Mekansal istatistik, ilk olarak yer bilimlerinde karşılaşılan kestirim problemlerinin çözümü için ortaya atılmıştır. Mekansal problemlerin çözümünde kullanılan yaklaşımlardan biri en iyi mekansal doğrusal kestirim yöntemi olarak bilinen kriging yöntemidir. Kriging yöntemi ile kestirimde mekansal değişkenin bilinmeyen bir noktadaki değeri, bilinen değerlerinin ağırlıklı toplamı ile bulunmaktadır. Ağırlıklar, yansızlık ve en küçük varyans kriterleri göz önüne alınarak oluşturulan doğrusal denklem sisteminin çözümünden elde edilmektedir. Bu denklem sistemi ise değişkenler arasındaki uzaklığa bağlı ilişkiyi modelleyen variogram fonksiyonunun değerleriyle oluşturulmaktadır.
Bu çalışmada mekansal kestirim problemlerinde kullanılan mevcut yöntemlere alternatif olarak bulanık uyarlamalı ağ yaklaşımının kullanılması önerilmiştir.
Sinir ağlarına dayanan bulanık denetim sistemleri, bulanık mantık denetleyici sistemlerine öğrenme algoritmalarının eklenmesi fikrine dayanarak gelişmiştir. Eğitim veya uyum sağlama algoritmaları ile oluşturulan bu sistemler uyarlamalı bulanık sistemler olarak bilinmektedir. Son yıllarda birçok araştırmacı tarafından yoğun olarak kullanılan sistemlerden biri de bulanık uyarlamalı ağlardır. Çalışmada bulanık uyarlamalı ağların mekansal kestirimde kullanılması amaçlanmıştır. Bu yaklaşımla, Sugeno bulanık mantık yöntemine dayanarak oluşturulan bulanık kurallar yardımıyla kestirim yapılabilecektir.
Mekansal kestirimde bulanık uyarlamalı ağlar kullanılırken öncelikle boylam ve enlem değerleri bulanıklaştırılmıştır. Bulanık alt küme sayısının belirlenmesinde karar vericinin seçimi yerine uygun bir algoritmanın kullanılması önerilmiştir. Bu algoritma çıkarımlı kümeleme algoritması olarak belirlenmiştir. Çıkarımlı kümeleme algoritması girdi-çıktı değişkenlerinden sınıf merkezlerinin belirlenmesini sağlayan bir bulanık kümeleme algoritmasıdır. Diğer kümeleme yöntemlerinden farklı olarak bu algoritma sonucunda sınıf sayısı kendiliğinden ortaya çıkmaktadır. Sınıf merkezlerinin sayısı bulanık kuralların sayısına karşılık gelmektedir. Ağdan elde edilecek bulanık kuralların
sayısı, çıkarımlı kümeleme algoritmasının kullanılması ile her bir bağımsız değişken için elde edilen düzey sayılarının çarpımıyla bulunmuştur.
Bulanık kural sayısının belirlenmesinden sonra üyelik fonksiyonunun seçimine geçilmiştir. Literatürde üyelik fonksiyonunun seçimi için önerilen pek çok yöntem bulunmaktadır. Bu çalışmada mekansal verilerin arasındaki ilişkiyi gösteren variogram fonksiyonunun üyelik fonksiyonu olarak seçilmesi önerilmiştir. Üyelik fonksiyonunun belirlenmesiyle birlikte önsel parametre seti de oluşturulmuştur. Önsel parametre seti, bulanık alt kümelerin merkezlerini ve yayılmalarını gösteren değerleri içerir.
Boylam ve enlem değişkenlerine ilişkin en iyi sınıf sayılarının ve önsel parametrelerin belirlenmesi ile ağ süreci başlatılmıştır. Bu aşamadan sonra ağ gerekli hesaplamaları gerçekleştirerek çıktı oluşturur. Elde edilen bu çıktı değeri ile gerçek değer arasındaki fark hatayı verir. Ağın amacı bu hatayı en küçük yapacak biçimde çıktı elde etmektir.
