YAĞ TABAKALARININ SAPTANMASINDA DESTEK VEKTÖR MAKİNELERİ VE RASTGELE ORMAN YÖNTEMLERİNİN KULLANIMI
|
|
- Ömer Mumcu
- 5 yıl önce
- İzleme sayısı:
Transkript
1 YAĞ ABAKALARININ SAPANMASINDA DESEK VEKÖR MAKİNELERİ VE RASGELE ORMAN YÖNEMLERİNİN KULLANIMI Ümt Haluk AASEVER, Coşkun ÖZKAN, Flz SUNAR Ercyes Ünverstes, Harta Mühendslğ Bölümü, 38039, Melkgaz, Kayser, İstanbul eknk Ünverstes, Geomatk Mühendslğ Bölümü, 34469, Maslak, İstanbul, ÖZE Günümüzde ener üretmnde en fazla kullanılan kaynakların başında petrol (yağ) gelmekte ve gelşmş ülkelern büyük br kısmı petrol htyaçlarını tankerler aracılığı le karşılamaktadır. Ancak yoğun petrol taşımacılığı zaman zaman petrol kaynaklı denz krllğne neden olmaktadır. Günümüzde çevre uygulamaları ve sorunlarının çözümünde etkn br araç olan uzaktan algılama ve Yapay Açıklıklı Radar (SAR) teknolos, yağ tabakalarının zlenmes ve saptanmasında başarıyla kullanılmaktadır. SAR görüntülernde yağ tabakaları düşük ger saçılım nedenyle koyu renkte görülmektedr. Ancak radar görüntülernde koyu renkte görülen dğer oşnografk obelerden yağ tabakalarının ayırt edlmes öneml br sorun teşkl etmektedr. Bu çalışmada Lübnan kıyılarında 006 yılında meydana gelen yağ tabakası krllğnn Radarsat- uydu vers le saptanmasında statstksel öğrenme tabanlı Destek Vektör Maknes ve karar ağaçları temell Rastgele Orman Yöntem kullanılmıştır. Bu amaca yönelk olarak ortak yazarların daha öncek yaptıkları çalışmalarda kullandıkları yapay snr ağları ve yapay arı kolons algortması, dğer br deyşle farklı algortma ve yöntemler karşılaştırılarak, söz konusu yöntemlern yağ tabakalarının saptanmasındak etknlğ ve performansı rdelenmştr. Anahtar Sözcükler: Denz Yağ (petrol) Krllğ, SAR Uydu Görüntüler, Yapay Snr Ağları, Destek Vektör Maknes, Rastgele Orman Yöntem ABSRAC USE OF SUPPOR VECOR MACHINES AND RANDOM FORES MEHODES FOR OIL SPILL DEECION Nowadays, ol s the most commonly used resource for energy producton and maorty of developed countres meet needs of ol va ol tanker. However, ntensve ol transportaton causes marne polluton from tme to tme. oday, remote sensng and Synthetc Aperture Radar (SAR) technology, effectve tools to solve the envronmental problems and applcatons, are successfully used n the detecton and montorng of ol layer. Ol layers appear dark due to low backscatterng n SAR mage. However dstngushng of ol layers from oceanographc features whch appear dark n SAR mages s an mportant ssue. In ths study, statstcal learnng based Support Vector Machne and Decson ree Based Random Forest method were used for the detecton of ol polluton by usng Radarsat- data at shores of Lebanon n 006. For ths purpose, effectveness and performance of these methods for ol detecton were examned by comparng neural networks and artfcal bee colony algorthm whch are used n earler studes done by co-authors. Keywords: Ol Spll, SAR Satellte Images, Neural Networks, Support Vector Machne, Random Forest Method. GİRİŞ Petrol günümüzde en çok kullanılan fosl ener kaynaklarından brdr. 0 dek günlük dünya toplam petrol üretm yaklaşık 87 mlyon varldr (İnternet-). Ülkelern htyaç duydukları petrol, tankerler ve boru hatlarıyla temn edlmekte ve belrtlen üretmn yaklaşık yarısı tankerlerle çeştl denz rotalarından letlmektedr (İnternet-). Bu denl büyük denz taşımacılığı denz krllğne neden olmaktadır (Sabns, 997). Dünya genelndek sızmış petrol mktarının 4.5 mlyon tondan daha fazla olduğu tahmn edlmektedr (Bava, vd., 00). Petrole bağlı bu krllk, başta memeller ve kuşlar olmak üzere byolok hayatı olumsuz etklemektedr. Bu artıkların tekrar doğada dönüşümü se çok uzun süre almaktadır. Özellkle rafne edlmş petrol ürünler ham petrol kadar yapışkan olmamasına rağmen, denzler çn daha zehrl ve tehlkeldr. Günümüzde uzaktan algılama teknolos, denzlerde oluşan yağ tabakasının tesptnde kullanılan en öneml teknololerden brdr. Yapay Açıklıklı Radar(SAR) se her türlü hava şartlarında çalışablme kablyetnden dolayı yağın tesptnde optk algılayıcılara nazaran daha başarılı sonuçlar vermektedr. Yağ alanlarının ger saçılım ener sevyeler, yağın denz yüzeyndek kılcal dalgaları engellemesnden dolayı oldukça düşüktür. Bu durum doğal olarak yağ olan alanların radar görüntüsünde koyu renkte gözükmesne neden olur. Bununla beraber yağın tespt çn radar görüntülerndek koyu renkte gözüken bölgelern tespt yeterl olmamaktadır. Bunun neden se yağa ek olarak çsel dalgalar, denzlerdek düşük rüzgar alanları, kara tarafından korunan kısımlarında ger saçılım enerlernn oldukça düşük olmasıdır. Dolayısıyla yağ tabakalarının doğal olaylardan ayırt edleblmes yağ tabakası tesptnde en öneml konulardan brdr (Brekke, vd., IV. Uzaktan Algılama ve Coğraf Blg Sstemler Sempozyumu (UZAL-CBS 0), 6-9 Ekm 0, Zonguldak
2 C. Özkan vd: Yağ abakalarının Saptanmasında DVM ve Rastgele Orman Yöntemlernn Kullanımı 005a; Sabns, 997; Alpers, vd.,99; Hovland, vd., 994). Yapay Açıklıklı Radar (SAR) vers le yağ tabakasına bağlı krllğn belrlenmesnde zlenecek adımlar )segmentasyon, )özellk çıkartımı ve )sınıflandırma olarak tanımlanmaktadır (Solberg, vd., 997; Del Frate, vd.,000; Karathanass, vd., 006; Brekke ve Solberg., 005b). Bu çalışmada, yağ ve yağ benzer koyu renkl görüntü alanları segmente edlmş ve yağ tabakaları tespt edlmeye çalışılmıştır. Bu amaçla statstksel br öğrenme yöntem olan Destek Vektör Makneler ve karar ağaçları temell br grup (ensemble) öğrenme yöntem olan Rastgele Orman yöntem kullanılmıştır. Destek Vektör Makneler yöntem, çok boyutlu uzayda sınıfları en y ayıran hper düzlemn hesaplanmaya çalışıldığı, brçok mühendslk problemnde başarılı sonuçlar veren br yaklaşımdır. Rastgele Orman yöntem se, grş verlernn oluşturduğu özellk vektörlernden bağımsız olarak rastgele vektörlern oluşturulması ve bu vektörler le elde edlen karar ağaçlarının brleştrlmesnden barettr. Bu çalışmada Ozkan ve arkadaşları (0) tarafından kullanılan aynı eğtm ve test verler dkkate alınmış ve lgl çalışmadak YSA bazlı sonuçlar, bu çalışmada kullanılan Destek Vektör Makneler ve Rastgele Orman yöntemlernden elde edlen sonuçlarla karşılaştırılmıştır.. ÇALIŞMA ALANI VE ÖZELLİK ÇIKARIMI Günümüzde ENVISA, Radarsat-, Radarsat- vb. brçok radar uydusu yağ tabakalarının belrlenmesnde etkn olarak kullanılmaktadır. Bu çalışmada SAR uydu vers olarak İstanbul eknk Ünverstes, Uydu Haberleşmes ve Uzaktan Algılama Merkez nden temn edlen emmuz 007 tarhl, Lübnan kıyılarını kapsayan Radarsat- görüntüsü kullanılmıştır. Beyrut un yaklaşık 9 km güneyndek Jyeh Dolum İstasyonunun İsral devlet tarafından bombalanması sonrasında denze dökülen yağ tabakası büyük br çevre felaketne neden olmuş ve Lübnan kıyı şerdnn yaklaşık /3 ü etklenmştr (Şekl ). Ayrıca, akıntı ve hava koşullarına bağlı olarak, komşu ülkelerden br olan ürkye nn de yağ tabakaları sebebyle olumsuz etklenmesnden endşe duyulmuştur (Ozkan, vd., 0). Bu tp olaylara ve/veya benzer felaketlere geckmeden etkn br şeklde müdahale edleblmes çn krllğe maruz kalan alanların hızlı ve doğru br şeklde saptanması gerekmektedr. Şekl. Çalışma bölgesnn hartası. Yağın tesptnde kullanılacak özellk blgler dört farklı kategorye aşağıda belrtldğ şeklde ayrılmaktadır (Solberg, vd., 997; Del Frate, vd., 000; Karathanass, vd., 006; Brekke ve Solberg, 005b).. Yağ tabakası alanı gb geometrk karakterstkler,. Yağın ger saçılım değerlerne at standart sapma, ortalama, mnmum ve maksmum değerler gb fzksel özellkler, 3. Bağlamsal blg, 4. Doku blgs. Yukarıda belrtlen karakterstk özellkler pkseller yerne obeler le temsl edldğnden pksel tabanlı sınıflandırma yerne daha çok obe tabanlı sınıflandırma yöntemler kullanılmaktadır. opouzels ve arkadaşları yukarıda belrtlen kategorlere at toplam 5 alt özellğn yağın tesptnde kullanılableceğn göstermşlerdr (opouzels, vd., 009). Çalışmalarında özellkle 0 özellğn dğer belrlenen yöntemlere göre sınıflandırma doğruluğunu arttırdığını vurgulamışlardır. Bu çalışmada kullanılan 9 özellk blgs aşağıda sıralanmaktadır: Lokal Alan Kontrast Oranı (ConLa): Obenn ger saçılım değernn ortalamasının, bölge merkezl çerçevenn ortalama değerne oranıdır. IV. Uzaktan Algılama ve Coğraf Blg Sstemler Sempozyumu (UZAL-CBS 0), 6-9 Ekm 0, Zonguldak
