T.C.

ERCYES NVERSTES
FEN BLMLER ENSTTS




AKARSULARDA SEVYE AKI LKLERNN YAPAY
ZEK METOTLARI LE BELRLENMES




Tezi Hazrlayan
Fatih CEVAT




Tezi Yneten
Do. Dr. zgr K




naat Mhendislii Anabilim Dal
Yksek Lisans Tezi





Ocak 2009
KAYSER























































T.C.
ERCYES NVERSTES
FEN BLMLER ENSTTS




AKARSULARDA SEVYE AKI LKLERNN YAPAY ZEK METOTLARI
LE BELRLENMES




Tezi Hazrlayan
Fatih CEVAT




Tezi Yneten
Do. Dr. zgr K




naat Mhendislii Anabilim Dal
Yksek Lisans Tezi





Ocak 2009
KAYSER

ii
ii

TEEKKR


Bu tezi yneten ve almalarm srasnda deerli bilgi ve yardmlarn esirgemeyen
Sayn Do. Dr. zgr Kye teekkr ederim.

Lisans ve yksek lisans eitimim sresince bana emei geen Erciyes niversitesi
naat Mhendislii Blmnde grev yapan deerli hocalarma teekkr ederim.

Eitim hayatm boyunca yanmda olan ve desteklerini hi esirgemeyen annem Nesine
CEVATa, babam kr CEVATa ve kardelerime teekkr ederim.

































iii
AKARSULARDA SEVYE AKI LKLERNN YAPAY ZEK
METOTLARI LE BELRLENMES

Fatih CEVAT
Erciyes niversitesi, Fen Bilimleri Enstits
Yksek Lisans Tezi, Ocak 2009
Tez Danman: Do. Dr. zgr K

ZET

Akarsularda ak hidrolojik almalarda kullanlan en nemli parametrelerden bir
tanesidir. Geleneksel akm tahmini yntemleri, sistemin ierdii dorusal olmayan
yaps dolays ile etkin tahminler yapmada yetersiz kalabilmektedir. Bunun iin
alternatif tahmin yntemlerine ihtiya duyulmaktadr. Bu almada tahmin
uygulamalarnda son yllarda ska bavurulan yapay zek yntemleri kullanlarak
Kzlrmak havzasnda gnlk aklarn tahmin edilmesi ele alnmtr.

Bu almada; Kzlrmak Nehri zerindeki be istasyondan alnan gnlk seviye ak
verileri kullanlmtr. MATLAB programnda hazrlanan kodlar yardmyla ok
katmanl yapay sinir alar (KYSA), radyal tabanl yapay sinir alar (RTYSA),
bulank karm kurall a yapsna (ANFIS) deiik giri kombinasyonlar uygulanarak
ak tahminleri yaplm sonular anahtar erisi yntemiyle karlatrlmtr.





Anahtar Kelimeler: Seviye, Ak, Yapay Sinir Alar, Bulank karm Kural,
Anahtar Erisi, Tahmin.






iv
DETERMINATION OF STAGE-DISCHARGE RELATIONSHIP OF RIVERS
USING ARTIFICIAL INTELLIGENCE METHODS

Fatih CEVAT
Erciyes University, Graduate School of Natural and Applied Sciences
M.Sc.Thesis, January 2009
Thesis Supervisor: Assoc. Prof. Dr. zgr K

ABSTRACT

Streamflow is one of the most important variables in hydrologic studies. Traditional
flow forecasting methods can be insufficient because of the uncertainty and non linear
characteristics of the system. Therefore alternative methods are needed to achieve better
predictions. In this study, the forecasting of flows using artificial intelligence methods
in Kzlrmak River is investigated.

The daily mean stage-discharge data of five stations in Kzlrmak River are used in
this study. Various input combinations of flow and stage data are used as inputs to the
multi-layer neural networks, radial basis neural networks, fuzzy logic (ANFIS) for
prediction daily flows. The results were compared with the rating curves.






Keywords : Stage, Streamflow, Artificial Neural Networks, Fuzzy Logic, Rating
Curve, Estimation













v
NDEKLER
KABUL VE ONAY.......i
TEEKKR......ii
ZET....iii
ABSTRACT.....iv
KISALTMALAR VE SMGELER. vi
TABLOLAR LSTESvii
EKLLER LSTES. viii
1. BLM
GR.........................................................................................1
2. BLM
YAPAY SNR ALARI ................................................................................................8
2.1. YSA Nedir? .......9
2.2. YSAnn Yaps: Elemanlar ve Mimarisi........15
2.3. YSA eitleri ..........32
2.4. almada Kullanlan Yapay Sinir Alar Metotlar ve Anahtar Erisi..34
2.4.1. ok Katmanl Yapay Sinir Alar(KYSA) Mimarisi .......34
2.4.1.1. ok Tabakal Geri Yaylmal A Denklemleri....35
2.4.1.2. Aktivasyon Fonksiyonlar....38
2.4.1.2.1. Dorusal Aktivasyon Fonksiyonu....38
2.4.1.2.2. Esik Aktivasyon Fonksiyonu.......38
2.4.1.2.3. Sigmoid Aktivasyon Fonksiyonu.........39
2.4.2. Radyal Tabanl Yapay Sinir Aglar(RTYSA) Mimarisi..........40
2.4.3. Bulank karm Kurall A Mimarisi (ANFIS)..........42
2.4.4. Anahtar Erisi ................49
3. BLM
UYGULAMALAR ........................................................................................................50
3.1. almada Kullanlan Veriler.......50
3.2. Yapay Zek Tekniklerinin Seviye-Ak Verilerine Uygulanmas...52
4. BLM
SONULAR....................................................................................................................67
KAYNAKLAR................................................................................................................68
ZGEM.....................................................................................................................73
vi
KISALTMA VE SMGELER

AE : Anahtar Erisi
AG : Akarsu Gzlem stasyonu
ANFIS : Bulank karm Kurall A
ANN : Artifical Neural Networks
KYSA

: ok Katmanl Yapay Sinir Alar
EE : Elektrik leri Ett daresi
KOKH : Kare kk Ortalama Karesel Hata
KOM : Kombinasyon
Q : Ak
OMGH : Ortalama Mutlak Greceli Hata
RTYSA : Radyal Tabanl Yapay Sinir A
R
2
: Belirginlik katsays
S : Seviye
YSA : Yapay Sinir Alar

























vii
TABLOLAR LSTES

Tablo 3.1. almada kullanlan istasyonlar hakknda bilgiler ....51
Tablo 3.2. almada kullanlan seviye ve ak verilerinin sreleri..51
Tablo 3.3. almada kullanlan Seviye (S) ve Ak (Q) verilerinin sralan.....53
Tablo 3.4. Bulakba (1539) istasyonunun ANFIS, KYSA, RTYSA ve AE test
aamasndaki KOKH, OMGH ve R
2
deerleri........55
Tablo 3.5. Karaz (1543) istasyonunun ANFIS, KYSA, RTYSA ve AE test
aamasndaki KOKH, OMGH ve R
2
deerleri........56
Tablo 3.6. Sgtlhan (1535) istasyonunun ANFIS, KYSA, RTYSA ve AE test
aamasndaki KOKH, OMGH ve R
2
deerleri........57
Tablo 3.7. efaatli (1517) istasyonunun ANFIS, KYSA, RTYSA ve AE test
aamasndaki KOKH, OMGH ve R
2
deerleri........58
Tablo 3.8. Yamula (1501) istasyonunun ANFIS, KYSA, RTYSA ve AE test
aamasndaki KOKH, OMGH ve R
2
deerleri...59






















viii
EKLLER LSTES

ekil 2.1. Sinir hcrelerinin balantlarnn basitletirilmi ematik
yaps....10
ekil 2.2. YSA Mimarisinin Temel Elemanlar ......11
ekil 2.3. Sinir Sisteminin Blok Diyagram.....15
Sekil 2.4. Yapay sinir hcresi modeli. X
i
, giri deerleri; W
i
, balant arldr..17
ekil 2.5. Biyolojik Nronun Genel Yaps ve levleri......18
ekil 2.6. Yapay Nronun Genel Yaps..........19
ekil 2.7. Yapay Nronun Genel lem Admlar........20
ekil 2.8. Yapay Nronun Detayl Yaps........22
ekil 2.9. En ok Kullanlan Transfer Fonksiyonlar..24
ekil 2.10. Transfer Fonksiyonunun alma Yaps.....25
ekil 2.11. YSAlarn Genel Yaps.......26
ekil 2.12. Geri Yaylma Balant Yaps......27
ekil 2.13. leri Beslemeli ve Geri Beslemeli A Yaplar....33
ekil 2.14. Uyarlamal bulank-sinir sonu karma sistemi mimarisi..34
ekil 2.15. Uyarlamal bulank-sinir sonu karma sistemi melez renme ilemi.35
ekil 2.16. Dorusal aktivasyon ilemcisi.....38
ekil 2.17. Eik aktivasyon fonksiyonu.....39
ekil 2.18. Sigmoid aktivasyon fonksiyonu...40
ekil 2.19. RTYSA yaps......41
ekil 2.20. Sistem birimleri: a) klasik sistem, b) genel bulank sistem..43
ekil 2.21. ki bulank kuralla dzenlenen Sugeno tipi sonu karma yntemi...45
ekil 2.22. Uyarlamal bulank-sinir sonu karma sistemi mimarisi..45
ekil 2.23. Uyarlamal bulank-sinir sonu karma sistemi melez renme ilemi.49
ekil 3.1. Kzlrmak Havzas (Gney Blm) .....50
ekil 3.2. KYSA, ANFIS, RTYSA ve AE test aamasndaki sonularnn
gzlenen deerler ile karlatrlmas_ Bulakba stasyonu ....60
ekil 3.3. KYSA, ANFIS, RTYSA ve AE test aamasndaki sonularnn
gzlenen deerler ile karlatrlmas_ Karaz stasyonu ....61
ekil 3.4. KYSA, ANFIS, RTYSA ve AE test aamasndaki sonularnn
gzlenen deerler ile karlatrlmas_ Stlhan stasyonu ..62
ix
ekil 3.5. KYSA, ANFIS, RTYSA ve AE test aamasndaki sonularnn
gzlenen deerler ile karlatrlmas_ efaatli stasyonu ....63
ekil 3.6. KYSA, ANFIS, RTYSA ve AE test aamasndaki sonularnn
gzlenen deerler ile karlatrlmas_ Yamula stasyonu .....64





















1.BLM

GR

Yeryznde hayatn devam edebilmesi iin en gerekli maddelerin banda su
gelmektedir. Su kaynaklarnn planlanmas ve ynetimi, artan nfus ve gittike zorlasan
evre artlar etkisiyle artan su talebine paralel olarak ok daha nemli hale gelmitir.
Dolaysyla su yaplarnn gelitirilmesinde ok daha detayl ve geni aratrmalar
gerekmektedir. Bir akarsu havzas zerine den yasn ak haline dnmesi olayn
benzetiren ya ak modelleri zellikle takn hidrolojisinde nem tar. eitli
kayplar ktktan sonra yan geriye kalan ksm farkl yollar izleyerek havzada
telenmekte, biriktirmeler yoluyla snmlendirilmekte ve sonuta k noktasndaki
ak haline dntrlmektedir. ok karmak bir sistem olan akarsu havzas iin
dnm fonksiyonu bir matematik modelle ifade edilebilir. Matematik modeller
parametrik (ok bileenli, kavramsal) modeller ve kapal kutu (kara kutu) modelleri
olmak zere genellikle iki trl deerlendirilmektedir [1].

Parametrik (ok bileenli, kavramsal) modeller dnm ilemini szma, yer alt ak,
yzeysel ak gibi bileenlerine ayrarak analiz ederken bu bileenlerin aralarndaki
ilikileri fiziksel adan olduka ayrntl bir ekilde ifade ederler. Hidrodinamik
yasalarnn uygulanmas g olduundan bu modellerde de genellikle basitletirmeler
yaplr. Modeller bir takm biriktirme elemanlarndan kurulur, suyun izledii yola bal
olarak bu elemanlarn arasndaki ilikiler (giren ve kan su miktarlar) fiziksel
zellikleriyle belirlenir. Bu gibi modellerin ok sayda parametreleri vardr. Belli bir
havza iin model parametrelerinin deerleri, havzada gzlenmi olan hidrograflar yeterli
bir yaklamla modelden elde edilinceye kadar deneme yaparak belirlenir [2].

Kapal kutu (kara kutu) modellerinde havzada yer alan olaylar ayrntl olarak
incelenmeyip havzaya ya aka eviren kapal bir kutu gzyle baklr. Sistemin
2
dnm fonksiyonunun o havzada gzlenmi olan ya ve ak kaytlarna dayanarak
belirlenmesine allr. Bu tip modeller gerek durumu tam olarak yanstmasalar da
uygulamas olduka basittir, ancak daha nceden denenmemi koullar iin
kullanlmalar hatalara yol aabilir. Kapal kutu modelleri dnm fonksiyonunun
dorusal olduunun kabul edilip edilmemesine gre de snflara ayrlrlar. Geleneksel
ya-ak modelleme teorisi doal olarak sistemi indirgemek, zaman zaman
dorusallatrmak zorunda kalmaktadr. Bu durum modellerin gvenilirliini ve
modellerin sonularn kukulu yapmaktadr. Buna karn sistemin iinde ne olup
bittiine bakmadan sadece sistemin girdi-kt mekanizmasnn renilmesi ile sistem
salkl bir ekilde modellenebilmektedir. Bu konuda insan beyninin alma sisteminin
taklit ederek gelitirilmi olan yapay sinir alar (YSA) uygun bir alternatif
salamaktadr. YSA yaplan birok almalarda girdi ile kt arasndaki ilikisinin
modellenmesi iin baarl bir ekilde kullanlmaktadr. YSA eitli tp ve mhendislik
dallarnda, yapay veri retimi, simlasyon ve tahmin problemlerinin zmnde nde
gelen yntemlerden biri olmutur [3].

Literatrde akarsu akmlarnn tahmini zerine YSA ile yaplm pek ok alma
bulunmaktadr. Bu almalar, genellikle, ya veri gruplarnn, ya gizli tabakalardaki
nronlarn, ya ileri/geri besleme durumlarnn, ya transfer fonksiyonlarn ya da girdi
deikenlerinin modele etkisini incelemektedir. Literatrde ak tahminine ynelik
yaplm ve gze arpan almalara aada deinilmitir.

Hsu vd. [4] eitli hidrolojik ilemlerin zelliklerini fiziksel denklemler kullanarak
tanmlamann g olduu problemlerde, YSA modellerinin faydal ve etkili olduunu
belirtmilerdir. almada, tabakal ileri yaylmal YSA modellerin yapsnn ve
parametrelerinin belirlenmesi iin en kk kareler Simplex metodunu kullanmlar ve
havzalarn lineer olmayan davrann simule etmek iin byle modellerin potansiyelini
gstermilerdir. Bir YSA modelinin orta lekteki bir havzann ya-ak bantsnn
lineer d kaynak girdili otoregressif (ARMAX) model ile kavramsal SAC-SMA
modelinden daha iyi olduunu belirtmiler ve YSA modelinin dier modellere gre
alternatif olabileceini ifade etmilerdir.

Minns ve Hall [5] ileri beslemeli ve geriye yaynm metodu kullanarak sentetik olarak
retilmi verilerden ya-ak modellemesi yapmlardr.
3

Shamseldin [6] ileri beslemeli geri yaynm yapay sinir alar ile ya-ak modelini
alt havzada uygulamtr. YSAnn karlatrlan sofistike modellerden daha iyi sonu
verdii gstermitir.
Sajikumar ve Thandaveswara [7] ngilteredeki Lee ve Thuthapuzha nehirlerin temporal
geri yaynml yapay sinir an kullanarak aylk ya-ak modeli uygulamas
yapmlardr.

Tokar ve Johnson [8] YSA yntemini kullanarak nehir akmlarnn modellenmesi ile
ilgili almalar yapmtr.

Dawson ve Wilby [9] ok tabakal nron a (multi layer perceptron, MLP) ile radyal
tabanl fonksiyon a (radial basis function network, RBF) YSA modelleri ile birlikte
oklu lineer regresyon modeli ve sfr mertebe tahmin modelinin kyaslamasn,
ngiltere deki Mole Nehri iin 15 dakikalk ya-ak verisini kullanarak yapmlardr.
ok tabakal nron a modelinin dier modellere gre daha kullanl olduunu
belirtmiler ve radyal tabanl fonksiyon a modelinin de dier iki modele gre daha iyi
olduunu vurgulamlardr.

Maier ve Dandy [10] su kaynaklar deikenlerinin ngrs ve tahmini iin YSA nn
byk bir hzla yaygnlatn belirtmilerdir. Bu gibi modellerin oluturulmasnda
performans kriteri seiminin, mevcut verinin blnmesini kapsayan n ilemlerin,
uygun model girdilerinin ve a yapsnn belirlenmesinin ve balant arlklar
(eitmedeki) ile model geerliliinin belirlenmesinin nemli olduunu belirtmilerdir.
Bu amala, su kaynaklar deikenleri ile ilgili yaplm 43 adet makaleyi
incelemilerdir. Bu makalelerin ikisi hari tamamnn ileri beslemeli alar kullanm
olduklarn belirtmilerdir. Bu alarn byk ounluunun da geriye yaylma
algoritmasn kullandklarn bildirmilerdir. Mevcut verinin optimum blnmesi,
verinin n ilemi ve model girdilerinin uygun seimi ile ilgili konulara ise nadiren
karlaldn vurgulamlardr. Bununla birlikte, uygun bir durma kriteri seimi ve a
geometrisi ile isel a parametrelerin optimizasyonu ileminin genellikle ya kt bir
ekilde tanmlandn ya da yetersiz ortaya konduunu bildirmilerdir. Bu nedenle,
yukarda saylan faktrlerin hepsinin farkl modeller arasnda anlaml bir sonuca
4
ulamak iin yetersizlie ve optimum olmayan bir model performans
sergileyebileceine iaret etmilerdir.

Sudheer vd. [11], ya-ak modellenmesinde YSAnn a yas dizayn iin yeni bir
yaklam sunmulardr. Yaklam, havza iin ilemi daha iyi gsteren birim girdi
vektrnn belirlenmesinde veri serisinin kar- (cross-), oto- (auto-) ve ksmi-oto-
(partial-auto-) korelasyon gibi istatistiksel zelliklerini ve eitim iin standart bir
algoritmay kullanr. Metodoloji Hindistandaki bir nehir havzas verisi iin
kullanlmtr. Sonular olduka baarl bulunmu ve bir ANN modelinde gerekli olan
hesaplama zamann ve abay azaltt grlmtr.

Anctil vd. [12] tarafndan paral kavramsal ya-ak modellerinden (GR4J, IHAC
ve TOPMO) elde edilmi bir-gn sonraki ve -gn sonraki ak tahminlerinin ktsnn
gncellendirilmesi iin YSA modeli ile test edilmitir. YSA dan elde edilen sonular bir
parametreli gncelletirme emasna ve basit gncelletirme emasna gre stn
bulunmutur. Daha sonra YSA ile dier paral modeller birletirmi ve yine de YSA
modeli tek bana birletirilmi modele gre daha stn bulunmutur.

Alp ve Czolu [13] yapay sinir a metotlar ve regresyon analizi ile akm tahminleri
yapmlardr. A.B.D., Pennslyvania eyaletindeki, Juniata Nehrine ait gnlk akm
deerleri kullanlmtr. leri beslemeli geriye yaynm metodunun, radyal tabanl sinir
a metoduna gre daha iyi sonu verdii grlmtr.

