Depreme ilişkin olağan dışı sinyal değişiminin YSA ile saptanması

Transkript

1 tüdergs/d mühendslk Clt:2, Sayı:5, Ekm 2003 Depreme lşkn olağan dışı snyal değşmnn YSA le saptanması Mehmet Sraç ÖZERDEM *, A.Coşkun SÖNMEZ İTÜ Elektrk Elektronk Fakültes, Blgsayar Mühendslğ Bölümü, 34390, Maslak, İstanbul Özet Kayaç deformasyonu sonucu oluşan pezo-elektrk kökenl elektrk alan ölçüm değerler çnde deprem önces oluştuğu öngörülen özel br örüntünün varlığı saptanmıştır. Bu çalışmada deprem le lşklendrleblen bu değşmn saptanması hedeflenmştr. İlk aşamada, şlenen örüntü boyutunun büyük olması nedenyle Hebban tabanlı lkesel bleşen analz kullanılarak örüntü boyutu ndrgenmştr. İndrgenen örüntüler le ağın eğtm sağlanmıştır. Eğtlen ağın çıkışında, grş örüntüsünün çerğne bağlı olarak olağan veya olağan dışı örüntü olduğuna lşkn sonuç üreten br düzenek gerçeklenmştr. Gerçeklenen uygulamalarda, kayaç gergnlğ sonucu oluşan elektrksel alanın çnde yer alan deprem haberc örüntüsü yüksek br olasılıkla saptanmıştır. Anahtar Kelmeler: Deprem, örüntü sınıflama, yapay snr ağları Classfcaton of anomaly patterns wth usng neural networks Abstract Earthquake s a natural event whch has no lnear property n tme and space and cannot be modelled exactly. Estmaton of an earthquake by means of pattern learnng and recognton property of artfcal neural networks (ANN) s the essental goal of ths study. The values obtaned through the sensor to measure earthquake-related monopolar electrc feld consttute tme dependent patterns. These patterns are analysed and evaluated by the help of ANN. Phases of evaluaton process can be explaned brefly : the computaton load of the artfcal neural network was ncreased because of the large pattern sze. So, n order to decrease ths computatonal load the pattern sze s reduced by an Hebban based component analyss methods. In the next phase, these reduced-sze patterns are used as tranng set for the process of artfcal neural network tranng. At the output layer of network, a mechansm s realzed that produces results related wth pattern s beng normal or abnormal and ths result depend on the nput pattern s content. As a result of applcatons covered n ths study, the measurement of electrc feld resulted from regonal tectonc stress and the earthquake forerunner pattern whch resdes n ths feld s detected wth a hgh success rate. In addton, t s observed that learnng s mproved and success s ncreased by the ncrease n the number of pattern whch ncludes abnormal change. Keywords: Artfcal neural networks, earthquake, pattern classfcaton. * Yazışmaların yapılacağı yazar: Mehmet Sraç ÖZERDEM. sozerdem@cs.tu.edu.tr; Tel: (22) Bu makale, brnc yazar tarafından İTÜ Elektrk-Elektronk Fakültes'nde tamamlanmış olan "Ssmk anomallern YSA yöntem le tanınması ve sınıflandırılması" adlı doktora teznden hazırlanmıştır. Makale metn tarhnde dergye ulaşmış, tarhnde basım kararı alınmıştır. Makale le lgl tartışmalar tarhne kadar dergye gönderlmeldr.