3 C. Özkan vd: Yağ abakalarının Saptanmasında DVM ve Rastgele Orman Yöntemlernn Kullanımı Ortalama Orana Obe Etks (Opm): Obe değerlernn standart sapmasının ortalama değere oranıdır. Çevre Alan Oranı (P/A): Obenn çevre uzunluğunun alanına oranıdır. Arka Plan Standart Sapması (BSd): Obey çevreleyen ve kullanıcı tarafından seçlen lg bölgesndek pksellere at yoğunluk değerlernn standart sapmasıdır. Obe Standart Sapması (OSd): Obenn standart sapma değerdr. Nesne Karmaşıklığı (C): Geometrk obenn karmaşıklığını ya da bastlğn tanımlayan değerdr. Ortalama Haralck Doku Değer (Hm): Alt-nesnelernn eş oluşum matrslernn gr sevyelernn ortalamasıdır. Opm/Bpm Oranı: Ortalama orana obe etksnn ortalama değere arka plan etksnn oranıdır. Şekl Faktörü (SP): Obenn şekln tanımlar. Asmetr veya form faktörü olarak da adlandırılır. Yukarıda tanımlanan özellklerden SP, P/A ve C geometrk karakterstkler; Hm dokusal karakterstk; BSd, ConLa, Opm, Opm/Bpm ve OSd fzksel karakterstklerdr (opouzels, vd., 009). Segmentasyon şlemyle oluşturulan koyu renkl nesnelerden 68 yağ tabakası, 53 ü se yağ benzer koyu renkl tabaka olarak UHUZAM tarafından tespt edlmştr. Yağ ve yağ benzer tabakalara at statstksel verler Çzelge de sunulmuştur. Çzelge. Yağ ve yağ benzer vernn statstksel blgler (Ozkan, vd., 0). Yağ Yağ Benzer Özellkler Mn. Maks. Ort. S.Sap. Mn. Maks. Ort. S.Sap. SP BSd ConLa Opm Opm/Bpm OSd P/A C Hm KULLANILAN YÖNEMLER 3. Destek Vektör Makneler (DVM) Destek Vektör Makneler statstksel öğrenme alanında Vapnk ve Cortes tarafından gelştrlmş br öğrenme bçmdr (Cortes ve Vapnk, 995). Uydu görüntülernn sınıflandırmasında, DVM lneer olarak ayrılamayan vernn lneer olarak ayrılableceğ br yüksek boyuta aktarılarak farklı örnekler arasında maksmum sınırın bulunması şlemdr (Cortes ve Vapnk, 995). Bu yöntemde verlern lneer olarak ayrılablmeler ve ayrılamamaları olmak üzere k temel durum söz konusudur. Lneer olarak ayrılablen verlern maksmum sınırlarının bulunması oldukça kolay olmasına rağmen, lneer olarak ayrılamayan verlern maksmum sınırının bulunması çn se, verlern lneer olarak ayrılablecekler br üst uzaya aktarılarak çözüm yapılması gerekmektedr (Demrc, 007). 3.. Lneer Olarak Ayrılablme Durumu Sstemn eğtm çn kullanılacak vernn N elemandan oluşan χ = {x,y }, =,,...N, sınıflara at etket değerlernn y Î {-,} olduğu düşünüldüğünde, hesaplanmak stenen aşırı düzlemn üst tarafında bulunan noktalar aşağıda verlen eştszlğe uyar: W X + b > 0, y = + () Benzer şeklde aşırı düzlemn alt kısmında kalan noktalar se aşağıda belrtlen eştlğe uymaktadır: W X + b < 0, y = - () IV. Uzaktan Algılama ve Coğraf Blg Sstemler Sempozyumu (UZAL-CBS 0), 6-9 Ekm 0, Zonguldak
4 C. Özkan vd: Yağ abakalarının Saptanmasında DVM ve Rastgele Orman Yöntemlernn Kullanımı Bu k eştszlk kullanılarak y (W + b) - 0 X eştszlğ elde edlr. Bu koşulu sağlayan aşırı düzlemn k kümenn en yakın elemanlarına olan dk uzaklıkları toplamı sınır olarak smlendrlr. Dolayısıyla aşırı düzlemn bulunablmes çn W(ağırlıklar) ve b(orne olan uzaklık) değerlernn bulunması gerekmektedr. 3 numaralı eştlkte W değerlernn mnmum olması gerekr ve problem, optmzasyon problem halne gelr. Bu optmzasyon problemnn çözümünde, lk olarak eştszlğn çözümüne yönelk olarak Lagrange fonksyonundan yararlanılır. Problemn Lagrange denklem se, N N Lp w y ( w x b) (3) şeklndedr. Eştlkte 0 değerler destek vektörlern tanımlamaktadır. Denklemn çözümünün karmaşık olmasından dolayı Karush-Kuhn-ucker koşulları kullanılarak dual forma dönüştürülen problem tekrar Lagrange formülasyonunda yerne konulduğunda, y y x x 0, (4) eştlğ elde edlr. Bu eştlk le tüm eğtm verler çn br Lagrange çarpanı hesaplanır ve 0, olan x örnekler destek vektörlern tanımlamaktadır. Bu destek vektörler aracılığı le aşırı düzlemler ve ardından da optmum aşırı düzlem hesaplanır (Özkan, 008). 3.. Lneer Olarak Ayrılamama Durumu ve Çekrdek Fonksyonlar Brçok gerçek dünya problemnde olduğu gb uydu verlernn sınıflandırılmasında da verdek gürültü ve ver sınıflarının doğrusal olmaması gb nedenlerden dolayı ver setnn doğrusal olarak ayrılablmes mümkün olmamaktadır. Bu problem se optmzasyona hataları temsl eden br değşkenn (,,,..., N ) eklenmes le çözülmeye çalışılır. Yen eştszlkler se, w x b, y (5) şeklnde elde edlr. w x b, y 0, (6) Denklemde 0 se ver doğru sınıflandırılmış, 0 durumunda ver doğru sınıflandırılmış, H ve H aşırı düzlemler arasında yer alıyor; son olarak se sınıflandırma şlem yanlış yapılmış demektr. Lneer olarak ayrılamama durumunda sınıflandırma hatasını mnmum yaparken, aşırı düzlemler arasındak uzaklığı maksmum yapacak, Lagrange çarpanlarının üst sınırını gösteren br C parametres eklenr. Lagrange denklemnn yen formu se aşağıdak eştlk le gösterlmektedr: Lp w C { y ( w x b) } (7) Yukarıdak eştlğe KK koşulları uygulandığında se, elde edlr. Bu fonksyondak L x x y y 0 C, (8) x nn dönüşümü çn φ( x ) ve x dönüşümü çn forma dönüştürülmüş olur (Atasever, 0): Yukarıdak eştlkte φ x d, x x çarpımı daha büyük boyutlu özellk uzayında tekrar tanımlanması gerekmektedr. φ( x ) fonksyonları kullanılır. Dğer br deyşle eştlk aşağıdak L( α) α α α y y φ( x ) φ( x ) ( 9) n n, ( ) φ( x ) çarpımı çn çekrdek fonksyonları kullanılablr. Çekrdek fonksyonları le verlern yüksek boyutlu ve doğrusal olarak ayrılablecekler uzaya taşınarak ve çözümün bu yüksek boyutlu uzayda aranması çn uzaylar arası dönüşüm yapılablr (Atasever, 0). En sık kullanılan çekrdek fonksyonlar Çzelge de verlmştr (Özkan, 008): IV. Uzaktan Algılama ve Coğraf Blg Sstemler Sempozyumu (UZAL-CBS 0), 6-9 Ekm 0, Zonguldak
