MATLAB ile Mühendislik #53 | Deep Learning Toolbox: Autoencoder ile Anomali Tespiti

Eğitmen: Dr. Süleyman Burak ÇELİK

Makine arızalanmadan önce arıza örneğin yok, yalnız sağlam titreşim var. Bu derste tek ağırlığı elle güncelleyip trainnet ile sağlıyor, autoencoder'ı yalnız sağlam veriyle eğitiyor, eşiği doğrulama verisinden seçiyor, F1'i karışıklık matrisinden elle buluyor, boğaz boyutunu PCA ile karşılaştırıyor ve hata vermeyen sessiz eşik tuzağını yakalıyoruz. Elle: x = 1, 2, 3; w0 0.5; lr 0.1. Hata −0.5, −1, −1.5; L = 3.5/3 = 1.1667; g = −14/3 = −4.6667; w1 = 0.9667, trainnet ile aynı (sgdm, momentum 0, L2 0). mse yarım değildir: yarım olsaydı 0.7333. Ağ 64 → 32 → 4 → 32 → 64: 2080 + 132 + 160 + 2112 = 4484 parametre; 31 parti × 200 tur = 6200 adım; son kayıp 0.0025, gürültü gücü 0.05². Kurma hatası: sağlam 0.0025, anomali 0.0123. Eşik doğrulama verisinin %99'u, 0.0037; sınamadan alınmaz. confusionmat: TN 299, FP 1, FN 10, TP 90. Pre 0.9890, Rec 0.9000, F1 0.9424; sağlama 180/191 (kısayol F1 = 2TP/(2TP + FP + FN) ızgarada tarandı; TP sıfırsa F1 sıfır). Görünürlük: darbe sınırı kabaca 0.19 (darbenin pencereye sığdığını varsayan tahmin). Genliği 0.30 ve üstü 79 darbenin hepsi yakalandı, 0.19 altındaki 5 darbeden 2'si. Sessiz hata: eşiği eğitim verisinden seçmek: 0.0036, yanlış alarm 6 (1 değil), kaçan 7; hata mesajı yok. PCA: özdeğerler 17.25, 14.95, 4.09, 3.89, sonrası sıfıra yakın: dört boyut (iki sinüs, genlik ve faz). Enerji sağlaması 64 × 1/2 = 32, 64 × 0.25/2 = 8. Gürültü tabanı kısayolu 0.0025 × (64 − z)/64: z = 4, 6, 8, 12, 16'da PCA hatasıyla aynı; z 4'ten küçükse geçmez, ağ hatasına uygulanmaz. Boğaz taraması (×10⁻³): z = 3'te AE 5.64, PCA 62.43; z = 4'te 2.48, 2.34. z 2 ve altı kör (F1 en çok 0.284). F1 tepesi 0.9538 (z = 6, %99.5) sınamadan seçildi, fark birkaç pencere; z = 6 en iyi denmez: 4'ten sonra kazanç yok. Kod uzayında (z = 3) 100 anomalinin hepsi sağlam bulutun içinde; ayıran kod değil kurma hatası. rng + tek iş parçacığıyla iki eğitim aynı ağırlığı verdi (aynı makine, sürüm); sizde farklı olabilir. Gerçek hatalar: "Invalid size of channel dimension. Layer expects input with channel dimension size 64 but received input with size 2000."; "Error evaluating loss function."; "Expected input to be positive."; "Unrecognized loss function option "kare"." Veri benzetimdir: gerçek makine ölçümü değil, eşik gerçek makine eşiği değil. Veriyi üreten uret_pencere.m paylaşılır. Bu derste: 1. Gerekli eklenti: Deep Learning Toolbox + Statistics and Machine Learning Toolbox 2. Boğazdan geçir, kuramadığına alarm ver 3. Tek ağırlık: elle ↔ trainnet 4. mse yarım değildir 5. Parametre ve adım sayısı 6. Kurma hatası ve eşik 7. Karışıklık matrisi, F1 elle 8. Görünürlük sınırı ve tarama 9. Sessiz tuzak: eğitimden seçilen eşik 10. PCA ile dört boyut 11. Gürültü tabanı kısayolu 12. 3B F1 yüzeyi: 4'ten sonra kazanç yok 13. Kod uzayında anomali bulutun içinde 14. Gerçek hata mesajları Bölümler: 0:00 Problem: gerekli eklenti 0:37 Kapsam 0:59 Mantık: boğaz ve kurma hatası 1:28 Birinci soru: tek ağırlık 1:44 Kayıp 2:04 Gradyan 2:18 Güncelleme 2:38 trainnet sağlaması 3:05 Veri 3:38 İkinci soru: parametre 3:52 Parametre sayısı 4:25 Eğitim 4:54 Üçüncü soru: eşik 5:05 Kurma hatası 5:25 Eşik seçimi 5:39 Karışıklık matrisi 5:50 F1 elle 6:24 Kaçan anomaliler 6:58 Sessiz eşik tuzağı 7:24 Dördüncü soru: boğaz ve PCA özdeğerleri 8:00 Gürültü tabanı kısayolu 8:26 Boğaz taraması 9:00 3B F1 yüzeyi 9:24 Tepe gürültüdür 9:52 Kod uzayı 10:14 Tekrarlanabilirlik 10:31 Gerçek hatalar: boyut 10:49 Gerçek hatalar: seçenek 11:06 Ne yaptık? 11:27 Kural Gerekli MATLAB eklentileri: Deep Learning Toolbox 26.2 (MATLAB R2026b): dlnetwork, featureInputLayer, fullyConnectedLayer, tanhLayer, trainingOptions, trainnet, testnet, minibatchpredict, extractdata. Statistics and Machine Learning Toolbox 26.2: confusionmat (Statistics olmayan makinede denenmedi; gerekli sayıyoruz). Temel MATLAB: prctile, svd, rng, maxNumCompThreads, isequal, mean, std, round. Hazır model indirilmez. Kaynak kitap: Komut davranışı MathWorks R2026b belgelerinden (trainnet, trainingOptions, minibatchpredict, confusionmat) ve gerçek çalıştırmalardan alındı. Kaynak kitap bu derste doğrulanmadı, ad verilmedi. Senaryo, sayılar ve animasyonlar özgündür. Sonuçlar MATLAB çıktısı ve MATLAB'dan bağımsız bir Python denetimiyle (kendi ileri geçişimiz, kendi PCA'miz, F1 taraması) sınandı. Anlatım yapay zekâ sesiyle (Gemini) seslendirildi; ders kurgusu, örnekler ve MATLAB çalıştırmaları özgündür. Hedef kitle: makine, mekatronik, elektrik ve kestirimci bakımla ilgilenen öğrenciler. Ön koşul: temel MATLAB, ortalama kare hata ve gradyan bilgisi.

Bu videoyu izlemek için Premium üyelik gerekir.