Tez No	İndirme	Tez Künye	Durumu
143107	Bu tezin, veri tabanı üzerinden yayınlanma izni bulunmamaktadır. Yayınlanma izni olmayan tezlerin basılı kopyalarına Üniversite kütüphaneniz aracılığıyla (TÜBESS üzerinden) erişebilirsiniz.	Sismik anomalilerin yapay sinir ağları yönetimi ile tanınması ve sınıflandırılması / The recognition and classification of seismic anomalies by ANN method Yazar:MEHMET SİRAÇ ÖZERDEM Danışman: DOÇ. DR. AHMET COŞKUN SÖNMEZ Yer Bilgisi: İstanbul Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora Türkçe 2003 136 s.
Bazı doğa olaylarının ve canlı davranışlarının olağan dışı değişimlerinden faydalanarak, depremi öngörmeye yönelik bir yöntem ortaya konulamamıştır. Bugüne kadar yapılan çalışmalarda çoğunlukla depremi öngörme yolunda geçmişteki kayıtların stokastik değişimleri dikkate alınmıştır. Bu tezde, kayaç gerginliği sonucu ortaya çıkan elektrik alan ölçümleri kullanılarak depreme ilişkin sismik anomalileri tanıma ve sınıflama üzerine yoğunlaşılmıştır. Ayrıca olası depremin öngörüsünde bazı ipuçlarm elde edilmesi üzerine çalışılmıştır. Bir doğa olayı olan deprem doğrusal özellikte olmadığı gibi tam olarak ta modellenememektedir. Yapay sinir ağının örüntüyü öğrenme ve tanıma özellikleri kullamlarak depreme ilişkin sismik anomlilerin tanınması ve sımflandrrılması bu tezin temel hedefi olmuştur. Depremle ilişkili tek kutuplu elektrik alan ölçüm duyargasıyla elde edilen değerler zamana bağlı örüntüler oluşturur. Bu örüntüler yapay sinir ağlan yöntemi yardımıyla değerlendirilmiştir. Değerlendirme işleminin ilk aşamasında, örüntü boyutunun büyük olması yapay sinir ağının hesaplama yükünü artırmıştır. Bu yükü azaltmak için Hebbian tabanlı ilkesel bileşen analizi kullamlarak örüntü boyutu indirgenmiştir. Boyutu indirgenen örüntüler ise bir sonraki aşamada yapay sinir ağının giriş vektörleri olarak kullanılmıştır. Tez kapsamında gerçeklenen çalışmalar, sınıflama ve olası depreme ilişkin çeşitli ipuçlarm temini olmak üzere iki kısımdan oluşmaktadır. Birinci kısım sınıflama üzerine olup, deprem öncesi görülebilecek olağan dışı değişimlerin tanınması ve saptanmasına ayrılmıştır. Bu saptama işleminde gerçeklenen uygulamalar sırasıyla şöyle açıklanabilir: Çok katmanlı algılayıcı ile olağan dışı değişimlerin saptanması, özdüzenlemeli özellik haritalama ağları ile olağan dışı ve olağan değişimlerin sımflandrrılması, özdüzenlemeli ağlan ile oluşan sımflann çok katmanlı algılayıcı ve vektör kuantalamayı öğrenme yöntemleri ile etiketlenmesi, dalgacık yöntemi ile olağan ve olağan dışı değişimlere ilişkin dalgacık dönüşüm katsayılannm hesaplanması ve katsayılann sınıflandınlması, dalgacık dönüşüm katsayılannm neticesinde oluşan smıflann etiketlenmesinde çok katmanlı algılayıcının kullanılması, en küçük kareler yöntemi ile olağan dışı değişimin kabaca modellenmesidir. Gerçeklenen bu uygulamalar sonucunda, deprem habercisi olan örüntü yüksek bir başarı oram ile saptanmıştır. Saptanan örüntü ikinci kısımda değerlendirilmeye alınmış: değerlendirme işleminde çok katmanlı yapay sinir ağlan kullanılmıştır. Saptanan örüntü değişimden, öznitelik (uzaklık, büyüklük ve süre) bilgilerinin öngörülmesine yönelik çalışmalar yapılmıştır. Çalışma sonrasında saptanan sonuçlar şöyle özetlenebilir: Örüntü sayısının artması, elde edilen saptama ve öngörü sonuçlarım iyileştirmiştir, öngörü basan oranının normal olasılıkların üzerinde olduğu gözlenmiştir.
No method for predicting of the earthquake by the interpretation of the anomalies of some natural events and living organisms' behaviours could be offered. In the studies done so far, the stochastic changes of past records are mostly taken into account for the prediction of the earthquake. In this thesis, seismic anomaly patterns based on measurement of electric fields produced by rocky blocks under stress are recognized and classified. Additionally, a method of gathering some clues related to the prediction of probable earthquake is studied. Earthquake is a natural event which has no linear property and cannot be modelled exactly. Recognition and classification of seismic anomalies related to earthquake by means of pattern learning and recognition property of artificial neural networks (ANN) is the essential goal of this thesis. The values obtained through the sensor to measure earthquake-related monopolar electric field constitute time dependent patterns. These patterns are analysed and evaluated by the help of ANN. Since the size of the pattern is very large in the first phase of the evaluation process, the computational load of the ANN is increased. In order to decrease this computational load the pattern size is reduced by an Hebbian based component analysis methods. At the next step, reduced sized patterns are used as the input vectors of artificial neural networks. The study realized throughout the thesis consists of two parts: Classification and getting various clues related with probable earthquake. The first part is about classification and covers the issue of detection of abnormal changes that could be seen prior of an earthquake. The applications used in this detection process can be listed as follows: Detection of abnormal changes by multilayer perceptron; classification of abnormal and normal changes by using Self Organizing Maps; labelling classes, which are generated by self-organizing maps, by means of multi layer perceptron and learning vector quantization methods; calculating the wavelet transformation coefficients for normal and abnormal changes, and classification of these coefficients, using multi-layer perceptron to label the classes which are produced as a result of computing wavelet transformation coefficients, and coarse modelling of abnormal change by use of least-squares method. As a result of these realized applications, it is observed that the pattern which occurs before the earthquake is recognised with high success ratio.The recognised pattern is evaluated in the second phase. Multi-layer networks are used at the process of evaluation. From the recognised pattern change, the estimation of properties, i.e. distance, magnitude, and time is realized. Brief conclusions that can be drawn from the study are: an increase in pattern number improves the obtained recognition and estimation results and estimation success ratio is above the normal statistical values.