5 C. Özkan vd: Yağ abakalarının Saptanmasında DVM ve Rastgele Orman Yöntemlernn Kullanımı Çzelge. Destek Vektör Makneler nde sıkça kullanılan çekrdek fonksyonlar Kernel Fonksyonu Matematksel İfades Parametre Polnom Kernel K( x, y) (( x y) ) d Polnom dereces ( d ) Lneer Kernel K ( x, y) ( x y) Genel Kernel İfades Kuadratk Kernel K( x, y) x y( x y) Genel Kernel İfades Radyal abanlı Fonksyon Kernel ( x y) K( x, y) e Kernel boyutu ( γ ) 3.. Rastgele Orman Yöntem Rastgele Orman yöntem Breman tarafından karar ağaçları (decson trees), torbalama (baggng) ve rastgele alt-uzay (random subspace ) yöntemlernn brleştrlmes le elde edlmş br yöntemdr (Breman, 00). orbalama le eğtm verlernden rastgele yen örneklemler oluşturulur. Rastgele alt uzay le de karar ağacına at her br düğümde en y dallara ayrılan değşken, tüm değşkenler arasından rastgele seçlen değşkenler arasından seçlr. Rastgele orman yöntemnde de başka yöntemlerde olduğu gb kullanıcı tarafından belrlenmes gereken parametreler vardır. Bunlar oluşturulacak ağaç sayısı ve kullanılacak örneklem mktarıdır (Pal, 005). Rastgele orman sınıflandırıcısının oluşturulmasında CAR yöntem esas alınır. Dallanma krter olarak da sınıfların safsızlığını ölçen Gn ndeks dkkate alınır. Herhang br düğümü çn Gn İndeks aşağıda verlen eştlk le hesaplanır: Gn( ) [ p( )] ( 0 ) Bu eştlkte p( ), düğümündek J sınıfına at bağıl olasılığı göstermektedr (İnternet-3) Yapay Arı Kolons(ABC) Algortması İle Eğtlmş Yapay Snr Ağları Yapay snr ağlarının kullanıldığı br çok çalışmada ağırlıkların ve bas (eşk) değerlernn hesaplanmasında, klask optmzasyon değerler yerne, yapay zeka optmzasyon değerler kullanılmaya başlanmıştır. Yapay Arı Kolons algortması, bu amaçla kullanılan optmzasyon yöntemler çnde oldukça başarılı sonuçlar veren br yaklaşımdır. Doğadak arıların davranışlarından esnlenlerek gelştrlen bu yöntemde; br kolonde şç, gözcü ve kâşf arılar olmak üzere üç grup arı bulunmaktadır. Algortmada, her br besn olası çözümü fade eder ve kovan çn en uygun besn kaynağı (optmum çözüm) bulunmaya çalışılır. ABC Algortmasının temel adımları aşağıda verlmektedr (Karaboga, 0):. Başlangıç besn kaynağı bölgelernn üretlmes EKRARLA. İşç arıların besn kaynak bölgelerne gönderlmes 3. Olasılıksal seleksyonda kullanılacak olasılık değerlernn hesaplanması 4. Gözcü arıların olasılık değerlerne göre besn kaynak bölgelern seçmeler 5. erk edlecek kaynakların terk edlmes ve kâşf arıların üretm ŞU ANA KADAR (Maks Iterasyon) Yağ tabakası tespt çn YSA kullanılan çalışmada, ağırlıklar ve eşk(bas) değerlernn hesaplanması çn ABC algortması kullanılmış ve Levenberg-Marquardt yaklaşımına göre oldukça başarılı sonuçlar elde edlmştr. Şekl de, ABC algortması le Yapay Snr Ağlarının eğtm görselleştrlmştr. IV. Uzaktan Algılama ve Coğraf Blg Sstemler Sempozyumu (UZAL-CBS 0), 6-9 Ekm 0, Zonguldak
6 C. Özkan vd: Yağ abakalarının Saptanmasında DVM ve Rastgele Orman Yöntemlernn Kullanımı Şekl. YSA eğtmnde yapay arı kolons algortmasının kullanımı. Şekl de w n ve b sırasıyla algortma tarafından hesaplanan ağırlık ve eşk(bas) değerlern, x,x,..x n grş; y çıkış; f se transfer fonksyonunu belrtmektedr. 4. UYGULAMA Destek Vektör Makneler ve Rastgele Orman yöntem, RADARSA- uydusuna at görüntüden elde edlen 9 özellk blgsne uygulanmış ve sonuçlar bldrnn ortak yazarları tarafından daha öncek çalışmalardan elde edlmş olan sonuçlarla karşılaştırılmıştır. Yazarlar makalelernde yağ tabakalarının belrlenmesnde en çok kullanılan yöntemlerden olan yapay snr ağlarının eğtmnde klask optmzasyon yöntemlernden Levenberg-Marquardt a ek olarak başarılı br yapay zeka optmzasyon yöntem olan Yapay Arı Kolon Algortması nı kullanmışlardır (Ozkan, vd., 0). Uygulamanın sonucunda se ABC le elde edlen sonuçların, Levenberg-Marquardt a göre daha robust ve başarılı olduğu görülmüştür. Öncek çalışmalardan elde edlen sonuçlar ve Destek Vektör Makneler le Rastgele Orman Yönetm kullanılarak elde edlen sınıflandırma doğrulukları Çzelge 3 te sunulmuştur. Genel Doğruluk(%) Çzelge 3. Kullanılan yöntemlere at sınıflandırma doğrulukları. Destek Vektör Makneler Rastgele Orman Yöntem YSA Lneer Polnomal RBF Kuadratk Ağaç Sayısı LM ABC (d=) (γ=5,c=00) * LM: Levenberg-Marquardt, ABC: Artfcal Bee Colony 5. SONUÇLAR Günümüzde yağ tabakası krllğ denzler ve denz canlılarını etkleyen en öneml tehdtlerden br halne gelmştr. Bu tehddn üstesnden gelneblmes ancak yağ tabakasının çok hızlı ve hassas olarak saptanmasına bağlıdır. Yapay Açıklıklı Radar tüm hava ve ışık koşullarında yağın belrlenmesne olanak sağladığı çn en çok kullanılan ver kaynaklarından brdr. Lteratürde yağ tabakası tesptnde yapay açıklıklı radar verlern kullanarak başarılı sonuçlar alınan brçok uygulama mevcuttur. Yağ tabakasının saptanmasındak en büyük zorluk se, yağ le yağ benzer alanların brbrnden ayırt edlmesdr. Bu amaçla lk olarak segmentasyon şlemyle görüntüdek koyu renkl obeler çıkartılarak uygun özellkler hesaplanır ve son olarak seçlen br sınıflandırıcı le yağ ve yağ benzer obeler ayırt edlr. Sınıflandırma şlemnn doğruluğunu arttıran en öneml etkenlerden br terch edlecek sınıflandırma yöntemdr. Yağın tesptnde kullanılan en popüler yöntemlerden br Yapay Snr Ağları (YSA)dır. Yapay zeka optmzasyon yöntemlernn gelşm ve YSA eğtmnde (eşk (bas) ve ağırlıkların hesaplanmasında) kullanılmaya başlanması le bazı çalışmalarda bu yöntemn doğruluğu arttırılmaya çalışılmıştır. Bu çalışmada yağ le yağ benzer bölgelern sınıflandırılması çn Destek Vektör Makneler ve Rastgele Orman yöntemler kullanılmış ve bldr ortak yazarlarına at başka br çalışmadak Yapay Arı Kolons, Levenberg- Marquardt optmzasyon yöntemler le eğtlmş YSA sonuçlarıyla kıyaslanmıştır. Söz konusu çalışmadak aynı ver grubu le yapılan analzler sonucunda, Destek Vektör Makneler ve Rastgele Orman yöntemlernn tüm eğtm ve test verlern %00 genel doğrulukla hatasız olarak sınıflandırdığı gözlemlenmştr. Destek Vektör makneler ve Rastgele Orman yöntemlernn brbrlerne göre başarı durumlarını rdeleyeblmek çn lerk çalışmalarda farklı uydu verlernn kullanılması planlanmaktadır. Son olarak bu çalışma le özellkle yağ tabakalarının saptanmasında, dğer br fade le yağ tabakasının dğer koyu renkl obelerden ayırt edlmesnde bu k yöntemn kullanımının son derece başarılı sonuçlar üreteceğ gösterlmştr. IV. Uzaktan Algılama ve Coğraf Blg Sstemler Sempozyumu (UZAL-CBS 0), 6-9 Ekm 0, Zonguldak
7 C. Özkan vd: Yağ abakalarının Saptanmasında DVM ve Rastgele Orman Yöntemlernn Kullanımı KAYNAKLAR Alpers, W., Wsmann, V., hes, R., Huhnerfuss, H., Bartsch, N., Morera, J., ve Lyden, J., 99, he Dampng of Ocean Surface Waves by Monomolecular Sea Slcks Measured by Arborne Mult Frequency Radars Durng the SAXON-FPN Experment, Proceedngs of the Internatonal Geoscence and Remote Sensng Symposum, Helsnk, Fnland,, pp Atasever, Ü., H., 0, Uydu Görüntülernn Sınıflandırılmasında Hızlandırma (Boostng), Destek Vektör Makneler, Rastgele Orman (Random Forest) ve Regresyon Ağaçları Yöntemlernn Kullanılması, Yüksek Lsans ez, Ercyes Ünverstes, Kayser. Bava, J., rstan, O., ve Yasnkousk, J., 005, Earth Observaton Applcatons hrough Systems and Instruments of Hgh Performance Computer, ASI/CONEA tranng course, September- December, Matera, Italya. Breman, L., 00, Random Forests, Machne Learnng, 45(), pp.5-3. Brekke C., ve Solberg A. H. S., 005, Feature Extracton for Ol Spll Detecton Based on SAR Images. SCIA 005, LNCS, 3540, pp Brekke, C., ve Solberg, A., H., S.., 005, Ol Spll Detecton by Satellte Remote Sensng, Remote Sensng of Envronment, 95(), -3. Cortes, C. ve Vapnk, V., 995, Support-vector Network, Machne Learnng, Kluver Pub.,Boston, Vol.0, pp Del Frate F., Petrocch A., Lchtenegger J., ve Calabres G., 000, Neural Networks for Ol Spll Detecton Usng ERS-SAR Data, IEEE ransactons on Geoscence and Remote Sensng, Vol.38, pp Demrc, D., 007, Destek Vektör Makneler İle Karakter anıma, Yüksek Lsans ez, Yıldız eknk Ünverstes, İstanbul. Hovland, H., A., Johannessen J. A., ve Dgranes G.,994, Slck Detecton n