Tez No	İndirme	Tez Künye	Durumu
305073		Hierarchical behavior categorization using correlation based adaptive resonance theory / İlinti temelli uyarlanır rezonans kuramı kullanarak sıradüzensel davranış sınıflandırma Yazar:MUSTAFA YAVAŞ Danışman: DOÇ. DR. FERDA NUR ALPASLAN Yer Bilgisi: Orta Doğu Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Bölümü Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora İngilizce 2011 107 s.
Bu tez davranış tanıma ve öğrenmede kullanılabilecek yeni bir davranış sınıflandırma modeli sunar. Bu amaçla, kendini örgütleyen, deneticisiz, rekabete dayalı yapay sinir ağı olan İlinti Temelli Uyarlanır Rezonans Kuramı (CobART) ağı geliştirilmiştir. CobART sınıf eşlemede ilinti çözümleme yöntemlerini kullanır, birimsel ve basit bir mimariye sahiptir. Bu yapı, kullanılan ilinti çözümleme yöntemleri gerektiğinde değiştirilerek farklı sınıflandırma görevlerine uyarlanabilir.CobART ağları davranışların uygun bir şekilde sınıflandırılması amacıyla sıradüzensel bir şekilde birleştirilmiştir. Sıradüzensel yapı, birinci katmandaki CobART ağlarının üzerine ikinci katmanın eklenmesi ile geliştirilmiştir. Birinci katmandaki CobART ağları robotun veya ortamdaki nesnelerin davranışını sadece kendi verilerini kullanarak sınıflandırır. İkinci CobART ağı katmanı, birinci katmandaki CobART ağlarında oluşan sınıfları girdi olarak kullanır ve bunları sınıflandırarak robot davranışını nesne üzerindeki etkisine göre ortaya koyar. Bunun yanında, ikinci katmanda oluşan eşleme bilgisi birinci katmandaki ağlara geri yansıtılarak, bu katmanda üretilen sınıflar arası ilişki hesaplanır.Sıradüzensel modelin başarımı yapay sinir ağlarını kullanan çeşitli modeller ile karşılaştırılmıştır. Test sonuçları gösteriyor ki; önerilen yöntem teste tabi davranışlar için makul bir sınıflandırma üretmektedir. Bunun yanında bu yöntem, davranışların çeşitli biçimlerini öğrenebilmekte ve bunlar arasındaki ilişkiyi belirleyebilmektedir. Esas itibariyle bu yöntem genişleyebilir bir yapıya sahiptir ve yeniden kullanılabilir parçaları içerir. Birinci katmandaki CobART ağları farklı bir sınıflandırma görevi için başka CobART ağları ile birleştirilebilir. Sonuç olarak bu yöntem, robot tarafından aynı anda yapılan tüm davranışları ortaya çıkaran bir yol sunar.
This thesis introduces a novel behavior categorization model that can be used for behavior recognition and learning. Correlation Based Adaptive Resonance Theory (CobART) network, which is a kind of self organizing and unsupervised competitive neural network, is developed for this purpose. CobART uses correlation analysis methods for category matching. It has modular and simple architecture. It can be adapted to different categorization tasks by changing the correlation analysis methods used when needed.CobART networks are integrated hierarchically for an adequate categorization of behaviors. The hierarchical model is developed by adding a second layer CobART network on top of first layer networks. The first layer CobART networks categorize self behavior data of a robot or an object in the environment. The second layer CobART network receives first layer CobART network categories as an input, and categorizes them to elicit the robot's behavior with respect to its effect on the object. Besides, the second layer network back-propagates the matching information to the first layer networks in order to find the relation between the first layer categories.The performance of the hierarchical model is compared with that of different neural network based models. Experiments show that the proposed model generates reasonable categorization of behaviors being tested. Moreover, it can learn different forms of the behaviors, and it can detect the relations between them. In essence, the model has an expandable architecture and it contains reusable parts. The first layer CobART networks can be integrated with other CobART networks for another categorization task. Hence, the model presents a way to reveal all behaviors performed by the robot at the same time.