Tez No	İndirme	Tez Künye	Durumu
477693		Enhancing extreme learning machine: Novel extentions and applications to optimizing visual stimuli for brain computer interface / Aşırı öğrenme makinasında iyileştirmeler: Yeni eklentiler ve beyin bilgisayar arayüzü için görsel uyaran optimizasyonu uygulamaları Yazar:APDULLAH YAYIK Danışman: YRD. DOÇ. DR. YAKUP KUTLU Yer Bilgisi: Mustafa Kemal Üniversitesi / Fen Bilimleri Enstitüsü / Enformatik Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora İngilizce 2017 162 s.
Tek katmanlı bir yapay sinir ağı modeli olarak klasik aşırı öğrenme makinası (AÖM) kıyaslama veri setleri ile yüksek performans değerlerine aşırı hızlı olarak ulaşabilmektedir. Ancak gerçek hayatta kullanılan yüksek boyutlu veri setlerine uygulandığında tekil değer ayrışımının (TDA) gerçek değere düşük yakınsamasından kaynaklanan durumdan dolayı eğitim hızında ve performans değerlerinde düşme meydana gelmektedir. Bu tez çalışmasında alt üst üçgenleme, Hessenberg ayrışımı, Schur ayrışımı, değiştirilmiş Gram Schmidt (DGM) işlemi ve Householder yansıması metotlarını ile klasik AÖM deki bu düşüşün engellenmesi önerilmektedir. Klasik ve önerilen AÖM ler ile beyin bilgisayar arayüzü (BBA) görsel uyaran optimizasyonu problemi üzerine deneyler yapılmıştır. Ayrıca kıyaslama yapmak amacıyla yapay sinir ağı (YSA), k-en yakın komşu yöntemi ve bayes ağları sınıflandırma yöntemleri kullanılmıştır. 19 adet gönüllünün katıldığı bu deneyler sonucunda, eğitim hızının öncelikli olduğu durumlarda Hessenberg ayrışımı metodunun, performans değerlerinin öncelikli durumlarda ise Householder yansıması metodunun TDA' nın yerini alabileceği kanısında ulaşılmıştır. Ayrıca, önerilen diğer metotlar ise yakın sonuçlar vermektedir. Ayrıca bu tez çalışmasında arka planı turuncu olan ve ortak merkezli dairesel çizgilerden oluşan görsel uyaranın BBA uygulamalarının tasarımında istatistiksel olarak pozitif yönde etkili olduğu kanısına ulaşılmıştır. Önerilen algoritmalar ile geliştirilen gerçek zamanlı BBA uygulaması seçilen elektroensefalografi kanalları ile 17 saniye içerisinde karar verebilmekte ve % 90.83 başarım oranına sahiptir.
As a single-hidden layer feed forward neural network (SLFN), conventional extreme learning machine (ELM) reaches high performance rates in extremely rapid training pace on benchmark datasets. However, when it is applied to real life large datasets, decline in training pace and performance rates related to low convergence of singular value decomposition (SVD) method occurs. This thesis proposes new approaches in conventional ELM to overcome this problem with lower upper (LU) triangularization, Hessenberg decomposition, Schur decomposition, modified Gram Schmidt (MGS) process and Householder reflection methods. Experiments with conventional and proposed ELMs, have been conducted on visual stimuli optimization problem in brain computer interface (BCI). And, multi-layer perceptron (MLP), k-nearest neighbour (k-NN) and Bayesian network (BayesNET) are applied for compartments. 19 subjects participated in this experiment and results show that if priority is given to training pace, Hessenberg decomposition method, and if priority is given to performance measures Householder reflection method can replace SVD. Also, other proposed methods give comparable results. Besides, this thesis shows that visual stimuli that is smaller and has orange coloured concentric background has statistically positive effect on performing BCI application. In real-time BCI application proposed algorithms can decide just in 17 seconds with selected electroencephalography (EEG) channels and it has an accuracy rate of 90.83%.