determinasyon katsays ve
verimlilik katsays gz nne alnarak en uygun model aranmtr.

lm yaplamayan akm gzlem istasyonundaki lmn kestirimi konusunda yaplan
uygulamasnda, yine svire deki Birs Nehri ve kollar zerindeki 2122 nolu Moutier, 2478 nolu
Soyhires, 2479 nolu Delmont ve 2610 nolu Vicques akm gzlem istasyonlarnn 01.01.1995
31.12.2002 tarihleri arasnda gzlenen gnlk akm deerleri kullanlmtr. 2478 nolu Soyhires
istasyonunu akm deerleri membadaki 3 istasyonunun akm deerlerinden kestirilmesi iin
kurulan modellerde ileri beselemeli geri yaynml yapay sinir a, genelletirilmi regresyon a,

2
bulank mantk ve regresyon analizi yntemleri kullanlmtr. Performans ltleri olarak
ortalama karesel hata, determinasyon katsays ve verimlilik katsays gz nne alnarak en
uygun model aranmtr.

Kurulan tm modellerin zmnde MATLAB 7.3 de yazlan programlar kullanlmtr.

1.1 Akmn Meydana Gelii

1.1.1 Yan Aka Dnm

Bir akarsu havzasna, zerine den ya k noktasnda akarsudaki ak haline dntren
bir sistem gzyle baklabilir. Yan ak haline dnm ekil 1.1 de gsterilmektedir.

ekil 1.1 Ya Ak likisi

Balangta ya bitkiler tarafndan (tutma) ve ukurlarda (yzeysel biriktirme) tutulur. Tutma ile
ayrlan ya ve yzeysel biriktirmenin bir ksm buharlaarak atmosfere geri dner. Bir sre
sonra yan bir ksm zemine szmaya balar, szan su doymam blgede zemin nemini
arttrr ve yzeyalt akn oluturur. Daha sonra perkolasyonla doymu blgeye ulaan su
akiferde birikerek yeralt akna yol aar. Yan zemine szmayan (szma kapasitesinin
zerindeki) ksm nce yeryznde tabaka halinde yzeysel ak oluturur ve akarsu ana
ular. Yzeyalt ak ve yeralt ak da gecikmeli olarak akarsuya varr. Yzeysel ak,
yzeyalt ak, yeralt ak ve akarsu yzeyine den ya (buharlama kayplar ktktan
sonra) akarsu akn oluturur.

3
Pratikte yzeyalt akn yzeysel ak ve yeralt akndan ayrmak g olduundan akarsu
ak iki ksma ayrlarak incelenir:

1.1.2 Dolaysz ak

Yzeysel ak ile yzeyalt aknn gecikmesiz (zeminin byk boluklarnda hzla ilerleyip az
geirimli bir tabakann zerinde akarsuya kadar hareket eden) ksmndan oluur. Yalardan
sonra akarsuya ksa bir sre iinde ulatndan taknlarn balca kaynadr.

1.1.3 Taban ak

Yeralt ak ile yzeyalt aknn gecikmeli ksmndan oluur. Akarsuya ya olayndan uzun
bir sre sonra ulatndan yasz dnemlerde akarsuyun beslenme kayna olur. Ak bu
ekilde iki ksma ayrldna gre yata oluturduu aka bal olarak iki ksma ayrlabilir:

Artk (etkin) ya: Yan dolaysz ak oluturan bileeni olup ya srasnda ya
iddetinin o andaki szma kapasitesinin stnde kalan ve zemine szmayarak yzeysel ak
haline geen ksmdr. Artk ya belirlerken tutma ve yzeydeki ukurlarda biriktirme kayplar
da yatan kartlr.

Zemine szan ya (kayplar) : Yan taban akn oluturan bileenidir. Dier kayplar
(tutma, yzeysel biriktirmedeki buharlama) da bu ksmn iinde kabul edilir.

1.1.4 Artk Ya Ve Dolaysz Akn Belirlenmesi

Ya - ak modelleri genellikle ya artk ya ve kayplar bileenlerine, akarsu akn da
dolaysz ak ve taban ak bileenlerine ayrarak incelediklerinden dolay pratikte bu ayrmn
yaplmas nem tamaktadr.

Bir ya srasnda gzlenen tipik bir hidrograf ykselme erisi, pik (tepe) noktas ve alalma
(ekilme) erisinden oluur. Ykselme erisi genellikle alalma erisine gre ok daha diktir ve
yatan yaa farkllklar gsterir. ekilme erisinin aa ksm ise fazla deimez. Ortak
ekilme erisi ya kesildikten uzunca bir sre sonra akarsudaki ak (taban ak) ifade
ettiinden, dorusal hazne kabul ile taban ak;

/
0 0
t K t
t
Q Q e Q C
= =
(1.1)

4
denklemi ile ifade edilebilir, Burada
0
Q ortak ekilme erisinin balangcnda (t=0) akarsudaki
debidir. Ortak ekilme erisi iin Denklem 1.1 deki C nin deeri, t gn cinsinden alnmak zere,
0.85 0.98 arasndadr (K=650). ekilme erisinin daha yukardaki ksmlarna da
denklem(1.1) tipinde denklemler uydurulabilir. Erinin yzeysel aka kar gelen yukar ksm
iin C=0.050.2 (K=0.30.6), yzeyalt aka kar gelen orta ksm iin C=0.50.8 (K=1.54.5)
olarak kabul edilebilir. ekilme erisinin farkl ksmlarn ayrt edebilmek iin hidrografi, debi
ekseni logaritmik olacak ekilde, yar logaritmik kda izmek uygun olur. Burada yzeysel
aka, yzeyalt ve yeralt akna kar gelen ksmlar farkl eimlerde doru paralar olarak
grnr.

ekil 1.2 Hidrograf

Hidrograf zerinde dolaysz akla taban akn ayrmak iin nce ykselme erisinin balad
A noktas ile ortak ekilme erisinin balad C noktas belirlenir.(ekil 1.2) A ve C noktalar
arasndaki srede akarsuda hem dolaysz ak, hem taban ak vardr. Bu sre iinde bu iki
bileeni ayrmak iin en basit yol bu iki noktay bir doru paras ile birletirerek doru
parasnn stndeki ksmn dolaysz ak, altndaki ksmn taban ak olduunu kabul etmektir.
Yaplacak kabul genellikle pek nemli olmayp dolaysz ak hacmini fazla deitirmez. Byk
havzalarda, A (km
2
) havza alan olmak zere C noktasnn hidrografn pik noktasndan
( )
0.2
/ 2 A gn sonra grld kabul edilebilir.

5
1.1.5 Yzeysel Akn Havza zerinde Dalm

Bir ya srasnda havzann k noktasndaki akma katkda bulunan havza alan giderek
artar. zerine den ya ayn sre iinde k noktasna gnderen noktalardan oluan
izgiye izokron denir. (ekil 1.3) Ya devam ettike k noktasndan giderek daha uzaktaki
izokronlarn snrlad alanlar k noktasndaki akma katlmaya balayacaklarndan
akarsudaki debi de giderek artar. Ya uzun bir sre devam ederse havzann btnnn k
noktasndaki aka katkda bulunduu bir duruma varlr, bu andan sonra ya kesilinceye
kadar akla ya dengede bulunaca iin k noktasndaki akm sabit bir deerde kalr.
Yzeysel akn havzann en uzak noktasndan k noktasna varmas iin geen zamana
gei (konsantrasyon) sresi denir. Gei sresi havzann alan ile artar, eimle ters orantldr.
Gei sresi zerinde havza biiminin de etkisi vardr. (Bayazt, 1999)

ekil 1.3 zonkron Erileri

1.2 Yapay Sinir Alarnn Su kaynaklar Mhendisliindeki Uygulamalar

Yapay sinir alar dorusal olarak davranmayan sistemlerin modellenmesinde baarl bir
ekilde uygulanmaktadr ve bu zelliinden dolay hidrolojik olaylarn modellenmesinde baarl
sonular elde edilmitir.

Yapay sinir alar ile modellemede sistem bir kapal kutu gibi ele alnarak ilemler yaplr.
Sistemin girdi ve ktlar arasndaki ilikinin a tarafndan renilmesi istenir.

6
Yapay sinir alarnn su mhendisliinde uygulamalarna rnek olarak literatrden seilen baz
almalar aada verilmitir.

Minns ve Hall (1996), ileri beslemeli ve geriye yaynm metodu kullanarak sentetik olarak
retilmi verilerden ya-ak modellemesi yapmlardr.

See ve ark. (1997), ngiltere Ouse nehrinde takn tahminlerinde ileri beslemeli geri yaynm
yapay sinir alarn kullanarak, arma modeller ile karlatrmlardr. Yapay sinir a modelinin
daha iyi sonu verdiini gstermilerdir.

Shamseldin (1997), ileri beslemeli geri yaynm yapay sinir alar ile ya-ak modelini alt
havzada uygulamtr. YSA nn karlatrlan dier modellerden daha iyi sonu verdii
grlmtr.

Furundzic, D. (1998), Lim rma havzasnda gnlk verileri kullanarak yapay sinir a ile ya-
ak modellemesi yapmtr. Modelde kullanlacak verilerin seiminde adm adm regresyon
yntemini kullanmtr.

Sajikumar, N. Thandaveswara, B. S. (1999), ngilteredeki Lee ve Thuthapuzha nehirlerin
temporal geri yaynml yapay sinir an kullanarak aylk ya-ak modeli uygulamas
yapmlardr.

Abrahart ve ark. (2001), yapay sinir alar ile ya-ak modellemesi yapmlardr. Yapay sinir
alarnn iyi sonular verdii grlmtr.

Alp ve Czolu (2004), farkl yapay sinir a metotlar ile ya-ak ilikisini modellemilerdir.
leri beslemeli geriye yaynm metodu ve genelletirilmi regresyon sinir a metodunu
kullanmlardr. A.B.D., Pennslyvania Eyaletindeki, Juniata Nehrine ait gnlk akm deerleri
kullanlarak modelleme yaplmtr. leri beslemeli geriye yaynm metodunun genelletirilmi
regresyon sinir a metoduna gre daha iyi sonu verdii ortaya kmtr.

Czolu (2000), ngilteredeki Ouse nehrinde yapay sinir alarn kullanarak sediment
konsantrasyonu tahmini yapmtr.

Keskin ve Terzi (2001), yapay sinir alar metodunu buharlama miktarnn belirlenmesinde
kullanmlardr.

7
Makarynskyy ve ark. (2002), Portekizin bat kylarnda dalga parametrelilerinin tahminlerinde
yapay sinir alarn kullanmlardr.

Imrie ve ark (2000), akm tahminlerinde geri yaynm ve cascade correlation renme
algoritmal yapay sinir alarn kullanmlardr.

Maier ve Dandy (2001), havza-evre ilikisini yapay sinir alaryla modellemilerdir.

Onyldz ve Yarar (2005), Beyehir Gl su seviyesi deiimlerini, giren akm-kayp akm,
ya, buharlama, ekilen akm ve seviye lmleri kullanlarak, yapay sinir a ile
modellemilerdir.

1.3 Bulank Sistemlerin Su kaynaklar Mhendisliindeki Uygulamalar

Geleneksel yntemlerin yannda yapay sinir alarnn su mhendisliinde baarl
uygulamalarndan sonra alternatif bir yntem olarak bulank mantk modelleri de su
mhendisliinde uygulama alan bulmutur. Bulank mantk modelleri ile yaplan
modellemelerde baarl sonular elde edilmitir.

Bulank mantk modellerinin su mhendisliinde uygulamalarna rnek olarak literatrden
seilen baz almalar aada verilmitir.

Keskin ve ark (2005), bulank mantk yaklam ile eirdir glndeki buharlama miktarnn
belirlenmesinde kullanmlardr. Penmann metodu ile hesaplanan deerlerle karlatrp
modelin kullanabilirlii gstermilerdir.

en ve ark (2006), stanbul iline ait ya-ak verileri kullanlarak hesaplanan ak
katsaylarnn bulunmasnda bulank mantk yntemini kullanmlardr. Dier yntemlerle
bulunan sonular karlatrlm ve bulank mantk ynteminin bu konuda kullanlabilir olduu
ortaya konmutur.

Liong ve ark (2000), Banglade Dahaka da su seviyesinin tahmini iin bulank mantk modelini
kullanmlardr. Yapay sinir alar sonular ile karlatrlan bulank mantk sonularnn tatmin
edici olduu grlmtr.

8
Mahabir ve ark (2003), Kanada Lodge Creek ve Middle Creek havazalar bulank mantk
ynteminin mevsimsel akn tahmini iin kullanlmtr. Sonular nceden yaplan almalar ile
karlatrlm ve BM ynteminin sonularnn daha iyi olduu grlmtr.

Kii ve ark (2003), Amerikada Quebrada Blance istasyonu ve Rio Valenciano istasyonunun
gnlk gerek zaman akm ve kat madde verileri kullanlarak ask maddesi miktarnn
bulunmasnda bulank mantk-diferansiyel evolsyon karm modelleri kullanmlardr. Kat
madde anahtar erilerinin deerleri ile karlatrlan model sonular daha az hataya sahip
olarak bulunmutur.

9
2. KULLANILAN YNTEMLER

2.1 ok Deikenli Regresyon Analizi

Regresyon analizinin amac incelenen deikenler arasnda anlaml bir iliki olup olmadn
belirlemek, iliki varsa bu ilikiyi ifade eden regresyon denklemini elde etmek, bu denklemi
kullanarak tahmin yapmak ve tahminlerin gven aralklarn hesaplamaktr. ki deiken
arasnda anlamal bir iliki olup olmadna karar vermek iin korelasyon katsaysna baklr.
Eer korelasyon katsaysnn mutlak deeri 1e yakn bir deer ise iki deiken arasnda
bamlln kuvvetlenerek deterministik bir ilikiye yaklatn gsterir. Korelasyon katsays
xy
r , istatistii ele alnan rnekteki ( , )
i i
x y gzlem iftlerinden u ekilde hesaplanr. ( Bayazt,
1981)

1 1
,
( )( )
N N
i i i i
i i
X Y
x y x y
x x y y x y N x y
r
NS S NS S

= =

= =

(2.1)

, x y

= x ve y deikenlerinin ortalamas
,
x y
S S =x ve y deikenlerinin standart sapmas
N = rnek says

Kk rneklerde Denklem 2.1 de N yerine N-1 kullanmak gerekmektedir. Uygulamada y
baml deikeninin x
1
, x
2
,x
m
bamsz deikenlerden etkilendii grlr. Bu etkilenmeyi
tanmlayan dorusal bir denklem seilirse ilikiyi tanmlayan dorusal regresyon denklemi u
ekilde yazlabilir:

1 1 2 2
......
n n
y a b x b x b x = + + + + (2.2)

Burada a,b
1
,b
2
, , b
n
regresyon katsaylar basit regresyondakine benzer ekilde, gzlem
noktalarnn regresyon denkleminin gsterdii dzlemden olan
yi
e uzaklklarnn karelerinin
toplam olan

10
2
2
1 1 2 2
1 1
( .... )
N N
i i i m mi
i i yi
e y a b x b x b x
= =
=

(2.3)

ifadesini minimum yapacak ekilde hesaplanr. Sonuta y nin ve x
1
ve x
2
gibi iki bamsz
deikene gre regresyon Denklem 2.2 nin en basit hali olarak u ekli alr;

1 1 2 2
y a b x b x = + + (2.4)

Bu denklemdeki regresyon katsaylar;

2
2
0 1 1 2 2
1 1
( )
N N
i i i
yi
i i
y b b x b x
e
= =
=

(2.5)

i
y minimum yapacak ekilde belirlendiinde u denkleme varlr;

2
1 1 1 2 1 1 2 2 1 1
1 1 1
( ) ( )( ) ( )( )
N N N
i i i i i
i i i
b x x b x x x x y y x x
= = =
+ =

1 1 1 2 2 2 2 2 2 2
1 1 1
( )( ) ( ) ( )( )
N N N
i i i i i
i i i
b x x x x b x x y y x x
= = =
+ =

(2.6)

0 1 1 2 2
b y b x b x =

0 1 2
, , b b b katsaylar Denklem 2.6 takmn zerek bulunur. ten fazla deikenli dorusal
regresyonlarda da benzer denklemlere varlr.

