K-means ve YSA temelli Hibrit Bir Model ile Epileptik EEG İşaretlerinin Sınıflandırılması
|
|
- Ediz Doğan
- 5 yıl önce
- İzleme sayısı:
Transkript
1 K-means ve temell Hbrt Br Model le Epleptk EEG İşaretlernn Sınıflandırılması Ramazan TEKİN 1 Yılmaz KAYA 2 Mehmet Emn TAĞLUK 3 1 Batman Ünverstes, Mühendslk Mmarlık Fakültes, Blgsayar Mühendslğ, Batman, Türkye, e-posta: ramazantekn@batmanedutr 2 Srt Ünverstes, Mühendslk Mmarlık Fakültes, Blgsayar Mühendslğ, Srt, Türkye, e-posta: ykaya72@hotmalcom 3 İnönü Ünverstes, Mühendslk Mmarlık Fakültes, Elektrk Elektronk Mühendslğ, Malatya, Türkye, e-posta: mehmettagluk@nonuedutr ÖZET Eplepsnn tespt ve epleptk atakların sınıflandırılmasında beynn elektrksel aktvtes öneml br ver kaynağı olarak kullanılmaktadır Bu çalışmada Ayrık Dalgacık Dönüşümü le EEG şaretlernn spektral çözümlemes yapılmış ve elde edlen her br spektral bleşenn statstksel bazı özellkler baz alınarak K-Means kümeleme yöntem le bu bleşenler kümelendrlmştr Bu kümelerden hem eğtm hem de test çn verler rastgele seçlerek yapay snr ağı eğtlmş ve epleps tespt yapılmıştır Kümeleme şlem, ortak özellklere haz verlern aynı kümede yer almasını ve böylece nın eğtmn daha uygun verlerle sağlayıp hem şlem zamanı hem de sınıflandırma performansını yleştrmek çn yapılmıştır Önerlen bu hbrt yöntem le (K-Means kümeleme- sınıflandırma) daha y br sınıflandırma yapılabldğ gösterlmştr Anahtar kelmeler: Electroencephalogram, Epleps, Ayrık Dalgacık Dönüşümü, K-Means kümeleme, Yapay Snr Ağları 1 Grş Beyn snr hücrelernn elektrksel aktvtesnn harc elektrotlarla kayıtlayan Electroencephalogram (EEG) beynn anormal aktvtesnn tespt çn öneml br araçtır EEG kayıtları kafa dersnde belrl noktalara yerleştrlen elektrotlarla elde edlmektedr [1] Beynn öneml hastalıklarından brs olan epleps beynde br grup nöronun anormal aktvtes sonucu blnç kaybı, dengesz vücut hareketler, anormal duygusallık veya kas kasılmalarına neden olan kronk br hastalıktır Bu hastalığın teşhsnde EEG şaretlernn analz en y yöntemlerden brdr EEG şaretlern daha y analz etmek ve bu analz sonuçlarına göre br sınıflandırılma ya da yorum yapmak çn doğrusal ve doğrusal olmayan br takım teknkler gelştrlmştr Spektral analz EEG şaretlernn karakterstğn frekans düzlemlernde ncelemek amacıyla kullanılan en kolay yöntemlerden brdr [2] Epleptk EEG şaretlernn frekans çerğ nöbet öncesnde ve nöbet sonrasında farklı olduğundan, frekansı zaman ölçeğnde analz yapan Dalgacık Dönüşümü (DD) epleptk EEG şaretnn karakterstğnn tesptnde ayrıcalıklı br öneme sahptr Nöbet tespt ve sınıflandırmasında DD deal br bant geçren fltre gb kullanılmaktadır [3] Ayrıca DD değşk ölçek ve çözünürlüklerde epleptk EEG şaretlernn özellklern ve karakterstğn çıkarmayı sağlamaktadır [2] 277 Yapay snr ağları () snyal ve örüntü tanıma çn kullanıldığı gb epleptk nöbetlern tesptnde ve sınıflandırılmasında da yaygın olarak kullanılmaktadır [4] hızlı ve paralel şlem yapablme gücüne sahp olup çözüm