2 M. S. Özerdem, A. C. Sönmez Grş Depremlern öncesnde meydana gelen çeştl fzksel olağan dışı olaylar dkkate alınarak, olası deprem öngörmek ya da kestrmek çn çeştl fzksel büyüklükler gözlemlenmştr ve bu alanda br çok çalışmanın devam ettğ blnmektedr. Kuyu su sevye ölçümler (Techeng ve Baoyn, 995), yeraltı kaynak suyu sıcaklık değşmler (Zhonghao, 999), radon gazı yayılması (Yong ve Wa, 995), GPS verler le uzun sürel bölgesel ötelemelern belrlenmes (Relnger ve Barka, 997), yern manyetk alanındak sapma mktarının ölçülmes, deprem öncesnde gözlenen olağan dışı hayvan davranışları (Buskrk vd, 98) gb br çok değşme bakılarak depremn yaklaşık yer, zamanı ve büyüklüğü le br deprem önceden kestrmeye yönelk başarılı br yöntem ortaya konulamamıştır. İTÜ Elektrk-Elektronk ve Maden Fakülteler Elektrostatk Kayaç Gergnlk İzleme Yöntem le Deprem Tahmn Sstem (EKGDT) sml br ortak proey 999 yılında başlatmışlardır. Proe kapsamında özel olarak gelştrlmş tek kutuplu elektrk alan (TEA) ölçüm duyargası (Canyaran ve Üstündağ, 999) le depremlern önceden belrlenmes çn 6 stasyonlu br ağ kurulmuştur. TEA ölçüm duyargası le elde edlen verlern değerlendrlmesnde yapay snr ağlarının (YSA) öğrenme ve tanıma özellklernden faydalanılmıştır. Br yapay snr ağı, brbryle etkleşm çndek pek çok yapay nöronun paralel bağlı br hyerarşk organzasyonudur (Zurada, 992). Blglern kurallar şeklnde açıklandığı klask uzman sstemlernn tersne, YSA gösterlen örnekten öğrenerek kend kurallarını oluşturur (Roas, 996). YSA nın uyarlanır elemanlar le yoğun br şeklde paralel olarak bağlanmasıyla oluştuğu ve hyerarşk organzasyonları düzenlenmş yapılar olduğu belrtlmştr (Kohonen, 980). Ayrıca bu yapının, byolok sstemlern gerçek dünyadak csmler algılayablmesne benzer br yaklaşım çerdğ vurgulanmıştır. YSA da öğrenme; grş örneklerne veya bu grşlern yanısıra lgl çıkışlara bağlı olarak ağın bağlantı ağırlıklarının değştrlmesyle gerçekleşr (Karlık, 994). Öğretcl ve öğretcsz öğrenme olmak üzere k tür temel öğrenme strates vardır (Efe ve Kaynak, 2000). Her k strate arasındak temel fark, stenen çıkışın öğretcl öğrenmede blndğ ancak öğretcsz öğrenmede blnmedğdr. YSA ne kadar çok olayla lgl değşk özellklere sahp örnek le eğtlr se öğreneblecekler olay ve tanıyablecekler obe sayısı artarken hata oranı azalacaktır. Deprem önces değşmler Bu çalışma kapsamında, depremle lşkl verler ürettğ savunulan TEA ölçüm duyargası le elde edlen verler üzernde çalışılmıştır. Şekl de br deprem önces TEA ölçüm duyargasından elde edlen verlerle oluşan örüntü gösterlmştr. Bu örüntü le lgl temel tanımlar şöyle açıklanablr: A değşken, olağan değer le olağan dışı değern tepe noktası arasındak genlk farkını, ba değşken, olağan dışı davranışın başladığı andak değer, bb değşken, olağan dışı davranışın aldığı son değer ve τ değşken se olağan dışı davranışın düşüş zaman katsayısını smgeler. Şekl. Deprem önces görüldüğü varsayılan olağan dışı örüntü Yerblmcler örüntünün genlğ le depremn şddet arasındak lşky şu ana kadar tanımlayamamışlardır. Ancak EKGDT proe grubu genlk (A), ba-bb farkı ve τ değerlernden depremn ölçüm stasyonuna uzaklığı, depremn şddet ve süresnn kestrlebleceğn değerlendrmektedr. EKGDT proe grubunu Şekl de gösterlen örüntünün deprem habercs olduğu görüşünü savunmaktadır. Ntekm benzer örüntüler laboratuvar çalışmalarında kırılma önces