SAR Images, Proceedngs of the Internatonal Geoscence and Remote Sensng Symposum, Pasadena CA, pp İnternet-, İnternet-, İnternet-3, e/page00.html, Karaboga, D., 0, Yapay Zeka Optmzasyon Algortmaları, Nobel Basım Dağıtım, ürkye. Karathanass, V., opouzels, K., Pavlaks, P., ve Rokos, D., 006, An Obect-orented Methodology to Detect Ol Splls. Internatonal Journal of Remote Sensng, Vol.7, pp Ozkan, C., C. Ozturk, Sunar, F., ve Karaboga, D., 0, he Artfcal Bee Colony Algorthm n ranng Artfcal Neural Network for Ol Spll Detecton, Neural Network World, (6), Özkan, Y., 008, Ver Madenclğ Yöntemler, s.87-88, Papatya Yayıncılık, İstanbul Pal, M., 005, Random Forest Classfer for Remote Sensng Classfcaton, Internatonal Journal Of Remote Sensng, Vol.6, pp.7-, Sabns, F., F.,997, Remote Sensng, Prncples and Interpretaton (W. H. Freeman and Company, New York). Solberg, R., ve heophlopoulos, N. A., 997, Envsys A Soluton for Automatc Ol Spll Detecton n the Medterranean, Proceedngs of 4th hematc Conference on Remote Sensng for Marne and Coastal Envronments, Envronmental Research Insttute of Mchgan, Ann Arbor, Mchgan, pp.3-. opouzels, K., Stathaks, D., ve Karathanass, V., 009, Investgaton of Genetc Algorthms Contrbuton to Feature Selecton for Ol Spll Detecton, Internatonal Journal of Remote Sensng, Vol.3, pp IV. Uzaktan Algılama ve Coğraf Blg Sstemler Sempozyumu (UZAL-CBS 0), 6-9 Ekm 0, Zonguldak
Makine Öğrenmesi 10. hafta
Makne Öğrenmes 0. hafta Lagrange Optmzasonu Destek Vektör Maknes (SVM) Karesel (Quadratc) Programlama Optmzason Blmsel term olarak dlmze geçmş olsa da bazen en leme termle karşılık bulur. Matematktek en
DetaylıARAŞTIRMA MAKALESİ/RESEARCH ARTICLE TEK ÇARPIMSAL SİNİR HÜCRELİ YAPAY SİNİR AĞI MODELİNİN EĞİTİMİ İÇİN ABC VE BP YÖNTEMLERİNİN KARŞILAŞTIRILMASI ÖZ
ANADOLU ÜNİVERSİTESİ Blm ve Teknoloj Dergs A-Uygulamalı Blmler ve Mühendslk Clt: 14 Sayı: 3 013 Sayfa: 315-38 ARAŞTIRMA MAKALESİ/RESEARCH ARTICLE Faruk ALPASLAN 1, Erol EĞRİOĞLU 1, Çağdaş Hakan ALADAĞ,
Detaylı5.3. Tekne Yüzeylerinin Matematiksel Temsili
5.3. Tekne Yüzeylernn atematksel Temsl atematksel yüzey temslnde lk öneml çalışmalar Coons (53) tarafından gerçekleştrlmştr. Ferguson yüzeylernn gelştrlmş hal olan Coons yüzeylernde tüm sınır eğrler çn
DetaylıX, R, p, np, c, u ve diğer kontrol diyagramları istatistiksel kalite kontrol diyagramlarının
1 DİĞER ÖZEL İSTATİSTİKSEL KALİTE KONTROL DİYAGRAMLARI X, R, p, np, c, u ve dğer kontrol dyagramları statstksel kalte kontrol dyagramlarının temel teknkler olup en çok kullanılanlarıdır. Bu teknkler ell
Detaylıa IIR süzgeç katsayıları ve N ( M) de = s 1 (3) 3. GÜRÜLTÜ GİDERİMİ UYGULAMASI
Fırat Ünverstes-Elazığ MİTRAL KAPAK İŞARETİ ÜZERİNDEKİ ANATOMİK VE ELEKTRONİK GÜRÜLTÜLERİN ABC ALGORİTMASI İLE TASARLANAN IIR SÜZGEÇLERLE SÜZÜLMESİ N. Karaboğa 1, E. Uzunhsarcıklı, F.Latfoğlu 3, T. Koza
DetaylıÇOKLU REGRESYON MODELİ, ANOVA TABLOSU, MATRİSLERLE REGRESYON ÇÖZÜMLEMESİ,REGRES-YON KATSAYILARININ YORUMU
6.07.0 ÇOKLU REGRESON MODELİ, ANOVA TABLOSU, MATRİSLERLE REGRESON ÇÖZÜMLEMESİ,REGRES-ON KATSAILARININ ORUMU ÇOKLU REGRESON MODELİ Ekonom ve şletmeclk alanlarında herhang br bağımlı değşken tek br bağımsız
DetaylıUYUM ĐYĐLĐĞĐ TESTĐ. 2 -n olup. nin dağılımı χ dir ve sd = (k-1-p) dir. Burada k = sınıf sayısı, p = tahmin edilen parametre sayısıdır.
UYUM ĐYĐLĐĞĐ TESTĐ Posson: H o: Ver Posson dağılıma sahp br ktleden gelmektedr. H a : Ver Posson dağılıma sahp br ktleden gelmemektedr. Böyle br hpotez test edeblmek çn, önce Posson dağılım parametres
DetaylıROTASYON ORMAN ALGORİTMASI İLE YÜKSEK ÇÖZÜNÜRLÜKLÜ MULTİSPEKTRAL UYDU GÖRÜNTÜLERİNİN SINIFLANDIRILMASI
ROTASYON ORMAN ALGORİTMASI İLE YÜKSEK ÇÖZÜNÜRLÜKLÜ MULTİSPEKTRAL UYDU GÖRÜNTÜLERİNİN SINIFLANDIRILMASI İsmal ÇÖLKESEN 1, Tahsn YOMRALIOĞLU 2, Taşkın KAVZOĞLU 3 1 Araş. Gör., Gebze Yüksek Teknoloj Ensttüsü,
DetaylıPamukkale Üniversitesi Mühendislik Bilimleri Dergisi Pamukkale University Journal of Engineering Sciences
Pamukkale Ünverstes Mühendslk Blmler Dergs, Clt 0, Sayı 3, 04, Sayfalar 85-9 Pamukkale Ünverstes Mühendslk Blmler Dergs Pamukkale Unversty Journal of Engneerng Scences PREFABRİK ENDÜSTRİ YAPIARININ ARMONİ
DetaylıMIT Açık Ders Malzemeleri Bu materyallerden alıntı yapmak veya Kullanım Koşulları hakkında bilgi almak için
MIT Açık Ders Malzemeler http://ocm.mt.edu Bu materyallerden alıntı yapmak veya Kullanım Koşulları hakkında blg almak çn http://ocm.mt.edu/terms veya http://tuba.açık ders.org.tr adresn zyaret ednz. 18.102
DetaylıSıklık Tabloları ve Tek Değişkenli Grafikler
Sıklık Tabloları ve Tek Değşkenl Grafkler Sıklık Tablosu Ver dzsnde yer alan değerlern tekrarlama sayılarını çeren tabloya sıklık tablosu denr. Sıklık Tabloları tek değşken çn marjnal tablo olarak adlandırılır.
Detaylıkadar ( i. kaynağın gölge fiyatı kadar) olmalıdır.
KONU : DUAL MODELİN EKONOMİK YORUMU Br prmal-dual model lşks P : max Z cx D: mn Z bv AX b AV c X 0 V 0 bçmnde tanımlı olsun. Prmal modeln en y temel B ve buna lşkn fyat vektörü c B olsun. Z B B BB c X
DetaylıENDÜSTRİNİN DEĞİŞİK İŞ KOLLARINDA İHTİYAÇ DUYULAN ELEMANLARIN YÜKSEK TEKNİK EĞİTİM MEZUNLARINDAN SAĞLANMASINDAKİ BEKLENTİLERİN SINANMASI
V. Ulusal Üretm Araştırmaları Sempozyumu, İstanbul Tcaret Ünverstes, 5-7 Kasım 5 ENDÜSTRİNİN DEĞİŞİK İŞ KOLLARINDA İHTİYAÇ DUYULAN ELEMANLARIN YÜKSEK TEKNİK EĞİTİM MEZUNLARINDAN SAĞLANMASINDAKİ BEKLENTİLERİN
DetaylıSürekli Olasılık Dağılım (Birikimli- Kümülatif)Fonksiyonu. Yrd. Doç. Dr. Tijen ÖVER ÖZÇELİK
Sürekl Olasılık Dağılım Brkml- KümülatFonksyonu Yrd. Doç. Dr. Tjen ÖVER ÖZÇELİK tover@sakarya.edu.tr Sürekl olasılık onksyonları X değşken - ;+ aralığında tanımlanmış br sürekl rassal değşken olsun. Aşağıdak
DetaylıAsimetri ve Basıklık Ölçüleri Ortalamalara dayanan (Pearson) Kartillere dayanan (Bowley) Momentlere dayanan asimetri ve basıklık ölçüleri
Asmetr ve Basıklık Ölçüler Ortalamalara dayanan (Pearson) Kartllere dayanan (Bowley) omentlere dayanan asmetr ve basıklık ölçüler Yrd. Doç. Dr. Tjen ÖVER ÖZÇELİK tover@sakarya.edu.tr III. Asmetr ve Basıklık
DetaylıDENİZ YAĞ KİRLİLİĞİNİN TESPİTİ İÇİN YAPAY ZEKA OPTİMİZASYON YÖNTEMLERİNİN GENELLEŞTİRİLMİŞ LİNEER MODEL SINIFLANDIRMASINDA KULLANIMI
DENİZ YAĞ KİRLİLİĞİNİN TESPİTİ İÇİN YAPAY ZEKA OPTİMİZASYON YÖNTEMLERİNİN GENELLEŞTİRİLMİŞ LİNEER MODEL SINIFLANDIRMASINDA KULLANIMI Coşkun Özkan 1, Flz Sunar 2 1 Ercyes Un., Engneerng Faculty, Geodesy
DetaylıRASTGELE ORMAN SINIFLANDIRICISI İLE ARAZİ KULLANIM ALANLARININ BELİRLENMESİ
RASTGELE ORMAN SINIFLANDIRICISI İLE ARAZİ KULLANIM ALANLARININ BELİRLENMESİ Ö. Akar 1, O. Güngor 2, A. Akar 3 Karadenz Teknk Ünverstes, Harta Mühendslğ Bölümü, 61080, Trabzon. 1 oerden@ktu.edu.tr, 2 ogungor@ktu.edu.tr,
DetaylıFLYBACK DÖNÜŞTÜRÜCÜ TASARIMI VE ANALİZİ
FLYBACK DÖNÜŞTÜRÜCÜ TASARIMI VE ANALİZİ 1 Nasır Çoruh, Tarık Erfdan, 3 Satılmış Ürgün, 4 Semra Öztürk 1,,4 Kocael Ünverstes Elektrk Mühendslğ Bölümü 3 Kocael Ünverstes Svl Havacılık Yüksekokulu ncoruh@kocael.edu.tr,
DetaylıSistemde kullanılan baralar, klasik anlamda üç ana grupta toplanabilir :
5 9. BÖLÜM YÜK AKIŞI (GÜÇ AKIŞI) 9.. Grş İletm sstemlernn analzlernde, bara sayısı arttıkça artan karmaşıklıkları yenmek çn sstemn matematksel modellenmesnde kolaylık getrc bazı yöntemler gelştrlmştr.