Bowden vd. [14] YSA nn su kaynaklarnda kullanmnn artmakta olduunu, fakat
uygun model girdilerinin olduka az dikkate alndn belirttikleri almalarnda, bu
konuyu deerlendirmilerdir. YSA modeline girdinin belirlenmesi iin iki yntem
olabileceini belirtmilerdir. Bunlardan birincisi girdi ve kt deikeninin potansiyeli
arasnda bamll karakterize etmek iin ortak bilgi kriterinin bir lsn kullanan
modelden bamsz yaklamdr. kinci olarak, bamsz girdileri elde etmek ve girdi
uzaynn boyutunu azaltmak iin kullanlan zgn organizasyon haritalardr (SOM).
almada her iki girdi belirleme teknii test edilmi ve bir havzaya uygulanmtr.

Czolu [15], su kaynaklarna YSA uygulamalarnda ileri beslemeli geriye yaylm
(FFBP) metodunun ounlukla kullanldn belirterek, kesikli (intermittent) nehir
akm tahmininde genelletirilmi regresyon sinir ann (GRNN) FFBPye gre daha
5
stn olduunu belirtmitir. GRNN simlasyonlarnn lokal minimum deerlere
taklmadn ifade etmitir.

Czolu ve Kii [16], YSA ile akm tahmin performansnn veri uzunluuna bal
olabileceini gz nne alarak, verinin YSA ile eitim aamasnda k-blm
paralanmas (k-fold parttioning) olarak adlandrlan istatistiksel bir metodu ele
almlardr. Metodun ileri beslemeli yaylma algoritmasnda faydal olacan
bulmulardr. Bu faydann verinin tamam yerine bir ksmnn ele alnmasyla ortaya
ktn belirtmilerdir. Levenberg-Marquardt, birlemi eim (conjugate gradient) ve
eim azalmas (gradient descent) gibi farkl geri yaylma algoritmas arasnda tahmin
performans ve yaknsama hz kyaslamas sonucunda Levenberg-Marquardt tekniinin
stn olduunu ifade etmilerdir.

Kumar vd. [17], sigmoid transfer fonksiyonlu oklu tabaka neron a (MLP) zerindeki
almalarn baz snrlamalara sahip olduunu belirtmiler. Ayrca, radyal tabanl
fonksiyonun (RBF) MLPden daha stn olduu yolunda bir inann olduunu
belirtmitir. Bu nedenlerle, almada MLP ve RBFye dayal YSA modellerinin
performans Hindistandaki iki nehir akmnda deerlendirilmitir. A tipi seiminin,
model tahmin doruluunda nemli bir etkiye sahip olduu belirlenmitir. Dolaysyla,
her iki modelin de baz snrlamalara sahip olduu belirtilmitir. MLPnin optimum gizli
noktalarnn saysn sabitlemek iin uzun bir deneme-yanlma ynteminin
gerektirdiini, RBFnin ise a yapsnn uygun eitim algoritmas kullanlarak
sabitlendiini ifade etmilerdir. Sonu olarak, bunlar arasnda bir stnln
belirlenmesinin zor olduu vurgulanmtr.

Kii [18], akarsu akmlarnn YSA kullanlarak modellenmesini aratrmtr.

Bhattacharya ve Solomatine [19] akarsularda seviye-ak ilikilerinin YSA ve M5
model a ile belirlenmesi konusunu aratrmlardr.

Thirumalaiah ve Deo [20], YSA yntemi kullanlarak nehir seviye tahminleri
yapmlardr.
Jain ve Chalisgaonkar [21], YSA yntemi kullanlarak seviye-ak ilikilerinin
belirlenmesini aratrmlardr.

6
Deka ve Chandramouli [22], Bulank yapay a modeli kullanlarak nehir seviye-ak
ilikilerinin belirlenmesini aratrmlardr.

Supharatid, S., [23], YSA modeli kullanarak bir nehir iin seviye-ak ilikileri
belirlemitir.

Onyldz ve Yarar [24], Beyehir Gl su seviyesi deiimlerini, giren akm-kayp
akm, ya, buharlama, ekilen akm ve seviye lmlerini kullanarak, yapay sinir a
ile modellemilerdir. Bu almada bir akarsudaki akmlarn o akarsuyun havzasndaki
ya ve nceki akm gzlemlerinden tahmin edilmesi ele alnmtr. Bu amala son
yllarda benzer tahmin uygulamalarnda ska kullanlan yapay sinir alar, yntem
olarak seilmitir.

Kii [25], YSA ve geriye yaylm modeller kullanarak gnlk nehir akmlarnn tahmini
ile ilgili alma yapmtr.

Panagoulia [26], Yunanistandaki dalk bir havzada eitli iklim rejimlerinde dk ve
yksek akmlar simule etmek, tabakal ileri yaylmal YSA modelinin kabiliyetini
aratrmak iin lineer en kk kareler ve simplex optimizasyonunun birletirilmesiyle
olumu bir algoritma kullanmlardr. YSA modeli farkl iklim tipi iin nce kalibre
edilmi ve sonra test edilmitir. Tam bir periyot iin YSA modelinin hem dk hem de
yksek akmlar iin kavramsal zemin nem hesap (SMA) modelinden daha iyi sonular
verdiini belirtmitir.

Tayfur ve Singh [27], ya-akn tahmini iin YSA ve bulank mantk yntemlerini
kullanmlar ve kinematik dalga yaklamna gre bu modelleri test etmilerdir. Bu
amala sigmoid fonksiyonunu ve geriye yaylml algoritmay kullanarak tabakal
ileri beslemeli YSA modelini gelitirmilerdir. Bulank mantk modeli ise girdi ve kt
deikenleri iin gen yelik fonksiyonlar kullanlarak tesis edilmitir. model de
deneysel veriler iin uygun bulunmutur. Ayrca, kk bir havza iin uygulanan
modellerden YSA ve bulank mantk modeli ak hidrografnn elde edilmesinde iyi
sonular vermitir.
Nayak vd. [28] YSA ve bulank mantk (fuzzy logic) tekniklerinin potansiyelini ya-
ak ilemini modellemek iin kullanmlardr. Bu amala, YSA mimarisi ierisine
7
bulank mantk yorumlama sistemini sokmulardr. almada, yelik fonksiyonlarnn
parametreleri lineer olmayan bir optimizasyon yntemi kullanlarak optimize edilmitir.
Teklif ettikleri modeli ABDdeki iki havzaya uygulamlardr. Varyansn %92den
yksek kt modelin kullanmnn dier havzalarda da uygulanabilir olduunu
belirtmilerdir. Modelin YSAya dayal bulank yorumlama sistemine (ANFIS) gre
daha iyi ve ANFISe bir alternatif model olduunu ifade etmilerdir. Bu almada; iki
lm istasyonu gz nne alnarak, bir istasyondaki akm deerlerinden dier
istasyondaki akm deerlerinin tahmin edilmesi iin YSA ynteminden yararlanlmtr.
Bu amala, girdi deerleri olarak lm yaplan istasyonun t ve t-1 anndaki gnlk
akm deerleri girilerek dier istasyonun t anndaki akm deerleri hesaplanmaya
allmtr.

Akarsu yaplarnn projelendirilmesinde akarsulardaki akmlarn zamanla deiiminin
tayini ve akm miktarnn hesab zel bir neme sahiptir. Bunun iin ya, buharlama
gibi meteorolojik kaynakl deikenlere; szma, tutulma, ekilme gibi hidrolojik
zelliklere ve havza zelliklerine ihtiya vardr. nceleri istatistiksel zellikleri gemi
yllardan farkl olmayan yapay ya ve akm deerlerinin tretilmesi yoluna gidilmiti.
Balang olarak aritmetik ortalama, standart sapma ve arpklk katsays gibi
istatistiksel zellikler kullanlrken, daha sonralar i bamll da hesaba katan
Markov ve ARIMA yntemleri gelitirilmitir. Bu yntemlerde ksa sreli bamll
korumalar, dorusal olmalar ve zaman serilerinin normal dalma uymas gibi
glklerle karlalmaktadr. Bu nedenle gzlem ierisinde var olabilecek
periyodiklik, uzun sreli bamllk ve dalmn arpk olmas durumlarnda yapay
zaman serilerinde istenilen sonuca ulalamamaktadr. Sonu olarak hangi tip model
kullanlrsa kullanlsn yapsnda istatistiksel ve matematiksel kabuller ve
basitletirmeler vardr. Bundan dolay hedef, bu kabul ve basitletirmelerin hi olmad
veya en aza indirildii yntemlerin gelitirilerek gelecee ynelik tahminlerin
yaplmasdr. Yapay Sinir Alar (YSA), hemen hemen hi istatistiksel kabul iermeyen
ve pek ok bilim dalnda baaryla uygulanan bir yntem olup, bu almada Kzlrmak
Nehri zerindeki 5 adet istasyon zerindeki akmlarnn tahmini iin YSA kullanlm
ve elde edilen sonular anahtar erisi ile elde edilen sonularla karlatrlmtr.
almalar kapsamnda kullanlan akm ve seviye lmleri Elektrik leri Ett
daresinden (E..E.) elde edilmitir.
2.BLM

YAPAY SNR ALARI

Bu blm, almann temel konusunu oluturan yapay sinir alar teknolojisine ait
temel ve teorik bilgileri kapsamaktadr. Teknolojik gelimenin nemli boyutlara ulat
gnmzde, insanolunun kendisini tanmaya ynelik almalar da nemli aamalar
kaydetmitir. Yapay zek (artificial intelligence) kavram ile insann en nemli
zellikleri olan dnebilme ve renebilme yetenekleri en nemli aratrma konular
durumuna gelmitir. zellikle son zamanlarda bilgisayar kullanmnn hzla
yaygnlamas sonucunda yapay zek almalar da bir ivme kazanmtr.

nsann dnme yapsn anlamak ve bunun benzerini ortaya karacak bilgisayar
ilemlerini gelitirmeye almak olarak tanmlanan yapay zek, aslnda programlanm
bilgisayarlara dnme yetenei salama giriimidir. nsan gibi dnen ve davranan
sistemlerin gelitirilmesine ynelik olarak 1950li yllardan beri sren yapay zek
almalar, bir noktada insan taklit etmeye ynelik olduundan mhendislik, nroloji
ve psikoloji gibi alanlara da yaylmtr. nsan gibi dnebilen ve davranabilen
sistemlerin gelitirilmesi iin yaplan almalarda bugn gelinen nokta, henz yapay
zeknn tam olarak gelitirilememi olmasdr. Yapay zeknn mmkn olabilirlii
tartmalar bir yana braklrsa bu konudaki almalar bu alan destekleyen farkl
alanlardaki almalarla birlikte devam etmektedir.

Yapay zek almalar kapsamnda ortaya kan ve bir noktada yapay zek
almalarna destek salamakta olan farkl alanlardan bir tanesi de yapay sinir alar
teknolojisidir. Dolaysyla, yapay zek alannn bir alt daln oluturan YSA teknolojisi
renebilen sistemlerin temelini oluturmaktadr. nsan beyninin temel ilem eleman
olan nronu (neuron) ekilsel ve ilevsel olarak basit bir ekilde taklit eden YSAlar, bu
yolla biyolojik sinir sisteminin basit bir simlasyonu iin oluturulan programlardr. Bu
ekilde, insanoluna zg deneyerek (yaayarak) renme yeteneini bilgisayar


9



ortamna tayabildii dnlen YSA teknolojisi bir bilgisayar sistemine inanlmaz bir
girdi veriden renme kapasitesi salamaktadr ve birok avantajlar sunmaktadr.
eitli avantajlar sunan ve gn getike gelien bu teknolojiden, gnmzde birok
alanda olduu gibi ekonomi ve istatistik alanlarnda da faydalanlmaktadr. zellikle,
Evrensel Fonksiyon Yaknsayc Yntem (Universal Function Approximators) olarak
tannmalarndan dolay tahmin ve ngr gibi verinin ierdii yapnn tanmlanmasn
gerektiren alanlarda ska kullanlmaktadrlar.

Bu blmde, YSA hakknda temel ve teorik bilgilere yer verilmitir. Bundan sonraki
ksm olan Blm 2.1de YSAlarn tanmna yer verilmekte ve daha sonra blm
2.2de YSAlarn mimarisi (yaps) ve temel elemanlar ayrntl ekilde anlatlmaktadr.
Blm 2.3te YSA eitleri, blm 2.4te almada kullanlan YSA metodlar ve
anahtar erisi yntemlerine yer verilmektedir.

2.1. YSA Nedir?

nsanln doay aratrma ve taklit etme abalarnn en son rnlerinden bir tanesi
YSA teknolojisidir. YSA, basit biyolojik sinir sisteminin alma eklini simle etmek
iin tasarlanan programlardr. Simle edilen sinir hcreleri (nronlar) ierirler ve bu
nronlar eitli ekillerde birbirlerine balanarak a olutururlar. Bu alar renme,
hafzaya alma ve veriler arasndaki ilikiyi ortaya karma kapasitesine sahiptirler.
Dier bir ifadeyle, YSAlar, normalde bir insann dnme ve gzlemlemeye ynelik
doal yeteneklerini gerektiren problemlere zm retmektedir. Bir insann, dnme
ve gzlemleme yeteneklerini gerektiren problemlere ynelik zmler retebilmesinin
temel sebebi ise insan beyninin ve dolaysyla insann sahip olduu yaayarak veya
deneyerek renme yeteneidir.

Biyolojik sistemlerde renme, nronlar arasndaki sinaptik (synaptic) balantlarn
ayarlanmas ile olur. ekil 2.1de sinir alarnn balantlarnn basitletirilmi ekli
gsterilmitir. nsanlar doumlarndan itibaren bir yaayarak renme sreci ierisine
girerler. Bu sre iinde beyin srekli bir gelime gstermektedir. Yaayp tecrbe
ettike sinaptik balantlar ayarlanr ve hatta yeni balantlar oluur. Bu sayede renme
gerekleir. Bu durum YSA iin de geerlidir. renme, eitme yoluyla rnekler
kullanarak olur; baka bir deyile, gerekleme girdi-kt verilerinin ilenmesiyle, yani


10



eitme algoritmasnn bu verileri kullanarak balant arlklarn (weights of the
synapses) bir yaknsama salanana kadar, tekrar tekrar ayarlamasyla olur.

YSAlar, arlklandrlm ekilde birbirlerine balanm birok ilem elemanlarndan
(nronlar) oluan matematiksel sistemlerdir. Bir ilem eleman, aslnda sk sk transfer
fonksiyonu olarak anlan bir denklemdir. Bu ilem eleman, dier nronlardan sinyalleri
alr; bunlar birletirir, dntrr ve saysal bir sonu ortaya kartr. Genelde, ilem
elemanlar kabaca gerek nronlara karlk gelirler ve bir a iinde birbirlerine
balanrlar; bu yap da sinir alarn oluturmaktadr.


ekil 2.1. Sinir hcrelerinin balantlarnn basitletirilmi ematik yaps.

Sinirsel (neural) hesaplamann merkezinde datlm, uyarlamal ve dorusal olmayan
ilem kavramlar vardr. YSAlar, geleneksel ilemcilerden farkl ekilde ilem
yapmaktadrlar. Geleneksel ilemcilerde, tek bir merkezi ilem eleman her hareketi
srasyla gerekletirir. YSAlar ise her biri byk bir problemin bir paras ile
ilgilenen, ok sayda basit ilem elemanlarndan olumaktadr. En basit ekilde, bir
ilem eleman, bir girdiyi bir arlk kmesi ile arlklandrr, dorusal olmayan bir
ekilde dnmn salar ve bir kt deeri oluturur. lk bakta, ilem elemanlarnn
alma ekli yanltc ekilde basittir. Sinirsel hesaplamann gc, toplam ilem ykn
paylaan ilem elemanlarnn birbirleri arasndaki youn balant yapsndan
gelmektedir. ou YSAda, benzer karakteristie sahip nronlar tabakalar halinde
yaplandrlrlar ve transfer fonksiyonlar e zamanl olarak altrlrlar. Hemen hemen
tm alar, veri alan nronlara ve kt reten nronlara sahiptirler.

YSAnn ana esi olan matematiksel fonksiyon, an mimarisi tarafndan
ekillendirilir. Daha ak bir ekilde ifade etmek gerekirse, fonksiyonun temel yapsn


11



arlklarn bykl ve ilem elemanlarnn ilem ekli belirler. YSAlarn
davranlar, yani girdi veriyi kt veriye nasl ilikilendirdikleri, ilk olarak nronlarn
transfer fonksiyonlarndan, nasl birbirlerine balandklarndan ve bu balantlarn
arlklarndan etkilenir.

Bu bilgiler nda bakldnda, YSAlarn yaps ana eleman iermektedir ve ekil
2.2deki gibidir. ekilden de grlebilecei gibi, YSAlarn yapsn oluturan ana
eleman temel ilem eleman olan nron, girdi ve kt yolunu salayan balant ve bu
balantlarn salamln gsteren balant arldr.


ekil 2.2. YSA Mimarisinin Temel Elemanlar.

Genel olarak YSA metodolojisinin uygulama admlarna bakldnda, YSAnn basit
ama youn yaps ve baz temel zellikleri daha ak anlalabilmektedir. Tipik olarak,
bir YSAnn mimarisi (veya yaps) oluturulur ve eitli matematiksel algoritmalardan
bir tanesi kullanlarak retilen ktlarn doruluk (accuracy) dzeyinin maksimize
edilmesi iin gerekli olan arlk deerleri belirlenir. YSAlar nceki rnekleri
kullanarak arlklar belirlemek yoluyla girdi deikenler ile tahmin edilen deikenler
arasndaki ilikiyi ortaya kartrlar; dier bir deyile YSAlar eitilir. Bir kez bu
ilikiler ortaya kartldktan sonra (yani a eitildikten sonra), YSA yeni verilerle
altrlabilir ve tahminler retilebilir. Bir an performans, amalanan sinyal ve hata
kriteri ile llr. An kts, amalanan kt ile karlatrlarak hata pay elde edilir.
Geri yaylma (backpropagation) olarak adlandrlan bir algoritma hata payn azaltacak
ekilde arlklar ayarlamak iin kullanlr. Bu ilem defalarca tekrar edilerek a
eitilir. Eitme ileminin amac performans lmleri baznda optimum zme
ulamaktr.


12




Balantsal Mimariler (Connectionist Architectutures), Uyarlamal Sistemler (Adaptive
Systems) veya Paralel Datlm lemciler (Parallel Distributed Processing) olarak da
adlandrlan YSAlar, olduka fazla balant ieren ve paralel yaplandrlm beyin
ilevinden esinlenen bir bilgi ilem paradigmasdr. Farkl isimlerle anlmalar, farkllk
salayan baz temel zelliklerinden kaynaklanmaktadr. Balantsal Mimari (veya
Balantsal Sistem) olarak anlmalarnn temel sebebi, bireysel ilem elemanlar
(processing nodes) arasndaki balantlardr. Ayrca, bu balantlarn arlklar
deiebildiinden YSAlar alma sistemlerini daha da etkinletirebilmektedirler ve bu
yzden Uyarlamal Sistem olarak da adlandrlmaktadrlar. Paralel Datlm lemciler
olarak adlandrlmalarnn sebebi ise a iinde ok saydaki nod (node) veya nronlarn
hepsinin birbirlerine paralel olarak almalardr. Bu yap, eanl bir zm retebilme
yetenei salamaktadr.

YSA paradigmas iin anahtar zellik, ierdii bilgi ileme sisteminin youn (komplike)
yapsdr. Bu yap nronlara karlk gelen, olduka fazla sayda ve sk bir ekilde
birbirleri ile balantl ilem elemanlar iermektedir. Bu sk balantlar ise, sinapslara
(synapses) karlk gelen arlkl balantlar ile salanmaktadr.