3 Depreme lşkn olağan dışı snyal değşm elektrk yük değşm kayıtlarında da görülmüştür (Matsuda vd., 200). Olayın matematksel modelne göre beklenen değşm, saha ölçümlernden elde edlen örüntüler le uyuşmaktadır. Bu çalışmamızda Şekl de tanımlanan tpk örüntü Çok Katmanlı Algılayıcıda (ÇKA) eğtm kümes olarak kullanılmıştır. Deprem habercs olan örüntü süresnn belrlenmes EKGDT grubu tarafından yapılan ölçümler sonunda deprem haberc örüntüsünün en kısa 60 sanyede oluştuğunu göstermektedr. Örüntünün kıvraklığı ve günümüz blgsayar teknololer ele alınarak 5 sanyede br örnek alınmasının uygun olacağı sonucuna varılmıştır yılından günümüze kadar, 6 değşk stasyonda yapılan deneyler sonucu örüntünün oluşması çn yaklaşık.5 saat gb br sürenn gerektğ gözlemlenmştr. Bunun sonucu olarak her örüntünün yaklaşık 000 sayısal değerden oluştuğu açıktır. Hesaplama yükünü azaltmak çn lk aşamada Hebban tabanlı lkesel bleşen analz yöntem kullanılarak 000 örnek sayısı 200 e ndrgenmştr. Olağan dışı örüntünün saptanması çn gerçeklenen öğrenme ve saptama düzeneğ Ölçme stasyonlarında, Femto Coulomb mertebesnde yük değşmlerne duyarlı br TEA ölçme duyargasından elde edlen analog şaretler, koşullandırılarak sayısala dönüştürülmekte ve sayısal adaptf fltrenn ardından FTP le nternet üzernden br ver toplama merkezne gönderlmektedr. Çalışmanın hedef alanı olan Marmara bölges nde kurulan 6 stasyondan toplanan verlern oluşturduğu örüntüler Şekl 2 de görüldüğü üzere ön şlemlerden geçrlr ve YSA nın grş örüntüler olarak kullanılır. Şekl 2 dek düzenekte ön şlem aşaması olarak görülen kısımda verler YSA da şleneblecek örüntüler kümes halne dönüştürülür. Ön şlem düzeneğ normalzasyon, tekrarlı blokların oluşumu ve ndrgeme aşamalarını kapsar. TEA ölçüm verlernn tanımlı olduğu aralık [ ] le ağda kullanılan aktvasyon fonksyonlarının [- ] gb farklı değer aralıklarında olmalarından dolayı doğrusal ölçekleme yapılmıştır. Doğrusal ölçekleme le bu aralık [0. 0.9] değer aralığına taşınmıştır. İstasyon Fltre ve Dönüştürücü Eğtme YSA (ÇKA).. FTP Ver Depolama Düzeneğ Ver Ön İşlem Düzeneğ Fltre ve Dönüştürücü Deneme Örüntülern ağırlıklar le denenmes Şekl 2. Örüntü saptama düzeneğ

4 M. S. Özerdem, A. C. Sönmez Blokların oluşumu aşamasında, değşm çersnde br olağan dışı değşm kaçırmamak amacıyla verlern tekrarlı bloklar halne dönüşümü sağlanır. TEA ölçümlernn taranmasında zlenlen yöntem; her yen ver grşnde son 2 saatlk kayıt üzernden.5 saatlk br pencerenn kaydırılmasıdır (Şekl 3). Örüntü boyutunun ndrgenmes ve benzerlk kavramı TEA duyargasından gelen verlern sayısı blgsayar şlem yükünü zorlamaktadır. Bu nedenle blg kaybı olmaksızın örüntü çndek ver sayısının ndrgenmes gerekmektedr. Br ver kümes çndek verlern sayısını sınırlı br blg kaybı kabul edlerek azaltmak çn Hebban tabanlı lkesel bleşen analz yöntem kullanılablr (Haykn, 999). Öğretcsz öğrenme (unsupervsed learnng) stratelernden Hebban algortmasında amaç, her özdüzenlemel YSA da olduğu gb eğtm