DetaylıŞiddet-Süre-Frekans Bağıntısının Genetik Algoritma ile Belirlenmesi: GAP Örneği *
İMO Teknk Derg, 28 4393-447, Yazı 29 Şddet-Süre-Frekans Bağıntısının Genetk Algortma le Belrlenmes: GAP Örneğ * Hall KARAHAN* M. Tamer AYVAZ** Gürhan GÜRARSLAN*** ÖZ Bu çalışmada, Genetk Algortma (GA)
DetaylıKonveks Sınıf Modelleri Kullanarak Dijital İmgelerdeki Nesne Görüntülerinin Konumlarının Bulunması. Proje No: 109E279
Konveks Sınıf Modeller Kullanarak Djtal İmgelerdek Nesne Görüntülernn Konumlarının Bulunması Proje No: 109E279 Doç. Dr. Hakan Çevkalp Hüseyn Gündüz Musa Aydın Güvenç Usanmaz Onur Akyüz ŞUBAT 2013 ESKİŞEHİR
DetaylıGÜÇ KALİTESİNDEKİ BOZULMA TÜRLERİNİN SINIFLANDIRILMASI İÇİN BİR ÖRÜNTÜ TANIMA YAKLAŞIMI
Gaz Ünv. Müh. Mm. Fak. Der.. Fac. Eng. Arch. Gaz Unv. Clt 6, No 1, 41-56, 011 Vol 6, No 1, 41-56, 011 GÜÇ KALİESİNDEKİ BOZULMA ÜRLERİNİN SINIFLANDIRILMASI İÇİN BİR ÖRÜNÜ ANIMA YAKLAŞIMI Murat UYAR, Selçuk
DetaylıKorelasyon ve Regresyon
Korelasyon ve Regresyon 1 Korelasyon Analz İk değşken arasında lşk olup olmadığını belrlemek çn yapılan analze korelasyon analz denr. Korelasyon; doğrusal yada doğrusal olmayan dye kye ayrılır. Korelasyon
DetaylıKAFES YAPILARIN MODİFİYE EDİLMİŞ YAPAY ARI KOLONİ ALGORİTMASI İLE OPTİMİZASYONU
XVIII ULUSAL MEKANİK KONGRESİ 26-30 Ağustos 2013, Celal Bayar Ünverstes, Mansa KAFES YAPILARIN MODİFİYE EDİLMİŞ YAPAY ARI KOLONİ ALGORİTMASI İLE OPTİMİZASYONU S Özgür Değertekn 1, Mehmet Ülker 2, M Sedat
DetaylıBÖLÜM 5 İKİ VEYA DAHA YÜKSEK BOYUTLU RASGELE DEĞİŞKENLER İki Boyutlu Rasgele Değişkenler
BÖLÜM 5 İKİ VEYA DAHA YÜKSEK BOYUTLU RASGELE DEĞİŞKENLER 5.. İk Boyutlu Rasgele Değşkenler Br deney yapıldığında, aynı deneyle lgl brçok rasgele değşkenn aynı andak durumunu düşünmek gerekeblr. Böyle durumlarda
DetaylıDeney No: 2. Sıvı Seviye Kontrol Deneyi. SAKARYA ÜNİVERSİTESİ Dijital Kontrol Laboratuvar Deney Föyü Deneyin Amacı
SRY ÜNİVERSİESİ Djtal ontrol Laboratuvar Deney Föyü Deney No: 2 Sıvı Sevye ontrol Deney 2.. Deneyn macı Bu deneyn amacı, doğrusal olmayan sıvı sevye sstemnn belrlenen br çalışma noktası cvarında doğrusallaştırılmış
DetaylıÇELİK UZAYSAL ÇERÇEVE YAPILARIN OPTİMUM TASARIMI
ÇELİK UZAYSAL ÇERÇEVE YAPILARIN OPTİMUM TASARIMI M. Sedat HAYALİOĞLU *, S. Özgür DEĞERTEKİN * * Dcle Ünverstes, Müh.-Mm. Fak., İnşaat Müh. Böl., Dyarbakır ÖZET Bu çalışmada çelk uzay çerçevelern, Amerkan
DetaylıMerkezi Eğilim (Yer) Ölçüleri
Merkez Eğlm (Yer) Ölçüler Ver setn tanımlamak üzere kullanılan ve genellkle tüm elemanları dkkate alarak ver setn özetlemek çn kullanılan ölçülerdr. Ver setndek tüm elemanları temsl edeblecek merkez noktasına
DetaylıTRAFİK İŞARETLERİNİN HOUGH DÖNÜŞÜMÜ VE DVM KULLANILARAK SINIFLANDIRILMASI TRAFFIC SIGN CLASSIFICATION USING HOUGH TRANSFORM AND SVM
TRAFİK İŞARETLERİNİN HOUGH DÖNÜŞÜMÜ VE DVM KULLANILARAK SINIFLANDIRILMASI TRAFFIC SIGN CLASSIFICATION USING HOUGH TRANSFORM AND SVM Emrah ONAT SDT - Space & Defence Technologes A.Ş. emrahonat@yahoo.com
DetaylıBilgisayarla Görüye Giriş
Blgsayarla Görüye Grş Ders 8 Görüntü Eşleme Alp Ertürk alp.erturk@kocael.edu.tr Panorama Oluşturma Görüntüler eşlememz / çakıştırmamız gerekmektedr Panorama Oluşturma İk görüntüden özntelkler çıkar Panorama
DetaylıKamuflaj Tespiti için Hiperspektral Görüntüleme Hyperspectral Imaging for Camouflage Detection
Karaca A. C., Ertürk A., Güllü M. K., Elmas M., Ertürk S., Kamuflaj Tespt çn Hperspektral Görüntüleme, Clt 3, Sayı 5, Syf 35-39, Hazran 2013 SAVTEK Makales Kamuflaj Tespt çn Hperspektral Görüntüleme Hyperspectral
DetaylıPROJE SEÇİMİ VE KAYNAK PLANLAMASI İÇİN BİR ALGORİTMA AN ALGORITHM FOR PROJECT SELECTION AND RESOURCE PLANNING
Dokuz Eylül Ünverstes Sosyal Blmler Ensttüsü Dergs Clt 3, Sayı:2, 2001 PROJE SEÇİMİ VE KAYAK PLALAMASI İÇİ BİR ALGORİTMA lgün MORALI 1 C. Cengz ÇELİKOĞLU 2 ÖZ Kaynak tahss problemler koşullara bağlı olarak
DetaylıSınır özniteliklerinin belirlenmesi ve adaptasyonu algoritması ve konsensüs karar verici yapılarda kullanımı
Sınır özntelklernn belrlenmes ve adaptasyonu algortması ve konsensüs karar verc yapılarda kullanımı N. Gökhan KASAPOĞLU *, Okan K. ERSOY 2 İTÜ Elektronk ve Haberleşme Mühendslğ Bölümü, 34469 Maslak, İstanbul
DetaylıTÜRKİYE DEKİ 380 kv LUK 14 BARALI GÜÇ SİSTEMİNDE EKONOMİK YÜKLENME ANALİZİ
TÜRİYE DEİ 38 kv LU 4 BARALI GÜÇ SİSTEMİDE EOOMİ YÜLEME AALİZİ Mehmet URBA Ümmühan BAŞARA 2,2 Elektrk-Elektronk Mühendslğ Bölümü Mühendslk-Mmarlık Fakültes Anadolu Ünverstes İk Eylül ampüsü, 2647, ESİŞEHİR
DetaylıYAPILARIN ENERJİ ESASLI TASARIMI İÇİN BİR HESAP YÖNTEMİ
YAPILARI EERJİ ESASLI TASARIMI İÇİ BİR HESAP YÖTEMİ Araş. Gör. Onur MERTER Araş. Gör. Özgür BOZDAĞ Prof. Dr. Mustafa DÜZGÜ Dokuz Eylül Ünverstes Dokuz Eylül Ünverstes Dokuz Eylül Ünverstes Fen Blmler Ensttüsü
DetaylıYÖNETİM VE EKONOMİ Yıl:2006 Cilt:13 Sayı:1 Celal Bayar Üniversitesi İ.İ.B.F. MANİSA
YÖNETİM VE EKONOMİ Yıl:2006 Clt:3 Sayı: Celal Bayar Ünverstes İ.İ.B.F. MANİSA Bulanık Araç Rotalama Problemlerne Br Model Öners ve Br Uygulama Doç. Dr. İbrahm GÜNGÖR Süleyman Demrel Ünverstes, İ.İ.B.F.,
DetaylıDEÜ MÜHENDİSLİK FAKÜLTESİ MÜHENDİSLİK BİLİMLERİ DERGİSİ Cilt: 16 Sayı: 48 sh. 61-75 Eylül 2014 KRİL SÜRÜSÜ ALGORİTMASI İLE ATÖLYE ÇİZELGELEME
DEÜ MÜHENDİSLİK FAKÜLTESİ MÜHENDİSLİK BİLİMLERİ DERGİSİ Clt: 16 Sayı: 48 sh. 61-75 Eylül 2014 KRİL SÜRÜSÜ ALGORİTMASI İLE ATÖLYE ÇİZELGELEME (JOB SHOP SCHEDULING WITH KRILL HERD ALGORITHM) İlker GÖLCÜK
DetaylıPARÇALI DOĞRUSAL REGRESYON
HAFTA 4 PARÇALI DOĞRUSAL REGRESYO Gölge değşkenn br başka kullanımını açıklamak çn varsayımsal br şrketn satış temslclerne nasıl ödeme yaptığı ele alınsın. Satış prmleryle satış hacm Arasındak varsayımsal
DetaylıOkullarda Coğrafi Bilgi Sistem Destekli Öğrenci Kayıt Otomasyon Sistemi Uygulaması: Trabzon Kenti Örneği
Okullarda Coğraf Blg Sstem Destekl Öğrenc Kayıt Otomasyon Sstem Uygulaması: Trabzon Kent Örneğ Volkan YILDIRIM 1, Recep NİŞANCI 2, Selçuk REİS 3 Özet Ülkemzde öğrenc veller le okul darecler, öğrenc kayıt
DetaylıDestek Vektör Makineleri ile Yaramaz Elektronik Postaların Filtrelenmesi Spam e-mail Filtering Using Support Vector Machine
Destek Vektör Makneler le Yaramaz Elektronk Postaların Fltrelenmes Spam e-mal Flterng Usng Support Vector Machne E. U. Küçükslle ve N. Ateş Süleman Demrel Ünverstes, Isparta/urke, ecrkucukslle@sdu.edu.tr
DetaylıToplam Eşdeğer Deprem Yükünün Hesabı Bakımından 1975 Deprem Yönetmeliği İle 2006 Deprem Yönetmeliğinin Karşılaştırılması
Fırat Ünv. Fen ve Müh. Bl. ergs Scence and Eng. J of Fırat Unv. 19 (2, 133-138, 2007 19 (2, 133-138, 2007 Toplam Eşdeğer eprem Yükünün Hesabı Bakımından 1975 eprem Yönetmelğ İle 2006 eprem Yönetmelğnn
DetaylıSEK Tahmincilerinin Arzulanan Özellikleri. SEK Tahmincilerinin Arzulanan Özellikleri. Ekonometri 1 Konu 9 Sürüm 2,0 (Ekim 2011)
SEK Tahmnclernn Arzulanan Özellkler İk Değşkenl Bağlanım Model SEK Tahmnclernn Arzulanan Özellkler Ekonometr 1 Konu 9 Sürüm 2,0 (Ekm 2011) http://www.ackders.org.tr SEK Tahmnclernn Arzulanan Özellkler
Detaylı4.5. SOĞUTMA KULELERİNİN BOYUTLANDIRILMASI İÇİN BİR ANALIZ
Ünsal M.; Varol, A.: Soğutma Kulelernn Boyutlandırılması İçn Br Kuramsal 8 Mayıs 990, S: 8-85, Adana 4.5. SOĞUTMA KULELERİNİN BOYUTLANDIRILMASI İÇİN BİR ANALIZ Asaf Varol Fırat Ünverstes, Teknk Eğtm Fakültes,
Detaylıdir. Bir başka deyişle bir olayın olasılığı, uygun sonuçların sayısının örnek uzaydaki tüm sonuçların sayısına oranıdır.