Uygulama aşamasında mekansal kestirim için önerilen uyarlamalı ağ yaklaşımının geçerliliğini sorgulamak amacıyla kriging yöntemi ile karşılaştırma yapılması amaçlanmıştır. Bu amaçla her iki yöntemin, hata kareler ortalaması ölçütüne göre hata miktarları hesaplanmıştır.
Yapılan uygulamada, Marmara ve çevresinden alınan verilerin kullanılması ile yerkabuğu hareket hızlarının kestirimi yapılmıştır. Bunun için ilk olarak, bilinen en iyi kestirim yöntemi olan kriging yöntemi ile kestirim gerçekleştirilmiştir.
İkinci olarak bulanık uyarlamalı ağ yaklaşımı kullanılmıştır. Bu yaklaşımda veri seti eğitim ve test seti olmak üzere ikiye ayrılmıştır. Eğitim seti ağın eğitiminde, test seti ise ağın eğitiminin değerlendirilmesinde kullanılmıştır. Ağdan elde edilen sonsal parametre setinin kullanılması ile hareket hızlarına ilişkin bulanık modeller oluşturulmuştur.
İki yöntemden elde edilen kestirimlerin performansını ölçmek için test setine ilişkin sonuçlar ve hata miktarları değerlendirilmiştir. Çizelge 4.9 ve Çizelge 4.10’ dan da görülebileceği gibi ağ ile yapılan kestirimler gerçek değerlere oldukça yakın bulunmuştur. Karşılaştırmada kullanılan hata ölçütü, hata kareler toplamının veri sayısına oranı biçiminde tanımlanan hata kareler ortalaması olarak alınmıştır.
Çizelge 4.11’ de verilen hata değerlerine göre yapılan karşılaştırmada bulanık uyarlamalı ağların, kriging kestirim yöntemi kadar etkin sonuçlar verdiği görülmüştür.
Grafik 4.4 ve Grafik 4.5’ te verilen kontur haritaları da bu sonucu destekler niteliktedir.
Çizelge 4.11’ de, önerilen yaklaşımın hata kareler ortalamasının doğu yönü için kriging yönteminin hata miktarından küçük olduğu, kuzey yönü için ise büyük olduğu görülmektedir. Bu durumda kesim 2.5.2’ de tanımlanan anizotropik variogram modelinin kullanılması önerilebilir.
Bulanık uyarlamalı ağ yaklaşımın kriging yöntemine üstünlüğü kestirim için elde modellerin bulunmasıdır. Bulunan bu modeller yardımı ile çalışma alanı içerisinde istenen herhangi bir noktada yerkabuğu hareket hızının kestirimi kısa sürede hesaplanabilir. Kriging yöntemi ile kestirimde kullanılan ağırlık değerleri, değişkenler arasındaki uzaklığa bağlı olarak hesaplanmaktadır. Bu nedenle her bir yeni noktanın kestiriminde ağırlıkların tekrar hesaplanması gerekmektedir. Bulanık uyarlamalı ağların bu sıkıntıyı ortadan kaldırdığı söylenebilir. Ağın çalışması ile bulanık modeller bir kez elde edildiğinde, istenildiği an kestirim yapılabilecektir.
Bulanık uyarlamalı ağların üstünlüklerinin yanı sıra uygulama aşamasında dikkat edilmesi gereken bazı noktalar bulunmaktadır. Uygulama için yeterli sayıda veri yok ise bulanık uyarlamalı ağ ile uygun modeller kurulamayabilir. Bunun nedeni veri sayısı yetersiz olduğu için ağın iyi eğitilememiş olmasıdır. Bu gibi durumlarda eğitim seti için uygun sonuçlar bulunmasına karşın test noktaları için elde edilen kestirimler büyük hatalara sahip olabilir.
Dikkat edilmesi gereken bir diğer nokta ise üyelik fonksiyonunun seçimidir. Üyelik fonksiyonlarının seçiminde, verilerin yapısına uygun olmayan bir variogram modelinin seçilmesi bulanık uyarlamalı ağın performansını, önsel parametrelerin değerlerini ve
ağdan elde edilecek bulanık kurallara ilişkin modelleri etkileyecektir. Bu nedenle üyelik fonksiyonunun seçimine önem verilmelidir.