Buraya kadar sunulan bilgiler YSAlarn ne olduu hakknda genel bir bilgi
salamaktadr. Bununla beraber YSAlar iin genel bir tanm vermek de faydal
olacaktr. YSA iin zerinde fikir birlii salanm tek bir tanm yoktur. Geni ya da dar
kapsamda birok tanmla karlalabilmektedir. Hatta baz aratrmaclar YSA iin
genel bir tanm vermek yerine, YSA trlerinin kendi iinde tanmlanmas gerektiini
savunmaktadr. Bununla birlikte, btnl salamak amacyla eitli kapsamlarda baz
genel tanmlara bu blmde yer verilmektedir.

Tanm 1:

YSA, en ksa ve basit ekilde, bir rnekler kmesi yardmyla parametrelerin
uyarlanabilmesini salayacak bir matematiksel forml iin yazlan bilgisayar program
olarak tanmlanabilir. Bu tanm, YSAy en basit ekilde ve teknik detaya girilmeksizin
ifade etmektedir.



13



Tanm 2:

Yine basit ama daha teknik ikinci bir tanm ise u ekildedir: YSA, ilgili balant
arlklaryla (synaptic wheights) bir aa balanm basit ilem elemanlarndan (nron)
oluan bir sistemdir.

Tanm 3:

DARPA Neural Network Study [29] isimli yaynda ise biraz daha aklayc bir
tanm kullanlmaktadr: Bir YSA, birbirlerine paralel olarak alan birok basit ilem
elemanndan oluan ve fonksiyonu, an yaps, balant arlklar ve elemanlarda
gerekletirilen ilemler tarafndan belirlenen bir sistemdir.

Tanm 4:

Daha kapsaml ve genel kabul gren bir tanm ise Haykin [30] tarafndan verilmektedir:

Bir sinir a, basit ilem birimlerinden oluan, deneyimsel bilgileri biriktirmeye
ynelik doal bir eilimi olan ve bunlarn kullanlmasn salayan youn bir ekilde
paralel datlm bir ilemcidir. Bu ilemci iki ekilde beyin ile benzerlik
gstermektedir:
1. Bilgi, a tarafndan bir renme sreciyle evreden elde edilir.
2. Elde edilen bilgileri biriktirmek iin sinaptik arlklar olarak da bilinen nronlar
aras balant gleri kullanlr.

YSAlar gerek hayatta karlalan problemlerde olduka geni bir uygulama alan
kazanmlardr. Bugn, birok endstride baarl ekilde kullanlmaktadrlar.
Uygulama alanlar iin bir snr yoktur fakat ngr, modelleme ve snflandrma gibi
baz alanlarda arlkl olarak kullanlmaktadr. YSAlar 1950li yllarda ortaya
kmalarna ramen, ancak 1980li yllarn ortalarnda genel amal kullanm iin yeterli
seviyeye gelmilerdir. Bugn, YSAlar birok ciddi problem zerinde uygulanmaktadr
ve bu problemlerin says giderek artmaktadr. Verideki trend veya yapy (pattern) en
iyi tanmlayan yntem olmalar dolaysyla, tahmin (prediction) ve ngr ilemleri iin
ok uygundurlar. YSAlarn gerek hayattaki yaygn uygulama alanlarna u rnekler
verilebilir:


14




Kalite Kontrol

Finansal ngr

Ekonomik ngr

Kredi Derecelendirme

Konuma ve Yap Tanmlama

lem Modelleme ve Ynetimi

Laboratuvar Aratrmalar

flas Tahmini

Petrol ve Gaz Arama

YSAlar, tanmlanmam girdi veriler hakknda karar verirken genelleme yapabildikleri
iin iyi birer yap tanmlaycs (pattern recognition engine) ve salam
snflandrcdrlar (robust classifier). Fonksiyonel tahmin (prediction) ve sistem
modelleme gibi fiziksel ilemin anlalamad veya ar karmak olduu problemler
yannda konuma, karakter ve sinyal tanmlama gibi eitli snflandrma problemleri
iin zm yollar salamaktadrlar. Ayrca, kontrol problemlerinde de uygulama sahas
bulmaktadrlar.

YSAlar youn balantl ve komplike ilem yaplar nedeniyle alabilecekleri zel
ortamlara ihtiya duymaktadrlar. Bu yzden, YSAlar, bu amaca ynelik olarak
hazrlanm zel yazlmlar ile bilgisayarlarda altrlmaktadrlar. Gnmzde ise,
gittike artan oranda youn ve karmak sinir alarn altrabilmek ve daha hzl ilem
yapabilmek iin zel donanmlar gelitirilmektedir.


2.2. YSAnn Yaps: Elemanlar ve Mimarisi



15



nceden de belirtildii gibi, yapay sinir alar insan beyninden esinlenilmi yaplardr.
Bu yzden, YSAlarn yapsn anlamak iin insan beyninin yapsn ve alma eklini
anlamak nemlidir. Bununla birlikte, tahmin edilebilecei gibi insan beyni, karmak
yaps ile anlalmas ve anlatlmas zor bir konudur. Hatta beynin alma ekli hala
tam olarak anlalamamtr. ok farkl bir disiplinin konusu olan bu temann burada
aklanmas gereksiz kalmaktadr. Ancak, en azndan konunun znn anlalabilmesi
asndan baz yararl bilgiler verilebilecei dncesi ile genel bir aklama
yaplmaktadr.

nsan beyni, sinir sisteminin merkezini oluturan temel elemandr. En basit ekilde,
srekli olarak iletilen bilgiyi alr, idrak eder (iler) ve uygun kararlar vererek gerekli
yerlere iletir. ok basit grnmekle birlikte aslnda olduka karmak olan bu yapnn
Haykin (1999) tarafndan kullanlan basit bir gsterimi ekil 2.3te sunulmaktadr.



ekil 2.3. Sinir Sisteminin Blok Diyagram.

ekilden takip edilebilecei gibi, dardan veya baka bir organdan gelen sinyaller
(uyar) alclar yoluyla sinir ana iletilir. Sinyaller burada ilemden geirilerek kt
sinyaller oluturulur. Oluturulan kt sinyaller ise ileticiler yoluyla d ortama veya
dier organlara iletilirler. ekil 2.3te Sinir A olarak gsterilen ortadaki blm, yani
beyin, sinir sisteminin merkezi konumundadr. Beynin temel yap talar ise sinir
hcreleri, dier bir ifadeyle nronlardr [31].

Beyin, ilevini birbirleri arasnda youn balantlar bulunan bu yap talar ile yerine
getirir. Nronlarn en belirgin zellii, vcudun dier blmlerinin tersine yeniden
retilmeyen belirli bir hcre tr olmasdr. Beynin dier temel yapsal ve fonksiyonel
birimleri olan balantlar (synapses) nronlar aras etkileimi salarlar. Dolaysyla,
beynin yapsnda bu balantlar da nemli bir yer tutmaktadr. Zaten beynin olduka


16



etkin alan bir organ olmasnn temel sebebi de bu youn balantl yapdr. Bu yap
sayesinde beyin, bugnk bilgisayar teknolojisinden kat kat daha etkin bir ekilde
alabilmektedir.

Beynin bu yaps etkinlik asndan olduu kadar bir dier nemli zellik asndan da
nem tamaktadr. Bu youn balantl yap beynin plastiklik (yenilenebilme) zelliini
de beraberinde getirmektedir. Plastiklik zellii, gelimekte olan sinir sisteminin
kendisini kuatan evreye adapte olmasn salamaktadr. Gelimi bir beyinde,
plastiklik iki mekanizma ile izah edilebilmektedir. Bunlar, nronlar arasnda yeni
balantlarn oluturulmas ve var olan balantlarn modifiye edilmesidir. Ayrca, bu
zellik renme kavram asndan da ok byk nem tamaktadr.

Plastikliin, nronlarn ilem yapabilmeleri iin gerekli bir zellik olduu
grlmektedir. nk renme sreci balant arlklarnn deitirilmesi veya yeni
balantlarn oluturulmas (hatta baz balantlarn iptal edilmesi) sayesinde
gereklemektedir. Bu iliki, yapay nronlar kullanarak beyinden esinlenilmi sinir
alar oluturulabilmesini salamaktadr.

YSA, beyinden esinlenildiklerinden dolay benzer yapya sahiptirler. Fakat, beynin
youn balantl ve komplike yapsnn sadece beyine zel bir zellik olduu
belirtilmelidir. Baka hibir yerde veya dijital bilgisayarda bulunmayan bu yapya
yaknsamak gnmz teknolojisine bile ok uzaktr. Yapay sinir alarn oluturmak
iin kullanlan yapay nronlar, beyindekilere kyasla olduka ilkel saylrlar.
Dolaysyla, yapay nronlar beynin youn balantl ve komplike yapsndan hala
olduka uzaktrlar ama genel yap olarak tutarldrlar. Dier bir ifadeyle, YSAlar,
komplike, ok ynl ve gl bir organizma olan beynin sadece en temel elemanlarn
kopyalamaya almaktadr. ekil 2.4te bir beyin hcre yapsn matematiksel olarak
modelleyen bir grafik gsterim yer almaktadr.


17




ekil 2.4. Yapay sinir hcresi modeli. X
i
, giri deerleri;
W
i
, balant arldr.

Yapay sinir alarnn genel yap olarak beyinden esinlenildii daha nce belirtilmiti.
Doal olarak, YSAnn temel elemanlar da yapay nronlardr (bundan sonra yapay
nron yerine sadece nron kelimesi kullanlmaktadr). Bu nronlar, aralarndaki
balantlar oluturularak ve tabakalar halinde gruplandrlarak yapay sinir alar
oluturulmaktadr.

nsann beyinsel gcnn bu yap talar birka genel ileve sahiptirler. Bir biyolojik
nron, temel olarak, dier kaynaklardan girdiler alr, belirli bir ekilde bunlar birletirir,
sonu zerinde bir ilem (genelde dorusal olmayan) uygular ve nihai sonucu retir.


18




ekil 2.5. Biyolojik Nronun Genel Yaps ve levleri.

ekil 2.5te grld gibi, tm doal nronlar drt temel bileene sahiptir. Bu
bileenler biyolojik isimleri ile bilinirler: dentrit (dendrite), ekirdek (soma), akson
(axon) ve balant veya sinaps (synapse). Dentritler, ekirdein saa benzeyen
uzantlardr ve girdi kanallar olarak ilev grrler. Bu girdi kanallar dier nronlarn
sinapslar araclyla girdilerini alrlar. Daha sonra ekirdek, gelen bu sinyalleri zaman
iinde iler. ekirdek, bu ilenmi deeri bir ktya dntrdkten sonra bu kty
akson ve sinapslar araclyla dier nronlara gnderir.

Yapay sinir alarnn temel ilem eleman olan yapay nronlar, doal nronlarn drt
temel fonksiyonunu simle ederler. Bir yapay nronun temel yaps, genel haliyle, ekil
2.6da sunulmaktadr. ekil 2.6da girdi deerler x(i) matematiksel sembol ile
gsterilmitir ve bu gsterimde i = 0,1,2,.,n deerlerini almaktadr. Bu girdi
deerlerin her biri bir balant arlyla arplmaktadr. Bu arlklar ise w(i) ile
gsterilmektedir. En basit yapda, bu arpmlar toplanr ve bir transfer fonksiyonuna
gnderilerek sonu retilir. Bu sonu daha sonra bir ktya dntrlr. Bu elektronik


19



uygulama deiik toplama fonksiyonlar ve transfer fonksiyonlar kullanabilir ve farkl
a yaplarnda uygulanabilir.



ekil 2.6. Yapay Nronun Genel Yaps.

ekil 2.7da ise YSAnn genel ilem admlarn grlmektedir. Grafiksel olarak
bahsedilen YSA sisteminin ilem admlarn ve alma mantn aklayc bir ekilde
gstermektedir. Ayrca burada geriye yaylma algoritmas yani hatay geriye yayma
zellii grlmektedir.



20





ekil 2.7. Yapay Nronun Genel lem Admlar.

ekil 2.6 McCullogh ve Pitts [32] tarafndan tanmlanan, biyolojik nronun basit
matematiksel modelinin gsterimi olarak da dnlebilir. McCullogh-Pitts modeli
incelendiinde, toplama fonksiyonu olarak dorusal bir fonksiyon ve transfer
fonksiyonu olarak birim adm fonksiyonu kullanlm olduu grlmektedir. Temelde
biyolojik nrona benzer bir ekilde, ilem eleman toplama fonksiyonu sonucunun
belirli bir eik deerinin altnda veya stnde olmasna gre ktsn iki ihtimal
arasndan seerek oluturmaktadr. Bu matematiksel modelin fonksiyonel gsterimi
denklem (1) gibidir.


21




( ) ( )
0 1,...,
0
; ( , )
n
ij i i n
i
yi g x w x Q x x x x R
=
| |
= = =
|
\

(1)

Bu gsterimde, y
i
kt deeri, (.) transfer fonksiyonunu, g(.) toplama fonksiyonunu,
w
ij
balant arlklarn ve Q
i
ise i nolu nron iin eik deerini gstermektedir. (.)
transfer fonksiyonu birim adm fonksiyonudur:

( ) .
1; (.) 0
0; (.) 0
g
g

(2)

g(.) toplama fonksiyonu ise x
j
girdilerinin dorusal bir bileimi olarak dnlmtr:
( ) .
0
n
ij i i
j
g w x Q
=
=

(3)

McCullogh-Pitts modelinde transfer fonksiyonu olarak birim adm fonksiyonu ve
toplama fonksiyonu olarak dorusal bir fonksiyon kullanlmakla birlikte YSA
alanndaki gelimelerle beraber farkl fonksiyonlarn kullanlabilmesi salanmtr.
ekil 2.8 iinde YSA modellerinde kullanlabilecek farkl fonksiyonlara baz rnekler
sunulmaktadr. Basite grlebilecei gibi, hangi fonksiyon kullanlrsa kullanlsn, bir
nron modelinin matematiksel ve fonksiyonel gsterimi deimeyecektir.

Bu yapda kullanlan fonksiyonlar temelde uygulama konusuna baldr. Baz
uygulamalar ikili (binary) veri seti gerektirir. Bu uygulamalara rnek olarak konuma
tanmlama ve metin tanma uygulamalar verilebilir. Bu tr uygulamalar, doal olarak,
sadece toplama fonksiyonu ieren nronlardan oluan alar kullanamaz. Bu alar
mantksal fonksiyonlar kullanabilir ve bu fonksiyonlar toplama ve transfer
fonksiyonlarna dahil edilebilir. Veya baz uygulamalar basit bir ekilde toplama ve
belirli bir eik deeri ile karlatrma eklinde bir ileme gereksinim duyabilirler. Bu
ekilde evet/hayr, doru/yanl veya 0/1 gibi iki olas sonu arasndan seim yaplabilir.
Baz fonksiyonlar ise girdi verileri zamanla ilikilendirebilir ve bu ekilde zamana bal
alar oluturulabilir.

ekil 2.8de, daha nce tanmlanan basit bir yapay nron yapsnn daha detayl bir
emas sunulmaktadr. ekilde, girdi deerler ilem elemanna st sol blmden


22



girmektedir. lemde ilk adm, bu girdi deerlerin her birinin ilgili arlklarla w(i)
arlklandrlmalardr. Bir nron genellikle, eanl olarak birok sayda girdi alr. Her
girdinin kendi nispi arl vardr. Bu arlklar, biyolojik nronlarn deien sinaptik
etkililikleri ile ayn grevi stlenirler. Her iki durumda da, baz girdiler dierlerine gre
daha nemli hale gelirler. Bu sayede, ilem elemannn bir sinirsel tepki retmesi
ileminde daha fazla etkili olurlar. Ayrca, arlklar girdi sinyalin glln
belirleyen adaptif katsaylardr. Yani, girdinin balant gcnn bir lsdr. Bu
balant gleri, eitli eitme setlerine gre deitirilebilirler.


ekil 2.8. Yapay Nronun Detayl Yaps

Arlklandrmadan sonra, bu deitirilmi girdiler toplama fonksiyonuna gnderilirler.
Toplama fonksiyonunda, adndan da anlalaca gibi, genelde toplama ilemi
yaplmaktadr fakat birok farkl ilem eidi toplama fonksiyonu iin kullanlabilir.
Toplama fonksiyonu, bu basit arpmlar toplamna ek olarak, minimum, maksimum,
mod, arpm veya eitli normalizasyon ilemlerinden birisi olabilir. Girdileri
birletirecek olan algoritma genellikle seilen a mimarisine de baldr. Bu
fonksiyonlar farkl ekilde deerler retebilir ve sonra bu deerler ileri doru gnderilir.
Ek olarak, uygulamac kendi fonksiyonunu oluturup toplama fonksiyonu olarak
kullanabilir. Baz toplama fonksiyonlar, transfer fonksiyonuna iletmeden nce,
sonular zerinde ilave ilemler yaparlar. Bu ilem aktivasyon fonksiyonu olarak
adlandrlan ilemdir. Bir aktivasyon fonksiyonu kullanmann amac toplama


23



fonksiyonu ktsnn zamana bal olarak deimesini salamaktr. Fakat aktivasyon
fonksiyonu literatr henz tam olarak gelimemitir. Bundan dolay, ou yapay sinir
anda birim aktivasyon fonksiyonu kullanlmaktadr. Birim aktivasyon fonksiyonu ise
bir aktivasyon fonksiyonu kullanlmamas ile ayn anlama gelmektedir. Ayrca,
aktivasyon fonksiyonu, her ilem birimi iin ayr ayr kullanlan bir bileenden ziyade
an genel bir bileenidir. Yani, oluturulan bir a yapsnda, tm ilem elemanlar ayn
aktivasyon fonksiyonunu kullanrlar.

Sonraki aamada toplama fonksiyonunun kts transfer fonksiyonuna gnderilir. Bu
fonksiyon, ald deeri bir algoritma ile gerek bir ktya dntrr. Transfer
fonksiyonu genellikle dorusal olmayan bir fonksiyondur. Dorusal fonksiyonlar
genelde tercih edilmez nk dorusal fonksiyonlarda kt, girdi ile orantldr. Bu
durum, ilk YSA denemelerinin baarszlkla sonulanmasnn temel nedenidir [33].

Genellikle kullanlan transfer fonksiyonlar eik, sigmoid, hiperbolik tanjant vb.
fonksiyonlardr. Bu fonksiyonlar arasnda en ok kullanlanlar ekil 2.9da
rneklenmitir. Transfer fonksiyonunun sonucu genellikle ilem elemannn ktsdr.
Transfer fonksiyonunun alma yaps ekil 2.10da sigmoid fonksiyon kullanlarak
rneklenmektedir. Sigmoid transfer fonksiyonu, toplama fonksiyonundan gelen ve
ekilde Toplam olarak gsterilen deeri alr ve sfr ile bir arasnda bir deere
dntrr. Sfr ile bir arasndaki bu deer transfer fonksiyonunun ve dolaysyla ilem
elemannn ktsdr ve d ortama veya girdi olarak baka bir nrona iletilir. Transfer
fonksiyonu ilemi ncesinde, sisteme tekdze (uniform) dalm bir rassal hata
eklenebilmektedir. Bu rassal hatann kayna ve bykl, an renme ilemi
srecinde belirlenir. Sisteme byle bir hata teriminin eklenmesinin sebebi, insan
beyninin ilevinin, iinde bulunduu ortamn artlarndan (rnek olarak scak/souk
olmasndan) etkileniyor olmasdr. Bu yzden, YSA literatrnde rassal hata ekleme
ilemi scaklk (temperature) olarak da adlandrlmaktadr. Gnmzde, rassal hata
kullanm fiilen tam olarak yerlememitir ve halen bir aratrma sreci ierisindedir.
Ayrca, baz alarda, transfer fonksiyonunun kts zerinde baka ilemler,
leklendirme ve snrlandrma, yaplabilmektedir.