algortması çok karmaşık yada zor olan problemler gözlemlere dayanarak gerçek zamanda çözeblmektedr Bundan dolayı da geleneksel yöntemlere göre oldukça avantajlıdır KM kümeleme yöntem kümeleme problemlernde kullanılan en bast gözetmsz öğrenme algortmalarından brdr Bu yöntem k adet küme çn orta nokta belrleyp n adet gözlem bu k adet kümeye dağıtmaya çalışan br yöntemdr Kümeleme şlem sonunda amaç küme ç benzerlğn en yüksek kümeler arası benzerlğn se en düşük olmasını sağlamaktadır[5] Bu çalışmada farklı şartlarda ve beyn bölgelernden elde edlen epleptk EEG şaretlernn analznde klask uygulamasına alternatf olarak şekl 1 de şlem basamakları gösterlen K-means ve temell hbrt br sınıflandırma yöntem önerlmştr Burada çn eğtm ve test ver setler K-means kümeleme yöntem le elde edlen kend çersnde homojen olan kümeler çersnden rastgele seçlerek sstemn performansını arttırılmaya yönelk çaba gösterlmştr Ham EEG Band Geçren Fltre Dalgacık Dönüşüm Özellk Çıkarım KM le Kümeleme Eğtm-Test Tespt Sınıflandırıcı Sınıflandırma Sonuçları Şekl 1: Uygulanan yönteme at tüm şlem basamakları
2 2 Dalgacık Dönüşümü EEG şaretler durağan olmayan şaret türündendr Bu tür şaretlern spektral analznde Fourer dönüşümünün y sonuç vermedğ blnmektedr Bazı çalışmalarda kısasürel Fourer dönüşümü (KSFD) kullanılsa da özellkle seçlen pencere boyutunun sabt olmasından dolayı bu yöntem hem zaman hem de frekans boyutlarında Uncertnty prncple gereğ eşt br çözünürlük ve dolayısıyla çok y br sonuç vermeyeblr Problem kısmen gdermek çn KSFD yerne Dalgacık Dönüşümü (DD) kullanılmıştır [6] DD yüksek frekanslar çn küçük ve düşük frekanslar çn büyük boyutlu pencere kullandığından zaman ve frekans açısından en uygun çözünürlüğü sağlamaya çalışır [8,9] Aşağıda sürekl dalgacık dönüşüm denklem verlmştr[10], Burada şaretn kends, dalgacık dönüşümü, ana dalgacık fonksyonu, a ölçek ve b zamanda kaydırma parametrelerdr anadalgacık a ve b ölçeklerne göre elde edlmektedr[11,12]: ana dalgacık hem frekans hemde zaman çözünürlüğünün uygun olmasını sağlar[13] a ölçeğ büyük br değer seçldğnde ana dalgacık genşler ve düşük frekanslı detaylar elde edlrken, a ölçeğ küçük br değer seçldğnde se ana dalgacık daralır ve yüksek frekanslı detaylar elde edlr (1) (2) Dalgacık dönüşümünün sürekl veya ayrık formları kullanılablr Ancak bu çalışma çn Sürekl dalgacık dönüşümü snyal tanımlamak çn gerekenden fazla katsayı üretr ve snyaln yenden oluşturulmasında tüm bu parametreler gerekl olduğundan aşırı hesaplama zorluğuna neden olur Bu yüzden dönüşüm ve ölçek değşmn kısıtlayan Ayrık Dalgacık Dönüşümünü (ADD) kullanmak uygulamada daha büyük kolaylık sağlamaktadır Sürekl dalgacık dönüşümünde ölçek ve kaydırma parametreler a=2 j ve b=k2 j =ka le ayrık hale getrlerek ADD temel fades aşağıdak gb fade edleblr: Burada x(n) şaretn kends ve ana dalgacıktır Logartmk ve dengel yapıya sahp çok frekanslı süzgeç banklarıyla AD analz yapılablr[12] ADD le şaret yüksek geçren fltreye