BÖLÜM 3 OLASILIK HESABI 3.. Br Olayın Olasılığı Tanım 3... Br olayın brbrnden ayrık ve ortaya çıkma şansı eşt n mümkün sonucundan m tanes br A olayına uygun se, A olayının P(A) le gösterlen olasılığı P(A)
DetaylıFırat Üniversitesi, Mühendislik Fakültesi, Makine Bölümü, ELAZIĞ
GENETİK ALGORİTMA İLE PARAMETRELERİ OPTİMİZE EDİLMİŞ AĞ TABANLI BULANIK DENETİM SİSTEMİNİN SİSMİK İZOLASYONA UYGULANMASI VE MATLAB İLE SİMÜLASYONU Doç Dr. Hasan ALLİ ve Arş. Gör. Oğuz YAKUT Fırat Ünverstes,
DetaylıMetin Madenciliği ile Soru Cevaplama Sistemi
Metn Madenclğ le Soru Cevaplama Sstem Sevnç İlhan 1, Nevchan Duru 2, Şenol Karagöz 3, Merve Sağır 4 1 Mühendslk Fakültes Blgsayar Mühendslğ Bölümü Kocael Ünverstes slhan@kocael.edu.tr, nduru@kocael.edu.tr,
DetaylıYAYILI YÜK İLE YÜKLENMİŞ YAPI KİRİŞLERİNDE GÖÇME YÜKÜ HESABI. Perihan (Karakulak) EFE
BAÜ Fen Bl. Enst. Dergs (6).8. YAYII YÜK İE YÜKENİŞ YAPI KİRİŞERİNDE GÖÇE YÜKÜ HESABI Perhan (Karakulak) EFE Balıkesr Ünverstes ühendslk marlık Fakültes İnşaat üh. Bölümü Balıkesr, TÜRKİYE ÖZET Yapılar
DetaylıK-Ortalamalar Yöntemi ile Yıllık Yağışların Sınıflandırılması ve Homojen Bölgelerin Belirlenmesi *
İMO Teknk Derg, 2012 6037-6050, Yazı 383 K-Ortalamalar Yöntem le Yıllık Yağışların Sınıflandırılması ve Homojen Bölgelern Belrlenmes * Mahmut FIAT* Fath DİKBAŞ** Abdullah Cem KOÇ*** Mahmud GÜGÖ**** ÖZ
DetaylıA İSTATİSTİK. 4. X kesikli rasgele (random) değişkenin moment çıkaran. C) 4 9 Buna göre, X in beklenen değeri kaçtır?
. Br torbada 6 syah, 4 beyaz top vardır. Bu torbadan yerne koyarak top seçlyor. A İSTATİSTİK KPSS/-AB-PÖ/006. Normal dağılıma sahp br rasgele (random) değşkenn varyansı 00 dür. Seçlen topların ksnn de
Detaylı04.10.2012 SU İHTİYAÇLARININ BELİRLENMESİ. Suİhtiyacı. Proje Süresi. Birim Su Sarfiyatı. Proje Süresi Sonundaki Nüfus
SU İHTİYAÇLARII BELİRLEMESİ Suİhtyacı Proje Süres Brm Su Sarfyatı Proje Süres Sonundak üfus Su ayrım çzs İsale Hattı Su Tasfye Tess Terf Merkez, Pompa İstasyonu Baraj Gölü (Hazne) Kaptaj Su Alma Yapısı
DetaylıTuğla Duvardaki ve Tesisattaki Isı Kaybının Yapay Sinir Ağları İle Belirlenmesi
Fırat Ünv. Fen ve Müh. Bl. Der. Scence and Eng. J of Fırat Unv. 18 (1), 133-141, 2006 18 (1), 133-141, 2006 Tuğla Duvardak ve Tessattak Isı Kaybının Yapay Snr Ağları İle Belrlenmes Ömer KELEŞOĞLU ve Adem
DetaylıSinirsel Bulanık Sistemler İle Trafik Gürültüsünün Tahmini
Snrsel Bulanık Sstemler İle Trafk Gürültüsünün Tahmn Ahmet Tortum Yrd. Doç. Dr.,Atatürk Ünverstes,Mühendslk Fakültes,İnşaat Bölümü,Erzurum E-posta : atortum@ataun.edu.tr Yasn Çodur Arş.Gör., Atatürk Ünverstes,Mühendslk
DetaylıBulanık Mantık ile Hesaplanan Geoid Yüksekliğine Nokta Yüksekliklerinin Etkisi
Harta Teknolojler Elektronk Dergs Clt: 5, No: 1, 2013 (61-67) Electronc Journal of Map Technologes Vol: 5, No: 1, 2013 (61-67) TEKNOLOJİK ARAŞTIRMALAR www.teknolojkarastrmalar.com e-issn: 1309-3983 Makale
DetaylıKAFES SİSTEMLERİN UYGULAMAYA YÖNELİK OPTİMUM TASARIMI
PAMUKKALE ÜNİ VERSİ TESİ MÜHENDİ SLİ K FAKÜLTESİ PAMUKKALE UNIVERSITY ENGINEERING COLLEGE MÜHENDİ SLİ K BİLİMLERİ DERGİ S İ JOURNAL OF ENGINEERING SCIENCES YIL CİLT SAYI SAYFA : 1999 : 5 : 1 : 951-957
DetaylıMakine Öğrenmesi 6. hafta
Makne Öğrenmes 6. hafta Yapay Snr Ağlarına Grş Tek katmanlı YSA lar Algılayıcı (Perceptron) Aalne (Aaptve Lnear Elemen Byolojk Snr Hücres Byolojk snrler ört ana bölümen oluşmaktaır. Bunlar: Denrt, Akson,
DetaylıPÜRÜZLÜ AÇIK KANAL AKIMLARINDA DEBİ HESABI İÇİN ENTROPY YÖNTEMİNİN KULLANILMASI
PÜRÜZLÜ AÇIK KANAL AKIMLARINDA DEBİ HESABI İÇİN ENTROPY YÖNTEMİNİN KULLANILMASI Mehmet ARDIÇLIOĞLU *, Galp Seçkn ** ve Özgür Öztürk * * Ercyes Ünverstes, Mühendslk Fakültes, İnşaat Mühendslğ Bölümü Kayser
DetaylıHAFTA 13. kadın profesörlerin ortalama maaşı E( Y D 1) erkek profesörlerin ortalama maaşı. Kestirim denklemi D : t :
HAFTA 13 GÖLGE EĞİŞKENLERLE REGRESYON (UMMY VARIABLES) Gölge veya kukla (dummy) değşkenler denen ntel değşkenler, cnsyet, dn, ten reng gb hemen sayısallaştırılamayan ama açıklanan değşkenn davranışını
DetaylıTürk Dilinin Biçimbilim Yapısından Yararlanarak Türkçe Metinlerin Farklı İmgelere Ayrılarak Kodlanması ve Sıkıştırılması
Türk Dlnn Bçmblm Yapısından Yararlanarak Türkçe Metnlern Farklı İmgelere Ayrılarak Kodlanması ve Sıkıştırılması Banu DİRİ, M.Yahya KARSLIGİL Yıldız Teknk Ünverstes Elektrk Elektronk Fakültes - Blgsayar
DetaylıDoğrusal Korelasyon ve Regresyon
Doğrusal Korelasyon ve Regresyon En az k değşken arasındak lşknn ncelenmesne korelasyon denr. Kşlern boyları le ağırlıkları, gelr le gder, öğrenclern çalıştıkları süre le aldıkları not, tarlaya atılan
DetaylıİÇME SUYU ŞEBEKELERİNİN GÜVENİLİRLİĞİ
Türkye İnşaat Mühendslğ, XVII. Teknk Kongre, İstanbul, 2004 İÇME SUYU ŞEBEKELERİNİN GÜVENİLİRLİĞİ Nur MERZİ 1, Metn NOHUTCU, Evren YILDIZ 1 Orta Doğu Teknk Ünverstes, İnşaat Mühendslğ Bölümü, 06531 Ankara
DetaylıSoğutucu Akışkan Karışımlarının Kullanıldığı Soğutma Sistemlerinin Termoekonomik Optimizasyonu
Soğutucu Akışkan arışımlarının ullanıldığı Soğutma Sstemlernn ermoekonomk Optmzasyonu * 1 Hüseyn aya, 2 ehmet Özkaymak ve 3 rol Arcaklıoğlu 1 Bartın Ünverstes akne ühendslğ Bölümü, Bartın, ürkye 2 arabük
DetaylıDETERMINATION OF THE ECONOMIC DISPATCH IN ELECTRIC POWER SYSTEMS USING SIMULATED ANNEALING(SA) ALGORITHM
5 Uluslararası İler Teknolojler Sempozyumu (IATS 09), 3-5 Mayıs 2009, Karabük, Türkye ELEKTRİK GÜÇ SİSTEMİNDE OPTİMAL YAKIT MALİYETİNİN BENZETİM TAVLAMA (BT) ALGORİTMASI İLE BELİRLENMESİ DETERMINATION
DetaylıUzaktan Algılama Teknolojileri
Uzaktan Algılama Teknolojileri Ders 11 Hiperspektral Görüntülerde Kümeleme ve Sınıflandırma Alp Ertürk alp.erturk@kocaeli.edu.tr Sınıflandırma Sınıflandırma işleminin amacı, her piksel vektörüne bir ve
DetaylıCuEEG: EEG Verilerinin Hızlı İşlenmesi için GPU Tabanlı Bir Yaklaşım CuEEG: A GPU-Based Approach for Fast Processing of EEG Data