24





ekil 2.9. En ok Kullanlan Transfer Fonksiyonlar.

Transfer fonksiyonundan kan deer ilem elemannn da ktsdr. Fakat baz
durumlarda ilem elemannn bu kty bir kt fonksiyonu ile bir dnme uratmas
gerekebilmektedir. Bu kt, an yapsna gre, girdi olarak baka bir ilem elemanna
veya bir d balantya gnderilir. Tm YSAlar, yukarda temel elemanlar anlatlan bu
temel yap talarndan yani nronlardan oluturulurlar. Bu yap talarnn dizayn, sinir
a sanatnn, baka bir deyile mimarisinin oluturulmasnn ilk blmdr. Bu sanatn
ikinci blm ise bu ilem elemanlarnn kmelendirilmesi ve birbirleri arasndaki
balantlarn oluturulmasn ierir. Beyinde kmelendirme, bilginin dinamik,
etkileimli ve kendiliinden organize bir ekilde ilenmesini salayacak ekildedir.
Biyolojik sinir alar boyutlu uzayda mikroskobik elemanlarla oluturulur. Bu
nronlar hemen hemen snrsz sayda balantlar ierirler. Bu, yapay sinirler iin
mmkn deildir. Bugnk teknoloji ile iki boyutlu ortamda ve belirli sayda balant


25



ieren nronlar oluturulabilmektedir. Bu durum, YSAlarn yetenek ve eitlerini
snrlamaktadr.


ekil 2.10. Transfer Fonksiyonunun alma Yaps.

YSAlarda, yapay nronlar basit bir ekilde kmelendirilmektedirler. Bu kmelendirme
tabakalar halinde yaplmaktadr ve daha sonra bu tabakalar bir dierine
ilikilendirilmektedir. Temel olarak, tm YSAlar benzer bir yapya sahiptirler. Byle
bir genel yap ekil 2.11de gsterilmektedir. Bu yapda, baz nronlar girdileri almak
iin baz nronlar ise ktlar iletmek iin d mekn ile balantl haldedirler. Geri
kalan tm nronlar ise gizli tabakalardadrlar, yani sadece a iinde balantlar vardr.
nemli olan nokta, bir sinir ann, bir nronlar yumandan daha komplike olmas
gerektiidir. YSAlarn ilk yllarnda, baz aratrmaclar, nronlar arasndaki
balantlar rassal olarak oluturmular ve olumsuz sonularla karlamlardr. Bir
yapy dizayn etmenin en kolay yolu elemanlar tabakalandrmaktr. Burada
tabakalandrmann blm vardr. Bunlar, nronlar tabakalar halinde
gruplandrmak, tabakalar arasndaki balantlar gruplandrmak ve son olarak ise
toplama ve transfer fonksiyonlarn gruplandrmaktr.


26





ekil 2.11. YSAlarn Genel Yaps.

Tek tabaka ya da tek eleman ieren baz baarl alar oluturulabilmesine ramen ou
uygulamalar en az tabaka (girdi tabakas, gizli tabaka ve kt tabakas) ieren alara
ihtiya duymaktadr. Girdi tabakas, dardan girdileri alan nronlar ierir. Ayrca,
nemli olan bir nokta, girdi tabakasndaki nronlarn girdi deerler zerinde bir ilem
uygulamamasdr. Sadece girdi deerleri bir sonraki tabakaya iletirler ve bu yzden de
baz aratrmaclar tarafndan alarn tabaka saysna dhil edilmezler. kt tabakas ise
ktlar dar ileten nronlar ieren tabakadr. Girdi ve kt tabakalar tek tabakadan
oluurken bu iki tabaka arasnda birden fazla gizli tabaka bulunabilir. Bu gizli tabakalar
ok sayda nron ierirler ve bu nronlar tamamen a iindeki dier nronlarla
balantldrlar. ou a trnde, gizli tabakadaki bir nron sadece bir nceki tabakann
tm nronlarndan sinyal alr. Nron ilemini yaptktan sonra ise ktsn bir sonraki
tabakann tm nronlarna gnderir. Bu yap an kts iin bir ileri besleme patikas
oluturur. Bu bir nrondan dierine olan iletiim hatt, sinir alar iin nemli bir
paradr.



27



Baz alarda, bir nron ayn tabakadaki baka nronlara engel (inhibit) oluturabilir. Bu,
yanal engelleme (lateral inhibition) veya rekabet (competition) olarak adlandrlr ve en
ok kt tabakasnda kullanlr.

Dier bir balant ekli ise geri yaylmadr (feedback). Geri yaylma balant, bir
tabakann ktsnn nceki tabakaya gnderilmesidir ve ekil 2.12de yanal engelleme
ve rekabet kavramlaryla birlikte rneklenmektedir.


ekil 2.12. Geri Yaylma Balant Yaps.

Nronlarn dier nronlara balanma ekli an almasn nemli derecede
etkilemektedir. Bugn, byk ve profosyonel yazlmlarda kullanc bu balantlar
zerinde istedii gibi ekleme, kaldrma ve kontrol ilemi yapabilmektedir.

Bu noktaya kadar sunulan bilgiler, YSAlarn matematiksel gsterimlerinin de daha net
bir ekilde anlalmasn salayabilecektir. Daha nce, McCullogh-Pitts tarafndan
tanmlanan nron modelinin fonksiyonel gsterimi (Denklem-1) verilmiti. Belirli bir
fonksiyon varsaym ierilmeden, ekil 2.7teki gibi basit bir yapay nron iin denklem-
1de verilen matematiksel notasyon u ekilde genelletirilebilir:


28




( ) ( ) ( )
0 1
0
; , ,.....,
i
n
j j i n
j
y g x w w x x x x x R
=
| |
= = + =
|
\

(4)

Burada deiken ve parametreler McCullogh-Pitts modelinde akland gibidir.
Denklem-4 tek bir yapay nronun matematiksel gsterimini vermektedir ama ayn
zamanda tek nrondan oluan bir sinir a gsterimi olarak da dnlebilir. Oysa bir
sinir a, tabakalar halinde sralanm birok nron iermektedir. Dolaysyla, tek
nrona ait bu notasyonun btn bir sinir ann matematiksel gsterimini verecek
ekilde dzenlenmesi gerekmektedir. y = f ( x
0
, x
1
, x
2
, ..., x
n
) fonksiyonel ilikisini
modelleyen bir sinir a yaps dnlrse, girdi tabakasnda n+1 adet nron ve kt
tabakasnda bir adet nron olacaktr. Sinir ann gizli tabaka iermemesi durumunda
an fonksiyonel gsterimi Denklem-4deki tek nrona ait fonksiyonel gsterim ile ayn
olacaktr. nk girdi tabakasndaki nronlar girdi deerler zerinde bir ilem
uygulamazlar, sadece girdi deerleri bir sonraki tabakadaki nronlara aktarrlar. Bu
yzden, sinir alar tanmlanrken tabaka says bir eksik gsterilir. Dier bir ifadeyle,
bir girdi tabakas, bir gizli tabaka ve bir kt tabakasna sahip bir sinir a tabakaya
sahip olmasna ramen 2-tabakal a olarak tanmlanr. Girdi tabakasnda ilem
yaplmamasndan ve kt tabakasnda da tek nron olmasndan dolay, sinir a ilem
yaplan tek nrona sahiptir ve doal olarak fonksiyonel gsterimi Denklem-4teki gibi
olacaktr.

Dier taraftan, sinir ann gizli tabaka iermesi durumunda fonksiyonel yap
deiecektir nk ilem yaplan nron says artacaktr. Bir gizli tabaka iermesi
durumunda, fonksiyonel gsterim aadaki gibi olacaktr:

1 1
1
k j j ij j jk
i j k
y f w f w x

| |
| |
|
|
|
|
\
\
= + +

(5)

Denklem-5 daha nce aklanmam olan baz parametre ve fonksiyonlar iermektedir.
y
k
kt deerleri gsterirken, f
k
kt tabakas transfer fonksiyonunu gstermektedir.
k
kt tabakasna ait sapma deerini, W
j
kt tabakasna ait arlklar, f
j
ve
j
srasyla
gizli tabakaya ait transfer fonksiyonunu ve sapma deerini, x
i
girdi deerleri ve w
ij
ise i


29



girdi elemann j gizli elemanna balayan arl temsil etmektedir. ki gizli tabaka
olmas durumunda ise bu fonksiyonel gsterim Denklem-6 eklinde olacaktr. Gizli
tabaka says arttka bu gsterim de benzer ekilde deimeye devam edecektir.

1 1 1 1
1 1
j j ij j k k jk
k j k i
y f w f w f w x

| |
| |
| |
|
|
|
|
|
\
\
\
= + + +

(6)

Belirli bir uygulamaya ynelik bir a yaplandrldktan sonra, bu a artk eitilmeye
hazr durumdadr. Bu aama, daha nce deinilmi olan deneyim yoluyla renme
zellii iin kilit nem tamaktadr. nk bu, balant arlklarnn belirlendii
aamadr. Genel olarak, balang arlklar rassal olarak seilir ve eitme, ya da dier
bir ifadeyle renme ilemi balar. Eitme ilemi iin ynlendirmeli (supervised) ve
ynlendirmesiz (unsupervised) olmak zere iki yaklam vardr. Ynlendirmeli
eitme, an kt iin istenilen veri deerleri verebilmesi iin girdi-kt ilikisini elde
edebilmesini salayacak bir mekanizma iermektedir. Ynlendirmesiz eitme ise d
mdahale olmakszn, girdilerin a tarafndan analiz edilmesi ve bu analiz sonucunda
balantlarn oluturulmasdr.

Kullanlan alarn byk ounluu ynlendirmeli eitmeyi kullanr. Ynlendirmesiz
eitme, girdiler iin baz karakter belirleme durumlarnda kullanlr. Bununla beraber,
kendi kendine renme kavram parlak bir gelime potansiyeli tasa da gnmzde tam
olarak almamaktadr. Ynlendirmeli eitmede hem girdi hem de kt veriler
kullanlr. ncelikle, a rassal olarak belirlenen balang arlklarn kullanarak
girdileri iler ve kty istenilen kt ile karlatrr. Elde edilen hatalar sistem iinde
geriye gnderilir ve bu hatalar kullanlarak a kontrol eden balant arlklar
gncellenir. Bu ilem defalarca tekrarlanr ve balant arlklar srekli olarak ayarlanr
(tweaked). Eitme srasnda kullanlan veri seti eitme veri kmesi (training set)
olarak adlandrlr. Bir an eitilmesi srasnda, ayn veri seti balant arlklar
belirleninceye kadar defalarca ilemden geirilir.

Bugn, yapay sinir a oluturmaya ynelik programlar, bir an doru cevab
ngrebilme yeteneine nasl yaknsadn gzlemlemeye ve test etmeye ynelik
aralar salamaktadr. Dier taraftan, sistem yalnzca (istatistiksel olarak) istenilen
noktaya veya dorulua ulanca durdurulmaktadr ve bu durum da dier aralarla


30



birleince eitme ilemleri gnlerce srebilmektedir. Bu arada, baz alar renme
ilevini hi yapamayabilir. Bunun sebebi girdi verinin istenen ktya ait belirli bir bilgi
tamamas olabilir. Ayrca, tam renmeyi salayacak kadar yeterli veri olmamas
durumunda a yaknsamayabilir. deal olarak, gerekli testlerin yaplabilmesi iin veri
setinin bir blmnn ayrlabilecei kadar geni bir veri seti gereklidir. Fazla sayda
ilem eleman ieren ok tabakal alar veri iin hafza oluturabilme yeteneine
sahiptirler. An hafzaya alma srecinin yeterli olup olmadnn gzlenebilmesi iin
ise, ynlendirmeli eitmede veri setinin bir blm, eitme sonrasnda gerekli testlerin
yaplabilmesi iin ayrtlmaldr.

Dier taraftan, bir an ilgili problemi zememesi durumunda kullancnn
yapabilecekleri iki gruba ayrtlabilir. lk grup an yapsnn gzden geirilmesini
kapsar. Daha ak olmak gerekirse, girdi ve kt verileri, tabaka says, her tabakadaki
eleman says, tabakalar arasndaki balantlar, toplama, transfer ve eitme
fonksiyonlar ve hatta balang arlklar gzden geirilmelidir. Tm bu kriterler,
yapay sinir alarnn sanatsal blm olan baarl bir a oluturmak iin gereklidir.
Dier grup ise kullancn tercihine ve yaratclna bal olan eitme kurallarn
iermektedir. Eitme srasnda arlklarn ayarlanabilmesi iin gerekli uyarlamal geri
beslemeyi salayacak ok sayda deiik eitme kural (algoritma) vardr. En yaygn
olan teknik geriye doru hata beslemesi ya da bilinen ismiyle geri yaylmadr. Bu
eitme kurallar daha sonra ayrntl olarak aklanacaktr.

Eitme konusunda dier bir nemli nokta ise renmenin srekli devam edeceidir. Bir
optimum noktaya gelindiinde, YSA veri setinin genel istatistiksel trendine gre
kendisini biimlendirir. Bu noktadan sonra ise eitmeye devam edilmesi durumunda a
renmeye devam edecektir. Bu aamada, a veri setinden hatal (spurious) ilikiler
kartmaya balayabilir. Bu yzden ar eitme sorununa dikkat edilmeli ve eitme
uzunluu iyi ayarlanmaldr.

Eitme ilemi doru bir ekilde tamamlandnda, yani hem daha fazla renmeye
gerek kalmam hem de ar eitme yaplmamsa, istenildii takdirde arlklar
dondurulabilir. Bazen, an ortaya kan son hali bir donanma (hardware) evrilerek
daha hzl almas salanabilmektedir. Dier sistemler ise kullanlrken de renmeye
devam edebilirler.


31




Dier eitme yaklam olan ynlendirmesiz yaklam ayrca adaptif eitme olarak da
adlandrlr. Bu eitme yaklamnda, aa girdi salanr ama istenilen kt deerler
salanmaz. Sistem girdi veriyi gruplandrmak iin hangi zellikleri kullanacana kendi
kendisine karar verir ki bu yntem kendi kendine renme (self-organization) veya
adaptasyon olarak bilinir. Gnmzde, ynlendirmesiz eitme tam olarak
anlalamam durumdadr. Uyarlamal eitmenin nc aratrmaclarndan birisi Tuevo
Kohonendir [37]. Kohonen, doru cevab bilmenin faydalarndan yararlanmadan
renen bir a gelitirmitir. Bu a, birok sayda balants olan tek tabakaya sahip
olmas nedeniyle biraz sra d saylabilir. Ayrca, dier belirgin zellik olarak, bu an
balant arlklar iin balang deerleri verilmelidir ve girdi deerler normalize
edilmelidir.

Kohonen, daha sonra almalarn bu standart yapnn dndaki alara, ileri besleme ve
geri yaylma yaklamlarna yneltmitir. Kohonenin almas nronlar belirli
alanlara gruplandrmakla ilgilidir. Bir alann ierdii nronlar topolojik olarak
sralanmtr (topologically ordered). Topoloji, matematiin bir daldr ve geometrik
yapy deitirmeden bir boyuttan dierine haritalamann (mapping) nasl yaplaca ile
ilgilenir. Kohonen, sinir a modellerinde topolojik sralamann olmamasnn bugnk
sinir alarn, beyin iindeki gerek sinir alarnn basit bir karm (abstraction) haline
getirdiini belirtmitir. Bu aratrmalar devam ettike daha etkili kendi kendine renen
alar elde edilebilir. Fakat u an iin bu alan sadece deney ortamlarnda kalmaktadr.

renme (veya adaptasyon) YSAlarn yaps iinde nemli bir yere sahiptir. nk
YSAlarn baz nemli zellik ve avantajlarnn kaynan oluturmaktadr. Bu yzden,
YSA yaps iindeki renme srecine ynelik elemanlar byk nem tamaktadr. Bu
elemanlarn ilki renme fonksiyonudur. renme fonksiyonunun amac her ilem
elemannn girdilerine ait deiken balant arlklarn ayarlamaktr. Girdi balant
arlklarnn, istenilen sonucu elde edecek ekilde deitirilmelerini salayan bu ilem
adaptasyon fonksiyonu olarak da adlandrlmaktadr.

kinci eleman ise hata fonksiyonudur. renme fonksiyonunun gerekli ayarlamalar
yapabilmesi iin yanlma paynn biliniyor olmas gerekmektedir. Hata fonksiyonu, bu
amaca ynelik olarak, o anki kt ile istenilen kt arasndaki fark, hatay, hesaplar ve


32



gerekiyorsa bir transformasyon uygular. Bu hata, literatrde cari hata (current error)
olarak adlandrlr ve bu hata veya transformasyonu salanm hali (geri yaylma deeri)
genellikle nceki tabakaya geri yaylr. Bu geri yaylma deeri, bir sonraki renme
dngsnde renme fonksiyonu tarafndan balantlar ayarlamak iin, tabii ki gerekli
ise, kullanlr.

Dier bir eleman ise renme orandr. renme oran, renme srecinin hz ve ilevi
asndan nemlidir. nk YSAlarn renme gc ile hz ters orantldr. Basit bir
ekilde, bir admda daha fazla renme, daha dk bir hz ve dolaysyla daha fazla
zaman anlamna gelmektedir. Dier bir ifadeyle, daha fazla hz daha az renme
anlamna gelmektedir. Sonu olarak, bir an ne kadar eitilecei sorusu renme
oranna baldr. renme orannn belirlenmesinde ise an karmaklk dzeyi,
bykl, mimarisi, kulland renme kural ve istenilen doruluk derecesi gibi
birok faktr rol oynar. ou renme fonksiyonu, renme oran iin belirli
standartlara sahiptir. renme oran genellikle (0,1) gibi bir aralk iinde belirlenir. Bu
aralkta, renme orannn kk deer almas, yava bir renme sreci getirecektir.
Dier taraftan ise, renme srecinin kk admlar halinde olmas maksimum
doruluk derecesine yaknsamay getirebilecektir [34], [35], [36], [37].

2.3. YSA eitleri

YSAlarn ok sayda farkl eitleri vardr. Bu farkllklarn kayna mimarisi, renme
yntemi, balant yaps vb. olabilmektedir. Genel olarak, YSAlar ana kritere gre
snflandrlmaktadrlar. Bu kriterlerden biri renme yntemidir. nceki blmde
belirtildii gibi, temel olarak iki eit renme algoritmas vardr: ynlendirmeli
renme ve ynlendirmesiz renme. Her yntemin kulland renme kural
deiebilmekteyse de, YSAlar bu iki algoritmaya gre snflandrlrlar.

kinci bir snflandrma, an kulland veriye gre yaplmaktadr. Temel olarak,
kalitatif ve kantitatif olmak zere iki tr veri vardr. Kalitatif verilerle alan alar, ister
ynlendirmeli ister ynlendirmesiz renme kullansn, snflandrma alar olarak
bilinirler. Kantitatif veriler kullanan ynlendirmeli eitme ise regresyon olarak
adlandrlmaktadr.



33



Son snflandrma kriteri ise an yapsdr. Baz alar ileri besleme eklinde
yaplandrlrken, baz alar ise geri besleme yaps iermektedir. leri besleme sinir
alarnda, ilem elemanlar arasndaki balantlar bir dng oluturmazlar ve bu alar
girdi veriye genellikle hzl bir ekilde karlk retirler. Geri beslemeli alarda
(Recurrent Networks) ise balantlar dng ierirler ve hatta her seferinde yeni veri
kullanabilmektedirler. Bu alar, dng sebebiyle girdinin karln yava bir ekilde
olutururlar. Bu yzden, bu tr alarn eitme sreci daha uzun olmaktadr. Ayrca, hem
ileri besleme hem de geri yaylma olarak tanmlanabilecek a yaplar da mevcuttur.
ekil 2.13te bir kyaslamaya imkn tanyabilmek iin, ok tabakal ileri besleme a
yaps ile birlikte ok tabakal geri besleme a yaps rneklenmektedir.



ekil 2.13. leri Beslemeli ve Geri Beslemeli A Yaplar.