2.2 Yapay Sinir Alar

Yapay sinir alar (YSA), insan beynindeki sinir hcrelerinden esinlenerek gelitirilen yapay sinir
hcrelerinin deiik balant geometrileri ile birbirlerine balanarak oluan karmak sistemler
olarak tanmlanmaktadr. Bilgi ilem sreleri olarak nitelendirilebilen yapay sinir alar, verilen
girdilere kar ktlar reten bir kara kutuya benzetilebilir (Kohonen, 1988).

11
YSA zerindeki ilk almann 1943 ylnda balad kabul edilir. McCullogh ve Pitts (1943) ilk
olarak yapay sinir tanmn yaparak hcre modelini gelitirdiler. Yaplan bu almada sinir
hcreleri sabit eik deerli mantksal elemanlar olarak modellenmitir. Yapsnda +1 sabit
balant arlklarna sahip olan bu model aritmetik mantk hesaplama elemanlar olarak da
adlandrlmtr.

renme zerine almalarn younlat 1949'lu yllarda, bilim adamlar insan renme
srecini modellemeye uramalar ile artmtr. Hebb (1949), YSA 'daki renme iin balang
noktas saylabilecek bir kural gelitirmitir. Ortaya atlan bu renme kural, o dnemde bir
sinir ann renme iini nasl gerekletirebilecei konusunda fikir vermekle birlikte, bugn
halen geerli olan renme kurallarndan birounun da temelini tekil etmitir.

YSA konusunda ikinci byk k Rosenblatt (1958) perceptron (tekli dorusal alglayc)
modeli ve renme kural ile yapt. nerilen bu model ayn zamanda bugnk makine renme
algoritmasnn da temeli oldu. Perceptron karmak yinelemeli davranlarda kullanlabilen bir
renme makinesidir. Perceptronun en byk mahzuru sadece dorusal ok boyutlu dzlem ile
ayrlabilen sorunlar zmleyebilmesidir.

almalarn hzland 1960'l yllarn banda yeni bir yaklam olarak Widrow ve Hoff (1960)
tarafndan ADALINE (Adaptive Linear Combiner) gelitirildi. Bununla birlikte yeni ve gl bir
renme kural olarak Widrow-Hoff renme kural ortaya atld. Bu kuraln en nemli zellii
eitim boyunca toplam hatay en aza indirmeyi hedeflemesidir.

YSA konusunda ilginin artmas ancak 1960'l yllarda baz yeni almalarn yaplmas ile oldu.
lk yntemlerin karmak hesaplama problemlerini zemeyecek kadar zayf olmas bu konudaki
almalarn ilerlemesini engelledi. 1969 ylnda matematiki Minsky ve Papert (1969) tarafndan
alglayc kart olan yaynlar YSA ya ve zellikle perceptrona kar olan ilgiyi iyice azaltt.
nk onlar 'Perceptron' isimli kitaplarnda perceptron mimarisinin VE/VEYA (XOR) ve daha
birok mantk fonksiyonunu gerekletiremeyeceini matematik olarak ispat ettiler.

Perceptronun birok konuda yetersiz kaldnn gsterilmesi YSA zerindeki almalar bir sre
durdurmutur. Bu durgunluk, 1970'li yllarn bandan 1980'li yllara kadar devam etti. Bu tarihler
arasnda baz bilim adamlar almalarn kendi kiisel gayretleriyle srdrdlerse de nemli
herhangi bir ilerleme salanamad.

1980'li yllarn banda yaplan almalarla YSA yeniden yaygn hale geldi. lk kprdanmalar
Hopfield (1982) tarafndan erisel alarn gelitirmesiyle balad. O almalarn zellikle

12
arml YSA alar mimarisi zerine younlatrd. Bununla birlikte Kohonen (1982) ve
Anderson (1983) tarafndan yaplan almalar sonucunda eiticisiz renen alarn
gelitirmesiyle almalar yeniden ivme kazanmtr. Bylece, bu yllar YSA ya olan ilginin
yeniden canland ve almalarn younlatrld yllar olmutur.

1986 ylnda Rumelhart ve ark. (1986) tarafndan ok tabakal alglayc tipi alar iin 'geriye
yaylma' olarak adlandrlan bir eitme algoritmas gelitirildi. Bu algoritmann etkin bir
renmeyi mmkn klma yetenei dikkatleri tamamen zerine ekti. Halen en ok kullanlan
retim sisteminden biri olan bu algoritmann ortaya atlmas YSA alannda bir r amtr.
Bugn YSA zerinde yaplan almalar dnyada byk bir hzla devam etmektedir. Her
geen gn deiik renme algoritmalar ve a mimarileri hakknda yeni nermeler
yaplmaktadr.(en, 2004)

2.2.1 Yapay Sinir A Modeli

Yapay sinir ayla aslnda biyolojik sinir ann bir modeli oluturulmak istenmektedir. Bu amala
da geleneksel bilgisayar donanm ve yazlmlarndan yararlanlabilecei gibi YSA oluturmak
amacyla gelitirilmi paralel ilem yapan zel bilgisayarlardan da yararlanlabilmektedir.
(ztemel, 2003)

Yapay sinir alar nronlar, nronlarn yan yana dizilerek oluturduu katmanlar ve katmanlar
birbirine balayan balantlardan olumaktadr. Girdilerin aa alnd ilk katmana girdi katman,
an ktlarn darya veren katmana kt katman ve bu katmanlar arasnda kalan katmanlara
da gizli katman ad verilir. Her a mimarisinde gizli katman olmak zorunda deildir.(ekil 2.1)

ekil 2.1 Yapay Sinir A
Nron

Balant

Giri Katman Gizli Katman

k Katman

13
2.2.2 Biyolojik Sinir Hcresi

Biyolojik sinir a insan beynindeki ok sayda sinir hcresinin bir araya gelerek oluturduu
karmak bir yapdr. Bir sinir a milyonlarca sinir hcresinin bir araya gelmesiyle olumaktadr.
Merkezi sinir sisteminin temel ilem eleman sinir hcresidir. nsan beyninde yaklak 10 milyar
sinir hcresi (nron) olduu tahmin edilmektedir. (ztemel, 2003)(ekil 2.2)

ekil 2.2 Biyolojik Sinir ve Yaps

Akson: Hcre ktsn gndermeye yarayan uzantsdr.

Dendrit: Nronun aa kkne benzeyen, grevi hcreye girdilerin salanmas olan uzantlardr.

Sinaps: Sinir hcrelerindeki aksonlarnn, dier sinir hcreleri ve/veya onlarn dendritleri zerinde
sonlanan zellemi balant noktalardr.

Soma: Bir nronun gvdesine soma ad verilir.

2.2.3 Yapay Sinir Hcresi

Yapay sinir hcresi, biyolojik sinir hcresinin bir matematik modelidir. Genel olarak ekil 2.3 te
grld gibi girdiler, arlklar, toplama fonksiyonu, aktivasyon fonksiyonu ve ktlar olmak
zere be bileenden meydana gelir.

Akson
Sinaps
Dendrit
Soma

14

ekil 2.3 Yapay Sinir Hcresi (ztemel 2003)

Girdiler: Yapay sinir hcresine dardan verilen bilgilerdir. Bunlar an renmesi istenen
rnekler tarafndan belirlenir. Yapay sinir hcresine d dnyadan olduu gibi baka hcrelerden
veya kendi kendisinden de bilgiler gelebilir.

Arlklar: Arlklar bir yapay hcreye gelen bilginin nemini ve hcre zerindeki etkisini gsterir.

Toplama fonksiyonu: Bu fonksiyon, bir hcreye gelen net girdiyi hesaplar. Bunun iin deiik
fonksiyonlar kullanlmaktadr. En yaygn olan arlkl toplam bulmaktr.

1
n
i i i
i
X w NET
=
=
(2.7)

Aktivasyon Fonksiyonu: Bu fonksiyon, hcreye gelen net girdiyi ileyerek hcrenin bu girdiye
karlk retecei kty belirler. Aktivasyon fonksiyonun kty hesaplamak iin deiik formller
kullanlmaktadr. Baz modeller bu fonksiyonun trevinin alnabilir bir fonksiyon olmasn art
komaktadr.

Aktivasyon fonksiyonu olarak sklkla kullanlan fonksiyonlar ekil 2.4 verilmitir.

a) Eik fonksiyonu,
b) Dorusal fonksiyon,
c) Logaritmik Sigmoid fonksiyon,
d) Tanjant Sigmoid Fonksiyonu'dur.

TOPLAM
FONKSYONU
AKTVASYON
FONKSYONU
X
1
X
2
X
n
Girdi
1

Girdi
2
Girdi
n

Arlk
1

w
1

Arlk
2

w
2

w
n

Arlk
n

NET

Y kt

*
*
*

15

ekil 2.4 Aktivasyon Fonksiyonlar

Eik fonksiyonunda kt deerinin olumas iin girdi deerinin belli bir T deerine ulamas
gerekmektedir. Deerinden nce kt "0" iken, bu deerden sonra kt "1" deerini alr. (ekil
2.4-a)

Dorusal aktivasyon fonksiyonunda kt girdiyle eit olur. (ekil 2.4-b)

Aktivasyon fonksiyonlar iinde en ok kullanlanlarndan biri olan Logaritmik sigmoid
fonksiyondur. Logaritmik sigmoid fonksiyon girdinin tm deerleri iin 01 arasnda bir deer
retir. (ekil 2.4-c)

Logaritmik sigmoid fonksiyonu aadaki gibi ifade edilir;

1
1
i
i NET
Y
e
=
+
(2.8)

Logaritmik sigmoid fonksiyonun biraz farkl ekli tanjant sigmoid fonksiyonudur. Logaritmik
sigmoid fonksiyondan fark, fonksiyonun ktlarnn -1 ve +1 arasnda deerler almasdr.(ekil
2.4-d).

16

Tanjant sigmoid fonksiyonu aadaki gibi ifade edilir;

i i
i i
NET NET
i NET NET
e e
Y
e e
=
+
(2.9)

Hcrenin kts: Aktivasyon fonksiyonu tarafndan belirlenen kt deeridir. retilen kt d
dnyaya veya baka bir hcreye gnderilir. (ztemel, 2003)

2.2.4 Yapay Sinir A Mimarileri

Yapay sinir alarnda, nronlar aras balant farkllklarndan kaynaklanan, deiik yapay sinir
a mimarileri bulunmaktadr. Bu mimariler arasnda performans ve karakteristik zellikleri
bakmn farklar bulunmaktadr. Mimari farkllklar zellikle an modelleme yeteneini belirledikleri
iin olduka nemlidirler. Yapay sinir ann tasarm aamasnda bu mimariler arasndan
uygulamaya en elverili olan seilir.

ekil 2.5 A Mimarileri

leri Beslemeli Alar: leri beslemeli alarda, girdi ak tek ynldr. Nronlar girdileri dardan
veya bir nceki nrondan alr. Nronlar bulunduklar katmandaki nronlara ve nceki nronlara
girdi veremezler.

Geri Beslemeli Alar: leri beslemeli alarn tersine bu tip alarda nronlar bir nceki katmanda
bulunan nronlara girdi verebilirler.

a
b

17
2.2.5 Yapay Sinir Anda renme ve renme Algoritmalar

Basite ifade etmek gerekirse bir yapay sinir a "hata yaparak" renir. Yapay sinir ann
renme srecinde temel olarak adm bulunmaktadr.(ekil 2.6)

1- ktlar hesaplamak,
2- ktlar hedef ktlarla karlatrmak ve hatay hesaplanmak,
3- Arlklar deitirerek sreci tekrarlamak.

ekil 2.6 Yapay Sinir Anda renme

Yapay sinir a renme srecinde, gerek hayattaki problem alanna ilikin veri ve sonulardan,
bir baka deyile rneklerden yararlanr. Gerek hayattaki problem alanna ilikin deikenler
yapay sinir ann girdiyi, bu deikenlerle elde edilmi gerek hayata ilikin sonular ise yapay
sinir ann ulamas gereken hedef ktlarn oluturur.

Yapay sinir ann renme srecinde yaplan temel i, arlk deerlerinin deitirilmesidir.
Ama tm girdi dizileri iin kt dizisinin dorulukla retilebilecei ekilde yapay sinir ann
arlklarnn dzenlenmesidir.

renme srecinde yapay sinir ann istenen ktlar retecek ekilde a iindeki arlklarn
dzenlenmesini salayan mekanizma "renme algoritmas" olarak adlandrlr.
X
11
X
12
X
13
X
14
Y
11
Y
12
X
21
X
22
X
23
X
24
D
11
D
12
D
21
D
22
H
A
T
A
renme
Algoritmas

X
ij
=Girdiler Y
ij
=ktlar D
ij
= Hedef ktlar

18

Girdiler, girdi katmanndan balayarak gizli katmanlara ve kt katmanna ilenerek geirilir.
Bylelikle yapay sinir a, arlklar ile toplam ve aktivasyon fonksiyonlarnn etkisiyle kty
retmi olur. Bu ktlar ile hedef ktlar arasnda hesaplanan fark "hata" olarak adlandrlr. Bu
hata, yapay sinir ann arlklar ile istenen ktlar arasndaki farkn giderilmesi iin a iinde
kullanlmaktadr.

Eitim srasnda yapay sinir ann arlklarnn derece, derece deitirilmesi ve yapay sinir
ann istenen ktlar retecek ekilde uygun arlklarn bulunmas sreci, ok sayda
tekrarlanan dngler gerektirir. Eitim setinin bu dng iinde yapay sinir andan bir defa
gemesi devir (epoch) olarak adlandrlr. Bir yapay sinir ann renme srecinin
tamamlanmas iin gerekli devir says olduka deikendir. Yapay sinir a mimarisi ve renme
algoritmas devir saysn belirleyen nemli bir etkendir. (Hinton, 1989)

Yapay sinir alarnda, kullanlan renme algoritmalar grupta incelenmektedir.

2.2.5.1 retmenli renme

Bu tr algoritmada aa olay renebilmesine bir retmen yardmc olmaktadr. retmen
sisteme renilmesi istenen olay ile ilgili rnekleri Girdi/kt seti olarak verir. Yani, her rnek iin
hem girdiler hem de o girdiler karlnda oluturulmas gereken ktlar sisteme gsterilirler. Bu
sayede olayn girdileri ile ktlar arasndaki ilikiler renilmektedir.

2.2.5.2 Destekleyici renme

Bu tr algoritmada da aa bir retmen yardmc olur. Fakat retmen her girdi seti iin olmas
gereken (retilmesi gereken) kt setini aa gstermek yerine an kedisine gsterilen girdilere
karlk ktsn retmesini bekler ve retilen ktnn doru veya yanl olduunu gsteren bir
sinyal retir. A, retmenden gelen bu sinyali dikkate alarak renme srecini devam ettirir.

2.2.5.3 retmensiz renme

Bu tr algoritmada an renmesine yardmc olan herhangi bir retmen yoktur. Sisteme
sadece girdi deerleri gsterilir. rneklerdeki parametreler arasndaki ilikileri an kendi
kendisine renmesi beklenir. Bu, daha ok snflandrma problemleri iin kullanlan bir stratejidir.

19
Yalnz an renmesi bittikten sonra ktlarn ne anlama geldiini gsteren etiketlendirmenin
kullanc tarafndan yaplmas gerekmektedir. (ztemel, 2003)

2.2.5.4 renme Kurallar

Yapay sinir alar gibi renen sistemlerde renme, yukarda anlatlan stratejilerden hangisi
uygulanrsa uygulansn baz kurallara gre gerekletirilmektedir.

renme sistemlerinde kullanlan deiik renme kurallar vardr. Yapay sinir alarnda bu
renme kurallarnn ou Hebb kuralna dayanmaktadr.

