En iyi yapay sinir ağı modelinin belirlenmesinde istatistiksel yöntemlerin kullanılması

Abstract

Otoregresif, hareketli ortalama ve otoregresif hareketli ortalama gibi lineer zaman serilerinde hata terimlerinin dağılımının normal dağılıma uymadığı durumlarla daha yaygın karşılaşılır. Burada, bu tür zaman serisi problemleri için klasik istatistiksel modellere yaygın bir alternatif olarak kullanılan yapay sinir ağları kullanıldı. Ancak, yapay sinir ağlarının uygulamasında karşılaşılan önemli bir problem yapay sinir ağlarının katmanlarındaki nöronların sayılarının uygun bir şeklide belirlenmesi olarak tanımlanan mimari seçim işlemidir. Buradan yola çıkarak, bahsedilen zaman serisi modellerinde hata terimlerinin dağılımının, normal dağılım dahil olmak üzere simetrikten çarpığa birçok farklı dağılımı kapsayan esnek bir dağılım olan, çarpık t dağılımına uyduğu varsayılarak, bu zaman serilerinin yapay sinir ağları ile öngörüsü bağlamında uygun mimarinin belirlenmesi problemine odaklanılmıştır. Bu amaçla ele alınan bu problemin çözümü için, a×b faktöriyel tasarım ve Duncan çoklu aralık testine dayalı bir yaklaşım ortaya konulmuş ve bu yaklaşım kapsamlı bir Monte-Carlo simülasyon çalışması ile incelenmiştir. Sonuç olarak, otoregresif ve otoregresif hareketli ortalama serilerinde genellikle hata terimlerinin dağılımındaki çarpıklık derecesi arttıkça yapay sinir ağlarının gizli katmanındaki nöron sayısının arttığı görülmüştür. Bu sonuç, hareketli ortalama serileri için geçerli değildir. Ayrıca, hata terimlerinin dağılımındaki değişimin girdi katmanındaki nöron sayısı üzerinde bir etkisi olmadığı görülmüştür. Çalışmanın sonunda, önerilen yaklaşımın gerçek bir veri seti için uygulaması gösterilmiştir.