Bu ok geni YSA eitleri yelpazesinde en ok bilinen ve kullanlan alar arasnda hata
algoritmas genellikle geri yaylma ile eitilen ok tabakal perceptron

(Geri-Yaylma
A Backpropagation Network), radyal tabanl fonksiyon (radial basis function),
Hopfield ve Kohonen saylabilir. ok fazla eit ve youn bir literatr olmas nedeniyle,
burada tm a eitleri hakknda bilgi verilmemektedir.

Bunun yerine almada
kullanlan YSA eitleri olan ok Katmanl Yapay Sinir A (KYSA), Radyal Tabanl
Yapay Sinir A (RTYSA), Bulank karm Sistemli Yapay Sinir A (ANFS)
hakknda bilgi verilecektir.

2.4. almada Kullanlan Yapay Sinir Alar Metotlar ve Anahtar Erisi



34



2.4.1. ok Katmanl Yapay Sinir Alar (KYSA) Mimarisi

Giri ve k katmanlar arasnda en az bir ara tabakaya sahip ileri beslemeli bir
mimariye sahip adr. Ara tabakalar, giri ve k tabakasndaki sinir hcreleri ile
dorudan balants olan gizli hcre ad verilen sinir hcrelerinden olumaktadr. Gizli
hcrelerin oluturduu bu tabakalara gizli veya ara tabaka ad verilmektedir. ok
tabakal (multilayer) YSA modeli mimarisi ekil 2.14te gsterilmitir. YSA mimarisini
oluturan tabakalar aadaki zelliklere sahiptir.

1) Giri tabakas: Giri verilerinin girdi olarak alnd hcrelerden oluan tabakadr. Bu
tabakaya giri verileri normalize edildikten sonra verilir. Bu tabakada giri says kadar
hcre bulunur. Giri tabakas verileri ilemez ve sabit olarak bir sonraki gizli tabaka
hcrelerine datrlar.



ekil 2.14. ok katmanl sinir a mimarisi.

2) Gizli tabaka: Giri ve k tabakas arasnda kalan tabaka veya tabakalardr. Bu
tabakadaki hcre says eitim srasnda retici tarafndan probleme uygun olarak
belirlenir. Bu tabaka giri tabakasndan ald verileri kullanlan aktivasyon
fonksiyonuyla ileyerek bir sonraki tabakaya iletir. Bir sinir a mimarisinde gizli
tabaka genellikle bir veya iki tabaka eklinde bulunmaktadr.

i
n
1
2



x
2

x
1

x
i

x
n

w
ij








w
jk







y
1

y
2

y
k

y
l

Hata Sinyalleri

Giri Sinyalleri

1
2
j
m
k
2
1
l
Girdi
Katman
kt
Katman
Gizli
Katman
i


35



3) k tabakas: An k deerlerinin elde edildii tabakadr. Bu tabakadaki hcre
says, giri tabakasna verilen giri deerleri iin hedeflenen k says kadardr ve
normalize edilmi deerlerden olumaktadr.

2.4.1.1. ok Tabakal Geri Yaylmal A Denklemleri

ok tabakal tekli dorusal alglayclarn eitimi iin geri yaylma algoritmas
kullanlmaktadr. Bu algoritma her renme dngsnden sonra belirlenen hataya gre
a arlklarnn deitirilmesi ana prensibine dayanmaktadr. Bu a algoritmasnda her
bir giri deeri a arlklar ile arplarak bir sonraki gizli tabakaya iletilir. Gizli
tabakalardaki hcrelerde toplanan bilgiler aktivasyon fonksiyonundan geirilerek ikinci
bir gizli tabaka yoksa an k deerleri kt tabakasna iletilir. An k deerleri ile
hedeflenen (gerek) k deerleri karslatrlarak an hatas belirlenir. Elde edilen
hata kabul edilebilir snrlar ierisinde deilse, bu hata deerine gre a arlklar
deitirilerek ilemlere, hata oran kabul edilebilir snrlar dzeyine gelinceye kadar
devam edilir.

ekil 2.15. tabakal sinir a mimarisi.


Yukarda bahsedildii gibi ok tabakal geri yaylmal bir an ilemleri aadaki
formllerle aklanabilir. Belirli bir renme dngs sonucunda Sekil 2.15te
grld gibi gizli tabakadaki bir j hcresinin giri bilgilerinin toplam Denklem-7ye
gre hesaplanmaktadr


36




( )
1
n
ij i
j
i
net w x
=
=

(7)
Daha sonra (net)j deeri Denklem-8de gsterildii gibi aktivasyon fonksiyonundan
geirilerek j hcresinin k deeri elde edilir.

( )
1
n
i ij i
j
i
net w x z
=
| |
= =
|
\

(8)

( )
1 1 1
k k n
jq j jq j ij i
q
i i i
net v z v z w x
= = =
| |
= =
|
\

(9)

k tabakasndaki bir q hcresinin giri deeri Denklem-9 gibi elde edilir. Ayn q
hcresinin k deeri (net)
q
deerinin k tabakas aktivasyon fonksiyonundan
geirilmesi ile Denklem-10 eklinde elde edilir.

( )
1 1
k n
q jq j ij i
q
j i
net v z w x y
= =
(
| |
= =
( |
\


(10)

Daha sonra d
q
istenen deer, y
q
an k deeri ve m ise k tabakasndaki hcre
says olmak zere Denklem-11 eklinde elde edilir.

( )
( ) ( )
2 2
1 1 1 1
1 1 1
2 2 2
m m m k
q q q q jq j V q
q q q j
d y d net d v z E
= = = =
(
| |
(
= = =
( |

( \


(11)

k tabaksndaki a arlklarnn deiimi, renme oran olmak zere Denklem-12
ifadesi ile verilebilir.

jq
jq
E
v
V

(12)

Hatann a arlklarna gre trevine zincir kural uygulanrsa Denklem-13ten
yararlanlarak Denklem-14 elde edilmektedir.

( )
( )
( ) ( )
0
q
jq q q j q j
jq q
y net q E
v d y net q z z
V net q y

( ( (
( ( ( = = =
( ( (


( (

(13)


37




Burada; ( )
q
net ifadesi Denklem-14 gibi ifade edilmektedir.
( )
( )
( )
q
q
q
net
net
net
=

(14)

Burada z
j
; j hcresinin k deeri ve
0q
; k tabakasndaki q hcresinin hata
sinyalidir. Zincir kuralndan hata sinyali Denklem -15teki gibi bulunur.

( )
( ) 0
( ) ( )
q
q q q
q
q q q
y
E
d y net
y net
E
net

( (

(
( = = = =
( (



( (

(15)

Denklem-12 ile 15 arasndaki denklemler ara tabaka iin uygulanrsa ara tabaka a
arlklar deiimi ve ara tabaka yerel eimi (rampas) srasyla Denklem-16 ve 17
seklinde kolaylkla elde edilebilir.

( )
( )
( )
( )
j j j
ij hj i
ij ij j ij
j j
net net
z
E E E
w z
w net w z net w

( ( ( ( ( (

= = = = ( ( ( ( ( (

( ( ( ( ( (

(16)

( ) ( )
( )
0
1
m
j
hj q jq
j
q
j
j j
z
E
net w
net z net
E

=
(
( | |

= = = (
( |

( ( \

(17)

Eitim srasnda r renme dngs sonras a arlnn deiim deerleri bulunur ve
(r+1) renme dngsnde q a arlklarnn deiimi k ve gizli tabaka iin
Denklem-18 ve Denklem-19 seklinde elde edilir.

( ) ( ) ( ) ( ) ( )
0
1
jq jq jq j q
r nv r v r r z r v + = = + (18)

( ) ( ) ( ) ( ) ( )
0
1
jq jq jq j q
r nw r w r r x r w + = = + (19)

(r+1) renme dngsndeki a arlklar, r renme dngsndeki a arlklarna
Denklem-16 ve 17deki deerlerin eklenmesi ile Denklem-18 ve 19 elde edilir.





38



2.4.1.2. Aktivasyon Fonksiyonlar

YSA hcre modellerinde kullanmak iin, hcrenin gerekletirecei ileve gre eitli
tipte aktivasyon fonksiyonlar bulunmaktadr. Aktivasyon fonksiyonlar sabit
parametreli ya da uyarlanabilir parametreli olarak seilebilir. En uygun tanmlamann
yaplabilmesi iin aktivasyon fonksiyonunun seilmesi nemlidir. Aada, YSA hcre
modellerinde yaygn kullanlan aktivasyon fonksiyonlar hakknda bilgiler verilmitir.

2.4.1.2.1. Dorusal Aktivasyon Fonksiyonu

Dorusal bir problemi zmek amacyla yapay sinir alarnda ya da genellikle tabakal
yapay sinir alarnn k tabakasnda kullanlan dorusal fonksiyon, hcrenin net
girdisini dorudan hcre k olarak belirleyip hesaplamaktadr. Dorusal aktivasyon
fonksiyonunun matematiksel ifadesi i bir sabit say olmak zere Denklem-20de
verilmitir. Dorusal aktivasyon fonksiyonu Sekil 2.16da grlmektedir.

( ) ( ) net net f = ise
1
n
y w x
i i
i

| |
|
|
\
=

=
(20)




ekil 2.16. Dorusal aktivasyon ilemcisi.

2.4.1.2.2. Eik Aktivasyon Fonksiyonu

Eik aktivasyon fonksiyonunun en nemli zellii tm girdi deerlerine karlk sadece
iki eit kt retmesidir [8]. McCulloch-Pitts modeli olarak bilinen eik aktivasyon


39



fonksiyonlu hcreler, mantksal k vermektedir ve genellikle snflandrc alarda
tercih edilmektedir. Tekli dorusal alglayc olarak bilinen esik aktivasyon fonksiyonu
Sekil 2.17de verilmitir. Bu aktivasyon fonksiyonun hcrelerinin matematiksel ifadesi
Denklem-21deki gibi tanmlanabilmektedir. Burada (0,1) arasnda tanmlanan eik
deerler istenildii takdirde (-1,1) arasnda da tanmlanabilir.

( ) ( )
( )
( )
n
i
i=1
1 eger net 0
y= w
0 eger net 0
i
net net ise x f

| |
= =
`
|
\
)

(21)





ekil 2.17. Eik aktivasyon fonksiyonu.

2.4.1.2.3. Sigmoid Aktivasyon Fonksiyonu

Sigmoid aktivasyon fonksiyonu, kolayca trevi alnabilir, srekli ve dorusal olmayan
bir fonksiyon olmas nedeniyle dorusal olmayan problemlerin zmnde kullanlan
sinir alarnda yaygn olarak kullanlmaktadr. Tek ve ift ynl sigmoid aktivasyon
fonksiyonun matematiksel olarak gsterimi srasyla Denklem-22 ve 23te verilmitir.
Bu fonksiyon deikenine bal olarak Sekil 2.18de grld gibi eriler halinde
ortaya kmaktadr. Denklem-22 ve 23te matematiksel ifadeleri verilen sigmoid
aktivasyon fonksiyonu (0,1) aralnda ktlar vermektedir. stenildii takdirde
fonksiyon ktlar (-1,1) ve (-5,5) aralnda da ayarlanabilir. Sinir alarnda bu
aktivasyon fonksiyonlardan baka rampa aktivasyon fonksiyonu, hiperbolik aktivasyon
fonksiyonu, Gauss aktivasyon fonksiyonu gibi birok aktivasyon fonksiyonu
kullanlmaktadr.


40




( )
( )
1
1 1
ise y=
1
1
n
w x
i i
i
net
f net
e
e

=
| |
|
\
=
+
+
(22)

( )
( )
( )
( )
( )
1
1
1 1
ise y=
1
1
n
w x
i i
i
n
w x
i i
i
net
net
e e
f net
e
e

=

=

=
+
+
(23)





ekil 2.18. Sigmoid aktivasyon fonksiyonu.

2.4.2. Radyal Tabanl Yapay Sinir Alar(RTYSA) Mimarisi

RTYSA ok boyutlu problemler iin en uyumlu sonu veren YSA tekniklerinden
biridir. RTYSA mimarisinde, girdi katmanndan gizli katmana (radyal tabanl katman)
dorusal olmayan ve gizli katmandan kt katmanna dorusal bir dnm uygulanr.
nterpolasyon zellii ok iyi olmas nedeniyle RTYSAlar, eitim iin kullanlan
verilerin arasnda ve yakn civarnda arama yapmak iin uygundur. Bu nedenle
eniyileme almalarnda RTYSA tercih edilmektedir.

ekil 2.19da RTYSAnn yapsn gstermektedir. Bu ekilde n adet giri ve ara
tabakadan oluan ve arlklar(W
pm
) grafiksel olarak gsterilmitir.




41






ekil 2.19. RTYSA yaps.


RTYSAda, m adet rnek ieren eitim seti ve her rnekteki n adet parametreden oluan
girdi verilerine (x) bal olarak,

( ) ( )
( )
2
1
i=1, ve k=1,m
n
k k i
i j j
j
k k
i i
x x
h u
u

=
=
=

(24)

[ ]{ } { } h w f =

denklemleriyle, her bir girdi grubu iin nce m adet radyal taban (h) ve sonra kt
deerlerine (f) bal olarak, gizli katman ile kt katman arasndaki arlklar wj
hesaplanr. Eitim setindeki m adet rnein tamam radyal merkez olarak
kullanldnda, [h] matrisi m x m boyutunda kare matris olur. Burada denklem-25te
radyal fonksiyondur ve deiik ekillerde tanmlanmaktadr. Bu almada yaplacak
uygulamalarda Gauss formunda



42



( )
u
rs
u e

= (25)

ve kuadratik formda
( )
2
1
u
u rk
=
+
(26)

bantlar kullanlarak (rs ve rk kullancnn belirledii reel saylardr). Eitim sonunda
denklem-26 ile w
j
belirlendikten sonra,

( )
1
m
j j
j
x w h f
=
=

(27)

bants ile herhangi bir x girdisi iin, 26 ve 27 denklemleriyle u ve h deerleri
hesaplandktan sonra, f(x) kts tahmin edilebilir.

2.4.3. Bulank karm Kurall A Mimarisi (ANFIS)

Hzla gelien dnyada szel bilgilere verilen nem artmaktadr. Bunun nedeni olarak,
insanlarn bir cihaz gibi saysal deil de szel verilerle konuarak anlamas
gsterilmektedir. Bu szel bilgilerin, bir sistemle formlletirilerek, saysal bilgilerle
birlikte mhendislik uygulamalarnda gz nnde tutulmas gerekmektedir. Bulank
sistemlerin asl ileyecei konuyla ilgili szel bilgilerin bulunmas halinde,
zmlemelere nasl bir dncenin uygulanacadr. Aslnda bulank yntemlerde de
yaklaklk ve olduka kolay znrlk bulunmaktadr. Mhendislik yaklamlarnda,
elde edilebilen tm saysal ve szel bilgilerin zm algoritmasna katlarak incelenen
olayn kontrolnde anlaml zmlere varlabilmesi hedeflenmektedir [38].

Klasik yntemlerde renilen matematik, stokastik veya kavramsal sistemlerin hemen
hepsi ekil 2.20ada gsterilen ayr birimden olumaktadr. Klasik sistemde giri,
girii ka dntren ve sistem davran denilen bir kutu ve k birimleri
bulunmaktadr. Bulank sistemlerin klasik sistemlerden fark sistem davran biriminin
ikiye ayrlarak ekil 2.20bdeki gibi birimlerden olumasdr.


43





ekil 2.20. Sistem birimleri: a) klasik sistem, b) genel bulank sistem.

Bulank sonu karma ynteminde girdi ve kt lmlerine karlk gelen kmeler
bulank yaklam sistemine nceden hazrlanmakta ve bulank ortak hafza olarak
adlandrlan bir bulank ortak hafza yoluyla ktlar kmesine karlk gelen girdiler
kmesinin biimi deitirilerek retilmektedir [39, 47]. Bulank yaklam ile birok
yol elde edebilmekte bulank kurallar birletirmek veya dikkatli bir yol gelitirmek iin
herhangi bir koul yoktur. Bylece, bulank yaklamda kabul edilen yntem aada
belirtildii gibi tasarlanmaktadr.

nce girdi ve kt verileri bulank yelik fonksiyonlar yardmyla alt kmelere
ayrlarak blnmektedir. Genel olarak, m alt kme saysn ve n girdi deikenlerini
gsterirse mn adet bulank kural says olumaktadr. Byle bir durumda, diyebiliriz ki,
X1 ve X2 girdileri ile m alt kmesinin her biri kural tabannda bir Yk kt formuna
gtrmektedir (k=1,2,m2). Eer burada X1 ok kk ve kk alt kmeler
olarak ve X2 orta ve byk alt kmeler olarak iki deikenli girdi ise, o zaman
sonu olarak burada aadaki gibi drt kural olacaktr.
Kural1: Eer X1 ok kk ve X2 orta ise Y1,
Kural2: Eer X1 ok kk ve X2 byk ise Y2,
Kural3: Eer X1 kk ve X2 orta ise Y3,
Kural4: Eer X1 kk ve X2 byk ise Y4.



44



Kural ifadeleri herhangi bir matematiksel kuraldan daha ok insan dncesine
benzemektedir. Bu yzden BM yntemi uzman bir insann davrann modellemek iin
kullanlr. Bundan baka matematiksel bir model belirlemeden girdi kmelerinden kt
kmelerine iliki kurmada ok etkilidir ve bulank sonu karma ilemi baskn
olmaktadr. nsan dncesinin modellenmesinde yukardaki gibi bulank alt kmelerle
girdi verileri ilk nce belirlenir ve sonra Denklem-28de benzer ekilde bulank
kurallarla hesaplama gerekletirilir. Bu ekilde harekete geirilen her kural iin yelik
dereceleri hem X1 hem de X2 iin hesaplanmakta ve bunlar Yk ktsna karlk gelen
Wk arlnn belirlenmesiyle retilmektedir. Bu yzden drt kuraln arlklarnn
ortalamas, Denklem-28deki matematiksel formle benzer ekilde bir basit kt
retmektedir [45,50].

4
k k
k=1
4
k
k=1
W Y
W
y=

(28)

Bylece kural tabannda, kt deerleri girdi deikenlerinin bulank alt kmelerinin
her bir kombinasyonu iin Denklem-28den hesaplanabilmektedir. Bulank kural taban
hakknda karar verecek olan kimse, bulank sonu karma ilemiyle gerekli kural
tabann elde etmek ve rnek veri kullanarak ilemlerini gerekletirmek zorundadr
[45].

Temel olarak bulank yaklamda, Sugeno tipi bulank sistemlerin, sinirsel renme
yeteneine sahip bir a yaps, uyarlamal bulank-sinir sonu karma sistemi a yaps
olarak bilinmektedir. Bu a yaps, her biri belli bir fonksiyonun grevini yapmak zere,
tabakalar halinde yerletirilmi dmlerin birlemesinden olumaktadr. ok basit
olarak ilk dzenlenen Sugeno tipi bulank sonu karma sistemine gre, bir bulank
model iki kural ierir. Bu bulank sonu karm sistemini, x ve y gibi iki girii ve z gibi
bir k olduunu dnerek ele alrsak, o zaman iki tane bulank Eer-ise kural
bulunan, birinci dereceden Sugeno tipi bulank sonu karma sistemi iin tipik kural
kmesi aadaki ekilde ifade edilir.