2.2.5.4.1 Hebb renme Kural

Bilinen en eski renme kuraldr. Dier renme kurallarnn temelini oluturmaktadr. 1949
ylnda gelitirilen bu kurala gre, bir hcre dier bir hcreden bilgi alrsa ve her iki hcrede aktif
ise (matematik olarak ayn iareti tayorsa) her iki hcrenin arasndaki balant
kuvvetlendirilmelidir. Dier bir deyile bu kural u ekilde zetlenebilir. Bir hcre kendisi aktif ise
bal olduu hcreyi aktif yapmaya pasif ise pasif yapmaya almaktadr. Dier renme
kurallarnn ou bu felsefeyi temel alarak gelitirilmitir.

2.2.5.4.2 Hopfield renme Kural

Bu kural Hebb kuralna benzemektedir. Yapay sinir a elemanlarnn balantlarnn ne kadar
kuvvetlendirilmesi veya zayflatlmas gerektii belirlenir. Eer beklenen kt ve girdiler ikisi de
aktif /pasif ise renme katsays kadar arlk deerleri kuvvetlendir/zayflat denmektedir. Yani,
arlklarn kuvvetlendirilmesi veya zayflatlmas renme katsays yardm ile
gerekletirilmektedir. renme katsays genel olarak 0 - 1 arasnda kullanc tarafndan atanan
sabit ve pozitif bir deerdir.

2.2.5.4.3 Delta renme Kural

Bu kural Hebb kuralnn biraz daha gelitirilmi eklidir. Bu kurala gre beklenen kt ile
gerekleen kt arasndaki farkll azaltmak iin yapay sinir ann elemanlarnn
balantlarnn arlk deerlerinin srekli deitirilmesi ilkesine dayanarak gelitirilmitir. An
rettii kt ile retilmesi beklenen kt arasndaki hatann karelerinin ortalamasn minimize
etmek hedeflenmektedir.
2.2.5.4.4 Kohonen renme Kural

20

Bu kurala gre an elemanlar (hcreleri) arlklarn deitirmek iin birbirleri ile yarrlar. En
byk kty reten hcre kazanan hcre olmakta ve balant arlklar deitirilmektedir. Bu, o
hcrenin yaknndaki hcrelere kar daha kuvvetli hale gelmesi demektir. Hem kazanan
elemanlarn hem de komular saylan elemanlarn (hcrelerin) arlklarn deitirmesine
izin verilmektedir.

2.2.6 Yapay Sinir Alarndan En ok Kullanlan Modeller

Bir yapay sinir anda nronlarn balanmas sonucu oluan topoloji, nronlarn sahip olduklar
toplama ve aktivasyon fonksiyonlar, renme algoritmas ve kullanlan renme kural an
modelini belirlemektedir. Gnmzde ok sayda model gelitirilmitir. Bunlarn en yaygn olarak
kullanlanlar ve pratik hayatta uygulananlar unlardr. (ztemel, 2003)
Perceptron
ok Katmanl Sinir Alar
Linear vektor quantization
Self organizing Map
Adaptif Rezonans Teorisi modelleri (ART)
Hopfeld alar
Counterpropagation a
Elman a
Radyal temelli alar (RBN)

Bu almadaki uygulamalar ileri beslemeli geri yaynml a ve radyal tabanl alarn bir eidi
olan genelletirilmi regresyon a kullanlarak yaplmtr. Bu nedenle yukarda saylan a
modellerinden sadece bu ikisi incelenmitir.

2.2.7 ok Katmanl Sinir Alar

Dorusal olmayan ilikilerin renilebilmesi ok katmanl yapay sinir alar gelitirilmitir.
Rumelhart ve arkadalar (1986) tarafndan gelitirilen bu modele hata yayma modeli veya geriye
yaym modeli de denmektedir. Kullanlan renme ynteminin temel amac an beklenen kts
ile rettii kt arasndaki hatay en aza indirmektir.

leri beslemeli geri yaynm an yaps ekil 2.7 ' de gsterildii gibi ileriye doru balantl ve en
az 3 katmandan oluan bir adr. Bunlar:

21

ekil 2.7 ok Katmanl Yapay Sinir A

Girdi Katman: Dardan gelen girdileri (X
1
, X
2
, ... X
n
) alarak ara katmana gnderir. Bu katmanda
bilgi ileme olmaz. Gelen her bilgi geldii gibi bir sonraki katmana gider. Birden fazla girdi
gelebilir. Her hcre sadece bir tane girdisi ve bir tane kts vardr. Bu kt bir sonraki katmanda
bulunan btn hcrelere gnderilir. Yani, girdi katmanndaki her hcre bir sonraki katmanda
bulunan hcrelerin hepsine baldr.

Ara Katmanlar: Ara katmanlar girdi katmanndan gelen bilgileri ileyerek bir sonraki katmana
gnderir. Birok katmanl yapay sinir anda birden fazla ara katman ve her katmanda birden
fazla hcre olabilir. Ara katmandaki her hcre bir sonraki katmandaki btn hcrelere baldr.

kt Katman: Ara katmandan gelen bilgileri ileyerek aa girdi katmanndan verilen girdilere
karlk an rettii ktlar (Y
1
, Y
2
, ...Y
n
) belirleyerek darya gnderir. Bir kt katmannda
birden fazla hcre olabilir. Her hcre bir nceki katmanda bulunan btn hcrelere baldr. Her
hcrenin sadece bir tane kts vardr.

leri beslemeli geri yaynm anda bilgiler girdi katmanndan aa sunulur ve ara katmanlardan
geerek kt katmanna gider ve aa sunulan girdilere karlk an cevab darya iletilir.

2.2.7.1 leri Beslemeli Geri Yaynm Alar

leri beslemeli geri yaynm a retmenli renme stratejisine gre alrlar. Yani; bu alara
eitim srasnda hem girdiler hem de o girdilere karlk retilmesi gereken (beklenen) ktlar
X
1
X
2

X
n
Girdi Katman Gizli Katman kt Katman
Bias Bias
Y
1
Y
2
Y
n

22
gsterilir. An grevi her girdi iin o girdiye karlk gelen kty retmektir. leri beslemeli geri
yaynm an renme kural olarak bu almada Scaled Conjugate Gradient algoritmas
kullanlmtr.

2.2.7.1.1 Scaled Conjugate Gradient (SCG) Algoritmas

leri beslemeli alar iin birok renme algoritmas gelitirilmitir. Bu algoritmalarn ou gradient
descent algoritmas tabanldr. Bu algoritmalar genellikle zayf yaknsama ve kullanc tarafndan
tanmlanan parametrelere baldr. Parametrelerin deerleri algoritmann baarl olmasnda
nemli rol oynar. rnein standart geri yaylm algoritmas kullanc tarafndan tanmlanan
renme oran ve momentum katsayna baml bir algoritmadr. SCG algoritmas bu
dezavantajlar ortadan kaldrr.

Yapay sinir alarndaki renme, adaki arlklara bal ok deikenli fonksiyonun en
kklemesidir. Gerek yapay sinir alar uygulamalarnda renme optimizasyon yntemleri ile
binlerce arln ayarlanmasn kapsar. Nmerik analiz topluluundaki baskn gr sadece bir
tane optimizasyon teknii byk lekli problemlerde verimli olarak kullanlabilir. Bu optimizasyon
teknii conjugate gradient(CG) algoritmasdr. SCG algoritmas Levenberg-Marquardt(LM) ve
conjugate gradient (CG) algoritmasnn birleimidir.

Bir ileri beslemeli a ele alnrsa. Arlklar vektr olarak tanmlanrsa

( ) ( ) ( ) ( 1) ( ) ( )
1 1 1 1
(..., , ,..., , , , ,...)
l
l l l l l l
ij i j N j j ij i j
w w w w w w
+
+ + + +
= (2.10)

( ) l
ij
w : l katmanndaki i. nrondan l+1 katmanndaki j. nrona tanmlanan arlk
N
l
: l. katmandaki nron says
( 1) l
j
+
: l+1 katmandaki j. nronun bias

Hata fonksiyonu E(w) nin adaki btn arlklara ve biaslara bal olduu kabul edilir. E(w)
standart en kk kareler ve fonksiyonu herhangi bir hata fonksiyonu olabilir. E(w) bir ileri ynde
ilem E(w) bir geri ynde ilem ile hesaplanabilir.
( ) ( ) ( ) ( 1) ( )
1 1 1 1 1
1 1
( ) ..., , ,..., , , ,...
l
P P P P P
p p p p p
l l l l l
p p p p p
ij i j N j j ij
dE dE dE dE dE
E w
dw dw dw d dw
+
= = = = =
+ +
| |
= |
|
\

(2.11)

P: Eitim srasnda aa sunulan veri says

23
E
p
: p. rnek ile ilgili hata

Arlk vektrleri ilemleri iin baz tanmlar yaplmaldr. Srasyla arlklarn toplanmas,
karlmas, arplmas, blnmesi:

1 1
( ,..., ,..., )
i i N N T
w y w y w y w y + = + + + (2.12)
1 1
( ,..., ,..., )
i i N N T
w y w y w y w y = (2.13)
1
N
T i i
j
w y w y
=
=
(2.14)
1
T i N
j
w w

=
=
(2.15)

Arlk uzunluu

1/ 2
2
1
( )
N
i
j
W w
=
(
=
(

(2.16)

E(w) nin (x+y) noktasndaki Taylor alm

1
( ) ( ) ( ) ( ) ...
2
T T
E w y E w E w y y E w y + = + + + (2.17)

Genel Optimizasyon Stratejisi: Fonksiyonlar minimize etmek iin kullanlan optimizasyon
tekniklerinin ou ayn stratejiyi kullanr. Minimizasyon, minimize edilen arlk uzayndaki
geerli noktann yaknlarnda fonksiyona yaknsayan bir yerel iteratif ilemdir. Yaklatrma
fonksiyonun birinci veya ikinci derece Taylor almdr. Genel strateji admlar aada
verilmitir.

1. Balang arlk vektr w
1
seilir. k=1
2. Arma yn p
k
ve adm aral
k
seilir.
3.Arlk vektr yenilenir:
1 k k k k
w w p
+
= +
4.Eer ( ) 0
k
E w ise k=k+1 ve 2. satra git deilse w
k+1
istenen minimumdur.

24
Bu iteratif ilemde sonraki noktann tanmlanmas iki bamsz adm ierir. lki arama ynnn
tanmlanmas yani arlk uzaynda gitmek istenilen yeni noktann aranmas. Arama yn bir kez
bulunduktan sonra bu ynde ne kadar aralkla gidileceine karar verme yani adm aralnn
tanmlanmas.

Scaled Conjugate Gradient Stratejisi: Scaled Conjugate gradient algoritmas da yukarda
aklanan genel optimizasyon stratejisini baz alr ama ikinci derece yaklamda ki bilgiyle
aratrma ynn ve adm araln seerken daha baarldr. Algoritma adm adm aada
aklanmtr.

1. w
1
arlk vektr ve sabitler
1
0, 0 > > ve
1
0 = seilir.
1 1 1
p =r =-E'(w ) , k=1 success=true olarak tanmlanr.

2. Eer success=true ise ikinci derece bilgiyi hesapla
k
k
p
=
( ) ( )
k k k k
k
k
E w p E w
s

+
=
T
k k k
p s =

3.
k
s y lekle
( )
k k k k k
s s p = +
2
( )
k k k k k
p = +

4. Eer 0
k
ise Hessian matrisi pozitif definit yap
2
( 2 )
k
k k k k
k
s s p
p
= +
2
2( )
k
k k
k
p
=
2
k k k k
p = + ,
k k
=

25
5. Adm araln hesapla
T
k k k
p r = ,
k
k
k
=

6. Karlatrma parametresini hesapla
[ ]
2
2 ( ) ( )
k k k k k
k
k
E w E w p
+
=

7. Eer 0
k
ise hatada azalma yaplabilir.
1 k k k k
w w p
+
= +
1 1
( )
k k
r E w
+ +
=
0
k
= , success=ture

7a. Eer k mod N=0 ise algoritmaya batan bala
1 1 k k
p r
+ +
=
deilse yeni conjugate yn olutur
2
1 1 k k k
k
k
r r r
+ +
=
1 1 k k k k
p r p
+ +
= +

7b. Eer 0.75
k
ise lek parametresini azalt
1
2
k k
=
Deilse hatada azalma mmkn deil
k k
= , success=false

8. Eer 0.25
k
lekleme parametresini bylt
4
k k
=
9. Eer eim azaltma yn 0
k
r ise k=k+1 ve 2. satra git deilse dur ve w
k+1
istenen
minimum. (Moller, 1993)

26
2.2.8 Genelletirilmi Regresyon Sinir A

Specht (1991) tarafndan nerilen genelletirilmi regresyon sinir a geriye yaynm metodunda
olduu gibi bir iteratif eitim prosedr gerektirmemektedir. Girdi ve kt vektrleri arasnda
herhangi bir yaklak fonksiyon dorudan eitim verisinden hesaplanr. Ayrca tutarldr. Eitim
datas bydke tahmin hatas sfra yaklar. GRNN standart regresyon teknii gibi srekli
deikenlerin tahmini iin kullanlr. Bu yntem radyal tabanl alar ve kernel regresyon isimli
standart istatistiksel teknik ile ilikilidir. Tanmdan, baml deiken y nin basz deiken x ile
regresyonunu y iin en olas deerdir. Regresyon teknii y nin deerlerini en kk kareler
yntemi ile tahmin eder. GRNN x ve y nin ortak olaslk younluk fonksiyonlarn tahmin eden bir
yntemdir.

f(x,y) ortak olaslk younluk fonksiyonunun bilinmesi durumunda, bamsz x deikenine gre
baml y deikeninin regresyonu

[ ]
( , )
|
( , )
yf X y dy
E y X
f X y dy
(2.18)

Eer olaslk younluk fonksiyonu bilinmiyorsa gzlenen X
i
ve Y
i
deerlerinden bu fonksiyon
tahmin edilir.

2
( 1) / 2 ( 1) 2 2
1
1 1 ( ) ( ) ( )
( , ) exp exp
(2 ) 2 2
i T i i n
p p
i
X X X X Y Y
f X Y
s n s s
+ +
=
( (
=
( (

(2.19)

Bu denklemde p, x vektrnn boyutu, n, gzlenen veri says, s ise dzeltme parametresidir.
Olaslk tahmini
( , ) f X Y nin fiziksel yorumu her X ve Y iin genilik sin rnek olaslnn

atanmas ve olaslk tahmini bu rnek olaslklarn toplamdr. D
i
2
bir skaler fonksiyon olmak
zere

2
( ) ( )
i T i
i
D X X X X = (2.20)

olarak tanmlanrsa, bamsz x deikenine gre baml y deikeninin regresyonu,

27
2
2
1
2
2
1
exp
2
( )
exp
2
n
i i
i
n
i
i
D
Y
s
Y X
D
s
=
=
| |
|
\
=
| |
|
\
(2.21)

olarak bulunur.