Çalışmada elde edilen sonuçlar birlikte değerlendirildiğinde, bulanık uyarlamalı ağların kullanılması ile yeterli sayıda verinin bulunması durumunda mekansal kestirim problemlerinin başarıyla çözülebileceği söylenebilir.
Çalışmanın uygulama kısmında ele alınan yerkabuğu hareket hızlarının kestirimi deprem çalışmaları açısından da önem taşımaktadır. Yerkabuğu hareketlerinin araştırılması ile yerkabuğunun sismik olarak aktif kesimlerinde yamulma deformasyonunun yıllık hızı hesaplanabilir. Bu hız dikkate alınarak yamulma deformasyonunun doyum noktasına ulaştığı zaman süresi tahmin edilerek bölgede deprem tahmini söz konusu olabilir.
Hareket hızlarının kestirimine ilişkin çok sayıda çalışma yapılmaktadır. Bu çalışmanın da deprem konusunda uzman kişilerce değerlendirilerek, deprem tahmin çalışmalarına katkı sağlayabileceği düşünülmektedir.
KAYNAKLAR
Barka, A., Altunel, E., Akyüz, S., Sunal, G., Hartleb, R., Uslu, O. B. ve Toroman, E.
2000. Yeryüzü ve deprem. Boyut Yayıncılık, 230 s. , İstanbul.
Barton, M.H., Buchberger, S.G. and Lange, M.J. 1999. Estimation of Error and Compliance in Surveys By Kriging, Journal of Surveying Engineering, 125(2), 87-180.
Bodri, B. 2001. A neural-network model for earthquake occurrence. Journal of Geodynmics, 32; 289-310.
Celep, Z. ve Kumbasar, N. 2000. Deprem mühendisliğine giriş ve depreme dayanıklı yapı tasarımı. Beta Dağıtım, 596 s. , İstanbul.
Chen, M.-S. and Wang S.-W. 1999. Fuzzy clustering analysis for optimizing fuzzy membership functions. Fuzzy Sets and Systems 103; 239-254.
Cheng, C.B. and Lee, E.S. 1999. Applying Fuzzy Adaptive Network to Fuzzy Regression Analysis, Computers and Mathematics with Applications, 38, 123-140.
Cheng, C.B. and Lee, E.S. 2001. Fuzzy Regression with Radial Basis Function Network, Fuzzy Sets and Systems, 119, 291-301.
Chiu, S.L. 1994. Fuzzy model identification based on cluster estimation, J.Intell. Fuzzy Systems, 2 (3), 267-278.
Collins, J.M. and Clark, M.R. 1993. An aplication of the theory of neural computation to the prediction of workplace behavior: An illustration and assesment of network analysis. Personnel Psychology, 46; 503-524.
Cressie, N.A.C. 1993. Statistics for spatial data. John Wiley and Sons, Inc. , 900p. , Canada.
Çetin, M., Topaloğlu, F. ve Tülücü, K. 1999. Doğu Akdeniz Bölgesinde Aylık Alansal Yağışların Jeoistatistiksel Yöntemle Saptanması Ve Stokastik Olarak Modellenmesi. Tr. J. Of Agriculture and Forestry, 23, Ek Sayı 3, 691-698.
Tübitak.
Çelik, S.H. 2000. Bulanık rasgele doğrusal programlama. Yüksek lisans tezi (basılmamış), Ankara Üniversitesi, 94s. , Ankara.
Dai, H. and MacBeth, C. 1997. Application of back-propagation neural networks to identification of seismic arrival types. Physics of the Earth and Planetary Interiors, 101; 177-188.
Demirli, K., Cheng, S.X. and Muthukumaran, P. 2003.Subtractive clustering based modeling of job sequencing with parametric search. Fuzzy Sets and Systems, 137; 235-270.
Diamond, P. 1989. Fuzzy kriging. Fuzzy Sets and Systems, 33; 315-332.
Doğan, U., Ergintav, S., Demirel, H., Çakmak, R. and Özener, H. 2003. Estimation of the time-dependent crustal movements of the İzmit Earthquake. Journal of Geodynamics, 36; 615-632.