kümesnde öneml örüntüler yakalamak veya grş verlernn özellklern saptamaktır. Hebban tabanlı temel bleşen analz çn tek katmandan oluşan ler beslemel br YSA örneğ Şekl 4 te gösterlmştr. Yapı tbaryle dkkate alınması gereken k öneml nokta: a)ysa yı oluşturan her nöron çıkışının lneer olması, b)ysa nın blnen m tane grş sayısının l tane çıkış sayısından büyük (l<m) olmasıdır blok n. blok Volt / metre 0200 Model 2. blok 2:30 Zaman 23:30 a ) Pencerenn ver üzernde kaydırılması Model oluşturan ver sayısı : m. blok : [,m] ver aralığı 2. blok : [2,m+] ver aralığı Denenecek toplam ver saysısı : n adet 3. Blok : [3,m+2] ver aralığı k. blok : [n-m,n] ver aralığı b ) Taranan pencere le oluşan ver blokları Şekl 3. Tekrarlı blokların oluşturulması

5 Depreme lşkn olağan dışı snyal değşm x x 2 x 3 x m.... Şekl 4. İler beslemel br YSA yapısı Ağın çıkışı: m y ( n) = w ( n) x ( n) =,2,...,l () = fades le hesaplanır (Haykn, 999). Genelleştrlmş Hebban öğrenme algortması uygulanarak ağırlıklar değştrlr. Ağırlıkların değşm: w ( n) = ( y ( n) x ( n) w η y ( n) k = w k ( n) y k ( n)) y y 2 y l =,2,... m =,2,... l ( n + ) = w ( n) + w ( n) (3) bağıntılarına göre hesaplanır. Boyutu (m,) olan grş vektörü x (n) olarak, öğrenme katsayısı η olarak ve çıkış nöron sayısı se l olarak sembolze edlmştr. Bu çalışmada Şekl 4 te verlen yapay snr ağına karşılık Şekl 5 te verlen yapının kullanılableceğ tarafımızdan önerlmştr. x x 2 x 3 x 4 x 5 Şekl 5. Gerçeklenen YSA yapısı y (2) Ağın eğtm esnasında ağırlık katsayılarının artış mktarı, eğtm durdurma ölçütü olarak alınır. Ağırlığın artış mktarı belrl br eşk sevyesnn altına düşmes durumunda eğtm şlem sonlandırılır. Bu çalışmada, örüntüye lşkn karakterstk blgler kaybetmeden Hebban yöntem le örüntüdek örnek sayısının azaltılması amaçlanmıştır. Asıl verlerden oluşan örüntüye y(t) ve ndrgenmş örüntüye de x(t) dersek, bu k örüntünün brbrne benzerlk değern B = max t [ a, b] y( t) x( t) (4) le fade edeblrz. B çn belrlenen br değer asıl ve ndrgenmş örüntülern brbrlerne ne kadar benzer olduğunun ölçütüdür. Gerçeklenen çalışmalar sonucunda, B=0. benzerlğn yeterl sayılablrllğ varsayımıyla kalkarak yapılan deneylerde 5- oranında ndrgemenn uygun olduğu sonuca varılmıştır. 5- oranında ndrgeme benmsendğnden ağın öğrenme sürecndek başarımının değşm Şekl 6 da gösterlmştr. Gerçeklenen analzde öğrenme katsayısı η=0.0 alınmış, şlem 246 adımda tamamlanmıştır. Analz sonlandırmak çn eşk sevyes de e=0.000 alınmıştır. Yne aynı deneyde asıl ver ve ndrgenmş ver şekller Şekl 7 de gösterlmştr. Boyutu ndrgenmş örüntü, eğtlmek üzere gerye yayılma algortmasının kullanıldığı çok katmanlı algılayıcının (Mult-layer perceptron) grş vektörü olarak kullanılır. Gerye yayılma algortması le örüntü saptama Yapay snr ağlarında ler yol yapısındak ağlara at parametrelern güncellenmes çn lteratürde sıkça karşılaşılan yöntem olan gerye yayılma algortması kullanılmıştır. Bu yöntem, hataların grş olarak uygulandığı kuadratk br amaç ölçüt fonksyonunu mnmze edecek şeklde ağ parametrelernn uyarlanmasına dayanır (Özerdem vd., 2002). Ağ yapısı en az üç katmandan oluşur. Bunlar grş, gzl ve çıkış katmanlarıdır.