Denklem 2.21 nmerik veri ieren problemlere dorudan uygulanabilir. Dzeltme parametresi s
byk olursa tahmin edilen younluk bask olur. Dier taraftan s in kk deerleri iin tahmin
edilen younluk non-Gaussian ekil alr.

leri beslemeli geri yaylml adan farkl olarak genelletirilmi regresyon a 4 katman ierir:
girdi katman, rnt katman, toplama katman ve kt katman. ekil 2.8 de genelletirilmi
regresyon a ematik olarak gsterilmitir. Girdi nronlar ilk katmandadr. kinci katmanda
rnt nronlar bulunmaktadr ve bu katmann ktlar nc katmandaki toplam nronlarna
girdi olarak verilir. Son olarak kt katmannda kt nronlar bulunmaktadr. (Cgzolu, 2006)

ekil 2.8 Genelletirilmi Regresyon A

2.3 Bulank Mantk

Gerek dnya karmaktr. Bu karmaklk genel olarak belirsizlik, kesin dnceden yoksunluk
ve karar verilemeyiten kaynaklanr. Birok sosyal, iktisadi ve teknik konularda insan
dncesinin tam anlam ile olgunlamam oluundan dolay belirsizlikler her zaman bulunur.
nsan tarafndan gelitirilmi olan bilgisayarlar, bu trl belirsizlikleri ileyemezler ve almalar
X
1

X
2
X
n
Girdi
Katman
rnt
Katman
Toplam
Katman
Y

kt
Katman

28
iin saysal bilgiler gereklidir. Gerek bir olayn kavranlmas insan bilgisinin yetersizlii sebe-
biyle tam anlam ile mmkn olamadndan, insan, dnce sisteminde ve zihninde bu gibi
olaylar yaklak olarak canlandrarak yorumlarda bulunur. Bilgisayarlardan farkl olarak insann
yaklak dnme olduka yetersiz, eksik ve belirsizlik ieren veri ve bilgi ile ilem yapabilme
yetenei vardr. Genel olarak, deiik biimlerde ortaya kan karmaklk ve belirsizlik gibi tam
ve kesin olmayan bilgi kaynaklarna bulank kaynaklar ad verilir. Zadeh (1968) tarafndan
gerek dnya sorunlar ne kadar yakndan incelenmeye alnrsa, zmn daha da bulank hale
gelecei ifade edilmitir. nk ok fazla olan bilgi kaynaklarnn tmn insan ayn anda ve
etkileimli olarak kavrayamaz ve bunlardan kesin sonular karamaz. Burada bilgi
kaynaklarnn temel ve kesin bilgilere ilave olarak, zellikle szel olan bilgileri de ihtiva ettii
vurgulanmaldr. nsan szel dnebildiine ve bildiklerini bakalarna szel ifadelerle
aktarabildiine gre bu ifadelerin kesin olmas beklenemez.

Bir sistem hakknda ne kadar fazla renerek bilgi sahibi olursak, onu o kadar daha iyi
anlayabiliriz ve onun hakkndaki karmaklklar da o derece azalr; fakat tamamen yok olmaz.
ncelenen sistemlerin karmakl, az veya yeterli miktarda veri bulunmazsa, bulanklk o kadar
etkili olacaktr. Bu sistemlerin zmlerinin aratrlmasnda bulank olan girdi ve kt
bilgilerinden, bulank mantk kurallarnn kullanlmas ile anlaml ve yararl zm karmlarnn
yaplmas yoluna gidilebilir.

Bulank ilkeler hakknda ilk bilgiler, Azerbaycan asll Ltf Askerzde (Zadeh, 1965) tarafndan
literatre mal edilmesine karlk, bu fikirler Bat dnyasnda phe ile karlanm ve olduka
youn tenkit almtr. Ancak, 1970 yllarndan sonra Dou dnyasnda ve zellikle de
Japonyada bulank mantk ve sistem kavramlarna nem verilmitir. Bunlarn, teknolojik cihaz
yapm ve ileyiinde kullanlmas bugn btn dnyada yaygn hale gelmitir. Batda
gecikmenin ana sebebi Bat kltrnn temelinde ikili mantk, yani Aristo mantnn yatmas ve
olaylara evet - hayr, beyaz - siyah, kurak - sulak, art - eksi, 0 1 vb. gibi ikili tabanda
yaklalmasdr.

1965 ylnda Lotfi Zadeh tarafndan ortaya atlan bulank kme, mantk ve sistem kavramlar bu
aratrcnn uzun yllar boyunca kontrol alannda almas, istedii kontrol elde edebilmesi
iin fazlaca dorusal olmayan denklemlerin iin iine girmesi; yntemin karmaklamas ve -
zmn zorlamas sonucunda ortaya kmtr. lk ortaya atld zamanlarda, bulank
sistemlerin dorudan uygulamas olmadndan, yaplan tartmalar daha ziyade felsefi
seviyede kalm ve bunun sonucunda daha kuvvetli felsefi ve teorik temelleri olan ihtimaller
teorisi ve istatistik yntemleri ar basmtr. Ancak, burada gzden kaan basit bir nokta, szel
bilgilerin bulunmas halinde istatistiin fazlaca ie yaramaddr. Her ne kadar Bayesian teorisi

29
gibi bir istatistik yntem ile szel baz ifadelerin hesaplamalarda kullanlmas mmkn ise de, bu
yntemlerin ileyilerindeki baz temel kabuller (normal dalm olmak, dorusal olmak gibi)
pratikte gereklememektedir (en, 2000). Bu sebeplerden, bulank (fuzzy) sistemler dnyadaki
hemen her aratrma merkezinde fazlaca rabet, grmemitir. zellikle de, Batda bu
kavramlar nerede ise tamamen ihmal edilmi, ho karlanmamtr.

Bulank kavram ve sistemlerin dnyann deiik aratrma merkezlerinde dikkat kazanmas
1975 ylnda Mamdani ve Assilian tarafndan yaplan gerek bir kontrol uygulamas ile olmutur.
Bu aratrclar ilk defa bir buhar makinesi kontrolnn bulank sistem ile modellenmesini
baarmtr. Bu n almadan, bulank sistemlerle almann ne kadar kolay ama sonularnn
da ne kadar etkili olduu anlalmtr.

Daha sonraki yllarda bulank sistem uygulamas bir imento fabrikasnn iletilmesi ve kontrol
iin yaplnca; artk bulank kavramlar dnyann birok yerinde yava yava kullanlmaya
balanmtr. (en, 2001)

Bulank mantn genel zellikleri Zadeh tarafndan u ekilde ifade edilmitir;
Bulank mantkta, kesin deerlere dayanan dnme yerine, yaklak dnme kullanlr.
Bulank mantkta her ey [0,1] aralnda belirli bir derece ile gsterilir.
Bulank mantkta bilgi byk, kk, ok az gibi dilsel ifadeler eklindedir.
Bulank karm ilemi dilsel ifadeler arasnda tanmlanan kurallar ile yaplr.
Her mantksal sistem bulank olarak ifade edilebilir.
Bulank mantk matematiksel modeli ok zor elde edilen sistemler iin ok
uygundur.

Bulank mantk tam olarak bilinmeyen veya eksik girilen bilgilere gre ilem yapma yeteneine
sahiptir.(Elmas, 2003)

2.3.1 Klasik Kme

Klasik kme kuramnda bir eleman o kmenin ya elemandr ya da deildir. Hi bir zaman ksmi
yelik olmaz. Nesnenin yelik deeri 1 ise kmenin tam eleman, 0 ise eleman deildir. Baka
bir deyile klasik veya yeni rn kmelerinde elemanlarn yelikleri [0,1] deerlerini alr. Bulank
mantk, insann gnlk yaantsnda nesnelere verdii yelik deerlerini, dolaysyla insan
davranlarn taklit eder. rnein elini suya sokan bir kii hibir zaman tam olarak ssn
bilemez, onun yerine scak, az scak, souk, ok souk gibi dilsel niteleyiciler kullanr.

30
Klasik kmelere rnek ekil 2.9 'de verilmitir. Eer scaklk 20 C nin altna derse scak
deildir. Yani klasik mantk kuramna gre 19,5 C scak deildir. Doal olarak bu mantn hi
bir esneklii yoktur. Gerek dnyada ise snrlar bu kadar keskin deildir. (Elmas, 2003)

ekil 2.9 Klasik Kme

2.3.2 Bulank Kme

Klasik kmelerin aksine bulank kmelerde elemanlarn yelik dereceleri [0, 1] aralnda
sonsuz sayda deiebilir. Bunlar yeliin derecelerinin devaml ve aralksz btnyle bir
kmedir. Keskin kmelerdeki souk-scak, hzl-yava, aydnlk-karanlk gibi ikili deikenler,
bulank mantkta biraz souk, biraz scak, biraz karanlk gibi esnek niteleyicilerle yumuatlarak
gerek dnyaya benzetilir.

Bulank kmeler iin ekil 2.10 'da bir rnek verilmitir. Burada 10 - 40 C arasndaki deerler
scak kmesine yedirler. 20 - 40 C arasndaki deerler yelik dereceleri 1'dir, 10 - 20 C
derece arasndaki scaklklarn ise yelik dereceleri 0 ile 1 deerleri arasnda deiecektir.
Baka bir deyile rnein 11 C az scak, 15 C biraz scak olarak deerlendirilecektir. 20 C' yi
oda scakl kabul ederek, souk bulank kmesi elde edilir. (Elmas, 2003)

ekil 2.10 Bulank Kme
(x)
1
Scak
5 10 0 15 20 25 30 35 40
Souk
Scaklk
0
C
0,5
(x)
1
Scak
5 10 0 15 20 25 30 35 40
Souk
Scaklk
0
C

31
2.3.3 Bulank Sistem Nedir?

Klasik sistemler; matematiksel, stokastik, kavramsal sistemlerin neredeyse hepsi ksmdan
oluur. (ekil 2.11)

ekil 2.11 Klasik Sistem

Bunlar giri, girii ka dntren ve sistem davran temsil eden ilemler ve ktr.
Buradaki birimlerin hepsinde saysal veri ve ilemler yaplmaktadr. Bulank sistemlerin, klasik
sistemlerden sistem davran ksmnn ikiye ayrlmasdr. (en ,2001)

ekil 2.12 Genel Bulank Sistem

Bir bulank sistem saysal giri verilerini, saysal k verilerine eler.(Mendel, 1995) ekil 2.12
de grlen genel bir bulank sistemdir. Bu sistem drt bileenden oluur. Bunlar;

Sistem Davran
Giri k
BULANIK SSTEM
Kesin Girdi Kesin kt
Kural Taban
Bulank karm
Motoru
Bulanklatrma Durulatrma
Bulank
Girdi
Bulank
kt

32
1- Bulanklatrma: Saysal giri deerlerin bulank kmeler kullanlarak bulanklatrlmas
salanr.

2- Bulank Kural Taban: Kurallar, bir uzman tarafndan yazlabilir veya saysal veriden
oluturulabilir. Mhendislik kurallar EER - SE trnden ifadeler olarak karlabilir.
rnein Eer u
1
ok scak ve u
2
tamamen sessiz SE v kadar biraz evir. Bu kural bize
aadaki ifadeleri anlamamz gerektiini gstermektedir.

3- Bulank karm Motoru: Bulank kural tabannda giri ve k bulank kmeleri
arasnda kurulmu olan ilikilerin hepsini bir araya toplayarak sistemin bir kl
davranmasn temin eden ilemler topluluunu ieren bir mekanizmadr. Bu motor, her
bir kuraln karmlarn bir araya toplayarak tm sistemin girdiler altnda nasl bir kt
vereceinin belirlenmesine yarar. (Elmas, 2003)

4- Durulatrma: Bulank kt deerlerinin saysal kt deerlerine dntrlmesi
salanr.

Bulank sistemlerin balca zellikleri arasnda en nemli, konu olarak, oklu girdileri, kural
taban ve karm motoru ile ileyerek tek kt haline dntrmesi gelir. Baz zel durumlarda,
ktlar birden fazla olabilir. Bulank sistem dorusal olmayan bir ekilde girdileri oluturan
deikenleri, kt deikenine dntrerek, sistemin davrann tespit eder. Bylece bilgi
tabannn dorusal olmayan dnmlere maruz braklmas ile istenen sonulara ulamak iin
incelenen sistemin kontrol altna alnmas mmkn olmaktadr. Bulank sistemler sayesinde
mhendislikte grnt ileme, zaman serileri esasl tahmin yapmak, kontrol sorunlarn zmek
ve haberleme yani iletiim konularnda uygulamalar yapmak mmkn olmaktadr. (en, 2001)

2.3.4 yelik Fonksiyonlar

Kme yelerinin deerleri ile deiiklik gsteren eriye yelik fonksiyonu ad verilir. Bunun en
nemli zellikleri, alt kme snrlarndaki deerlerinin orta elerinkine gre daha dk
olmasdr. Ancak klasik kmelere bir benzerlik tekil etmesi asndan en byk nem dere-
cesine sahip olan ortaya yakn elere 1 deeri verilirse, dierlerinin 0 ile 1 arasnda ondalkl
ve srekli deitii sonucuna varlr. te bu ekilde, 0 ile 1 arasndaki deiimin, her bir e iin
deerine, yelik derecesi, bunun bir alt kme iindeki deiimine ise yelik fonksiyonu ad
verilir. Bylece, yelik fonksiyonu altnda toplanan eler nem derecelerine gre birer yelik
derecesine sahiptir. (en, 2001)

33

ekil 2.13 Bulank Kme Bileenleri

Yamuk eklindeki bir yelik fonksiyonu, ekil 2.13 'de gsterildii gibi, deiik ksmlara
ayrlabilir. Grld gibi verilen bir bulank alt kmede bir deil, birden fazla enin yelik
derecesi 1'e eit alnabilir. Bu durumda, 1 yelik dereceli elerin tam anlam ile sadece o alt
kmeye ait olduu sonucuna varlr. Byle yelik derecesine sahip olan eler alt kmenin orta
ksmnda toplanmtr. te yelik dereceleri 1'e eit olan elerin topland alt kme ksmna, o
alt kmenin ekirdei denir. Burada ( ) 1 x = ' dir. gen eklindeki yelik fonksiyonunda bir
tane enin yelik derecesi 1' e eit olduundan, gen yelik fonksiyonlarnn ekirdei bir
nokta olarak karmza kar.

Bunun aksine bir alt kmenin tm elerini ieren arala o alt kmenin destek ad verilir.
Destekte bulunan her enin az veya ok deerde (0 ile 1 arasnda) yelik dereceleri vardr.
Bunun matematik gsterilii ( ) 0 x > eklindedir. Aslnda bu eler topluluu nceki ksmda
belirtilen arala kar gelir.(en, 2001)

2.3.5 Bulank Kme eitleri

Bulank mantk ile yaplan almalarda sklkla kullanlan yelik fonksiyonlar gen, yamuk,
gauss yelik fonksiyonlardr.

(x)
1
x
Snr
ekirdek

b
Destek
Snr

34

ekil 2.14 gen yelik Fonksiyonu

gen yelik fonksiyonu ile yelik dereceleri Denklem 2.22 ile hesaplanr;

0
( )
0
x a
x a
a x b
b a
x
c x
b x c
c b
c x
<
(2.22)

ekil 2.15 Yamuk yelik Fonksiyonu

Yamuk yelik fonksiyonu ile yelik dereceleri Denklem 2.23 ile hesaplanr;

0
( ) 1
0
x a
x a
a x b
b a
x b x c
d x
c z d
d c
d x
<
<

<
<
(2.23)

(x)
1
x
a
b
c
(x)
1
x
a
b c
d

35

ekil 2.16 Gauss yelik Fonksiyonu

Gauss yelik fonksiyonu ile yelik dereceleri Denklem 2.24 ile hesaplanr;

2
2
( )
x
x e

= (2.24)

2.3.6 Bulank Kme lemleri

Temel kesin kme ilemlerinden kesiim, birleim, tmleyen bulank kmeler iin aklanmtr.

2.3.6.1 Kesiim

ki bulank kmenin matematiksel ifadesi;

[ ] ( ) min ( ), ( )
A B A B
x x x
= (2.25)

ekil 2.17 Bulank Kmlerin Kesiimi

(x)
1
x
(x)
1
x
A B

36
2.3.6.2 Birleim

ki bulank kmenin birleiminin matematiksel ifadesi;

[ ] ( ) max ( ), ( )
A B A B
x x x
= (2.26)

ekil 2.18 Bulank Kmelerin Birleimi

2.3.6.3 Tmleyen

Bulank kmelenin tmleyeni aadaki matematiksel ifade ile gsterilir.