Doğru, A.G. 2005. Jeodezinin Deprem Araştırmalarındaki Yeri ve Önemi, http://www.koeri.boun.edu.tr/jeodezi/bilgi/bilgi-notes/jeodezideprem.pdf
Elmas, Ç. 2003a. Bulanık mantık denetleyiciler. Seçkin Yayıncılık, 230s. , Ankara.
Elmas, Ç. 2003b. Yapay sinir ağları. Seçkin Yayıncılık, 192s. , Ankara.
Ercan, A. 2001. Deprem olacağı nasıl bilinir? Kozan Ofset, 361 s. , Ankara.
Erbay Dalkılıç, T. 2005. Switching regresyonda bulanık sinir ağları yaklaşımı ile parametre tahmini. Doktora tezi (basılmamış), Ankara Üniversitesi, 100s., Ankara.
Erbay Dalkılıç, T. ve Apaydın, A. 2004. Bulanık kümelemeye dayalı switching regresyon analizi. 4. İstatistik Günleri Sempozyumu Bildiriler Kitabı, 263-269.
20-21 Mayıs 2004, İzmir.
Ersoy, N. ve Erbaş, S. 1992. Olasılık ve istatistiğe giriş. Gazi Üniversitesi Yayınları, 542s., Ankara.
Fausset, L. 1994. Fundementals of neural networks. Prentice Hall. Englewood Cliffs, 461 p. , New Jersey.
Flitman, A.M. 1997. Towards analysing student failures: Neural networks compared with regression analysis and multiple discriminant analysis. Computers Ops.
Res. , 24(4); 367-377
Fujii, Y. 2003. Detailed horizontal crustal movements associated with the 1923 Kanto earthquake as deduced from network adjustment of old data including the third order triangulation stations. Journal of Geodynamics, 35; 457-469.
Giacinto, G., Paolucci, R. and Roli, F. 1997. Application of neural networks and statistical pattern recognition algorithms to earthquake risk evalution. Pattern Recognition Letters, 18; 1353-1362.
Goovaerts, P.1997. Geostatistics for Natural Resources Evaluation. Oxford University Pres, 483p., New York.
Gürer, T. 2000. Deprem kuşağı. Deprem nedir? Ne değildir? Doğan Kitapçılık A.Ş. , 212 s. , İstanbul.
Heety, E.A.M. 2002. Crustal sturucture of the northern Arabian platform inferred using spectral ratio method. Journal of Geodynamics, 34; 63-75.
Hekim, M., Orhan, U. ve Durusoy, G. Veri kümeleme üzerine hibrit yaklaşım. 2006.
Eleco'2006 Elektrik-Elektronik-Bilgisayar Mühendisliği Sempozyumu ve Fuarı, 6-10 Aralık 2006, Bursa.
Huang, C. and Leung, Y. 1999. Estimating the relationship between isoseismal area and earthquake magnitude by a hybird fuzzy-neural-network method. Fuzzy Sets and Systems, 107; 131-146.
Hwang, G.J.T. and Ding, A.A. 1997. Prediction intervals for artificial neural networks.
Journal of the American Statistical Association 92(438); 748-757.
Isaaks, E.H. and Srivastava, R.M. 1989. An Introduction to Applied Geostatistics.
Oxford University Pres, 561s., New York.
Ishibuchi, H. and Tanaka, H. 1993. Fuzzy Neural Networks with Fuzzy Weights and Fuzzy Biases, In proceedings of 1993 IEEE International Conference on Neural Networks, March 28- April 1, San Francisco, 1650-1655.
İnal, C., Turgut, B. ve Yiğit, C.Ö. 2002. Lokal Alanlarda Jeoit Ondülasyonlarının Belirlenmesinde Kullanılan Enterpolasyon Yöntemlerinin Karşılaştırılması.
Selçuk Üniversitesi Jeodezi ve Fotogrametri Mühendisliği Öğretiminde 30. Yıl Sempozyumu, Sunulmuş Bildiri, 16-18 Ekim 2002, Konya.
İnal, C. ve Yiğit, C.Ö. 2003. Jeodezik Uygulamalarda Kriging Enterpolasyon Yönteminin Kullanılabilirliği, TUJK 2003 Yılı Bilimsel Toplantısı, Coğrafi Bilgi Sistemleri ve Jeodejik Ağlar Çalıştayı, Poster Bildiri, 24-25-26 Eylül 2003, Konya.