6 M. S. Özerdem, A. C. Sönmez Şekl 6. Başarım değşm Şekl 7. Örüntü boyutunun ndrgenmes Verlen eğtm kümes çn ortalama karesel hata öğrenme performansının ölçütü olarak alınır ve bu amaç ölçütünü en küçülten parametreler belrlenr. Ortalama hata: e ( n) = d ( n) y ( n) (5) N 2 ε ( n) = e ( n) (6) 2P C n= le fade edlr. Burada e hata şaretn, n adım sayısını, d çıkışta stenlen vektörü, y ağın ürettğ çıkış vektörünü, P örüntü sayısını ve C çıkış katmanındak nöron sayısını temsl eder.

7 Depreme lşkn olağan dışı snyal değşm Gzl katman le çıkış katmanı arasındak ağırlık katsayılarının değşm: w ( n) = ( n) y ( n) (7) ηδ m δ ( n) = e ( n) ϕ ( w ( n) y ( n)) (8) = 0 bağıntılarıyla hesaplanır. Grş katmanı le gzl katman arasındak ağırlık katsayıları: m = 0 δ ( n ) = ϕ ( w ( n) y ( n)) δ ( n) w ( n) (9) le belrlenr. η öğrenme katsayısını smgeler ve probleme göre farklı değerler alır. Rumelhart tarafından, ağın yakınsamaması durumunda α momentum termn de çerecek şeklde ağırlıkların ayarlanmasını sağlayan formül aşağıdak şeklde genelleştrlmştr (Haykn, 999). w ( n) = α w ( n ) + ηδ ( n) y ( n) (0) k k k Gerçeklenen uygulamada toplam 27 deprem haberc örüntüsü olup, bunlardan 7 tanes eğtm amaçlı ve 0 tanes se deneme amaçlı kullanılmıştır. Olağan dışı değşm çermeyen 20 örüntü eğtm kümesne dahl edlerek, toplam 37 örüntüden oluşan br eğtm kümes oluşturulmuştur. Deneme kümesne se toplam 5 olağan dışı değşm çermeyen örüntü dahl edlerek, toplam 5 örüntüden oluşan br deneme kümes oluşturulmuştur. Ağın eğtmnde kullanılan örüntülerden k tpk örnek Şekl 8 de gösterlmştr. Ön şlem olarak kullanılan Hebban le ver (5-) oranında sıkıştırılmış ve örüntü boyutu 000 den 200 e ndrgenmştr. Dolayısıyla, YSA grş katmanının nöron sayısı 200 olacaktır. YSA da hedeflenen küme örüntülerne lşkn deprem habercs olan örüntüler [ 0] şeklnde, olağan dışı davranış çermeyen örüntüler se [0 ] şeklnde kodlanmıştır. Burada amaç mevcut çalışma bölgesn k sınıfa ayırmaktır. Kodlamada Hammng uzaklığının yerne 2 alınması, sınıflamanın başarı yüzdesn artırmıştır. Uygulamada gerçeklenen ağ yapısı Şekl 9 da gösterlmştr. a) b) Şekl 8. a) Deprem önces snyal çeren Sakarya stasyon kaydı ( ) b) Olağan değşm çeren Balıkesr stasyon kaydı ( )