( ) 1 ( )
A
A
x x = (2.27)

ekil 2.19 Tmleyen Kme

Bulank birleim ve bulank kesiim ileminin sadece max ve min operatrleri ile yaplmas
zorunlu deildir. Bu operatrler yannda bulank birleim s-norm ve bulank kesiim t-norm
olarak bilinen operatrlerde kullanlr. S-norm operatr sembol t-norm operatr
sembol ile gsterilir.(Mendel, 1995)

( ) ( ) ( ) ( ) ( )
A B A B A B
x x x x x
= + (2.28)
(x)
1
x
A B
(x)
1
x
A A

37
( ) ( ) ( )
A B A B
x x x
= (2.29)

2.3.7 Bulank Kural Taban

Veri tabanndaki girileri k deikenlerine balayan mantksal EGER-SE trnde yazlabilen
btn kurallarn tmn ierir. Bu kurallarn yazlmasnda sadece girdi verileri ile ktlar
arasnda olabilecek tm aralk (bulank kme) balantlar dnlr. Bylece, her bir kural girdi
uzaynn bir parasn kt uzayna mantksal olarak balar. te bu balamlarn tm kural
tabann oluturur. (en, 2001)

Bulank bir kural genel anlamda EER ve SE kelimeleri arasnda kalan ncl terimler ve
sonraki ksm soncul terimler eklinde ifade edilir. Bir kural en basit ekilde aadaki gibi
yazlabilir.

EER ncl terimler SE soncul terimler

Girdi, kt saylarna ve soncul ksmn tipine gre kurallarn yazm farkllk gsterir.

2.3.7.1 Girdi kt Saysna Gre

Tek Girdili Tek ktl Sistemler: Bu sitemler bir giri deikeni ve bir k deikenine sahip
sistemlerdir. Bu sistemlerde kurallar aadaki gibi yazlr.

R
i

= EER x = A
i
SE y = B
i
dir. (2.30)

A
i
ve B
i
srasyla girdi ve kt bulank kmelerini gstermektedir.

ok Girdili Tek ktl Sistemler: Bu sistemler birden fazla girdi deikenine ve tek kt
deikenine sahiptirler. Bu sitemlerde kurallar aadaki gibi yazlrlar.

R
i

= EER x
1
= A
i1
ve/veya x
2
= A
i2
SE y = B
i
dir. (2.31)

A
i1
, A
i2,
, A
ij
girdi bulank kmlerini ve B
i
srasyla kt bulank kmesini ve R
i
kural saysn
gstermektedir.

ok Girdili ok ktl Sistemler: Bu sistemler birden fazla girdi ve kt deikenlerine sahiptiler.
Bu sitemlerde kurallar aadaki gibi yazlrlar.

38

R
i

= EER x
1
= A
i1
ve/veya x
2
= A
i2
SE y
1
= B
i1
, y
2
= B
i2
,dir. (2.32)

A
i1
, A
i2,
, A
ij
i1
, B
i2,
B
ij
srasyla kt bulank kmelerini
gstermektedir.

2.3.7.2 Soncul Ksmn Tipine Gre

Bulank Kme ktl Sistem: Bu sitemde soncul ksm bulank kmelerden meydana gelir. Bu
tr kural yazm Mamdani tipi bulank sitemlerde vardr.

R
i

= EER x
1
= A
i1
ve/veya x
2
= A
i2
SE y = B
i
dir. (2.33)

A
i1
, A
i2,
, A
ij
i
srasyla kt bulank kmesini gstermektedir.
Dorusal Fonksiyon ktl Sistem: Bu sitemde soncul ksm dorusal bir fonksiyondan meydana
gelir. Bu tr kural yazm Tagaki-Sugeno tipi bulank sitemlerde vardr.

R
i

= EER x
1
= A
i1
ve/veya x
2
= A
i2
SE y = f(x) dir. (2.34)

Sabit Deer ktl Sistem: Bu sitemde kt sabit bir deer almaktadr.

R
i

= EER x
1
= A
i1
ve/veya x
2
= A
i2
SE y = a dir. (2.35)

yelik fonksiyonlarnn says ve szel ifadelerin kullanm kural taban oluturulurken yazlan
kural saysn etkilemektedir. Yazlabilecek kural says, modelde ki m adet giri ve n adet
yelik fonksiyonu saysna bal olarak n
m
ifadesi ile hesaplanr. Kural says uzman bilgisi ve
kural yazmnda kullanlan deiik algoritmalar ile azaltlabilir.

2.3.8 Bulank karm modelleri

Bulank sistemler kullanlarak yaplan uygulamalarda karar verme mekanizmasnda nerilen
farkl modeller bulunmaktadr. Bu modellere gre bulank sistemler birbirinden ayrlr ve model
isimleri ile birlikte adlandrlr. En ok tercih edilen bulank modellerinden iki tanesi aada
aklanmtr.

39
2.3.8.1 Mamdani tipi modeller

Ebrahim Mamdani 1975 ylnda, Zadeh tarafndan 1965 ylnda nerilen bulank kme teorisini
kullanarak yapt bulank sistem ile buhar makinesi kontrol almasnda bu modeli nermitir.
Modeldeki ilem admlar aada anlatlmaktadr.

Bulanklatrma: Kesin girdi ve kt deerleri, tanmlanan yelik fonksiyonlar ile [0 1] deerleri
arasnda yelik dereceleri hesaplanarak bulanklatrlr.

Kural taban: Girdi ve kt deerleri arasndaki iliki,

R
i

= EER x
1
= A
i1
ve/veya x
2
= A
i2
SE y = B
i
dir. (2.36)

eklinde kurallar yazlarak tanmlanr. Mamdani tipi modelleri dier modellerden ayran zellik
kt deerlerinin bulank olmasdr. Kurallar yazlrken kullanlan ve/veya bulank operatrleri
min/max veya t-norm/s-norm ilemlerine karlk gelir.

Kurallarn deerlendirilmesi (implication): Verilen giri ve k parametrelerine bal olarak
yazlan kurallar yardmyla sonu deerini elde etmek iin muhakeme karm ileminin
gerekletirildii admdr. Bu kurallar karm (implication) olarak bilinen bir admla yelik
fonksiyonlarnn oranlarn deerlendirir. En kkleme (min fonksiyon) ve arpm (product
fonksiyon) olmak zere iki tr karm yntemi bulunmaktadr. (Frat, 2007)

Kurallarn Toplanmas (Aggregation): karm kmeleri, aggregation olarak adlandrlan ilemle
tek bir kme olarak birletirilir. Eer karm kmeleri birlikte toplanrsa buna toplama
(summation) fonksiyonu denir. Eer karm ileminden sonra her bir k yelik fonksiyonlar
iin elde edilen en byk deerlerin birleimi eklinde oluyorsa buna en bykleme (maximum
aggregation) fonksiyonu denir. (Frat, 2007)

Durulatrma (Defuzzification): Son ilem olarak bulank kt deerleri kesin deerlere
dntrlr. Bu ilem iin daha nce bahsedilen yntemlerden biri kullanlr.

40

ekil 2.20 Mamdani tipi model iin bulank operatr ilemleri ve kurallarn deerlendirilmesi
(Frat, 2007)

ekil 2.21 Mamdani tipi model iin kurallarn toplanmas (Frat, 2007)

(x)
1
C
2
(x)
1
C
3
(x)
1
C1
(x)
1
0,5
0,6
0,4
0,5
0,6
0,4
(x)
1
(x)
1
(x)
1
A1 A2 A3 B1 B2 C1 C2 C3
(x)
1
A1 A2 A3
(x)
1
A1 A2 A3
(x)
1
B1 B2
(x)
1
C1 C2 C3
(x)
1
C1 C2 C3
R
1
: EER x
1
=A
3
(0,0) VEYA x
2
=B
1
(0,5) SE y = C
1
(0,5)
0,5
0,6
0,8
R
2
: EER x
1
=A
1
(0,6) VE x
2
=B
2
(0,8) SE y = C
2
(0,6)
R
3
: EER x
1
=A
3
(0,4) SE y = C
3
(0,4)
0,4
x
1
x
1
x
1
x
2
x
2
y

y

y

41
2.3.8.2 Takagi-Sugeno tipi modeller

Tagaki-Sugeno-Kang tarafndan 1985 ylnda nerilen yntem Mamdani tipi modelin bir
uyarlamasdr. Bu modelin Mamdani modeline gre fark kt deikeninin ald deerlerin
bulank olmamasdr. kt deerleri sabit bir deer veya dorusal bir fonksiyonun sunucu olan
bir deer alabilir. Buna bal olarak kurallarn yazlmas da farkllk gsterir.

Kurallar aadaki ekilde yazlr;

R
i

= EER Girdi 1= x VE Girdi 2= y SE z = c (2.37)

veya

R
i

= EER Girdi 1= x VE Girdi 2= y SE z = ax + by + c (2.38)

kt deikeni denklem (2.37) deki gibi bir katsay eklinde yazlrsa bu tip modele 0.
dereceden Sugeno Model, eer k deikeni dorusal bir fonksiyon olarak denklem(2.38)
deki gibi yazlrsa 1.dereceden Sugeno Model olarak adlandrlr. (Frat, 2007)

Son olarak modelin arlkl ortalama k deeri Denklem 2.3 hesaplanr;

* i i
i
w z
x
w
=

1
min( ( ), ( ))
i i
w x x =
(2.39)

42

ekil 2.22 Sugeno tipi model iin bulank operatr ilemleri ve kurallarn deerlendirilmesi
(Frat, 2007)

ekil 2.23 Sugeno tipi model iin kurallarn toplanmas (Frat, 2007)

(x)
1
C1 C2 C3
(x)
1
C1 C2 C3
(x)
1
C1 C2

(x)
1
C1

0,5
0,6
0,4
y C y y
(x)
1
(x)
1
(x)
1
A1 A2 A3 B1 B2 C1 C2 C3
(x)
1
A1 A2 A3
(x)
1
A1 A2 A3
(x)
1
B1 B2
(x)
1
(x)
1
R
1
: EER x
1
=A
3
(0,0) VEYA x
2
=B
1
(0,5) SE y = C
1
(0,5)
0,5
0,6
0,8
R
1
: EER x
1
=A
1
(0,6) VE x
2
=B
2
(0,8) SE y = C
2
(0,6)
R
1
: EER x
1
=A
3
(0,4) SE y = C
3
(0,4)
0,4
C1 C2 C3
C1 C2 C3
x
1
x
1
x
1
x
2
x
2
y

y

y

43
2.3.9 Durulatrma

Yaplan uygulamalarda ok sklkla kullanlan durulatrma yntemleri aada aklanmtr.

2.3.9.1 En Byk yelik lkesi

Bu durulatrma ynteminin dier bir ad da ykseklik yntemidir. Bu yntem kullanlarak
durulatrma yaplabilmesi iin kt fonksiyonunun tepe noktalar olmas gerekmektedir.

*
( ) ( ) z x btn xler iin (2.40)

ekil 2.24 En Byk yelik lkesi Durulatrmas

2.3.9.2 Sentroid

Arlk merkezi yntemi olarakta bilinen yntemdir. En ok kullanlan durulatrma yntemidir.

ekil 2.25 Sentroid Yntemi Durulatrma

*
( )
( )
x zdz
z
x dz
(2.41)
(x)
1
x
z
*
(x)
1
x

z
*

44
2.3.9.3 Ortalama En Byk

kt fonksiyonundaki en byk yelik derecelerine sahip deerlerin ortalamas alnarak
uygulanr.

ekil 2.26 Ortalama En Byk Yntemi Durulatrma

*
2
a b
z
+
= (2.42)

2.3.9.4 Arlkl Ortalama

Bu yntemin uygulanabilmesi iin simetrik yelik fonksiyonlarna ihtiya vardr. k yelik
fonksiyonundaki deerler sahip olduklar en byk yelik dereceleri ile arplarak ortalamalar
alnr.

ekil 2.27 Arlkl Ortalama Yntemi Durulatrma

*
( )
( )
x z
z
x
(2.43)

(x)
1
x

a b
(x)
1
x

z
*
a b

45
2.3.9.5 En Byk Alann Merkezi

En az iki tane konveks alt alana sahip k fonksiyonu varsa, bu alanlarn en by sentroid
yntemi ile durulatrlr.

ekil 2.28 En Byk Alan Yntemi Durulatrma

2.3.10 Bulank arml Bellek Algoritmas

Wang ve Mendel (1991) tarafndan nerilen yntem ile bulank kural taban uzman bilgisine
gerek kalmadan nmerik verilerden elde edilebilmektedir.

Verilen girdi-kt verisi
(1) (1) (1) (2) (2) (2)
1 2 1 2
( , ; ), ( , ; ),..... x x y x x y eklinde olsun. Burada
1
x ve
2
x
girdi verisini, y kt verisini temsil etmektedir. Bu algoritmada bulank kurallar istenen girdi-
kt veri setinden oluturulur. Bu ilemler be admda yaplmaktadr.

1. Adm Girdi ve kt verilerinin yelik fonksiyonlarnn belirlenmesi

Girdi ve kt verilerinin aralklar belirlenir ve veriler bu aralklar iinde 2N+1 sayya ayrlr.
Ayrlan verilere uygun yelik fonksiyonlar belirlenir. N says her deiken iin farkl olabilir. Bu
blmlere ait yelik fonksiyonlarna KN, K1, ORT, B1,.BN gibi isimler verilebilir.

2. Adm-Bulank kurallarn verilen verilerden oluturulmas

lk olarak verilerin ait olduklar yelik fonksiyonun farkl blgelerindeki yelik dereceleri belirlenir.
kinci olarak veriye ald maksimum yelik derecesi atanr. Son olarak istenen veri iftinden bir
kural elde edilir.

(x)
1
x
x
*

46
3. Adm-Her kurala derece atanmas

Genellikle ok veri ifti vardr ve her veri iftinden bir kural elde edilir. Byk ihtimalle baz
elikili kurallar olacaktr. Ayn ncl ksma sahip ama farkl soncul ksm olan kurallar elde
edilir. Bu elikiyi zmek her kurala bir derece atanr. Sadece en yksek dereceye sahip kural
kabul edilir. Kural dereceleri denklem 2.44 ile hesaplanr.

1 2
( ) ( ) ( ) ( ) D Kural x x y = (2.44)

4. Adm-Kural Tabannn Oluturulmas

En yksek dereceye sahip kurallar seilere kural taban oluturulur.

5. Adm-Durulatrma

kt verileri seilen bir durulatrma yntemiyle durulatrlr.

47
3. KULLANILAN VERLER VE ANALZ

Bu almada, svire evre Bakanlnn internet sitesinde yaynlanm olan Basel kentinden
geen Birs Nehrine ait gnlk akm deerleri alnarak kullanlmtr. Modellenecek akarsu
seilirken, havza davrann en iyi ekilde yanstabilmesi amacyla, zerine ina edilen hibir
baraj olmamas sebebiyle Birs Nehri uygun bulunmutur. Birs Nehri, Ren Nehrinin bir koludur,
73 km uzunluunda ve 924 km
2
drenaj alnna sahiptir.

Yaplan uygulamalarda Birs Nehrinin farkl kollar zerindeki 4 adet akm gzlem istasyonun
verileri kullanlmtr. Bu akm gzlem istasyonlar, Birs Nehri zerindeki 2122 nolu Moutier,
2478 nolu Soyhires Birs Nehri Sorne kolu zerindeki 2479 nolu Delmont ve Birs Nehri
Scheulte kolu zerindeki 2610 nolu Vicques dr. ekil 3.1 de Birs Nehri ve akm gzlem
istasyonlar harita zerinde gsterilmitir. stasyonlardaki akm verileri 01.01.199531.12.2002
tarihleri arasnda gnlk olarak llm 2922 adet akm deeridir. ekil 3.2, 3.3, 3.4, 3.5 te bu
istasyonlara ait akm deerleri grafik olarak verilmitir.

ekil 3.1 Birs Nehri ve AG

48

ekil 3.2 2122 Nolu Akm Gzlem stasyonu Akm Deerleri



49


Tablo 3.1 de 4 istasyonda llen akm verilerinin minimum deeri
min
x , maksimum deeri
max
x , ortalamas x , standart sapmas
x
S , arpklk katsays
sx
C verilmitir.