45



Kural1: Eer x A1 ve y B1 ise
1 1x 1 1
z =p
y
q r + +

Kural2: Eer x A2 ve y B2 ise
2 2 2x 2
z =p
y
q r + +

Burada z
1
ve z
2
lineer denklemlerin yerine geen sabitler ise, o zaman ilk dzenlenen ve
ok kullanlan Takagi, Sugeno ve Kang modelini elde edilir. Bulank dnme
mekanizmas ve uygun uyarlamal bulank-sinir sonu karma sisteminin ileyii,
srasyla Sekil 2.21 ve 2.22de gsterilmitir. Ayn tabakadaki dm fonksiyonlarnn
matematiksel fonksiyon tr, ekil 2.22 zerinde gsterilen denklemler gibi
tanmlanmaktadr [51, 52]. Burada j. tabakadaki i. dmn kts Qij

ile gsterilirse
her bir tabakann kts matematiksel olarak hesaplanabilmektedir.



ekil 2.21. ki bulank kuralla dzenlenen Sugeno tipi sonu karma yntemi.



ekil 2.22. Uyarlamal bulank-sinir sonu karma sistemi mimarisi.



46



Tabaka 1: Girdi sinyalleri bu tabakaya direkt olarak hibir ilem yaplmadan datlr.
Bu tabaka bulanklatrma tabakas olarak bilinir ve bu tabakadaki her bir i dm
szel etiketin bir yelik derecesini retmektedir. Bir i. dmn kt fonksiyonu
aadaki Denklem-29 kullanlarak hesaplanabilmektedir.

( )
1
2
1
1
i
i i b
i
i
A x
x c
a
Q = =
(
| |
(
|
( \

+
(29)

Burada, i dmnn girii x olarak verilmitir ve Ai bu dmn kk ve byk
gibi szel etiketleridir. Bir baka ifadeyle, bu tabakann klar, kurallarn koul ya da
ncl ksmlarna ait yelik deerlerini oluturmaktadr. Buradaki ai, bi ve ci yelik
fonksiyonunun eklini deitiren parametre kmeleridir. Bulank yaklamdaki sonu
karma sistemlerinde yelik derecelerini belirlemek iin birok fonksiyon
kullanlmaktadr. Bu fonksiyonlar ierisinde en ok kullanlanlar trapez, gen ve Gauss
tipi fonksiyonlardr. Bunlar gibi birok yelik fonksiyonlar yelik derecesini
belirlemek iin uygulanabilmektedir. Bulank yaklamda ok kullanlan genelletirilmi
gen tip yelik fonksiyonlar aada verilen Denklem-30daki gibi hesaplanmaktadr.

( )
2
0,
,
,
0,
i
i
i i
i i
i i
i
i i
i i
i
x a
x a
a x b
b a
A x
c x
b x c
c b
c x
Q

= =
`

)
(30)

Tabaka 2: Bu tabakadaki her bir dm, kendisine gelen sinyallerin arpmn k
olarak reten ile etiketlenmi sabit bir dmdr. Bu tabakadaki her dm
Denklem-31deki matematiksel ifade ile her bir kuraln tetikleme gcn hesaplar.

A= S

(31)

( ) ( )
2
, i=1,2
i i i i
w A x B y Q = = (32)



47



Tabaka 3: Bu tabakadaki yer alan her bir dm, N ile etiketlenmi, sabit bir dmdr.
Tabakadaki i. dm, i. kuraln gerekleme derecesinin, btn kurallarn gerekleme
derecelerinin toplamna oran seklinde Denklem-32 ile hesaplanmaktadr.
w
3 i
Q =w = ,i=1,2 i
i
w +w
1 2
(33)

Tabaka 4: Bu tabakadaki her i dmnn dm fonksiyonu Denklem-33deki
matematiksel ifadeye benzeyen uyarlamal bir dmdr.

( )
4
Q w z w p x q y r i i
i i i i i
= = + + (34)

Burada, w
i
nc tabakann kts ve parametre kmesidir. P
i
, q
i
ve r
i
bu tabakada
bulunan dmlerin parametrelerinden oluan ve kurallarn sonu ksmlarn
belirlemektedir. Bu parametreler sonucu belirleyen parametreler olarak bilinmektedir.
Tabaka 5: Bu tabaka son tabaka olarak bilinir ve ile etiketlenmi olan ve toplam
ks hesaplamak zere, kendisine gelen sinyallerin tmn toplayan, sabit, tek bir
dmden olumaktadr. Son olarak tm ktlar bu tabakada Denklem-35teki
matematiksel ifadeye benzer ekilde hesaplanmaktadr.

5
Q
i
w z
i i
i
w z
i i
w
i
i
i

= =

(35)

Bylece, be tabaka oluturulduu zaman, tamamyla Sugeno tipi bulank modellemenin
ileyiine sahip, uyarlamal bulank-sinir a yapsna sahip bir model oluturulmaktadr.
Bu yzden de, ekil 2.22deki uyarlamal bulank-sinir sonu karma ann, Sekil
2.21deki Sugeno tipi bulank sonu karma sistemine fonksiyonel olarak denklii
gsterilebilmektedir. Uyarlamal bulank-sinir sisteminin temel renme kural, kt
tabakasndan geriye giderek girdi dmlerine, tekrarlamal olarak hata sinyalleri
gndererek hesap yapan geri yaylmal rampa d eklindedir. Bu renme kural,
ileri beslemeli sinir alarnda yaygn olarak kullanlan geri yaylma renme kural ile
ayndr. Uyarlamal bulank-sinir sonu karma sistemindeki, terim parametre deerleri
Sekil 2.22de verildii gibi dikkate alnmaktadr. Sonu parametrelerinin lineer
birleimi olarak tm kt z ile ifade edilmektedir. Bu gzlemlere bal olarak, nceki ve


48



sonraki parametrelerin uygun kmesini bulmak iin burada rampa d yntemi ve en
kk kareler yntemini birletiren melez renme kural uygulanmaktadr. Melez
renme kuralnn detaylar Jang ve arkadalar yapm olduklar almada verilmi ve
burada klasik geri besleme ynteminden nemli derecede daha hzl sonu kard
belirtilmitir [53]. Uyarlamal bulank-sinir sonu karma sistemi iin melez renme
ileminde iki gei bulunmaktadr. Bunlar ileri ve geri geilerdir. Melez renme
algoritmasnn ileri geiinde, fonksiyonel sinyaller drdnc tabakaya kadar ileri gider
ve sonu parametreleri en kk kareler yntemi ile belirlenir. Geri geite, hata
oranlar geriye doru yaylr ve terim parametreleri rampa d yntemi ile uygun
ekilde gncelletirilir. Terim parametrelerinin deerleri sabitlendii zaman, tm ktlar
sonu parametrelerinin lineer kombinasyonu eklinde Denklem-36daki matematiksel
ifadeyle elde edilebilirler.

( ) ( ) ( ) ( ) ( ) ( )
1
1 1 1 1 1 2 2 1 2 1 2
z w x p w y q w r w x p w y q w r = + + + + + (36)

Buradaki; p
1
, q
1
, r
1
, p
2
, q
2
ve r
2
ifadeleri sonu parametrelerinde lineerdir. Uyarlamal
bulank-sinir sistemi iin melez renme ilemi iin ak semas ekil 2.23te
gsterilmitir.


49





ekil 2.23. Uyarlamal bulank-sinir sonu karma sistemi melez renme ilemi.

2.4.4. Anahtar Erisi

Anahtar erisi, ak ve seviye lmleri arasnda ssel bir fonksiyonel ilikiyi ifade
eden bir eridir. Ak deerlerinin seviye lmlerinden elde edilmesinde yaygn bir
ekilde kullanlan bu ssel iliki, aadaki eitlikle ifade edilmektedir.

A = S

(37)

Burada A, ak; S, seviyeyi ifade eder. ve ise logaritma dnm uygulanm ak
(log A) ve seviye (log S) deerleri arasnda dorusal regresyon kurularak elde edilen
katsaylardr. log S ve log Q arasnda lineer regresyon kurularak elde edilen ve ise
nehir akm karakteristiine bal katsaylar gstermektedir Bu almada ve
katsaylar, en kk kareler yntemi kullanlarak elde edilmitir. almada kullanlan
5 Akm Gzlem stasyonunun her biri iin anahtar erisi yntemine gre ak tahmini
yaplmtr.
BLM 3

UYGULAMALAR

3.1. almada Kullanlan Veriler

Kzlrmak Havzas Orta Anadolu'nun dou blmnde yer almakta, Karadeniz'le
balants olup 37 58' - 41 44' kuzey enlemleri ile 32 48' - 38 22' dou boylamlar
arasnda bulunmaktadr. Havzada yazlar kuraktr. Ya k ve ilkbahar aylarnda der
ve yllk ortalama 300800 mm arasnda deiir. Ortalama hava scakl 13.7 C ve
ortalama ya 446,1 mm' dir. Ana akarsu kayna Kzlrmak'tr. Kzlrmak havzas
yllk 6.48 milyar m
3
ak hacmi ile toplam su potansiyelinin %3,5ni oluturmaktadr.
Bu aratrmada Elektrik leri Ett daresi (E..E.) tarafndan iletilen Kzlrmak Nehri
zerindeki halen iletilmekte olan 5 adet akarsu gzlem istasyonundan(AG) alnan
veriler analiz edilmitir.



ekil 3.1. Kzlrmak Havzas (Gney Blm).

Yukardaki ekil 3.1de Kzlrmak Havzas gney blmnn haritas bulunmaktadr.
Bu haritada E..E. ve DS tarafndan iletilen akarsu gzlem istasyonlar(AG)


51

grlmektedir. Bu almada E..E. tarafndan iletilen be istasyondan alnan veriler
analiz edilmitir. Haritada da grld zere Yamula (1501), efaatli (1517),
Sgtlhan (1535), Bulakba (1539), Karaz (1543) istasyonlarna ait veriler
almada kullanlmtr.

Tablo 3.1. almada kullanlan istasyonlar hakknda bilgiler.

KIZILIRMAK AKARSU GZLEM STASYONLARI GENEL BLGLER
CORAF
KOORDNATLAR
( ' ") PAFTA KOT
YAI
ALANI NO STASYON ADI AILI TARH
Dou Kuzey 1/25.000 (m) (km
2
)
1501 Kzlrmak - Yamula 06.03.1938 35 15 31 38 53 25 K34-b1 995 15.581,60
1517 Kzlrmak - efaatli 02.08.1952 34 44 42 39 30 11 i33-d3 895 8.592,40
1535 Kzlrmak - Stlhan 27.05.1962 36 50 34 39 43 2 i37-b2 1243 6.606,50
1539 Kzlrmak - Bulakba 01.06.1971 37 33 47 39 52 41 i39-a1 1298 1.642,00
1543 Kzlrmak - Karaz 18.07.1996 35 56 32 39 11 18 J35-c2 1112 14.046,50


Yukardaki tablo 3.1de grld gibi Kzlrmakn gney blmnde yer alan 5 adet
akarsu gzlem istasyonlar hakknda baz bilgiler verilmitir. Bu istasyonlarn her biri
iin ayr gnlk seviye ak verileri Elektrik leri Ett daresinden(E..E.) salanmtr.
uan hala faaliyette olan bu akarsu gzlem istasyonlarndan (AG) gnlk seviye (cm)
ve ak (m
3
/s ) verileri alnmtr [54].

Tablo 3.2. almada kullanlan seviye ve ak verilerinin sreleri

No stasyon Ad Veri Tarihi Eitme Test
1501 Kzlrmak - Yamula 1999-2003 3 yl 1 yl
1517 Kzlrmak - effatli 2001-2005 3 yl 1 yl
1535 Kzlrmak - Stlhan 2002-2005 2 yl 1 yl
1539 Kzlrmak - Bulakba 2001-2005 3 yl 1 yl
1543 Kzlrmak - Karaz 2002-2006 3 yl 1 yl



52

Tablo 3.2de her bir AG iin gnlk seviye ve o seviyeye karlk gelen debi deerleri
verilmitir. Sgtlhan stasyonu iin 3 yllk veri analiz edilmitir. Bu verilerin 2 yl
eitme aamas iin 1 yl da test aamas iin kullanlmtr. Dier istasyonlarda ise 4
yllk veri mevcuttur. Bunlarn 3 yl eitme 1 yl test iin kullanlmtr.

3.2. Yapay Zek Tekniklerinin Seviye-Ak Verilerine Uygulanmas

Gnmzde YSA birok bilim alanna uygulanmaktadr. Bu yaklam dier bilim
dallarnda olduu gibi hidrolik ve hidroloji bilim dallarnda da baarl bir ekilde
kullanlmaktadr. Su kaynaklar sistemlerinin dorusal olmayan ve pek ok parametreye
sahip karmak ilikilerden olumas bu tr problemlerin zmnde YSAn etkin bir
yntem haline getirmitir.

Bu almada yapay zek yntemleri ve anahtar erisi ile veriler analiz edilmitir.
Kullanlan yntemler aada sralanmtr.
ok Katmanl Yapay Sinir A (KYSA)
Radyal Tabanl Yapay Sinir A (RTYSA)
Bulank karm Sistemli Yapay Sinir A (ANFIS)
Anahtar Erisi (AE)

almada 5 akm gzlem istasyonu (AG) ayr ayr bu 4 yntemle analiz edilmi ve
sonular karlatrlmtr. Akarsularda seviye ak ilikilerinin analizinde ve
performansnn deerlendirilmesinde tahmin hatalarnn ortalamas nemlidir. Bu
almada performans deerlendirmesi iin; global istatistiki yntemlerden belirginlik
katsays (R
2
), karekk ortalama karesel hata (KOKH) ve ortalama mutlak greceli hata
(OMGH) kullanlmtr. Bu belirginlik katsaylar sonularn deerlendirilmesi iin
nemli kriterlerdir. KOKH ve OMGH ifadelerin formlleri aada verilmitir


( )
2
min
1
1
N
gzlenen tah

KOKH Yi Yi
N
=
=

(1)



min
1
1
N
gzlenen tah

OMGH Yi Yi
N
=
=

(2)



53


Burada Y
gzlenen
gerek akm deerini, Y
tahmin
hesaplanan akm deerini ifade
etmektedir. N ise toplam girdi saysdr. Formllerden de anlalaca gibi gerek akm
deeri ve tahmin yaplan akm deeri arasndaki fark hata oran olarak
deerlendirilmektedir. Burada KOKH ve OMGH hata kriterlerini en aza indirgemek ve
geree en yakn akm tahmini yapmak amalanmtr.

almada analizler Matlab program ile yaplmtr. ncelikle excell ortamna aktarlan
veriler 8 stundan oluan veri kmesi haline getirilmitir. Her istasyonda eitme ve test
iin ayr ayr Tablo 3.3te grld gibi dzenlenmitir.

Tablo 3.3. almada kullanlan seviye(S) ve ak(Q) verilerinin sralan.

Veri Giri satrlar k
Eitme Q
t-1
Q
t-2
Q
t-3
S
t
S
t-1
S
t-2
S
t-3
Q
t

Test Q
t-1
Q
t-2
Q
t-3
S
t
S
t-1
S
t-2
S
t-3
Q
t


Burada kullanlan semboller;

Q
t
= t anndaki ak(m
3
/s) deeri
Q
t -1
= t-1 anndaki(1 gn nceki) ak(m
3
/s) deeri
Q
t -2
= t-2 anndaki(2 gn nceki) ak(m
3
/s) deeri
Q
t -3
= t-3 anndaki(3 gn nceki) ak(m
3
/s) deeri
S
t
= t anndaki seviye(cm) deeri
S
t -1
= t-1 anndaki (1 gn nceki) seviye(cm) deeri
S
t -2
= t-2 anndaki (2 gn nceki) seviye(cm) deeri
S
t -3
= t-3 anndaki (3 gn nceki) seviye(cm) deeri

Yukardaki ifadelerde tanmland gibi Q ve S deerleri srasyla ak (debi) ve seviye
deerlerini sembolize etmektedir. Burada seviye ve ak verileri t anndan t-3 anna
kadar ayr ayr veri stn haline dntrlmtr. Bu stunlar girdi olarak alnm ve
bugnk ak deeri olan Qt hesaplanmaya allmtr.

Matlab programnda her bir yapay zek yntemi iin (KYSA, RTYSA, ANFIS) ayr
program hazrlanmtr. Seviye ve aklarn farkl kombinasyonlar oluturulmutur. Her


54

bir yntem iin 7 kombinasyon oluturulmutur. Her bir kombinasyon (Kom) iin
karlatrma kriterleri olan R
2
, KOKH ve OMGH deerleri hesaplanmtr.

almada Kzlrmak Nehri zerinde halen faaliyette olan 5 adet akm gzlem
istasyonunda analizler yaplmtr. Analizler her istasyon kendi ierisinde
deerlendirilmi, istasyonlar aras karlatrma yaplmamtr. Her istasyon iin 3 farkl
yapay zek yntemi ile ve anahtar erisi yntemiyle analizler yaplmtr. Her bir yapay
zek yntemi iinde seviye ve akn 7 farkl kombinasyonu denenmi ve anahtar erisi
ile de analiz yaplmtr.

Bu almada verilerin analizi srasnda ok katmanl yapay sinir a (KYSA)
ynteminde her bir kombinasyon iin, en iyi sonucu vermeye ynelik farkl ara tabaka
hcre says kullanlmtr. Bu ara tabaka hcre saylarnn en iyi sonucu veren deeri
deneme program yardmyla bulunmutur. Bulank karm sistemli yapay sinir
alarnda (ANFIS) yine her bir kombinasyon iin farkl gen yelik fonksiyonlar
kullanlmtr, en iyi sonucu veren gen yelik fonksiyonlar yine deneme program
kullanlarak belirlenmitir. Radyal tabanl yapay sinir a (RTYSA) ynteminde de yine
farkl ara tabaka hcre says ve katsaylar kullanlm ve bu ara tabaka hcre says ve
katsaylar deneme program ile belirlenmitir. Bu yntemlerin her biri iin ayr
denklem, katsay ve ara tabaka hcre says kullanlmas her bir kombinasyonun ayr bir
sistemi olduunu gstermektedir. Bu yapay zek yntemleri daha nce akland gibi
arlklar deitirilerek akarsu akmlar gibi dorusal olmayan sistemlere kolayca
uygulanabilmektedir. AE yntemi ile de analiz edilmitir. AE ynteminde seviye ve
akn bugnk deerlerinden oluan S
t
ve Q
t
kullanlm ve excell programnda analiz
edilmitir. Aadaki tablolarda her bir istasyon iin ayrntl KYSA, ANFIS, RTYSA,
AE yntemleri ile analizler yaplmtr. Yaplan analiz sonularn gsteren tablolar
aada gsterilmektedir.









55

Tablo 3.4. Bulakba(1539) stasyonunun ANFIS, KYSA, RTYSA ve AE test
aamasndaki KOKH, OMGH ve R
2
deerleri.