Jang, J-S.R. 1993. ANFIS: Adaptive-network-based fuzzy inference system, IEEE Transactions on Systems, man and Cybernetics, 23(3), 665-684.
Jang, J-S.R. and Sun, C.-T. 1995. Neuro-Fuzzy Modeling and Control, Proceedings of the IEEE, 83(3), 378-406.
Karaesmen, E. 2002. Öncesiyle sonrasıyla deprem. Atılım Üniversitesi, 451 s. , Ankara.
Kim, J-H., Kim, S-H., Yang, H-S., Park, J-B. and Park, Y-P. 2005. Holographic data system using prearranged plan table by fuzzy rule and genetic algorithm. ICCAS 2005, June 2-5, KINTEX, Gyeonggi-Do, Korea.
Klir, G.J. and Yuan, B. 1995. Fuzzy sets and fuzzy logic. Prentice Hall. PTR. 574p. , U.S.A.
Lai, Y. and Hwang, C. 1992. Fuzzy mathematical programming. Gpringer-Verlag, 301p., Germany.
Lee, E.S. 2000. Neuro-Fuzzy Estimation in Spatial Statistics, Journal of Mathematical Analysis and Applications, 249, 221-231.
Lee, S.C. and Han, S.W. 2002. Neural-network-based models for generating artificial earthquakes and ersponse spectra. Computers and Structures, 80; 1627-1638.
Mc. Clusky, S., Balassanian, A., Barka, A., Demir, C., Ergintav, S., Georgiev, I., Gurkan, O., Hamburger, M., Hurst, K., Kahle, H., Kastens, K., Kekelidze, G., King, R., Kotzev, V., Lenk, O., Mahmoud, S., Mishin, A., Nadariya, M., Ouzounis, A., Paradissis, D., Peter, Y., Prilepin, M., Reilinger, R., Sanli, I., Seeger, H., Tealeb, A., Toksöz, M.N. and Veis, G. 2000. Global positioning system constraints on plate künematics and dynamics in the eastern Medditerranean and caucasus. Journal of geophysical Research, 105(B3), 5695-5719.
Mertol, A. ve Mertol, H.C. 2002. Deprem mühendisliği depreme dayanıklı yapı tasarımı. Kozan Ofset, 644s., İstanbul.
Muller, S., Garda, P., Muller, J.D. and Cansi, Y. 1999. Seismic events discrimination by neuro-fuzzy merging of signal and catalogue features. Phys. Chem. Earth(A), 24(3); 201-206
Negarestani, A., Setayeshi, S., Maragheh, M.G. and Akashe, B. 2003. Estimation of the radon concentration in soil related to the environmental parameters by a modified Adaline neural network. Applied Radiation and Isotops, 58; 269-273 Öztemel, E. 2003. Yapay sinir ağları. Papatya Yayıncılık Eğitim, 232s., İstanbul.
Paiva, R. P. and Dourado, A. 2004. Interpretability and learning in neuro-fuzzy systems.
Fuzzy Sets and Systems 147; 17–38.
Pampal, S. 2000. Depremler. Alfa Basım Yayım Dağıtım, 283 s., İstanbul.
Papazachos, B.C., Savvaidis, A.S., Karakaisis, G.F. and Papazachos, C.B. 2002.
Precursory accelerating seismic crustal deformation in the Northwestern Anatolia Fault Zone. Tectonophysics, 347; 217-230.
Pardo-Iguzquiza, E. and Dowd, P. 2001. Variance-Covariance Matrix of the Experimental Variogram: Assessing Variogram Uncertanity, Mathematical Geology, 33(4), 397-419.
Rajasekaran, S., Suresh, D. and Pai, G. A. V. 2002. Sequental learning artificial fuzzy neural networks (SLAFNN) with single hidden layer. Neurocomputing, 42; 287-310.