Tablo 3.1 Akm Deerlerinin statistik Parametreleri
AG Veri Aral
min
x (m
3
/s)
max
x (m
3
/s) x (m
3
/s)
x
S (m
3
/s)
sx
C
2122 01.01.199531.12.2002 0.73 29.9 3.40 3.07 3.41
2479 01.01.199531.12.2002 0.58 46.4 4.58 4.28 2.63
2610 01.01.199531.12.2002 0.20 40.2 1.69 2.32 6.75
2478 01.01.199531.12.2002 2.29 128 11.73 10.94 3.09

3.1 Verilerin Homojen Hale Getirilmesi

Bir istasyonunun yerinde, konumunda ya da lme metodunda bir deime yaplp
yaplmadn kontrol etmek ve yaplmsa eski kaytlar sonrakilerle homojen duruma evirmek
iin ift toplam ya erisi metodu kullanlr. Bunun iin bir eksene o blgedeki dier btn
istasyonlarn yalarnn ortalamas, dier eksene de sz konusu istasyondaki ya, zaman
iinde geriye gidilerek, her bir gnn yas ncekilerin toplamna katlmak zere tanr.
Bylece iaretlenen noktalara uydurulan bir dorunun eimindeki krklk istasyonun yerinin
deitirildii zaman gsterir. Eski deerleri homojen hale getirmek iin belli bir katsay ile
arpmak gerekir, bu deer dorularn eimlerinin oranna eittir. (Bayazt 1999).

ift toplam eri metodu herhangi bir hidrolojik olaya ait kaytlarn homojenliinin kontrolnde
kullanlabilir. Homojenliin bozulmas lme sistemindeki bir deiiklik dnda hidrolojik
sistemdeki bir deiiklikten de kaynaklanabilir. (Bayazt 1999).

50

ekil 3.6 2122 Nolu st. ift Toplam ekil 3.7 2479 Nolu st. ift Toplam
Akm Erisi Akm Erisi

ekil 3.8 2610 Nolu st. ift Toplam ekil 3.9 2478 Nolu st. ift Toplam
Akm Erisi Akm Erisi

ekil 3.6, 3.7, 3.8, 3.9 da grlen 4 istasyona ait akm kaytlarnn ift toplam akm erisinde
grld gibi eriye uydurulan doruda herhangi bir krklk olmad iin verilerin
homojenliinde bir bozulma olmamtr.

51
4.UYGULAMALAR

Yaplan almada, nceki nehir akmlar kullanlarak gelecekteki akm deerinin tahmini ve
lm yaplamam akm istasyonundaki akm deerlerinin kestirimi olmak zere iki konuda
uygulamalar yaplmtr. Bu uygulamalarda daha nce bahsedilen regresyon analizi, yapay sinir
alar ve bulank mantk yntemleri kullanlmtr.

Yapay sinir alar modellerinde girdi verisi ve kt verisi a yaps gerei Denklem 4.1 ile [ -0.9
0.9 ] aralnda normalize edilmitir.

min
max min
1.8 0.9
i
i
x x
z
x x
(
=
(

(4.1)

Bulank sistem modellerinde verinin genelliini bozmadan, tm veri [1, 3] aralnda Denklem
4.2 ifadesi kullanlarak, bir dorusal dnm araclyla normalletirilmitir. Bu dnmdeki
ama, farkl byklklerin karslatrlabilme olanann salanabilmesidir. (Tatl ve ark, 2001)

( )
min
max min
2
1 2
i
nor
x x
x
x x
( | |
= +
( |
(
\
(4.2)

Kurulan tm modellerde performans ltleri olarak, determinasyon katsay R
2
, ortalama
karesel hata OKH ve verimlik katsays E alnmtr.

Determinasyon Katsays:

( )( )
( ) ( )
2
2 1
2 2
1
( ) ( )
( ) ( )
N
g g h h
t
N
g g h h
t
Q t Q Q t Q
R
Q t Q Q t Q
=
=
(
(
(
=
(
(
(

(4.3)

52
Ortalama Karesel Hata:

( )
2
1
( ) ( )
N
g h
t
Q t Q t
OKH
N
=
(4.4)

Verimlilik Katsays:

1 2
1
E E
E
E
=
( )
2
1
1
( )
N
g g
t
E Q t Q
=
=
,
( )
2
2
1
( ) ( )
N
g h
t
E Q t Q t
=
=
(4.5)
Burada,
g
Q gzlenen akm deerleri,
h
Q , tahmin edilen akm deerleri,
g
Q gzlenen akm
deerlerinin ortalamas,
h
Q tahmin edilen akm deerlerinin ortalamasn gstermektedir.
4.1 Gemi Nehir Akmlar Kullanlarak Gelecekteki Akm Deerinin Tahmini

Akarsu zerinde yaplacak takn kontrol, ime ve sulama suyu iin yaplan hazneler, enerji
retimi potansiyeli veya akarsu ulam iin akarsuyun gelecek tarihli akm deerlerinin bilinmesi
nemlidir.

Bir akarsudaki akm havzaya dsen yaa bal olmakla birlikte ya olaynn grlmesi ile
akmn olumas arasnda belli bir gecikme vardr. Akm tahminlerini yaparken bu gecikmeden
yararlanlr. Ancak tahmin edilmek istenen akm tahminin yapld andan sonra meydana
gelecek meteorolojik olaylara da bal ise bu olaylarn da tahmin edilmesi gerekir. Akmn
tahmin edilmek istendii sre uzadka tahminlerde beklenen hatalar byr. (Alp, 2003)

Bu almada Birs Nehri Sorne kolu zerindeki 2479 nolu Delmont istasyonunun gemi akm
deerleri kullanlarak gelecek akm deerleri tahmin edilmeye allmtr. Bu tahminler
yaplrken yapay sinir alarnn iki farkl a eidi ileri beslemeli geri yaynml yapay sinir alar
ve genelletirilmi regresyon a son olarakta bulank mantk yntemleri kullanlmtr.

stasyona ait akm verilerinin, 01.01.1995-31.12.2000 tarihleri arasndaki 2192 adet veri
modellerin eitim aamasnda, 01.01.2001-31.12.2002 tarihleri arasndaki 730 adet veri test
aamasnda kullanlmtr.

imdiki akm deeri Q(t) tahmin edilirken yedi adet model kurulmutur. Birinci modelde Q(t), bir
nceki gnn akm deeri Q(t1) e bal olarak tahmin edilmitir. kinci modelde Q(t) bir gn

53
nceki akm deeri Q(t1) ve iki gn nceki akm deeri Q(t2) e bal olarak tahmin edilmitir.
Dier modellerde benzer ekilde kurulmutur. Tablo 4.1 de model yaplar verilmitir.

Tablo 4.1 Gemi Nehir Akmlar Kullanlarak Gelecekteki Akm Deerinin Tahmini in Kurulan
Modeller
Model Girdiler kt
M
1
1 ( 1) Q t ( ) Q t
M
1
2 ( 1) ( 2) Q t Q t +

( ) Q t

M
1
3 ( 1) ( 2) ( 3) Q t Q t Q t + +

( ) Q t

M
1
4 ( 1) ( 2) ( 3) ( 4) Q t Q t Q t Q t + + +

( ) Q t

M
1
5 ( 1) ( 2) ( 3) ( 4) ( 5) Q t Q t Q t Q t Q t + + + +

( ) Q t

M
1
6 ( 1) ( 2) ( 3) ( 4) ( 5) ( 6) Q t Q t Q t Q t Q t Q t + + + + +

( ) Q t

M
1
7 ( 1) ( 2) ( 3) ( 4) ( 5) ( 6) ( 7) Q t Q t Q t Q t Q t Q t Q t + + + + + +

( ) Q t

4.1.1 leri Beslemeli Geri Yaynml Yapay Sinir A ile Gemi Nehir Akmlar Kullanlarak
Gelecekteki Akm Deerinin Tahmini

Oluturulan yedi model iin ayr ayr gizli katmandaki nron saylar ve an renmesi iin
gerekli iterasyon saylar deitirilerek modeller iin en uygun sonucu veren a yaps elde
edilmeye allmtr.

Oluturulan btn alar girdi katman, 1 adet gizli katman ve kt katman olmak zere 3
katmana sahiptir. Gizli katmandaki hcrelerde aktivasyon fonksiyonu olarak tanjant sigmoid
fonksiyonu kullanlmtr.

Tablo 4.2 de modeller iin elde edilen en iyi an gizli katman hcre saylar ve performans
ltleri olarak OKH, R
2
ve E verilmitir.

54
Tablo 4.2 BGY A ile yaplan GNAKGAD Tahmini Modellerinin Eitim ve Test Performanslar
Model
Gizli Katman
Hcre Says
Eitim OKH
Test
OKH
Eitim
R
2

Test
R
2
Eitim
E
Test
E
M
1
1 2
4.219 6.127 0.745 0.735 0.745 0.728
M
1
2 3
3.791 5.644 0.771 0.758 0.771 0.750
M
1
3 6
3.743 5.492 0.774 0.762 0.774 0.756
M
1
4 6
3.638 6.047 0.781 0.736 0.781 0.732
M
1
5 7
3.610 6.313 0.782 0.725 0.782 0.721
M
1
6 7
3.768 5.740 0.773 0.751 0.773 0.745
M
1
7 11
3.699 6.092 0.777 0.734 0.777 0.728

En uygun a seimi yaplrken, OKH, R
2
ve E deerleri gz nne alnmtr. Modeller iin
yaplan denemeler de eitim ve test aamalarnda en kk OKH, en byk R
2
ve E deerine
sahip a en uygun a olarak seilmitir.

Modellerden seilen en uygun alar kendi aralarnda sralandnda M
1
3 modeli iin eitilen
an dier modellerden daha iyi sonu verdii grlmtr. Burada M
1
3 modeli a eitim
aamasnn performans deeri dier alarn deerinden kk olsa da test aamasnn
performans deeri en iyi deerdir. Bu sebeple M
1
3 modeline ait a en iyi a olarak seilmitir.

M
1
3 modeli a, girdi katmannda 3, gizli katmanda 6, kt katmannda 1 hcreye sahip bir
adr. ekil 4.1, 4.2, 4.3, 4.4 de M
1
3 modeli a eitim ve test aamalarna ait sonular grafik
olarak verilmitir.

55

ekil 4.1 M
1
3 BGY A Eitim Verileri ekil 4.2 M
1
3 BGY A Eitim Verileri
Salma Diyagram

ekil 4.3 M
1
3 BGY A Test Verileri ekil 4.4 M
1
3 BGY A Test Verileri
Salma Diyagram

56
4.1.2 Genelletirilmi Regresyon A ile A ile Gemi Nehir Akmlar Kullanlarak
Gelecekteki Akm Deerinin Tahmini

Oluturulan yedi model iin ayr ayr dzeltme parametresi s deitirilerek modeller iin en
uygun sonucu veren a yaps elde edilmeye allmtr.

Tablo 4.3 de modeller iin elde edilen en iyi an dzeltme parametresi ve performans ltleri
olarak OKH, R
2
ve E verilmitir.

Tablo 4.3 GRSA ile yaplan GNAKGAD Tahmini Modellerinin Eitim ve Test Performanslar
Model S (Dzeltme Parametresi)
Eitim OKH
Test
OKH
Eitim
R
2

Test
R
2
Eitim
E
Test
E
M
1
1 0.02
3.975 6.959 0.760 0.697 0.760 0.691
M
1
2 0.02
2.796 6.982 0.832 0.697 0.831 0.690
M
1
3 0.03
2.609 6.913 0.843 0.700 0.843 0.693
M
1
4 0.05
3.124 7.068 0.813 0.700 0.812 0.687
M
1
5 0.06
2.924 7.717 0.826 0.671 0.824 0.659
M
1
6 0.10
4.094 8.037 0.758 0.663 0.753 0.643
M
1
7 0.09
3.594 8.392 0.787 0.641 0.784 0.626

2
2
ve E deerine

1
an dier modellerden daha iyi sonu verdii grlmtr. ekil 4.6, 4,7, 4.8, 4.9 de M
1
3
modeli a eitim ve test aamalarna ait sonular grafik olarak verilmitir.

57

ekil 4.5 M
1
3 GRSA Eitim Verileri ekil 4.6 M
1
3 GRSA Eitim Verileri
Salma Diyagram

ekil 4.7 M
1
3 GRSA Test Verileri ekil 4.8 M
1
3 GRSA Test Verileri
Salma Diyagram

58
4.1.3 Bulank Sistem ile Gemi Nehir Akmlar Kullanlarak Gelecekteki Akm Deerinin
Tahmini

Oluturulan yedi modelde bulank sistemin oluturulmasnda bulank arml bellek
algoritmas kullanlmtr her model iin oluturulan bulank sistemlerde N veri blm says
deitirilerek en uygun sonucu veren bulank sistem yaps elde edilmeye allmtr.

Oluturulan btn bulank sistemlerde Mamdani tipi karm modeli, yelik fonksiyonu olarak
gen yelik fonksiyonu, bulank operatr olarak ve bulank operatr ve durulatrma yntemi
olarakta sentroid yntemi seilmitir.

Tablo 4.4 de modeller iin elde edilen en iyi bulank sistemin bulank alt kme says ve
performans ltleri olarak OKH, R
2
ve E verilmitir.

Tablo 4.4 BS ile yaplan GNAKGAD Tahmini Modellerinin Eitim ve Test Performanslar
Model Bulank Alt Kme Says
Eitim OKH
Test
OKH
Eitim
R
2

Test
R
2
Eitim
E
Test
E
M
1
1 11
6.032 7.403 0.707 0.675 0.636 0.672
M
1
2 19
4.637 7.093 0.737 0.687 0.720 0.685
M
1
3 17
5.168 7.844 0.733 0.655 0.688 0.652
M
1
4 9
7.531 7.834 0.719 0.683 0.546 0.653
M
1
5 17
6.716 12.437 0.725 0.558 0.595 0.450
M
1
6 17
6.432 16.059 0.742 0.514 0.612 0.286
M
1
7 18
5.600 18.598 0.762 0.484 0.663 0.171

En uygun bulank sistem seimi yaplrken, OKH, R
2
ve E deerleri gz nne alnmtr.
Modeller iin yaplan denemeler de eitim ve test aamalarnda en kk OKH, en byk R
2
ve
E deerine sahip bulank sistem en uygun bulank sistem olarak seilmitir.

Modellerden seilen en uygun bulank sistemler kendi aralarnda sralandnda M
1
2 modeli iin
oluturulan bulank sistemin dier modellerden daha iyi sonu verdii grlmtr.

M
1
2 modeli iin oluturulan bulank sistemin girdi ve kt verileri 19 adet bulank alt kmeye
sahiptir. Kural taban 75 adet kuraldan olumaktadr. ekil 4.9 da girdi ve kt verilerinin yelik
fonksiyonlar izilmitir. ekil 4.9 da grlen K
i
= K1,K9, ORT, B
i
=B
1
,B
9
ifadeleri srasyla
Kk1,. Kk9, orta deer, Byk1,.,Byk9 karlk gelmektedir. Tablo 4.5 de kural
taban verilmitir.

59

ekil 4.9 Akm girdi ve kt verilerinin yelik fonksiyonu

Tablo 4.5 M
1
2 modelinin bulank sistemine ait kural taban
Kural No Kural
R1 Eer Q(t-1)=K6 ve Q(t-2)=K4 ise Q(t)=K7
R12 Eer Q(t-1)=K1 ve Q(t-2)=K1 ise Q(t)=ORT
R13 Eer Q(t-1)=ORT ve Q(t-2)=K1 ise Q(t)=ORT
R14 Eer Q(t-1)=ORT ve Q(t-2)=ORT ise Q(t)=K1
R15 Eer Q(t-1)=K1 ve Q(t-2)=ORT ise Q(t)=K2

60
R28 Eer Q(t-1)=K4 ve Q(t-2)=K8 ise Q(t)=B2
R36 Eer Q(t-1)=B6 ve Q(t-2)=K6 ise Q(t)=B9
R37 Eer Q(t-1)=B9 ve Q(t-2)=B6 ise Q(t)=B1
R38 Eer Q(t-1)=B1 ve Q(t-2)=B9 ise Q(t)=K3
R39 Eer Q(t-1)=K3 ve Q(t-2)=B1 ise Q(t)=K4
R43 Eer Q(t-1)=K6 ve Q(t-2)=K9 ise Q(t)=B1
R44 Eer Q(t-1)=B1 ve Q(t-2)=K6 ise Q(t)=K1
R57 Eer Q(t-1)=ORT ve Q(t-2)=K6 ise Q(t)=K3
R62 Eer Q(t-1)=ORT ve Q(t-2)=K3 ise Q(t)=ORT
R64 Eer Q(t-1)=B2 ve Q(t-2)=B2 ise Q(t)=B3
R65 Eer Q(t-1)=B3 ve Q(t-2)=B2 ise Q(t)=K1
R67 Eer Q(t-1)=ORT ve Q(t-2)=K7 ise Q(t)=B2
R68 Eer Q(t-1)=B2 ve Q(t-2)=ORT ise Q(t)=K1

61
R71 Eer Q(t-1)=ORT ve Q(t-2)=K8 ise Q(t)=K2

ekil 4.10, 4.11, 4.12, 4.13 de M
1
3 modeli bulank sistemi eitim ve test aamalarna ait
sonular grafik olarak verilmitir.