ELECO '212 Elektrk - Elektronk ve Blgsayar Mühendslğ Sempozyumu, 29 Kasım - 1 Aralık 212, Bursa CuEEG: EEG Verlernn Hızlı İşlenmes çn GPU Tabanlı Br Yaklaşım CuEEG: A GPU-Based Approach for Fast Processng
DetaylıTÜKETİCİ TATMİNİ VERİLERİNİN ANALİZİ: YAPAY SİNİR AĞLARI ve REGRESYON ANALİZİ KARŞILAŞTIRMASI
1 TÜKETİCİ TATMİNİ VERİLERİNİN ANALİZİ: YAPAY SİNİR AĞLARI ve REGRESYON ANALİZİ KARŞILAŞTIRMASI Metehan TOLON Nuray GÜNERİ TOSUNOĞLU Özet Tüketc tatmn araştırmaları özelde pazarlama yönetclernn, genelde
DetaylıOTOMATİK PARMAKİZİ TANIMA SİSTEMLERİNDE ÖZELLİK NOKTALARININ TESPİTİNDE YAPAY SİNİR AĞLARININ KULLANILMASI
PAMUKKALE ÜNİ VERSİ TESİ MÜHENDİ SLİ K FAKÜLTESİ PAMUKKALE UNIVERSITY ENGINEERING COLLEGE MÜHENDİ SLİ K B İ L İ MLERİ DERGİ S İ JOURNAL OF ENGINEERING SCIENCES YIL CİLT SAYI SAYFA : 007 : 13 : 1 : 911
DetaylıDOĞRUSAL HEDEF PROGRAMLAMA İLE BÜTÇELEME. Hazırlayan: Ozan Kocadağlı Danışman: Prof. Dr. Nalan Cinemre
1 DOĞRUSAL HEDEF PROGRAMLAMA İLE BÜTÇELEME Hazırlayan: Ozan Kocadağlı Danışman: Prof. Dr. Nalan Cnemre 2 BİRİNCİ BÖLÜM HEDEF PROGRAMLAMA 1.1 Grş Karar problemler amaç sayısına göre tek amaçlı ve çok amaçlı
Detaylıİstanbul Ünverstes İşletme Fakültes Dergs Istanbul Unversty Journal of the School of Busness Admnstraton Clt/Vol:39, Sayı/No:2,, 310-334 ISSN: 1303-1732 www.fdergs.org Stokastk envanter model kullanılarak
DetaylıDestek Vektör Makineleri İle Uydu Görüntülerinin Sınıflandırılmasında Kernel Fonksiyonlarının Etkilerinin İncelenmesi
Destek Vektör Makneler İle Uydu Görüntülernn Sınıflandırılmasında Kernel Fonksyonlarının Etklernn İncelenmes Destek Vektör Makneler le Uydu Görüntülernn Sınıflandırılmasında Kernel Fonksyonlarının Etklernn
DetaylıPARMAKİZİ RESİMLERİNİN YAPAY SİNİR AĞLARI İLE TEMİZLENMESİ VE İYİLEŞTİRİLMESİ
PARMAKİZİ RESİMLERİNİN YAPAY SİNİR AĞLARI İLE TEMİZLENMESİ VE İYİLEŞTİRİLMESİ Necla ÖZKAYA Şeref SAĞIROĞLU Blgsayar Mühendslğ Bölümü, Mühendslk Fakültes, Ercyes Ünverstes, 38039, Talas, Kayser Gaz Ünverstes,
DetaylıKİ KARE ANALİZİ. Doç. Dr. Mehmet AKSARAYLI Ki-Kare Analizleri
Kİ KAR ANALİZİ 1 Doç. Dr. Mehmet AKSARAYLI www.mehmetaksarayl K-Kare Analzler OLAY 1: Genelde br statstk sınıfında, öğrenclern %60 ının devamlı, %30 unun bazen, %10 unun se çok az derse geldkler düşünülmektedr.
DetaylıKaraciğer mikrodizi kanser verisinin sınıflandırılması için genetik algoritma kullanarak ANFIS in eğitilmesi
Karacğer mkrodz kanser versnn sınıflandırılması çn genetk algortma kullanarak ANFIS n eğtlmes Bülent Haznedar 1*, Mustafa Turan Arslan 2, Adem Kalınlı 3 ÖZ 21.06.2016 Gelş/Receved, 30.11.2016 Kabul/Accepted
DetaylıBulanık TOPSIS ve Bulanık VIKOR Yöntemleriyle Alışveriş Merkezi Kuruluş Yeri Seçimi ve Bir Uygulama
EGE AKADEMİK BAKIŞ / EGE ACADEMIC REVIEW Clt: 14 Sayı: 3 Temmuz 2014 ss. 463-479 Bulanık TOPSIS ve Bulanık VIKOR Yöntemleryle Alışverş Merkez Kuruluş Yer Seçm ve Br Uygulama Selecton of Shoppng Center
DetaylıEpilepside EEG Tabanlı Entropi Değişimleri
TURKMIA 9 Proceedngs 7 VI. Ulusal Tıp Blşm Kongres Bldrler ENMI Vol V No 1, 9 Eplepsde EEG Tabanlı Entrop Değşmler b c Serap 1 AYDINa,1, H.Melh SARAOĞLU, Sadık KARA a Elektrk-Elektronk Müh Böl, Ondokuz
DetaylıPARÇACIK SÜRÜSÜ OPTİMİZASYON ALGORİTMASI VE BENZETİM ÖRNEKLERİ
PARÇACIK SÜRÜSÜ OPTİMİZASYON ALGORİTMASI VE BENZETİM ÖRNEKLERİ Seçkn TAMER, Chan KARAKUZU seckntamer@gmal.com, chankk@kou.edu.tr Kocael Ünverstes, Müh. Fak., Elektronk ve Haberleşme Mühendslğ Bölümü İzmt/KOCAELİ
DetaylıMeteorolojik Verilerin Yapay Sinir Ağları Đle Modellenmesi
KSÜ Fen ve Mühendslk Dergs, 10(1), 2007 148 KSU Journal of Scence and Engneerng, 10(1), 2007 Meteorolojk Verlern Yapay Snr Ağları Đle Modellenmes Kemal ATĐK 1, Emrah DENĐZ 1, Enver YILDIZ 2 1 ZKÜ. Karabük
DetaylıKarasal, Hava ve Uzay Tabanlı Haberleşme Sistemleri Arasındaki Girişimin Minimizasyonu İçin Optimizasyon Yaklaşımı
Karasal, Hava ve Uzay Tabanlı Haberleşme stemler Arasındak rşmn nmzasyonu çn Optmzasyon Yaklaşımı Optmzaton Approach to the nmzaton of Interference Between Terrestral, Ar and pace Based Communcaton ystems
DetaylıBÖLÜM 1 1.GİRİŞ: İSTATİSTİKSEL DOĞRUSAL MODELLER
BÖLÜM 1 1.GİRİŞ: İSTATİSTİKSEL DOĞRUSAL MODELLER Blmn amaçlarından br yaşanılan doğa olaylarını tanımlamak ve olayları önceden tahmnlemektr. Bu amacı başarmanın yollarından br olaylar üzernde etkl olduğu
DetaylıENDÜSTRİYEL BİR ATIK SUYUN BİYOLOJİK ARITIMI VE ARITIM KİNETİĞİNİN İNCELENMESİ
ENDÜSTRİYEL BİR ATIK SUYUN BİYOLOJİK ARITIMI VE ARITIM KİNETİĞİNİN İNCELENMESİ Emel KOCADAYI EGE ÜNİVERSİTESİ MÜH. FAK., KİMYA MÜH. BÖLÜMÜ, 35100-BORNOVA-İZMİR ÖZET Bu projede, Afyon Alkalot Fabrkasından
DetaylıKİ-KARE TESTLERİ A) Kİ-KARE DAĞILIMI VE ÖZELLİKLERİ
Kİ-KAR TSTLRİ A) Kİ-KAR DAĞILIMI V ÖZLLİKLRİ Örnekleme yoluyla elde edlen rakamların, anakütle rakamlarına uygun olup olmadığı; br başka fadeyle gözlenen değerlern teork( beklenen) değerlere uygunluk gösterp
DetaylıFarklı Varyans. Var(u i X i ) = Var(u i ) = E(u i2 ) = σ i2. Eşit Varyans. Hata. Zaman
Farklı Varyans Var(u X ) = Var(u ) = E(u ) = σ Eşt Varyans Y X Farklı Varyans Hata Var(u X ) = Var(u ) = E(u ) = σ Farklı Varyans Zaman Farklı Varyans le Karşılaşılan Durumlar Kest Verlernde. Kar dağıtım
DetaylıLOJİSTİK REGRESYON VE CART ANALİZİ TEKNİKLERİYLE SOSYAL GÜVENLİK KURUMU İLAÇ PROVİZYON SİSTEMİ VERİLERİ ÜZERİNDE BİR UYGULAMA. Zeynep Burcu KIRAN
LOJİSTİK REGRESYON VE CART ANALİZİ TEKNİKLERİYLE SOSYAL GÜVENLİK KURUMU İLAÇ PROVİZYON SİSTEMİ VERİLERİ ÜZERİNDE BİR UYGULAMA Zeynep Burcu KIRAN YÜKSEK LİSANS TEZİ İSTATİSTİK GAZİ ÜNİVERSİTESİ FEN BİLİMLERİ
Detaylıbir yol oluşturmaktadır. Yine i 2 , de bir yol oluşturmaktadır. Şekil.DT.1. Temel terimlerin incelenmesi için örnek devre
Devre Analz Teknkler DEE AAĐZ TEKĐKEĐ Bu zamana kadar kullandığımız Krchoffun kanunları ve Ohm kanunu devre problemlern çözmek çn gerekl ve yeterl olan eştlkler sağladılar. Fakat bu kanunları kullanarak
DetaylıDeprem Tepkisinin Sayısal Metotlar ile Değerlendirilmesi (Newmark-Beta Metodu) Deprem Mühendisliğine Giriş Dersi Doç. Dr.