8 M. S. Özerdem, A. C. Sönmez x x 2 x 3.. x y y 2 Şekl 9. Olağan dışı örüntü saptama çn gerçeklenen çok katmanlı ağ model Eğtm durdurma ölçütü olarak, ortalama karesel hatanın belrl br eşk değernden daha küçük br değere düşmes durumu dkkate alınmıştır. Delta öğrenme kuralı le gerçeklenen çalışmada, son katmandan grş katmanına doğru (backward) delta değernn düşmes, her katmanda öğrenme katsayısını farklı almamıza neden olmuştur. Ağın çıkış değerlernn (0,) arasında olması beklendğnden çıkış katmanında sgmod fonksyonu kullanılmıştır. Eğtm sürecnde farklı YSA parametreler le çeştl çalışmalar gerçeklenmş olup, bunlardan üç tanesnn ölçütler ve başarım değşmler Tablo de gösterlmştr. Tablo de görüldüğü üzere, farklı ağ parametre katsayılarından oluşan ( ) yapıda br ağ model üzernde çalışılmıştır. Eğtm aşamasında ortalama karesel hatanın adım sayısı le üstel br bçmde azaldığı saptanmıştır. Bu tür br değşm eğtm aşamasında beklenen br değşmdr. Örüntülern denenme aşaması, eğtm aşamasında olduğu gb ön şlemler çermektedr. Deneme kümes çn belrlenmş örüntülern eğtlmş ağırlıklar le denenmes sonucu elde edlen çıkışlar Tablo 2 de gösterlmştr. Tablo 2 nn lk sütununda elde edlmes beklenen kodlar ve dğer sütunlarda gerçeklenen üç uygulamanın deneme sonuçları yer almaktadır. Sonuçlardan koyu renkl yazılmış olanlar, yanlış sınıflandırılmış örüntülerdr. Tablo 2 de görüldüğü üzere,. ve 2. uygulamada. ve 9. örüntülernn yanlış sınıflandırılmış oldukları saptanmıştır. 3. uygulamada se. örüntünün yanlış sınıflandırılması, uygun parametre ölçütlernn değşmyle gderlmştr. 9. deneme örüntüsü se yapılan tüm uygulamaların sonucunda stenlen sınıfa dahl edlememştr. Bunun neden, deprem habercs olduğu varsayılan değşmn genlğnn oldukça küçük olmasıdır. Olağan değşmlern bulunduğu örüntülern tamamyle ayrıştırılması, saptanan dğer br öneml sonuçtur. Sonuçlar ve tartışma Bazı doğa olaylarının ve canlı davranışlarının olağan dışı değşmlerden faydalanarak, deprem önceden kestrmeye yönelk çok başarılı br yöntem ortaya konulamamıştır. Bugüne kadar yapılan çalışmalarda çoğunlukla deprem kestrme yolunda geçmştek kayıtların stokastk değşmler dkkate alınmıştır. Bu çalışmada, kayaç deformasyonu değşmyle lşkl deprem önces elektrk alan örüntülernde görülen olağan dışı değşmlern saptanması konusunda özgün br deneysel çalışma yapılmıştır. Kayaç deformasyonu sonucu oluşan elektrk alan ölçüm değerler çnde deprem le lşklendrlen özel br örüntünün varlığı saptanmıştır. Bu çalışmada da depremle lgl bu değşmn saptanması hedeflenmştr. Depremle lgl bu örüntünün saptanmasında yapay snr ağı yöntemnden yararlanılmış ve bu yöntemn öğrenme ve tanıma gb temel özellkler örüntünün saptanması çalışmalarına uyarlanmıştır.