62

ekil 4.10 M
1
2 BS Eitim Verileri ekil 4.11 M
1
2 BS Eitim Verileri
Salma Diyagram

ekil 4.12 M
1
2 BS Test Verileri ekil 4.13 M
1
2 BS Test Verileri
Salma Diyagram

63
4.2 lm Yaplamam Akm stasyonundaki Akm Deerlerinin Kestirimi

Eldeki verilerden oluturulan modellerin gvenirlilii verilerin doru ve eksiksiz oluuyla
orantldr. Bir istasyonda herhangi bir sebeple yaplamam lmleri tamamlamak iin dier
istasyonlardaki veriler kullanlabilir.

Bu almada Birs Nehri dier istasyonlara gre mansap tarafnda olan 2478 nolu Soyhires
istasyonunun akmlar memba 2122 nolu Moutier, 2479 nolu Delmont, 2610 nolu Vicques
istasyonu verileri ile kestirilmeye allmtr. Bu kestirimler yaplrken yapay sinir alarnn iki
farkl a eidi ileri beslemeli geri yaynml yapay sinir alar ve genelletirilmi regresyon a,
bulank mantk ve dorusal regresyon analizi yntemleri kullanlmtr.

stasyonlara ait akm verilerinin, 01.01.1995-31.12.2000 tarihleri arasndaki 2192 adet veri
modellerin eitim aamasnda, 01.01.2001-31.12.2002 tarihleri arasndaki 730 adet veri test
aamasnda kullanlmtr.

2478 nolu Soyhires istasyonun llemeyen akm deeri Q
2478
(t) kestirilirken yedi adet model
kurulmutur. Birinci modelde Q
2478
(t), Q
2122
(t) akm deerine bal olarak kestirilmitir. kinci
modelde Q
2478
(t), Q
2479
(t) akm deerine bal olarak kestirilmitir. Dier modellerde benzer
ekilde kurulmutur. Tablo 4.6 de model yaplar verilmitir.

Tablo 4.6 lm Yaplamam Akm stasyonundaki Akm Deerlerinin Kestirimi iin Kurulan
Modeller
Model Girdiler kt
M
2
1
2122
( ) Q t
2478
( ) Q t
M
2
2
2479
( ) Q t
2478
( ) Q t
M
2
3
2610
( ) Q t
2478
( ) Q t
M
2
4
2122 2479
( ) ( ) Q t Q t +
2478
( ) Q t
M
2
5
2122 2610
( ) ( ) Q t Q t +
2478
( ) Q t
M
2
6
2479 2610
( ) ( ) Q t Q t +
2478
( ) Q t
M
2
7
2122 2479 2610
( ) ( ) ( ) Q t Q t Q t + +
2478
( ) Q t

64
4.2.1 leri Beslemeli Geri Yaynml Yapay Sinir A ile lm Yaplamam Akm
stasyonundaki Akm Deerlerinin Kestirimi

Oluturulan yedi model iin ayr ayr gizli katmandaki nron saylar ve an renmesi iin
gerekli iterasyon saylar deitirilerek modeller iin en uygun sonucu veren a yaps elde
edilmeye allmtr.

Oluturulan btn alar girdi katman, 1 adet gizli katman ve kt katman olmak zere 3
katmana sahiptir. Gizli katmandaki hcrelerde aktivasyon fonksiyonu olarak tanjant sigmoid
fonksiyonu kullanlmtr.

Tablo 4.7 de modeller iin elde edilen en iyi an gizli katman hcre saylar ve performans
2
ve E verilmitir.

Tablo 4.7 BGY A ile yaplan YAADK Modellerinin Eitim ve Test Performanslar
Model
Gizli Katman
Hcre Says
Eitim OKH
Test
OKH
Eitim
R
2

Test
R
2
Eitim
E
Test
E
M
2
1 2
9.564 16.844 0.909 0.923 0.909 0.893
M
2
2 3
2.966 17.060 0.972 0.960 0.972 0.892
M
2
3 3
10.110 31.753 0.903 0.874 0.903 0.798
M
2
4 5
1.973 11.861 0.981 0.971 0.981 0.925
M
2
5 4
4.581 15.286 0.956 0.945 0.956 0.903
M
2
6 5
1.491 2.821 0.986 0.984 0.986 0.982
M
2
7 6
1.111 1.858 0.989 0.989 0.989 0.988

2
2
ve E deerine

2
an dier modellerden daha iyi sonu verdii grlmtr.

M
2
7 modeli a, girdi katmannda 3, gizli katmanda 6, kt katmannda 1 hcreye sahip bir
adr. ekil 4.14, 4.15, 4.16, 4.17 de M
2
7 modeli a eitim ve test aamalarna ait sonular
grafik olarak verilmitir.

65

ekil 4.14 M
2
2
Salma Diyagram

ekil 4.16 M
2
2
Salma Diyagram

66
4.2.2 Genelletirilmi Regresyon A ile lm Yaplamam Akm stasyonundaki Akm
Deerlerinin Kestirimi

Oluturulan yedi model iin ayr ayr dzeltme parametresi s deitirilerek modeller iin en
uygun sonucu veren a yaps elde edilmeye allmtr.

Tablo 4.8 de modeller iin elde edilen en iyi an dzeltme parametresi ve performans ltleri
olarak OKH, R
2
ve E verilmitir.

Tablo 4.8 GRSA ile yaplan YAADK Modellerinin Eitim ve Test Performanslar
Model S (Dzeltme Parametresi)
Eitim OKH
Test
OKH
Eitim
R
2

Test
R
2
Eitim
E
Test
E
M
2
1 0.02
8.319 17.470 0.921 0.913 0.921 0.889
M
2
2 0.02
2.774 15.201 0.974 0.963 0.974 0.904
M
2
3 0.02
9.390 36.139 0.911 0.855 0.910 0.771
M
2
4 0.03
1.410 9.225 0.987 0.959 0.987 0.941
M
2
5 0.03
3.436 19.024 0.967 0.928 0.967 0.879
M
2
6 0.05
2.030 3.971 0.982 0.975 0.981 0.975
M
2
7 0.06
1.495 4.455 0.987 0.972 0.986 0.972

2
2
ve E deerine

2
an dier modellerden daha iyi sonu verdii grlmtr.

ekil 4.18, 4.19, 4.20, 4.21 de M
2
6 modeli a eitim ve test aamalarna ait sonular grafik
olarak verilmitir.

67

ekil 4.18 M
2
6 GRSA Eitim Verileri ekil 4.19 M
2
6 GRSA Eitim Verileri
Salma Diyagram

ekil 4.20 M
2
6 GRSA Test Verileri ekil 4.21 M
2
6 GRSA Test Verileri
Salma Diyagram

68
4.2.3 Bulank Sistem ile lm Yaplamam Akm stasyonundaki Akm Deerlerinin
Kestirimi

Oluturulan yedi modelde bulank sistemin oluturulmasnda bulank arml bellek
algoritmas kullanlmtr her model iin oluturulan bulank sistemlerde N veri blm says
deitirilerek en uygun sonucu veren bulank sistem yaps elde edilmeye allmtr.

Oluturulan btn bulank sistemlerde Mamdani tipi karm modeli, yelik fonksiyonu olarak
gen yelik fonksiyonu, bulank operatr olarak ve bulank operatr ve durulatrma yntemi
olarakta sentroid yntemi seilmitir.

Tablo 4.9 de modeller iin elde edilen en iyi bulank sistemin bulank alt kme says ve
performans ltleri olarak OKH, R
2
ve E verilmitir.

Tablo 4.9 BS ile yaplan YAADK Modellerinin Eitim ve Test Performanslar
Model yelik Fonksiyonu Says
Eitim OKH
Test
OKH
Eitim
R
2

Test
R
2
Eitim
E
Test
E
M
2
1 17
18.176 23.967 0.885 0.898 0.826 0.848
M
2
2 19
9.150 22.232 0.960 0.928 0.913 0.859
M
2
3 15
30.814 31.661 0.866 0.832 0.706 0.799
M
2
4 17
9.296 17.434 0.961 0.908 0.911 0.889
M
2
5 19
11.002 20.441 0.922 0.916 0.895 0.870
M
2
6 19
7.100 15.034 0.970 0.917 0.932 0.905
M
2
7 17
8.872 16.234 0.965 0.910 0.915 0.897

En uygun bulank sistem seimi yaplrken, OKH, R
2
2
ve
E deerine sahip bulank sistem en uygun bulank sistem olarak seilmitir.

Modellerden seilen en uygun bulank sistemler kendi aralarnda sralandnda M
2
6 modeli iin
oluturulan bulank sistemin dier modellerden daha iyi sonu verdii grlmtr.

M
2
6 modeli iin oluturulan bulank sistemin girdi ve kt verileri 19 adet bulank alt kmeye
sahiptir. Kural taban 53 adet kuraldan olumaktadr. ekil 4.22 de girdi ve kt verilerinin yelik
fonksiyonlar izilmitir. ekil 4.22 grlen K
i
= K1,K9, ORT, B
i
=B
1
,B
9
ifadeleri srasyla

69
Kk1,. Kk9, orta deer, Byk1,.,Byk9 karlk gelmektedir. Tablo 4.10 de kural
taban verilmitir.

ekil 4.22 Akm girdi ve kt verilerinin yelik fonksiyonu

Tablo 4.10 M
2
6 modelinin bulank sistemine ait kural taban
Kural No Kural
R1
Eer
2479
( ) Q t =K4 ve
2610
( ) Q t =K7 ise
2478
( ) Q t =K5
R2
Eer
2479
( ) Q t =K6 ve
2610
( ) Q t =K8 ise
2478
( ) Q t =K7
R3
Eer
2479
( ) Q t =K7 ve
2610
( ) Q t =K8 ise
2478
( ) Q t =K7
R4
Eer
2479
( ) Q t =K8 ve
2610
( ) Q t =K9 ise
2478
( ) Q t =K8
R5
Eer
2479
( ) Q t =K1 ve
2610
( ) Q t =K5 ise
2478
( ) Q t =K3
R6
Eer
2479
( ) Q t =K5 ve
2610
( ) Q t =K7 ise
2478
( ) Q t =K5
R7
Eer
2479
( ) Q t =K8 ve
2610
( ) Q t =K8 ise
2478
( ) Q t =K8
R8
Eer
2479
( ) Q t =K5 ve
2610
( ) Q t =K6 ise
2478
( ) Q t =K4
R9
Eer
2479
( ) Q t =K1 ve
2610
( ) Q t =K3 ise
2478
( ) Q t )=K2
R10
Eer
2479
( ) Q t =K1 ve
2610
( ) Q t =K6 ise
2478
( ) Q t =K3
R11
Eer
2479
( ) Q t =ORT ve
2610
( ) Q t =K4 ise
2478
( ) Q t =K1
R12
Eer
2479
( ) Q t =ORT ve
2610
( ) Q t =K5 ise
2478
( ) Q t =K2
R13
Eer
2479
( ) Q t =K2 ve
2610
( ) Q t =K6 ise
2478
( ) Q t =K3
R14
Eer
2479
( ) Q t =K2 ve
2610
( ) Q t =K7 ise
2478
( ) Q t =K4

70
R15
Eer
2479
( ) Q t =K5 ve
2610
( ) Q t =K8 ise
2478
( ) Q t =K6
R16
Eer
2479
( ) Q t =K4 ve
2610
( ) Q t =K8 ise
2478
( ) Q t =K5
R17
Eer
2479
( ) Q t =K3 ve
2610
( ) Q t =K7 ise
2478
( ) Q t =K4
R18
Eer
2479
( ) Q t =K3 ve
2610
( ) Q t =K6 ise
2478
( ) Q t =K4
R19
Eer
2479
( ) Q t =K7 ve
2610
( ) Q t =K9 ise
2478
( ) Q t =K8
R20
Eer
2479
( ) Q t =K4 ve
2610
( ) Q t =K6 ise
2478
( ) Q t =K5
R21
Eer
2479
( ) Q t =K7 ve
2610
( ) Q t =K7 ise
2478
( ) Q t =K7
R22
Eer
2479
( ) Q t =K5 ve
2610
( ) Q t =K5 ise
2478
( ) Q t =K5
R23
Eer
2479
( ) Q t =K6 ve
2610
( ) Q t =K7 ise
2478
( ) Q t =K6
R24
Eer
2479
( ) Q t =B6 ve
2610
( ) Q t =B9 ise
2478
( ) Q t =B5
R25
Eer
2479
( ) Q t =B9 ve
2610
( ) Q t =B9 ise
2478
( ) Q t =B9
R26
Eer
2479
( ) Q t =B1 ve
2610
( ) Q t =K3 ise
2478
( ) Q t =B2
R27
Eer
2479
( ) Q t =K9 ve
2610
( ) Q t =K9 ise
2478
( ) Q t =K9
R28
Eer
2479
( ) Q t =K4 ve
2610
( ) Q t =K4 ise
2478
( ) Q t =K4
R29
Eer
2479
( ) Q t =B1 ve
2610
( ) Q t =K4 ise
2478
( ) Q t =ORT
R30
Eer
2479
( ) Q t =B2 ve
2610
( ) Q t =K3 ise
2478
( ) Q t =B2
R31
Eer
2479
( ) Q t =K7 ve
2610
( ) Q t =K6 ise
2478
( ) Q t =K7
R32
Eer
2479
( ) Q t =K8 ve
2610
( ) Q t =K7 ise
2478
( ) Q t =K7
R33
Eer
2479
( ) Q t =B2 ve
2610
( ) Q t =B7 ise
2478
( ) Q t =B3
R34
Eer
2479
( ) Q t =K2 ve
2610
( ) Q t =K4 ise
2478
( ) Q t =K3
R35
Eer
2479
( ) Q t =K4 ve
2610
( ) Q t =K1 ise
2478
( ) Q t =K3
R36
Eer
2479
( ) Q t =K3 ve
2610
( ) Q t =K4 ise
2478
( ) Q t =K3
R37
Eer
2479
( ) Q t =K6 ve
2610
( ) Q t =K5 ise
2478
( ) Q t =K5
R38
Eer
2479
( ) Q t =K4 ve
2610
( ) Q t =K5 ise
2478
( ) Q t =K4
R39
Eer
2479
( ) Q t =K9 ve
2610
( ) Q t =K8 ise
2478
( ) Q t =K9
R40
Eer
2479
( ) Q t =ORT ve
2610
( ) Q t =K2 ise
2478
( ) Q t =K1
R41
Eer
2479
( ) Q t =K6 ve
2610
( ) Q t =K6 ise
2478
( ) Q t =K6
R42
Eer
2479
( ) Q t =B2 ve
2610
( ) Q t =B2 ise
2478
( ) Q t =B3
R43
Eer
2479
( ) Q t =B2 ve
2610
( ) Q t =ORT ise
2478
( ) Q t =B3
R44
Eer
2479
( ) Q t =B3 ve
2610
( ) Q t =K2 ise
2478
( ) Q t =B3
R45
Eer
2479
( ) Q t =ORT ve
2610
( ) Q t =B4 ise
2478
( ) Q t =ORT
R46
Eer
2479
( ) Q t =K1 ve
2610
( ) Q t =K1 ise
2478
( ) Q t =K1
R47
Eer
2479
( ) Q t =K3 ve
2610
( ) Q t =K5 ise
2478
( ) Q t =K4

71
R48
Eer
2479
( ) Q t =K1 ve
2610
( ) Q t =K2 ise
2478
( ) Q t =K2
R49
Eer
2479
( ) Q t =K6 ve
2610
( ) Q t =K9 ise
2478
( ) Q t =K7
R50
Eer
2479
( ) Q t =K5 ve
2610
( ) Q t =K2 ise
2478
( ) Q t =K4
R51
Eer
2479
( ) Q t =K1 ve
2610
( ) Q t =K4 ise
2478
( ) Q t =K2
R52
Eer
2479
( ) Q t =K2 ve
2610
( ) Q t =K5 ise
2478
( ) Q t =K2
R53
Eer
2479
( ) Q t =K7 ve
2610
( ) Q t =K4 ise
2478
( ) Q t =K5

ekil 4.23, 4.24, 4.25, 4.26 de M
2
6 modeli bulank sistemi eitim ve test aamalarna ait

72

ekil 4.23 M
2
6 BS Eitim Verileri ekil 4.24 M
2
6 BS Eitim Verileri
Salma Diyagram

ekil 4.25 M
2
6 BS Test Verileri ekil 4.26 M
2
6 BS Test Verileri
Salma Diyagram

73
4.2.4 Regresyon Analizi ile lm Yaplamam Akm stasyonundaki Akm Deerlerinin
Kestirimi

Oluturulan yedi model iim dorusal regresyon analizi yaplmtr. Elde edilen performans
2
ve E Tablo 4.11 de verilmitir.