Deprem Tepksnn Sayısal Metotlar le Değerlendrlmes (Newmark-Beta Metodu) Sunum Anahat Grş Sayısal Metotlar Motvasyon Tahrk Fonksyonunun Parçalı Lneer Interpolasyonu (Pecewse Lnear Interpolaton of Exctaton
Detaylı3. Parçaları Arasında Aralık Bulunan Çok Parçalı Basınç Çubukları
3. Parçaları Arasında Aralık Bulunan Çok Parçalı Basınç Çubukları Basınç çubukları brden fazla profl kullanılarak, bu profller arasında plan düzlemnde bell br mesafe bulunacak şeklde düzenleneblr. Bu teşklde,
DetaylıUYDU GÖRÜNTÜLERİNDEN KENTSEL AYRINTILARIN NESNE-TABANLI SINIFLANDIRMA YÖNTEMİYLE BELİRLENMESİ VE CBS ORTAMINDA BÜTÜNLEŞTİRİLMESİ
YILDIZ TEKNİK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ UYDU GÖRÜNTÜLERİNDEN KENTSEL AYRINTILARIN NESNE-TABANLI SINIFLANDIRMA YÖNTEMİYLE BELİRLENMESİ VE CBS ORTAMINDA BÜTÜNLEŞTİRİLMESİ Jeodez ve Fotogrametr
DetaylıBULANIK AKIŞ TİPİ ÇİZELGELEME PROBLEMİ İÇİN ÇOK AMAÇLI GENETİK ALGORİTMA
Gaz Ünv. Müh. Mm. Fak. Der. J. Fac. Eng. Arch. Gaz Unv. Clt 22, No 4, 855-862, 2007 Vol 22, No 4, 855-862, 2007 BULANIK AKIŞ TİPİ ÇİZELGELEME PROBLEMİ İÇİN ÇOK AMAÇLI GENETİK ALGORİTMA İzzettn TEMİZ ve
DetaylıYapay Sinir Ağı ve Bulanık-Yapay Sinir Ağı Yöntemleri Kullanılarak Tava Buharlaşma Tahmini
Tarım Blmler Araştırma Dergs 3 (): 45-5, 00 ISSN: 308-3945, E-ISSN: 308-07X, www.nobel.gen.tr Yapay Snr Ağı ve Bulanık-Yapay Snr Ağı Yöntemler Kullanılarak Tava Buharlaşma Tahmn Özgür KIŞI Selcan AFŞA
DetaylıDENEY 4: SERİ VE PARALEL DEVRELER,VOLTAJ VE AKIM BÖLÜCÜ KURALLARI, KIRCHOFF KANUNLARI
A. DNYİN AMACI : Bast ser ve bast paralel drenç devrelern analz edp kavramak. Voltaj ve akım bölücü kurallarını kavramak. Krchoff kanunlarını deneysel olarak uygulamak. B. KULLANILACAK AAÇ V MALZML : 1.
DetaylıBÖLÜM II D. YENİ YIĞMA BİNALARIN TASARIM, DEĞERLENDİRME VE GÜÇLENDİRME ÖRNEKLERİ ÖRNEK 20 İKİ KATLI YIĞMA KONUT BİNASININ TASARIMI
BÖLÜM II D ÖRNEK 0 BÖLÜM II D. YENİ YIĞMA BİNALARIN TASARIM, DEĞERLENDİRME VE GÜÇLENDİRME ÖRNEKLERİ ÖRNEK 0 İKİ KATLI YIĞMA KONUT BİNASININ TASARIMI 0.1. BİNANIN GENEL ÖZELLİKLERİ...II.0/ 0.. TAŞIYICI
DetaylıSTANDART VE HİBRİD YAPILAR KULLANARAK YAPAY SİNİR AĞLARI İLE İMZA TANIMA
STANDART VE HİBRİD YAPILAR KULLANARAK YAPAY SİNİR AĞLARI İLE İMZA TANIMA Canan ŞENOL Tülay YILDIRIM Kadr Has Ünverstes, Elektronk Mühendslğ Bölümü, 3430, Cbal, Fath-İstanbul Yıldız Teknk Ünverstes, Elektronk
DetaylıTOPSIS Metodu Kullanılarak Kesici Takım Malzemesi Seçimi
Makne Teknolojler Elektronk Dergs Clt: 9, No: 3, 2012 (35-42) Electronc Journal of Machne Technologes Vol: 9, No: 3, 2012 (35-42) TEKNOLOJİK ARAŞTIRMALAR www.teknolojkarastrmalar.com e-issn:1304-4141 Makale
DetaylıROBİNSON PROJEKSİYONU
ROBİNSON PROJEKSİYONU Cengzhan İPBÜKER ÖZET Tüm yerkürey kapsayan dünya hartalarının yapımı çn, kartografk lteratürde özel br öneme sahp olan Robnson projeksyonu dk koordnatlarının hesabı brçok araştırmacı
DetaylıFARKSAL GELİŞİM ALGORİTMASI İLE KARMA YEM MALİYET OPTİMİZASYONU
Dumlupınar Ünverstes Fen Blmler Ensttüsü Dergs ISSN 1302 3055 FARKSAL GELİŞİM ALGORİTMASI İLE KARMA YEM MALİYET OPTİMİZASYONU *Yaşar YAŞAR 1, Burhanettn DURMUŞ 2 1 Dumlupınar Ünverstes, Mühendslk Fakültes,
DetaylıŞehiriçi Karayolu Ağlarının Sezgisel Harmoni Araştırması Optimizasyon Yöntemi ile Ayrık Tasarımı *
İMO Teknk Derg, 2013 6211-6231, Yazı 392 Şehrç Karayolu Ağlarının Sezgsel Harmon Araştırması Optmzasyon Yöntem le Ayrık Tasarımı * Hüseyn CEYLAN* Halm CEYLAN** ÖZ Bu çalışmada, şehrç ulaştırma ağlarının
DetaylıPARABOLİK YOĞUNLUK FONKSİYONUNU KULLANARAK SEDİMANTER TEMEL DERİNLİKLERİNİN KESTİRİMİ
Uygulamalı Yerblmler Sayı: (Mayıs-Hazran ) -9 PARABOLİK YOĞUNLUK FONKSİYONUNU KULLANARAK SEDİMANTER TEMEL DERİNLİKLERİNİN KESTİRİMİ Estmaton of Sedmentary Basement Depths By Usng Parabolc Densty Functon
DetaylıDAĞITIM STRATEJİLERİNİN OLUŞTURULMASINA YÖNELİK MODEL OLUŞTURMA: BİR TÜRK FİRMASI ÜZERİNE ÖRNEK UYGULAMA
ZKÜ Sosyal Blmler Dergs, Clt 2, Sayı 4, 2006, ss. 123 145. DAĞITIM STRATEJİLERİNİN OLUŞTURULMASINA YÖNELİK MODEL OLUŞTURMA BİR TÜRK FİRMASI ÜZERİNE ÖRNEK UYGULAMA Yrd. Doç. Dr. Ahmet ERGÜLEN Nğde Ünverstes
DetaylıTEKNOLOJİ, PİYASA REKABETİ VE REFAH
TEKNOLOJİ, PİYASA REKABETİ VE REFAH Dr Türkmen Göksel Ankara Ünverstes Syasal Blgler Fakültes Özet Bu makalede teknoloj sevyesnn pyasa rekabet ve refah sevyes üzerndek etkler matematksel br model le ncelenecektr
DetaylıAdi Diferansiyel Denklemler NÜMERİK ANALİZ. Adi Diferansiyel Denklemler. Adi Diferansiyel Denklemler
6.4.7 NÜMERİK ANALİZ Yrd. Doç. Dr. Hatce ÇITAKOĞLU 6 Müendslk sstemlernn analznde ve ugulamalı dsplnlerde türev çeren dferansel denklemlern analtk çözümü büük öneme saptr. Sınır değer ve/vea başlangıç
Detaylı( ) 3.1 Özet ve Motivasyon. v = G v v Operasyonel Amplifikatör (Op-Amp) Deneyin Amacı. deney 3
Yıldız Teknk Ünverstes Elektrk Mühendslğ Bölümü Deneyn Amacı İşlemsel kuvvetlendrcnn çalışma prensbnn anlaşılması le çeştl OP AMP devrelernn uygulanması ve ncelenmes. Özet ve Motvasyon.. Operasyonel Amplfkatör
Detaylı