Reilinger, R., McClusky, S., Vernant, P., Lawrence, S., Ergintav, S., Cakmak, R., Ozener, H., Kadirov, F., Guliev, I., Stepanyan, R., Nadariya, M., Hahubia, G., Mahmoud, S., Sakr, K., ArRajehi, A., Paradissis, D., Al-Aydrus, A., Prilepin, M., Guseva, T., Evren, E., Dmitrotsa, A., Filikov, SV., Gomez, F., Al-Ghazzi, R.
and Karam G. 2006. GPS Constraints on Continental Deformation in the Africa-Arabia-Eurasia Continental Collision Zone and Implications for the Dynamics of Plate Interactions. Journal of Geophysical Research - Solid Earth 111 (B5): Art.
No. B05411.
Rovithakis, G.A. and Vallianatos, F. 2000. A neural network approach to the identification of electric earthquake precursors. Phys. Chem. Earth(A), 25(3);
315-319.
Sinclair, A.J. and Blackwell, G.H. 2002. Applied Mineral Inventory Estimation, Cambridge University Press,Weat Nyack, NY, USA.
Stein, A., Meer, F. and Gorte, B. 1999. Spatial Statistics for Remote Sensing,Kluwer Academic Publishers, Hingham, MA, USA.
Stergiou, C. and Siganos, D. 1996. Neural networks. http://www-dse.doc.ic.ak.uk./nd/surprise
Şen, Z. 2001. Bulanık Mantık ve Modelleme İlkeleri, Bilge Sanat Yapım Yay. Kağ.
Turz. San. Tic. Ltd. Şti., 172s., İstanbul.
Şimşek, H.1999. Deprem Bilgisi. Harp Akademileri Basımevi, 218 s., İstanbul.
Tercan, A.E. 1996. Maden Yatakları Sınır Belirsizliğinin İndikatör Kriging ile Değerlendirilmesi ve Sivas-Kangal-Kalburçayırı Kömür Yatağında Bir Uygulama, Madencilik Dergisi, Aralık sayısı, 3-11.
Tercan, A.E. ve Saraç, C. 1998. Maden Yataklarının Değerlendirilmesinde Jeoistatistiksel Yöntemler,TMMOB Jeoloji Mühendisleri Odası Yayınları:48, 137s.,Ankara.
Tütmez, T. 2007. An uncertainty oriented fuzzy methodology for grade estimation.
Computers & Geosciences, 33, 280–288.
Tütmez, T. ve Tercan, A.E. 2006. Bulanık modelleme yaklaşımının tenör kestiriminde kullanılması. Madencilik, 45(2), 39-47.
Tütmez, T. ve Tercan, A.E. 2007. Spatial estimation of some mechanical properties of rocks by fuzzy modelling. Computers and Geotechnics, 34, 10–18.
Upton, G.J.G. and Fingleton, B. 1985. Spatial Data Analysis by Example, Volume I.
John Wiley and Sons, Inc. , 410p., New York.
Veaux, D.R. , Schumi, J. , Schweinsberg, J. and Ungar, H.L. 1998. Prediction intervals for neural networks via nonlinear regression. Technometrics, 40(4); 273-282.
Vemuri, V. 1992. Artificial neural networks: Theoretical concepts. IEEE Spectrum. 25;
36-41.
Vernieuwe, H., De Baets, B. and Verhoest, N.E.C. 2006. Fuzzy Sets and Systems, 157;
2876-2896.
Wang, J. and Rahman, M.S. 1999. A neural network model for liquefaction-induced horizontal ground displacement. Soil Dynamics and Earthquake Engineering, 18; 555-568.
Warner, B. and Mısra, M. 1996. Understanding neural networks as statistical tools. The American Statistician, 50(4); 284-293.
Wendt, J. and Dietrich, R. 2003. Determination of recent crustal deformations based on precise GPS measurements in the Vogtland earthquake area. Journal of Geodynamics, 35; 235-246.
Wyss, M. 2001. Why is earthquake prediction research not progressing faster?
Tectonophysics, 338; 217-223.
Yıldırım, Y. ve Bayramoğlu, M. 2004. ANFIS neouro-fuzzy yöntemi ile havadaki SO2 konsantrasyonunun modellenmesi ve tahmini. Çevre 2004, I.Ulusal Çevre Kongresi, 13-15 Ekim 2004, Cumhuriyet Üniversitesi, Sivas.