YNTEM GRDLER KOKH OMGH R
2

S
t
KOM1 5,17 63,65 0,925
S
t,
S
t-1
KOM2 2,94 44,95 0,984
S
t,
S
t-1
, S
t-2
KOM3 2,80 42,96 0,991
S
t,
S
t-1
, S
t-2
, S
t-3
KOM4 2,66 46,48 0,993
S
t
, S
t-1
, S
t-2
, S
t-3
, Q
t-1
KOM5 1,18 4,15 0,996
S
t
, S
t-1
, S
t-2
, S
t-3
, Q
t-1
, Q
t-2
KOM6 1,26 4,20 0,996
A
N
F

S

S
t
, S
t-1
, S
t-2
, S
t-3
, Q
t-1
, Q
t-2
, Q
t-3
KOM7 1,28 4,65 0,996
S
t
KOM1 2,14 33,27 0,997
S
t,
S
t-1
KOM2 2,13 31,06 0,997
S
t,
S
t-1
, S
t-2
KOM3 2,13 32,96 0,997
S
t,
S
t-1
, S
t-2
, S
t-3
KOM4 2,12 31,69 0,996
S
t
, S
t-1
, S
t-2
, S
t-3
, Q
t-1
KOM5 0,35 1,79 0,99978
S
t
, S
t-1
, S
t-2
, S
t-3
, Q
t-1
, Q
t-2
KOM6 0,29 1,57 0,99982

K
Y
S
A

S
t
, S
t-1
, S
t-2
, S
t-3
, Q
t-1
, Q
t-2
, Q
t-3
KOM7 0,34 4,36 0,99968
S
t
KOM1 8,10 160,03 0,835
S
t,
S
t-1
KOM2 8,69 153,93 0,807
S
t,
S
t-1
, S
t-2
KOM3 9,00 151,65 0,791
S
t,
S
t-1
, S
t-2
, S
t-3
KOM4 2,71 40,37 0,990
S
t
, S
t-1
, S
t-2
, S
t-3
, Q
t-1
KOM5 2,24 23,75 0,988
S
t
, S
t-1
, S
t-2
, S
t-3
, Q
t-1
, Q
t-2
KOM6 0,98 10,46 0,997
R
T
Y
S
A

S
t
, S
t-1
, S
t-2
, S
t-3
, Q
t-1
, Q
t-2
, Q
t-3
KOM7 0,50 4,42 0,99924
AE S
t
8,97 46,94 0,921

Bulakba stasyonu iin Tablo 3.4te grld gibi YSA yntemlerinde seviye (S) ve
ak (Q) verilerinin deiik kombinasyonlar oluturulmu ve yaplan analizler ile en iyi
sonular srasyla KYSA-KOM6, RTYSA-KOM7, ANFIS-KOM5, AE olarak
sralanmaktadr. Bu istasyonda 3 gn ncesine kadarki seviye ve 2 gn ncesine kadarki
ak deerlerini girdi olarak kullanan KYSA-KOM6 en iyi sonucu vermitir. Yapay
zek yntemlerinin anahtar erisi (AE) ynteminden ok daha iyi sonu verdii
grlmektedir. Yapay zek yntemleri ierisinde KYSAnn en iyi sonucu verdii
grlmektedir. Dier istasyonlarda da KYSA en iyi sonucu vermitir. Her bir YSA
ynteminin ayn veri olmasna ramen farkl kombinasyonlarda iyi sonular verdii
grlmektedir.




56

Tablo 3.5. Karaz(1543) stasyonunun ANFIS, KYSA, RTYSA ve AE test
aamasndaki KOKH, OMGH ve R
2
deerleri.

YNTEM GRDLER KOKH OMGH R
2

S
t
KOM1 18,24 96,88 0,851
S
t,
S
t-1
KOM2 10,28 52,08 0,936
S
t,
S
t-1
, S
t-2
KOM3 14,21 47,32 0,860
S
t,
S
t-1
, S
t-2
, S
t-3
KOM4 42,34 80,06 0,437
S
t
, Q
t-1
KOM5 17,58 18,39 0,775
S
t
, Q
t-1
, Q
t-2
KOM6 75,30 70,40 0,166
A
N
F

S

S
t
, Q
t-1
, Q
t-2
, Q
t-3
KOM7 18,48 20,87 0,757
S
t
KOM1 1,71 6,56 0,998
S
t,
S
t-1
KOM2 7,46 27,64 0,968
S
t,
S
t-1
, S
t-2
KOM3 11,76 82,52 0,978
S
t,
S
t-1
, S
t-2
, S
t-3
KOM4 5,64 26,69 0,983
S
t
, Q
t-1
KOM5 6,77 8,17 0,965
S
t
, Q
t-1
, Q
t-2
KOM6 10,53 20,03 0,924

K
Y
S
A

S
t
, Q
t-1
, Q
t-2
, Q
t-3
KOM7 14,98 16,13 0,832
S
t
KOM1 4,14 29,04 0,995
S
t,
S
t-1
KOM2 6,67 35,68 0,978
S
t,
S
t-1
, S
t-2
KOM3 7,89 32,49 0,962
S
t,
S
t-1
, S
t-2
, S
t-3
KOM4 16,09 46,53 0,828
S
t
, Q
t-1
KOM5 18,87 52,23 0,755
S
t
, Q
t-1
, Q
t-2
KOM6 20,84 70,15 0,713
R
T
Y
S
A

S
t
, Q
t-1
, Q
t-2
, Q
t-3
KOM7 31,97 46,87 0,540
AE S
t
23,58 62,29 0,954

Karaz stasyonu iin Tablo 3.5te grld gibi seviye (S) ve ak (Q) verilerinin
deiik kombinasyonlar oluturulmu ve yaplan analizler ile en iyi sonular srasyla
KYSA-KOM1, RTYSA-KOM1, ANFIS-KOM2, AE olarak bulunmutur. Bu
istasyonda bugnk seviye deerini girdi olarak kullanan KYSA-KOM1 en iyi sonucu
vermitir. Bulakba stasyonunda olduu gibi yapay zek yntemlerinin AE
ynteminden ok daha iyi sonu verdii grlmektedir. Yine burada da KYSA, en iyi
sonucu vermitir. Her bir YSA ynteminin ayn veri olmasna ramen farkl
kombinasyonlar da iyi sonular verdii grlmektedir. Bu istasyonda oluturulan
kombinasyonlarn farkl olduu grlmektedir. Bu kombinasyonlar oluturulurken en
iyi seviye kombinasyonuna nceki ak deeri eklenerek yeni kombinasyonlar
oluturulmutur.



57



Tablo 3.6. Sgtlhan(1535) stasyonunun ANFIS, KYSA, RTYSA ve AE test
aamasndaki KOKH, OMGH ve R
2
deerleri.

YNTEM GRDLER KOKH OMGH R
2

S
t
KOM1 17,39 51,65 0,776
S
t,
S
t-1
KOM2 18,04 22,34 0,711
S
t,
S
t-1
, S
t-2
KOM3 17,57 18,44 0,728
S
t,
S
t-1
, S
t-2
, S
t-3
KOM4 18,03 17,30 0,716
S
t
, S
t-1
, Q
t-1
KOM5 19,91 18,96 0,642
S
t
, S
t-1
, Q
t-1
, Q
t-2
KOM6 19,05 17,61 0,663
A
N
F

S

S
t
, S
t-1
, Q
t-1
, Q
t-2
, Q
t-3
KOM7 20,90 17,93 0,603
S
t
KOM1 17,13 15,37 0,739
S
t,
S
t-1
KOM2 16,96 15,56 0,744
S
t,
S
t-1
, S
t-2
KOM3 284,40 16,79 0,746
S
t,
S
t-1
, S
t-2
, S
t-3
KOM4 17,25 16,23 0,736
S
t
, S
t-1
, Q
t-1
KOM5 14,41 12,67 0,811
S
t
, S
t-1
, Q
t-1
, Q
t-2
KOM6 15,19 13,07 0,800

K
Y
S
A

S
t
, S
t-1
, Q
t-1
, Q
t-2
, Q
t-3
KOM7 14,85 13,77 0,799
S
t
KOM1 16,25 25,99 0,753
S
t,
S
t-1
KOM2 16,86 58,12 0,811
S
t,
S
t-1
, S
t-2
KOM3 14,96 57,53 0,848
S
t,
S
t-1
, S
t-2
, S
t-3
KOM4 24,08 48,76 0,608
S
t
, S
t-1
, Q
t-1
KOM5 20,79 45,21 0,756
S
t
, S
t-1
, Q
t-1
, Q
t-2
KOM6 15,34 24,17 0,788
R
T
Y
S
A

S
t
, S
t-1
, Q
t-1
, Q
t-2
, Q
t-3
KOM7 18,70 28,94 0,830
AE S
t
15,56 15,84 0,952

Tablo 3.6da grld gibi Stlhan stasyonu iin en iyi sonular srasyla
KYSA-KOM5, RTYSA-KOM3, AE, ANFIS-KOM1 vermitir. Bu istasyonda 1 gn
ncesine kadarki seviye ve 1 gn ncesine kadarki ak deerlerini girdi olarak kullanan
KYSA-KOM5 en iyi sonucu vermitir. KYSA ve RTYSA yntemlerinin AE
ynteminden daha iyi sonular verdii grlmektedir. Fakat anahtar erisi ANFSten
biraz daha iyi sonu vermitir.






58





Tablo 3.7. efaatli(1517) stasyonunun ANFIS, KYSA, RTYSA ve AE test
aamasndaki KOKH, OMGH ve R
2
deerleri.

YNTEM GRDLER KOKH OMGH R
2

S
t
KOM1 0,45 19,68 0,971
S
t,
S
t-1
KOM2 0,28 6,92 0,941
S
t,
S
t-1
, S
t-2
KOM3 0,26 5,81 0,949
S
t,
S
t-1
, S
t-2
, S
t-3
KOM4 0,23 4,80 0,960
S
t
, S
t-1
, S
t-2
, Q
t-1
KOM5 0,26 2,11 0,945
S
t
, S
t-1
, S
t-2
, Q
t-1
, Q
t-2
KOM6 0,33 2,90 0,914
A
N
F

S

S
t
, S
t-1
, S
t-2
, Q
t-1
, Q
t-2
, Q
t-3
KOM7 0,93 6,65 0,554
S
t
KOM1 0,15 1,21 0,982
S
t,
S
t-1
KOM2 0,15 1,28 0,980
S
t,
S
t-1
, S
t-2
KOM3 0,02 1,50 0,979
S
t,
S
t-1
, S
t-2
, S
t-3
KOM4 0,16 1,57 0,979
S
t
, S
t-1
, S
t-2
, Q
t-1
KOM5 0,15 1,70 0,981
S
t
, S
t-1
, S
t-2
, Q
t-1
, Q
t-2
KOM6 0,15 1,58 0,981

K
Y
S
A

S
t
, S
t-1
, S
t-2
, Q
t-1
, Q
t-2
, Q
t-3
KOM7 0,15 1,65 0,982
S
t
KOM1 0,51 22,76 0,959
S
t,
S
t-1
KOM2 0,38 8,14 0,912
S
t,
S
t-1
, S
t-2
KOM3 0,16 1,59 0,979
S
t,
S
t-1
, S
t-2
, S
t-3
KOM4 0,16 1,57 0,980
S
t
, S
t-1
, S
t-2
, Q
t-1
KOM5 0,33 10,33 0,910
S
t
, S
t-1
, S
t-2
, Q
t-1
, Q
t-2
KOM6 0,31 7,71 0,915
R
T
Y
S
A

S
t
, S
t-1
, S
t-2
, Q
t-1
, Q
t-2
, Q
t-3
KOM7 0,31 7,09 0,914
AE S
t
0,77 27,01 0,970

efaatli stasyonu iin Tablo 3.7den aka grld gibi en iyi sonular srasyla
KYSA-KOM3, RTYSA-KOM4, ANFIS-KOM4, AEden elde edilmitir. Bu
istasyonda 2 gn ncesine kadarki seviye deerlerini girdi olarak kullanan KYSA-
KOM3 en iyi sonucu vermitir. Yapay zek yntemlerinin AE ynteminden daha iyi
sonular verdii grlmektedir. Burada KYSAnn dier yntemlerden ok daha iyi
bir sonu verdii KOKH deerlerine bakldnda grlmektedir.




59

Tablo 3.8. Yamula(1501) stasyonunun ANFIS, KYSA, RTYSA ve AE test
aamasndaki KOKH, OMGH ve R
2
deerleri.

YNTEM GRDLER KOKH OMGH R
2

S
t
KOM1 13,44 49,16 0,956
S
t,
S
t-1
KOM2 2,10 8,56 0,999
S
t,
S
t-1
, S
t-2
KOM3 1,78 3,15 0,999
S
t,
S
t-1
, S
t-2
, S
t-3
KOM4 1,41 2,90 0,999
S
t
, S
t-1
, S
t-2
, Q
t-1
KOM5 0,38 1,73 0,99996
S
t
, S
t-1
, S
t-2
, Q
t-1
, Q
t-2
KOM6 0,73 1,27 1,000
A
N
F

S

S
t
, S
t-1
, S
t-2
, Q
t-1
, Q
t-2
, Q
t-3
KOM7 4,28 0,68 0,997
S
t
KOM1 68,94 98,61 1,000
S
t,
S
t-1
KOM2 0,55 3,55 1,000
S
t,
S
t-1
, S
t-2
KOM3 0,24 3,24 0,99994
S
t,
S
t-1
, S
t-2
, S
t-3
KOM4 0,27 3,37 1,000
S
t
, S
t-1
, S
t-2
, Q
t-1
KOM5 0,37 1,35 1,000
S
t
, S
t-1
, S
t-2
, Q
t-1
, Q
t-2
KOM6 0,50 3,20 1,000

K
Y
S
A

S
t
, S
t-1
, S
t-2
, Q
t-1
, Q
t-2
, Q
t-3
KOM7 0,49 3,26 1,000
S
t
KOM1 21,80 127,53 0,896
S
t,
S
t-1
KOM2 0,69 2,24 0,99986
S
t,
S
t-1
, S
t-2
KOM3 0,81 2,09 1,000
S
t,
S
t-1
, S
t-2
, S
t-3
KOM4 0,81 2,73 1,000
S
t
, S
t-1
, S
t-2
, Q
t-1
KOM5 4,17 14,27 0,995
S
t
, S
t-1
, S
t-2
, Q
t-1
, Q
t-2
KOM6 9,10 46,11 0,978
R
T
Y
S
A

S
t
, S
t-1
, S
t-2
, Q
t-1
, Q
t-2
, Q
t-3
KOM7 10,30 24,23 0,967
AE S
t
11,24 19,90 0,973

Yamula stasyonu iin Tablo 3.8de grld gibi en iyi sonular veren modeller
srasyla KYSA-KOM3, ANFIS-KOM5, RTYSA-KOM2, AE olarak sralanmaktadr.
Bu istasyonda 2 gn ncesine kadarki seviye deerlerini girdi olarak kullanan KYSA-
KOM3 en iyi sonucu vermitir. Yine bu istasyonda da yapay zek yntemlerinin AE
ynteminden ok daha iyi sonu verdii grlmektedir. Yapay zek yntemlerindeki
hatalar birbirine yakn ve kk olmasna ramen AE yntemindeki hatalar yapay zek
yntemlerine oranla ok daha yksektir. Yukardaki tablolardan anlalaca zere her
bir istasyon iin farkl kombinasyonlardan iyi sonular elde edildii grlmektedir. Bu
5 istasyon iin genellenebilecek bir kombinasyon bulunmamaktadr. Fakat btn
istasyonlarda yapay zek yntemlerinin daha iyi sonu verdii grlmektedir. Ayrca
yapay zek yntemleri ierisinde KYSAnn 5 istasyonda da RTYSA ve ANFISden
daha iyi sonu verdii grlmektedir.


60




ekil 3.2. KYSA, ANFIS, RTYSA ve AE test aamasndaki sonularnn
gzlenen deerler ile karlatrlmas_ Bulakba stasyonu.
0
20
40
60
80
100
120
140
0 50 100 150 200 250 300 350
gn
A
k

,

m
3
/
s
gzlenen
KYSA
0
20
40
60
80
100
120
140
0 50 100 150 200 250 300 350
gn
A
k

,

m
3
/
s
gzlenen
ANFIS
y = 0,9925x + 0,0212
R
2
= 0,9998
0
20
40
60
80
100
120
140
0 20 40 60 80 100 120 140
gzlenen, m
3
/s

K
Y
S
A
,

m
3
/
s
y = 1,0198x - 0,2288
R
2
= 0,9957
0
20
40
60
80
100
120
140
0 20 40 60 80 100 120 140
gzlenen, m
3
/s
A
N
F

S
,

m
3
/
s
-20
0
20
40
60
80
100
120
140
0 50 100 150 200 250 300 350
gn
A
k

,

m
3
/
s
gzlenen
RTYSA
y = 1,0144x - 0,1234
R
2
= 0,9974
0
20
40
60
80
100
120
140
0 20 40 60 80 100 120 140
gzlenen, m
3
/s
R
T
Y
S
A
,

m
3
/
s
0
50
100
150
200
250
0 50 100 150 200 250 300 350
gn
A
k

,

m
3
/
s
gzlenen
AE
y = 1,3134x - 5,2965
R
2
= 0,9212
0
50
100
150
200
250
0 50 100 150 200 250
gzlenen, m
3
/s
A
E
,

m
3
/
s


61




ekil 3.3. KYSA, ANFIS, RTYSA ve AE test aamasndaki sonularnn
gzlenen deerler ile karlatrlmas_ Karaz stasyonu.
0
50
100
150
200
250
300
0 50 100 150 200 250 300 350
gn
A
k

,

m
3
/
s
gzlenen
KYSA
0
50
100
150
200
250
300
0 50 100 150 200 250 300 350
gn
A
k

,

m
3
/
s
gzlenen
ANFIS
y = 1,0052x - 0,4687
R
2
= 0,9979
0
50
100
150
200
250
300
0 50 100 150 200 250 300
gzlenen, m
3
/s

K
Y
S
A
,

m
3
/
s
y = 1,0005x - 1,1599
R
2
= 0,9951
0
50
100
150
200
250
300
0 50 100 150 200 250 300
gzlenen, m
3
/s
A
N
F

S
,

m
3
/
s
0
50
100
150
200
250
300
0 50 100 150 200 250 300 350
gn
A
k

,

m
3
/
s
gzlenen
RTYSA
y = 1,0375x - 3,7428
R
2
= 0,9954
0
50
100
150
200
250
300
0 50 100 150 200 250 300
gzlenen, m
3
/s
R
T
Y
S
A
,

m
3
/
s
0
50
100
150
200
250
300
0 50 100 150 200 250 300 350
gn
A
k

,

m
3
/
s
gzlenen
AE
y = 0,4394x - 0,3605
R
2
= 0,9539
0
50
100
150
200
250
300
0 50 100 150 200 250 300
gzlenen, m
3
/s
A
E
,

m
3
/
s


62




ekil 3.4. KYSA, ANFIS, RTYSA ve AE test aamasndaki sonularnn
gzlenen deerler ile karlatrlmas_ Stlhan stasyonu.
0
20
40
60
80
100
120
140
160
180
0 50 100 150 200 250 300 350
gn
A
k

,

m
3
/
s
gzlenen
KYSA
0
20
40
60
80
100
120
140
160
180
200
0 50 100 150 200 250 300 350
gn
A
k

,

m
3
/
s
gzlenen
ANFIS
y = 0,8988x + 2,6521
R
2
= 0,8111
0
20
40
60
80
100
120
140
160
180
0 50 100 150 200
gzlenen, m
3
/s

K
Y
S
A
,

m
3
/
s
y = 0,9046x + 2,3786
R
2
= 0,8128
0
50
100
150
200
0 50 100 150 200
gzlenen, m
3
/s
A
N
F

S
,

m
3
/
s
0
20
40
60
80
100
120
140
160
180
200
0 50 100 150 200 250 300 350
gn
A
k

,

m
3
/
s
gzlenen
RTYSA
y = 1,0803x + 3,3755
R
2
= 0,756
0
50
100
150
200
0 50 100 150 200
gzlenen, m
3
/s
R
T
Y
S
A
,

m
3
/
s
0
50
100
150
200
250
300
350
0 50 100 150 200 250 300 350
gn
A
k

,

m
3
/
s
gzlenen
AE y = 1,3539x - 5,4399
R
2
= 0,9522
0
50
100
150
200
250
300
350
0 50 100 150 200 250 300 350
gzlenen, m
3
/s
A
E
,

m
3
/
s


63




ekil 3.5. KYSA, ANFIS, RTYSA ve AE test aamasndaki sonularnn
gzlenen deerler ile karlatrlmas_ efaatli stasyonu.
0
1
2
3
4
5
6
7
8
9
0 50 100 150 200 250 300 350
gn
A
k

,

m
3
/
s
gzlenen
KYSA
0
1
2
3
4
5
6
7
8
9
0 50 100 150 200 250 300 350
gn
A
k

,

m
3
/
s
gzlenen
ANFIS
y = 1,0085x - 0,0086
R
2
= 0,9791
0
1
2
3
4
5
6
7
8
9
10
0 1 2 3 4 5 6 7 8 9 10
gzlenen, m
3
/s

K
Y
S
A
,

m
3
/
s
y = 1,0475x - 0,1114
R
2
= 0,9494
0
1
2
3
4
5
6
7
8
9
10
0 1 2 3 4 5 6 7 8 9 10
gzlenen, m
3
/s
A
N
F

S
,

m
3
/
s
0
1
2
3
4
5
6
7
8
9
0 50 100 150 200 250 300 350
gn
A
k

,

m
3
/
s
gzlenen
RTYSA
y = 1,0115x - 0,0145
R
2
= 0,9793
0
1
2
3
4
5
6
7
8
9
10
0 1 2 3 4 5 6 7 8 9 10
gzlenen, m
3
/s
R
T
Y
S
A
,

m
3
/
s
0
2
4
6
8
10
12
0 50 100 150 200 250 300 350
gn
A
k

,

m
3
/
s
gzlenen
AE
y = 1,2702x - 0,031
R
2
= 0,9701
0
1
2
3
4
5
6
7
8
9
10
11
12
0 1 2 3 4 5 6 7 8 9 10 11 12
gzlenen, m
3
/s
A
E
,

m
3
/
s


64



ekil 3.6. KYSA, ANFIS, RTYSA ve AE test aamasndaki sonularnn
gzlenen deerler ile karlatrlmas_ Yamula stasyonu.