Tablo 4.11 RA ile yaplan YAADK Modellerinin Eitim ve Test Performanslar
Model
Eitim
OKH
Test
OKH
Eitim
R
2

Test
R
2
Eitim
E
Test
E
M
2
1
10.983 14.222 0.895 0.911 0.895 0.910
M
2
2
3.582 6.267 0.966 0.964 0.966 0.960
M
2
3
19.773 37.968 0.811 0.776 0.811 0.759
M
2
4
2.462 4.268 0.977 0.975 0.977 0.973
M
2
5
7.099 11.612 0.932 0.928 0.932 0.926
M
2
6
1.912 1.856 0.982 0.989 0.982 0.988
M
2
7
1.406 1.607 0.987 0.990 0.987 0.990

En uygun regresyon modeli seimi yaplrken, OKH, R
2
2
ve
E deerine sahip regresyon modeli en uygun regresyon modeli olarak seilmitir.

Modellerden seilen en uygun regresyon modelleri kendi aralarnda sralandnda M
2
7 modeli
iin yaplan regresyon modelinin dier modellerden daha iyi sonu verdii grlmtr.

M
2
7 modeli regresyon denklemi denklem 4.6 de verilmitir.

2478 2122 2479 2610
( ) 0.422974+0.662562 ( ) 1.611434 ( ) 0.977262 ( ) Q t Q t Q t Q t = + + (4.6)

ekil 4.27, 4.28, 4.29, 4.30 de M
2
7 modelinin regresyon modeli eitim ve test aamalarna ait

74

ekil 4.27 M
2
7RA Eitim Verileri ekil 4.28 M
2
7 RA Eitim Verileri
Salma Diyagram

ekil 4.29 M
2
7 RA Eitim Verileri ekil 4.30 M
2
7 RA Eitim Verileri
Salma Diyagram

75
5.SONULAR

Bu almada, gemi nehir akmlar kullanlarak gelecekteki akm deerinin tahmini ve lm
yaplamayan akm gzlem istasyonundaki lmn kestirimi konularnda uygulamalar
yaplmtr.

Gemi nehir akmlar kullanlarak gelecekteki akm deerinin tahmini konusunda yaplan
uygulamada, svire de bulunan Birs Nehri Sorne kolu zerindeki 2479 nolu Delmont akm
gzlem istasyonunun 01.01.199531.12.2002 tarihleri arasnda gzlenen gnlk akm deerleri
kullanlmtr. nceki akm deerleri geciktirilerek kurulan 7 modelde ileri beselemeli geri
yaynml, genelletirilmi regresyon a ve bulank mantk yntemleri kullanlmtr. Performans
ltleri olarak ortalama karesel hata, determinasyon katsays ve verimlilik katsays gz nne
alnarak en sonu veren model aranmtr. Kullanlan yntemler ile kurulan modellerin en
uygunlarnn performans deerleri Tablo 5.1 de verilmitir.

Tablo 5.1 En uygun GNAKGAD Tahmini Modellerinin Eitim ve Test Performanslar
Yntem Model
Eitim
OKH
Test
OKH
Eitim
R
2

Test
R
2

Eitim
E
Test
E
BGY M
1
3
3.743 5.492 0.774 0.762 0.774 0.756
GRSA M
1
3
2.609 6.913 0.843 0.700 0.843 0.693
BS M
1
2
4.637 7.093 0.737 0.687 0.720 0.685

Tablo 5.1 de grld gibi en iyi eitim aamas performans deeri genelletirilmi regresyon
a modelinde elde edilmitir. Buna karn ileri beslemeli geri yaynm a test aamas
performans deeri, eitim aamas performans deerine yaklaarak daha iyi bir deere
ulamtr. Bu sebeple tahmini yaplan 2479 nolu Delmont akm gzlem istasyonu iin nerilen
model yaps ileri beslemeli geri yaynml a modelidir.

Tablo5.1 verilen farkl yntemlere ait modellerin eitim ve test aamalarna ait sonular ve
gzlenen akm deerleri ekil 5.1 ve ekil 5.2 de tek grafik zerinde gsterilmitir.

lm yaplamayan akm gzlem istasyonundaki lmn kestirimi konusunda yaplan
uygulamada, yine svire deki Birs Nehri ve kollar zerindeki 2122 nolu Moutier, 2478 nolu
Soyhires, 2479 nolu Delmont ve 2610 nolu Vicques akm gzlem istasyonlarnn 01.01.1995
31.12.2002 tarihleri arasnda gzlenen gnlk akm deerleri kullanlmtr. 2478 nolu Soyhires
istasyonunu akm deerleri membadaki 3 istasyonunun akm deerlerinden kestirilmesi iin
kurulan modellerde ileri beselemeli geri yaynml, genelletirilmi regresyon a, bulank mantk

76
ve regresyon analizi yntemleri kullanlmtr. Performans ltleri olarak ortalama karesel hata,
determinasyon katsays ve verimlilik katsays gz nne alnarak en sonu veren model
aranmtr. Kullanlan yntemler ile kurulan modellerin en uygunlarnn performans deerleri
Tablo 5.2 de verilmitir.

Tablo 5.2 En Uygun YAADK Modellerinin Eitim ve Test Performanslar
Yntem Model
Eitim
OKH
Test
OKH
Eitim
R
2

Test
R
2

Eitim
E
Test
E
BGY M
2
7
1.111 1.858 0.989 0.989 0.989 0.988
GRSA M
2
6
2.030 3.971 0.982 0.975 0.981 0.975
BS M
2
6
7.100 15.034 0.970 0.917 0.932 0.905
RA M
2
7
1.406 1.607 0.987 0.990 0.987 0.990

Tablo 5.1 de grld gibi yapay zeka teknikleri ile yaplan uygulamalar iinde en iyi eitim
aamas performans deeri ve test aamas performans deeri ileri beslemeli geri yaynm a
modelinde elde edilmitir. Bu sebeple lm yaplamayan 2478 nolu Soyhires istasyonundaki
lmn kestirimi iin nerilen model yaps ileri beslemeli geri yaynm a modelidir.

Tablo5.1 verilen farkl yntemlere ait modellerin eitim ve test aamalarna ait sonular ve
gzlenen akm deerleri ekil 5.3 ve ekil 5.4 te tek grafik zerinde gsterilmitir.

Sonu olarak ele alnan iki konuda da yapay zek tekniklerinin uygulanabilir olduu
grlmtr.

77

ekil 5.1 En Uygun NAKGAD Tahmini Modellerinin Eitim Verileri

ekil 5.2 En Uygun NAKGAD Tahmini Modellerinin Test Verileri

78

ekil 5.2 En Uygun YAADK Modellerinin Eitim Verileri

ekil 5.4 En Uygun YAADK Modellerinin Test Verileri

KAYNAKLAR:

1.Abrahart, R.J., See, L. ve Kneal, P.E. (2001), Investigating the role of saliency analysis with
neural network rainfall-runoff model, Computers & Geosciences, 27, 921-928.

2.Alp, M., (2003), Akarsulardaki Ask Maddesi Miktarnn Kara Kutu Modeliyle Belirlenmesi,
Doktora Tezi, stanbul Teknik niversitesi FEN Bilimleri Enstits.

3. Alp, M. (2004), Farkl yapay sinir a metotlar ile ya-ak ilikisinin modellenmesi,
itdergisi/d mhendislik Cilt:3, Say:1, 80-88 ubat

4. Bayazt, M, (1981). Hidrolojide statistik Yntemler, T naat Fakltesi Matbaas, stanbul

5. Bayazt, M., (1999), Hidroloji, T naat Fakltesi Matbaas, stanbul.

6. Czolu, H.K. (2000), Suspended Sediment Estimation and Forecasting using Artificial
Neural Networks, Istanbul Technical University, Civil Engineering Faculty, stanbul,
Turkey.

7. Cigizolu K, Alp M, (2006), Generalized regression neural network in modeling river sediment
yield. Advances in Engineering Software. v37. 63-68.

8. Elmas , (2003), Bulank mantk denetleyiciler: Kuram, Uygulama, Sinirsel Bulank Mantk,
Sekin Yaynclk, Ankara.

9. Frat, M, (2007), Sinirsel Bulank Mantk Yaklam le Havza Modellemesi, Doktora Tezi,
Pamukkale niversitesi Fen Bilimleri Enstits, Denizli.

10. Furundzic, D. (1998), Application example of neural networks for time series analysis:
rainfall-runoff modeling Signal Processing, 64, pp. 383-396, Elsevier Science B.V.

11. Hinton G. E, (1989) "Connectionist Learning Procedures", Artificial Intelligence, V:40, N:1,
p.189.

12. Imrie, C. E. Durucan, S. Korre, A. (2000), River flow prediction using artificial neural
networks: generalisation beyond the calibration range Journal of Hydrology, Vol. 233, pp. 138-
153, Elsevier Science B.V.

13. J. M. Mendel,(1995), " Fuzzy logic systems for engineering: a tutorial," Proc. of the IEEE,
vol. 83, no. 3, pp. 345-377.

14. Keskin, M.E., Terzi, ., Taylan, D., (2005), Gnlk Tava Buharlamas Tahmini in Bulank
Mantk Yaklam. II. Ulusal Su Mhendislii Sempozyumu, 673-681, Gmldr/ZMR

15. Keskin, M.E. ve Terzi, . (2001), Yapay sinir alar metodu ile buharlama miktarnn
belirlenmesi, Mhendislikte Modern Yntemler Sempozyumu, T, stanbul, 107- 113.

16. Kii, ., Karahan, M.E., en, Z., (2003). Nehirlerdeki ask maddesi miktarnn bulank
mantk ile modellenmesi, T Dergisi, Cilt: 2, Say: 3, p. 43-54.

18. Kohonen, T, (1988), An Introduction to Neural Computing, Neural Networks, 1, 3-6.

19. Liong, S.Y., Lim, W.H., Kojiri, T., Hori, T., (2000). Advance flood forecasting for flood
stricken Bangladesh with a fuzzy reasoning method. Hydrological Processes 14, 431/448.

20. Mahabir, C., Hicks, F.E., and Fayek A.R. (2003) Application of fuzzy logic to the seasonal
runoff, Hydrological Process, 17: 37493762.

21. Maier, H.R. ve Dandy, G.G. (2001), Neural Network Based Modelling of
Environmental Variables, In: A Systematic Approach, 33, 669-682.

22. Makarynskyy, O., Pires-Silva, A.A., Makarynska, D. ve Ventura-Soares, C. (2002),
Artificial neural networks in the forecasting of wave parameters, The 7th International
Workshop on Wave Hindcasting and Forecasting, Banff, Alberta, Canada, October, 21-25, 514-
522.

23. Martin F. Mller, (1993), A scaled conjugate gradient algorithm for fast supervised learning,
Neural Networks, Volume 6 , Issue 4 , Pages: 525 - 533

24. Minns, A.W. ve Hall, M.J. (1996), Artificial neural networks as rainfall-runoff models,
Hydrological Sciences Journal, 41(3), 399-417.

25. Onyldz, M. ve Yarar, A. (2005), Beyehir Gl Su Seviyesi Deiimlerinin Yapay Sinir
Alar ile Belirlenmesi, II.Ulusal Su Mhendislii Sempozyumu, 21-24 Eyll 2005, zmir,
Trkiye.

26. ztemel, E. (2003), Yapay Sinir Alar, Papatya Yaynclk, stanbul

27. Rumelhart D.E., Hinton G.E. and Mcclelland, A General Fremework for Parallel Distributed
Processing, Parallel Distributed Processing: Explorations in the Microstructure of Cognition, Vol:
1,MIT Press Cambridge, Massachusetts, p.51, 1986.

28. Tatl H., Z. Sen, (2001), Gnlk en byk scaklklarn bulank kmeler ile kestirimi, T. Jour.
Eng. Environ. Sciences, 25, 1-9

29. Sajikumar, N. Thandaveswara, B. S.(1999), A non-linear rainfall-runoff model using an
artificial neural network Journal of Hydrology, Vol. 216, pp. 32-55, Elsevier Science B.V.

30. See ,L. Corne S., Dougherty, M. ve Openshaw, S.(1997), Some initial experiments with
neural network models of flood forecasting on the River Ouse, In: Proceedingsof the 2nd
International Conference on GeoComputation, Dunedin, New Zealand.

31. Shamseldin, Asaad Y. (1997), Application of a neural network technique to rainfall-runoff
modeling Journal of Hydrology, Vol. 199, pp. 272-294, Elsevier Science B.V.

32. Specht, D.F.,(1991) A general regression neural network, IEEE Transactions on Neural
Networks, 2, 6, 568-576.

33. en Z. (2001) Bulank mantk ile modelleme ilkeleri, Bilge Kltr Sanat yaynevi. stanbul.

34. en, Z. (2004), Yapay Sinir Alar, Su Vakf Yaynlar. stanbul.

35. en, Z., Altunkaynak, A., (2006), A comparative fuzzy logic approach to runoff coefficient
and runoff estimation, Hydrol. Processes, 20, 19932009, 2006.

36. Wang, L. X., Mendel, J. M., (1991) Generating fuzzy rules from numerical data, with
applications", USC-SIPI Rep., No: 169, 1991.

ZGEM

Ad Soyad: Mustafa Erkan TURAN
Doum Tarihi: 02.04.1982
Doum Yeri: Erzurum

Eitim

Lise: Mustafa Kemal Lisesi, ZMR 1996-1999

Lisans: Celal Bayar niversitesi, Mhendislik Fakltesi, naat Mhendislii Blm 2000-2004

Yksek Lisans: Celal Bayar niversitesi, Fen Bilimleri Enstits, naat Mhendislii Blm
2004-2007

Akarsu Akımlarının Tahmininde Yapay Zekâ Tekniklerinin Kullanılması PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Akarsu Akımlarının Tahmininde Yapay Zekâ Tekniklerinin Kullanılması PDF

Uploaded by

Copyright:

Available Formats

CELAL BAYAR NVERSTES * FEN BLMLER ENSTTS

AKARSU AKIMLARININ TAHMNNDE YAPAY ZEK

( , ) f X Y nin fiziksel yorumu her X ve Y iin genilik sin rnek olaslnn

You might also like