Yılmaz, M. ve Arslan, E. 2005. Bulanık Mantığın Jeodezik Problemlerin Çözümünde Kullanılması, Harita ve Kadastro Mühendisleri Odası, Mühendislik Ölçmeleri STB Komisyonu, 2.Mühendislik Ölçmeleri Sempozyumu, 23-25 Kasım 2005, İTÜ, İstanbul.
Zaruda, J.M. 1992. Introduction to artificial neural systems. West Publishing Company, 683 p. , New York.
ÖZGEÇMİŞ
Adı Soyadı: Nuray GÜNERİ TOSUNOĞLU Doğum Yeri: ANKARA
Doğum Tarihi: 21.08.1977 Medeni Hali: Evli
Yabancı Dili: İngilizce
Eğitim Durumu (Kurum ve Yıl)
Lise: Gazi Çiftliği Lisesi (1990-1993)
Lisans: Ankara Üniversitesi Fen Fakültesi İstatistik Bölümü (1994-1998) Yüksek Lisans: Ankara Üniversitesi Fen Bilimleri Enstitüsü
İstatistik Anabilim Dalı (1998-2001)
Çalıştığı Kurum/Kurumlar ve Yıl:
Gazi Üniversitesi Ticaret ve Turizm Eğitim Fakültesi
Bilgisayar Uygulamaları Eğitimi Bölümü Sayısal Yöntemler Eğitimi Anabilim Dalı Araştırma Görevlisi (1999 - )
Yayınları (SCI ve diğer)
Güneri, N. ve Apaydın, A. 2003. Öğrenci Başarısızlıklarının Analizinde Sinir Ağları Yaklaşımının Lojistik Regresyon Analiziyle Karşılaştırılması.
3.İstatistik Kongresi. 16-20 Nisan 2003. Belek/Antalya.
Güneri, N. ve Apaydın, A. 2004. Öğrenci Başarılarının Sınıflandırılmasında Lojistik Regresyon Analizi ve Sinir Ağları Yaklaşımı. Gazi Üniversitesi Ticaret ve Turizm Eğitim Fakültesi Dergisi, 2004 (1); 170-188.
Güneri, N. ve Apaydın, A. 2004. Deprem Tahmininde Kullanılan İstatistik Teknikleri. 4.İstatistik Günleri Sempozyumu. 20-21 Mayıs 2004, Kuşadası.
Güneri, N. ve Apaydın, A. 2005. Mekansal İstatistikte Bulanık Sinir Ağları.
4.İstatistik Kongresi. 8-12 Mayıs 2005. Belek/Antalya.
Köybaşıoğlu, F.F., İlhan, Ö., Güneri, N., Önal, B.Ü., Abadağ, A. 2006. Are Detailed Cytologic Criteria Provite More Clue in Differential Diagnosis of The Follicular Patterned Thyroid Lesions? I.Ulusal Sitopatoloji Kongresi.
02-05 Mart 2006. Antedon Hotel Beldibi/Antalya
Güneri, N. ve Apaydın, A. 2007. Uyarlamalı Ağlara Dayanan Bulanık Çıkarım Sistemi İle Yerkabuğu Hareket Hızlarının Kestirimi. 5.İstatistik Kongresi.
20-24 Mayıs 2007. Belek/Antalya.
Yücel Toy, B. ve Güneri Tosunoğlu, N. 2007. Sosyal Bilimler Alanındaki Araştırmalarda Bilimsel Araştırma Süreci, İstatistiksel Teknikler ve Yapılan Hatalar, Gazi Üniversitesi Ticaret ve Turizm Eğitim Fakültesi Dergisi (2007/1 sayısında yayınlanacak).
Sağlam Arı, G., Armutlu, C., Güneri Tosunoğlu, N. ve Yücel Toy, B. 2007. 1990–
2005 Yılları Arasında Yönetim ve Pazarlama Alanında Yazılan Yüksek Lisans Tezlerinin Tarihsel Süreç İçerisinde Metodolojik Gelişiminin İncelenmesi: Gazi Üniversitesi Örneği. III. Lisansüstü Eğitim Sempozyumu Lisansüstü Eğitimde Sorunlar ve Çözüm Önerileri. 17-20 Ekim 2007. Eskişehir.