9 Depreme lşkn olağan dışı snyal değşm Tablo. Uygulamaların eğtm aşamasındak ölçütler ve başarım değşmler Uygulama Parametreler Başarım Değşm η=0.4 η2=0.2 η3=0. α=0.5 e=0. y= n=354 grs_ns=200 k_ns=200 k2_ns=0 çıkış_ns=2 2 η=0.6 η2=0.4 η3=0.2 α=0.9 e=0. y= n=74 grs_ns=200 k_ns=200 k2_ns=0 çıkış_ns=2 3 η=0.7 η2=0.5 η3=0.3 α=0.9 e=0.04 y= n=002 grs_ns=200 k_ns=200 k2_ns=0 çıkış_ns=2

10 M. S. Özerdem, A. C. Sönmez Tablo 2. Deprem haberc örüntüsünün saptanmasında ağın deneme sonuçları Olması beklenen Deprem habercs olan örüntü kodu [ 0] Olağan değşm çeren örüntü kodu [0 ] Örüntü Uygulama Çalışma kapsamında yapılan uygulamalar sonucunda şu noktalara ulaşılmıştır: Kayaç deformasyonu sonucu oluşan elektrksel alanın ölçülmes ve bu alanın çnde yer alan deprem haberc örüntüsü yüksek br olasılıkla saptanmıştır. Yapılan çalışmada olağan dışı değşm örüntülernn artmasıyla, öğrenmenn lerledğ ve başarının arttığı belrlenmştr. Bu çalışmayla, Jeofzk dalına da verlern şlenmes açısından yen br bakış açısı kazandırılmıştır. Semboller η :Brnc gzl katman öğrenme katsayısı η2 :İknc gzl katman öğrenme katsayısı η3 :Çıkış katman öğrenme katsayısı α :Momentum katsayısı e :Ortalama karesel hata y :Eğtmde yaklaşılan ortalama karesel hata n :Adım sayısı grş_ns: Grş nöron sayısı k_ns :Brnc katmana lşkn nöron sayısı k2_ns :İknc katmana lşkn nöron sayısı çıkış_ns:çıkış katmanına lşkn nöron sayısı Kaynaklar Buskrk, R. E., Frohlch, C., Latham, G. V. (98). Unusual Anmal Behavor Before Earthquakes: A Revew of Possble Sensory Mechansms, Revews Of Geophyscs and Space Physcs, 9, 2, Canyaran L., Üstündağ B. (999). Earthquake Forecast System, Turksh Patent Insttute, Applcaton no: 999/029. Efe, M. Ö. ve Kaynak, O. (2000). Yapay Snr Ağları ve Uygulamaları, Boğazç Ünverstes Haykn, S. (999). Neural Networks, A Comprehensve Foundaton, Upper Saddle Rver, N.J. : Prentce Hall Karlık B. (994). Çok Fonksyonlu Protezler çn Yapay Snr Ağları Kullanılarak Myoelektrk Kontrol, Doktora Tez, Yıldız Teknk Ünverstes, Kohonen, T. (980). Content Addressable Memores, Sprnger-Verlag, New York. Matsuda, T., Yamanaka, C., Ikeya, M. (200). Behavor of Stress-Induced Charges n Cement Contanng Quartz Crystals, phys. Stat. sol. (a) Özerdem M. S., Sönmez C. ve Üstündağ, B., (2002). Anomal Örüntülernn Yapay Snr Ağlarıyla Öğrenlmes ve Öngörüde Kullanımı, 0.Snyal İşleme ve İletşm Uygulamaları (SİU2002), Pamukkale. Relnger, R., Barka, A. A. (997). GPS constrants on slp rates n the Araba-Afrca-Eurasa plate collson zone: Implcatons for the earthquake recurrence tmes, NATO ASI Sers. 28, Roas, R. (996). Neural Networks, A Systematc Introducton, Sprnger, Germany Techeng W., Baoyn W. (995). The Tdal Feature of Well Water Level and Its Anomalous

11 Depreme lşkn olağan dışı snyal değşm Varatons Before Earthquakes, Journal of Earthquake Predcton Research, 4, 3. Yong S., Wa Z. (995). The Correlaton Between Radon Varaton and Earth Sold Tde Change n Rock-Groundwater System-the Mechancal Foundaton for Usng Change to Predct Earthquake, Journal of Earthquake Predcton Research, 4, 3. Zhonghao, S. (999). Earthquake Clouds a Relable Precursor, Scence and Utopya 64, s Zurada, J. M. (992). Introducton To Artfcal Neural Networks, West Publshng Com.