sokularak ayrıntı (detal) katsayıları ve alçak geçren fltreye sokularak yaklaşık (Approxmate) katsayıları elde edlr Bu şlemler elde edlen ayrıntı veya yaklaşık frekans bantlarında stenlen çözünürlük elde edlnceye kadar Şekl 2 de gösterldğ gb tekrar edlr Şeklde de görüldüğü gb ayrık x[n] snyal yüksek-geçren fltreden(ygf) geçerek detay katsayıları (D [n]) ve alçakgeçren fltreden (AGF) geçerek yaklaşık katsayıları (A [n]) elde edlr Bu ayrıştırma şlemnn zaman alanındak matematksel fades g[n] ve h[n] sırasıyla yüksek-geçren ve alçak-geçren fltreler olmak üzere aşağıdak gb fade edlr: Her ayrıştırma sevyesnde yarım-band fltreler frekans bandının yarısını çeren snyaller oluşmasını sağlar (3) (4) x[n] YGF 2 D 1[n] AGF 2 A 1[n] YGF 2 D 2[n] AGF 2 A 2[n] YGF 2 D 3[n] AGF 2 A 3[n] Şekl 2: Ayrık Dalgacık Dönüşümünde Yüksek-Geçren Fltre (YGF) ve Alçak-Geçren Fltre le alt bantlara ayrıştırma 3 K-Means Algortması 1967 yılında Mac Queen tarafından önerlen K-Means (KM) algortması, kümeleme şlem gerçekleştren en bast gözetmsz öğrenme algortmalarından brdr Kümeleme amaçlı kullanılan bast ve popüler br ver madenclğ algortmasıdır Bu algortmada öncelkle küme sayısı olan k değernn belrlenmes gerekmektedr KM algortması n gözlem k adet kümeye dağıtmaktadır Her küme çn küme elemanları arasındak benzerlğn yüksek fakat kümeler arası benzerlğn düşük olması amaçlanır Küme benzerlğ br kümenn ağırlık merkez olan küme çndek gözlemlere at ortalama değer le ölçülmektedr KM algortmasının çalışma mekanzmasına göre öncelkle rastgele her br br kümenn merkezn veya ortalamasını temsl etmek üzere k adet merkez seçlr Kalan dğer gözlemler, kümelern 278 ortalama değerlerne olan uzaklıkları dkkate alınarak en benzer oldukları kümelere dahl edlr Daha sonra, her br kümenn ortalama değer hesaplanarak yen küme merkezler belrlenr ve tekrar gözlem-merkez uzaklıkları ncelenr Kümelerde herhang br değşm olmayıncaya kadar algortma devam eder En yaygın olarak kullanılan uzaklık ölçütü Ökld, Manhattan, Mnkowsk uzaklık ölçütlerdr Bu çalışmada Ökld uzaklık ölçüsü kullanılmıştır KM algortması aşağıdak gb 4 aşamada göstereblrz[14] 1 Küme sayısına (k) bağlı olarak rastgele k adet küme merkez belrlenr
3 2 Küme merkezler dışındak tüm gözlemlern küme merkezlerne uzaklıklarına göre kümelere ataması yapılır 3 Yapılan kümelemeye göre yen merkezlern hesaplanması veya esk merkezlern yen merkeze kaydırılır 4 Tüm gözlemlern at olduğu küme değşmeynceye kadar 2 ve 3 adımların tekrarlanır 4 Yapay Snr Ağları Yapay snr ağları () nın oluşturulması temel manada byolojk snr sstemnn yapısı dkkate alınarak gelştrlmştr Br yapay snr ağı katmanlar şeklnde brbrleryle bağlantılı hücreler ve bunları brbrne bağlayan ağırlıklardan oluşmaktadır Br yapay snr ağındak en öneml unsurlardan br de snr hücrelernn brbrlerne ver aktarımını orantısal olarak ayarlayan bağlantılar arasındak katsayılardır Eğtm algortmaları nın eğtm sırasında bu katsayıları en uygun değerlere