0
50
100
150
200
250
300
350
400
0 50 100 150 200 250 300 350
gn
A
k

,

m
3
/
s
gzlenen
KYSA
0
50
100
150
200
250
300
350
400
0 50 100 150 200 250 300 350
gn
A
k

,

m
3
/
s
gzlenen
ANFIS
y = 1,0008x + 0,0575
R
2
= 1
0
50
100
150
200
250
300
350
400
0 50 100 150 200 250 300 350 400
gzlenen, m
3
/s

K
Y
S
A
,

m
3
/
s
y = 1,0001x + 0,0888
R
2
= 1
0
50
100
150
200
250
300
350
400
0 50 100 150 200 250 300 350 400
gzlenen, m
3
/s
A
N
F

S
,

m
3
/
s
-50
0
50
100
150
200
250
300
350
400
0 50 100 150 200 250 300 350
gn
A
k

,

m
3
/
s
gzlenen
RTYSA
y = 0,9952x - 0,2312
R
2
= 0,9946
0
50
100
150
200
250
300
350
400
0 50 100 150 200 250 300 350 400
gzlenen, m
3
/s
R
T
Y
S
A
,

m
3
/
s
0
50
100
150
200
250
300
350
400
450
500
0 50 100 150 200 250 300 350
gn
A
k

,

m
3
/
s
gzlenen
AE
y = 1,0166x - 6,7172
R
2
= 0,9734
0
50
100
150
200
250
300
350
400
450
500
0 50 100 150 200 250 300 350 400 450 500
gzlenen, m
3
/s
A
E
,

m
3
/
s


65

ekil 3.2-6nn aklamalar aada verilmektedir. Her bir akarsu gzlem istasyonu iin
drt yntem tek bir ekilde verilmitir. Bu sayede kyaslama ve deerlendirme grsel
olarak salanmaktadr. Her bir istasyonun ayr ayr aklamalar aada verilmitir.

Bulakba istasyonu analiz sonular ekil 3.2de grlmektedir. Her bir yntem iin
hesaplanan akm deerleri ile gzlenen akm deerlerinin grafii ve salma diyagram
grlmektedir. KYSA grafiklerine bakld zaman gzlenen akm deerlerini ok iyi
yakalad grlmektedir. Pik akm deerleri de iyi tahmin edilmitir. Dier
yntemlerden daha iyi olduu aka grlmektedir. Salma diyagramna bakldnda
KYSA doru eitliinin y=x dorusuna ok yakn olduu yani gzlenen akm
deerlerinin ok iyi tahmin edildii grlmektedir. RTYSA grafiklerine bakldnda
KYSAdan sonra gzlenen akm deerlerini en iyi tahmin ettii grlmektedir.
RTYSAnn ak tahminlerindeki performans salma diyagramlarndan da aka
anlalmaktadr. ANFIS grafiklerine bakldnda RTYSA modeline yakn sonular
verdii fakat pik akm deerlerini RTYSA kadar iyi tahmin edemedii grlmektedir.
AE grafiklerine baktmzda zellikle pik akm deerlerini olduundan daha fazla,
dk akm deerlerini de olduundan daha az tahmin ettii grlmektedir. Salma
diyagramnn da dier yntem sonularna gre daha kt olduu grlmektedir.
Burada yapay zek metotlarnn genel olarak akm deerlerini ve zellikle pik akm
deerlerini AEden daha iyi tahmin ettii grlmektedir.

Karaz stasyonu analiz sonular ekil 3.3te grlmektedir. ekilde her bir yntem
iin hesaplanan akm deerleri ile gzlenen akm deerlerinin grafii ve salma
diyagram verilmitir. KYSAnn grafiklere bakldnda gzlenen akmlar en iyi
tahmin eden yntem olduu grlmektedir. Salma diyagramlarna bakldnda
ANFIS ve RTYSAnn KYSAdan daha kt olduklar anlalmaktadr. Yapay zek
yntemlerinin AEne gre ok daha iyi olduu aka grlmektedir. AE grafiklerine
baktmzda tm ak deerlerini olduundan ok daha az tahmin ettii grlmektedir.
R
2
deerlerinin yksek olmasna ramen ak deerlerini tahmini ok ktdr. Burada
da yapay zek metotlarnn genel olarak akm deerlerini ve zellikle pik akm
deerlerini AEden daha iyi tahmin ettii grlmektedir.




66

Stlhan stasyonu analiz sonular ekil 3.4te grlmektedir. KYSA grafiklerine
bakld zaman gzlenen akm deerlerini ok kk hatalarla yakalad
grlmektedir. Pik akm deerlerini de iyi tahmin etmitir. ANFIS grafiklerine
bakldnda KYSAdan sonra gzlenen akm deerlerini en iyi tahmin ettii
grlmektedir. AE grafiklerine baktmzda zellikle yksek akm deerlerini ve pik
akm deerlerini olduundan fazla tahmin ettii grlmektedir.

efaatli stasyonu analiz sonular ekil 3.5te grlmektedir. Grafiklerden KYSA ve
RTYSAnn benzer tahminler verdii ve ANFIS ve AEne gre daha iyi olduklar
grlmektedir. AE tahminlerinin ANFISe gre daha az salma olmasna ramen doru
eitliinden ANFIS tahminlerinin y=x dorusuna daha yakn olduu grlmektedir.
AEnin ou ak deerlerini olduundan fazla tahmin ettii grlmektedir. Yine bu
istasyonda da yapay zeka metotlarnn AEden daha iyi olduu sylenebilir.

Yamula stasyonu analiz sonular ekil 3.6da verilmitir. Bu istasyon iin KYSA ve
ANFIS modellerinin performanslarnn birbirine yakn olduu RTYSA ve AEden daha
iyi olduklar ekilden aka grlmektedir. AE, dk ak deerlerini olduundan
daha az, pik aklar ise aksine olduundan daha fazla tahmin etmitir. AEnin salma
diyagramnn da dier yntem sonularna gre daha kt olduu grlmektedir.

Tablo.3.4-8de sonular saysal olarak verilmi ekil 3.2-6da ise grafik sonular
verilmi ve yorumlanarak yapay zeka metotlar ile anahtar erisi yntemi
karlatrlmtr. Karlatrmalar neticesinde genel olarak yapay zek metotlarnn
seviye ak ilikisini AEne gre daha iyi modelledii grlmtr. Yapay zek
metotlar ierisinde ise en iyi ak tahminlerini KYSAdan elde edilmitir.

4.BLM

SONULAR

Yaplan almada yapay zek metotlarnn akarsularda seviye-ak ilikisinin
belirlenmesine uygulanabilirlii ve anahtar erisi yntemi ile karlatrlmas aratrlmtr.
Bu amala Kzlrmak Havzas gney blmnde bulunan 5 adet akarsu gzlem istasyonu
iin ayr ayr ak tahmini yaplmtr. Bu aratrmada her bir istasyon iin 3 farkl yapay
zek metodu ve anahtar erisi yntemi ile analizler yaplmtr. Her bir istasyon bamsz
olarak kendi bana ele alnmtr. Burada yapay zek metotlar KYSA, RTYSA, ANFIS
ve AE yntemi kullanlmtr. ncelikle seviye ve ak verileri deiik kombinasyonlar
oluturacak ekilde veri setlerine dntrlm ve Matlab programnda analizler
yaplmtr. Anahtar erisi yntemi iinde excell programnda analiz yaplmtr. Yaplan
analizlerin sonular hem saysal olarak hem de grafik olarak her bir istasyon iin ayrntl
bir ekilde incelenmitir. Sonular deerlendirildii zaman yapay zek metotlarnn anahtar
erisinden daha iyi sonu verdii grlmektedir. zellikle KYSAnn btn yntemlerden
daha iyi sonu verdii hem saysal hem grafik olarak grlmtr.

Bu aratrma ile yapay zek metotlar ile akarsularda seviye ve ak ilikileri belirlenmi ve
buna bal olarak ak tahminleri yaplm ve beklenildii gibi anahtar erisinden daha iyi
sonular verdii gsterilmitir.




68

KAYNAKLAR

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

2. Alp, M., Czolu, H.K., Farkl yapay sinir a metotlar ile ya-ak
iliksisinin modellenmesi. TU dergisi, Cilt:3, Say:1, 80-88, 2004.

3. Yurdusev, M.A., ac, M., Turan, M.E., aa, Y., Akaray nehri aylk
akmlarnn yapay sinir alar ile tahmini. C.B.U. Journal of Science 4.1 (73
88), 2008.

4. Hsu, K., Gupta, H.V., Sorooshian, S., Artificial neural network modelling of the
rainfall runoff process. Water Resorces Research, 31, 2517-2530, 1995.

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

6. Shamseldin, A.Y., Application of a neural network technique to rainfall-runoff
modeling. J. Hydrol. 199, 272294, 1997.

7. Sajikumar, N. Thandaveswara, B. S., A nonlinear rainfall-runoff model using an
artificial neural network. Journal of Hydrology, Vol.216, pp. 32-55, 1999

8. Tokar, A.S., Johnson, P.A., Rainfallrunoff modeling using artificial neural
networks. J. of Hydrol. Eng, ASCE, 4(3), 232239, 1999.

9. Dawson, C.W., Wilby, R.L., A comparison of artificial neural networks used for
river flow forecasting. Hydrology and Earth System Sciences, 3(4), 529-540,
1999.

10. Maier, H.R, Dandy G.C., Neural networks for the prediction and forecasting of
water resources variables: a review of modeling issues and applications.
Environmental Modelling and Software, 15, 101-124, 2000.



69

11. Sudheer, P. K., A. K. Gosain, R. D., Mohana S. M., Modeling Evaporation
Using an Artificial Neural Network Algorithm. Hydrological Process, 16, 3189-
3202, 2002.

12. Anctil, F., Michel, C., Perrin, C., Andreassian, V., A soil moisture index as an
auxiliary ANN input for stream flow forecasting. Journal of Hydrology,286(1-
4), 155-167, 2004.

13. Alp, M., Czolu, H.K., Farkl yapay sinir ag metodlar ile yags-aks
iliskisininmodellenmesi. TU dergisi, Cilt:3, Say:1, 80-88, 2004.

14. Bowden, G.J., Dandy, G.C., Maier, H.R., Input determination for neural network
models in water resources applications. Part 1: Background and methodology.
301(1-4), 75-92, 2005.

15. Czolu, H.K., Application of generalized regression neural networks to
intermittent flow forecasting and estimation. Journal of Hydrological
Engineering, ASCE, 10(4), 336-341, 2005.

16. Czolu, H.K., Kii, ., Flow prediction by three back propagation techniques
using k-fold partitioning of neural network training data. Nordic Hydrology,
36(1), 49-64, 2005.

17. Kumar, A.R.S., Sudheer, K.P., Jain, S.K., Agarwal, P.K., Rainfall-runoff
modelling using artificial neural networks: comparison of network types.
Hydrologic Processes, 19(6), 1277-1291, 2005.

18. Kii, ., River flow modeling using artificial neural networks. ASCE J.Hydrol.
Eng. 9(1), 6063, 2004.

19. Bhattacharya, B., Solomatine, D.P., Neural Networks and M5 model trees in
modelling water level-distange relationship. Neocomputing 63(2005) 381-396,
2005.

20. Thirumalaiah, K., Deo, M.C., River stage forecasting using artificial neural
networks. J.Hydrol. Eng. 26(1), 1998.


70


21. Jain, S.K., Chalisgaonkar, D., Setting up stage-discharge relations using ANN.
J.Hydrol. Eng. 428(10), 2000.

22. Deka, P., Chandramouli, V., A fuzzy neural network model for deriving the
river stage-discharge relationship. ANN. J.Hydrol. Eng. 48(2), 2003.

23. Supharatid, S., Aplication of a neural network model in establishing a stage-
distange relationship for a tidal river. Hydrol. Process. 17 3085-3099, 2003.

24. Onyldz, M., Yarar, A., Beysehir Gl Su Seviyesi Degisimlerinin Yapay
Sinir Aglar ile Belirlenmesi. II.Ulusal Su Mhendisligi Sempozyumu, 21-24
Eyll 2005, izmir, Trkiye, 2005.

25. Kii, ., Daily river flow forecasting using artificial neural networks and
autoregressive models. Turk. J. Eng. Environ. Sci., 29, 9-20, 2005.

26. Panagoulia, D., Artificial neural networks and high and low flows in various
climate regimes. Hydrological Sciences Journal, 55(4), 563-587, 2006.

27. Tayfur, G., Singh, V.P., ANN and fuzzy logic models for simulating eventbased
rainfall-runoff. Journal of Hydraulic Engineering, ASCE, 132(12), 1321-1330,
2006.

28. Nayak, P.C., Sudheer, K.P., Jain, S.K., Rainfall-runoff modeling through hybrid
intelligent system. Water Resources Research, 43(7), Article Number: W07415,
2007.

29. Neural Network Study., DARPA, 1988.

30. a)Haykin S., Neural Networks: A Comprehensive Foundation. Macmillan,
New York, 66, 1994.
b)Haykin, S., Neural Networks A Comprehensive Foundation. Prentice Hall
International, Inc,1999.



71

31. Cajal S R., Sur les ganglions et plexus nerveux dintestin (Abstract). CR Soc
Bio, 5, 217-223, 1893.

32. McCullogh, W. S., Pitts, W., A Logical Calculus of the Ideas Immanent in
Nervous Activity. Bulletin of Mathematical Biophysics, 5, 115-133, 1943.

33. Minsky, M. L., Papert, S. A., Perceptrons, Cambridge, MA: MIT res, 1969.

34. Yurtolu, H., DPT Uzmanlk Tezleri, YSA Metodolojisi ile ngr
Modellemesi. Baz Makroekonomik Deikenler in rnei, 2005.

35. Alexander, I., Morton, H., An Introduction to Neural Computing. London
Chapman and Hall, 1990.

36. Anderson, D., McNeil, G., Artificial Neural Networks Technology. Data and
Analysis Center for Software, 1992.

37. Kohonen, T., Self-organised Formation of Topologically Correct Feature
Maps. Biological Cybernetics, 43, 59-69, 1982.

38. Sen, Z., Mhendislikte bulank (fuzzy) mantk ile modelleme prensipleri. Su
Vakf Yaynlar, 191 s, 2004.

39. Zadeh, L.A., Fuzzy set, Information Control, 8 (1), 338-353, 1965.

40. Mamdani, E.H., Assilian, S., An experiment in linguistic synthesis with a fuzzy
logic controller. International Journal of Man-Machine Studies, 7, 1-13, 1975.

41. Sugeno, M., Industrial applications of fuzzy control. North-Holland,
Amsterdam, 269 s, 1985.

43. Sugeno, M., Kank, G.T., Structure identification of fuzzy model. Fuzzy
sets ve Systems, 28, No. 1 15-33, 1988.

44. Akkurt, S., Tayfur, G., Can, S., Fuzzy logic model for the prediction of
cement compressive strength. Cement ve Concrete Research, 34(8), 1429-1433,
2004.


72


45. Demir, F., A new way of prediction elastic modulus of normal ve high strength
concrete-fuzzy logic. Cement ve Concrete Research, 35(8),1531-1538, 2005.

46. Jantzen, J., Design of fuzzy controllers. Technical University of Denmark: Dept.
of Automation, technical report No -E-864, 27 p, 1998.

47. McNeill, F.M., Thro, E., Fuzzy logic: A practical approach. AP Professional,
Boston, 1994.
48. Kosko, B., Fuzzy thinking: The new science of fuzzy logic. Hyperion, New
York, 1993.
49. zger, M., Sen, Z., Prediction of wave parameters by using fuzzy logic
approach. Ocean Engineering, 34(3-4), 460-469, 2007.

50. Sen, Z., Fuzzy algorithm for estimation of solar irradiation from sunshine
duration. Solar Energy, 63(1), 39-49, 1998.

51. Akbulut, S., Hasiloglu, A.S., Pamukcu, S., Data generation for shear modulus ve
damping ratio in reinforced sands using adaptive neuro-fuzzy inference system.
Soil Dynamics ve Earthquake Engineering, 24(11), 805-814, 2004.

52. nan, G., Gktepe, A.B., Ramyar, K., Sezer, A., Prediction of sulfate expansion
of PC mortar using adaptive neuro-fuzzy methodology, Building ve
Environment, 42(31), 1264-1269, 2007.
53. Jang, J.S.R., Sun, C.T., Mizutani, E., Neuro-fuzzy ve soft computing.
Transactions on Neural Networks, USA, IEEE, 613 p, 1997.

54. http://www.eie.gov.tr/turkce/hidroloji/goslemist.html











73

ZGEM


1981 ylnda Kayseri de dodu. lk ve orta renimini de Kayseride tamamlad. Lise
renimini 2000 ylnda Melikgazi Lisesinde tamamlayarak ayn yl Erciyes
niversitesi Mhendislik Fakltesi naat Mhendislii blmn kazand. Bir yl
ngilizce eitimi ald. 2001-2005 yllar arasnda lisans eitimini tamamlayarak Erciyes
niversitesi Mhendislik Fakltesi naat Mhendislii Blmnden mezun oldu. zel
sektrde inaat firmalarnda antiye efi olarak grev yapt. 2006 ylnda yksek lisans
almalarna ara vererek askerilik grevlini tamamlad. 2008 ubat aynda Kayseri
Bykehir Belediyesinde naat Mhendisi olarak greve balad. Halen bu grevi
srdrmektedir.


Adres: Bahelievler Mah. Gneli Kasabas
Kocasinan/KAYSER
Mail : fatihcevat2003@yahoo.com
Tel : 0532 702 81 48