ayarlayarak nı lgl problem çn özgünleştrmektedrler Hücrenn grş le çıkış arasındak ver aktarımını probleme yönelk gelştrlen hücre aktvasyon fonksyonu tarafından gerçekleştrlr Bu fonksyon hücrenn temel karakterstğn belrler ve hücreden geçen ver buna göre şekllenr Aşağıda Şekl 3 de br yapay snr hücres verlmştr Grşler Ağırlıklar X 1 X 2 X 3 W 1 W 2 W 3 G ( x) = x w θ f (x) F ( G ( x)) y X n W n θ Eşk Değer Şekl 3: Yapay snr hücresnn genel yapısı Snr ağının çıkışı global olarak; öyle k, Şeklnde fade edlr [15] Burada X n ağın grş değşkenler, W n hücreler üzerndek etksn belrten ağırlık değerdr W n ve X n çarpılması le aktvasyon fonksyonun grş çn br ver oluşturmaktalar G(x) aktvasyon fonksyonunu ve θ eşk değern belrtmektedr Br yapay snr ağı oluşturulmadan önce ağın kaç katmandan oluşacağı, her katmanda bulunan snr hücre sayısı, eğtm çn terasyon sayısı, öğrenme oranı, eğtm ve test setlern oranları gb parametrelere karar vermek gerekr Bu çalışmada kullanılan model çn parametreler aşağıda verldğ gbdr; Ağ model: feedforward neural network Grş katmanı özellk sayısı: 24 özellk Gzl katman sayısı: 1 (5) (6) Gzl katmandak hücre sayısı: 30 Çıkış katmandak hücre sayısı: 1 Öğrenme Oranı: 06 Gzl katman aktvasyon fonksyonu: Tan-sgmod Çıkış katmanı aktvasyon fonksyonu : Saturatng lnear transfer functon Ağırlıklar: W rastgele oluşturuldu Performans fonksyonu: Hata kareler ortalaması (mse) Öğrenme kuralı: Gradent descent w/momentum & adaptve lr backpropagaton 5 Önerlen Yöntem Şekl 4 de önerlen yöntemn blok dyagramı verlmştr Bu model k parçadan oluşmaktadır Brnc bölümde ver kümesne homojen alt kümelern elde edlmes çn k- means algortması uygulanmıştır İknc aşamada se oluşan homojen alt kümelerden çn eğtm ve test ver setler oluşturulmuştur Burada kümeleme şlem nın daha uygun verler le eğtlmesn sağlamak çn yapılmıştır 279
4 Şekl 4: KM ve ya at KM- hbrt model 6 Ver Set Ver set olarak çalışmada kullanılan EEG snyaller; Bonn Ünverstes Epleptoloj bölümü ver tabanından alınmıştır[16] Tüm ver, 5 kümeden oluşmaktadır (A-E) ve her küme 236 sanye sürel 100 tek kanal EEG segment çermektedr Aşağıda Şekl 5 te beş kümeden elde edlen örnek şaretler görülmektedr A ve B kümeler sırasıyla gözler açıkken ve kapalıyken sağlıklı olan 5 gönüllüden elde edlen yüzey EEG kayıtlarını çermektedr C kümes, hasta olan gönüllülerden nöbet öncesnde hpokampal oluşumlu karşı yarım kürenden ve D kümes epleptojenk bölgeden elde edlmştr E kümes se hasta gönüllülern krz sırasındak ölçümlerdr Snyaller 12 bt analog sayısal dönüştürücü le dönüştürüldükten sonra blgsayar ortamına 173,61 Hz örnekleme frekansı le (toplamda 4097 örnek) aktarılmıştır Epleptk özellkler kendn Hz altındak frekans bantlarında gösterdğnden spektral aralığı Hz olan snyallere Hz bant geçren fltre uygulanmıştır Bu çalışmada EEG şaretlernden epleps hastalığı teşhs yapmak amacıyla sağlıklı gönüllülere at şaretler le epleps hastalarının krz önces ve krz sırasındak epleptk şaretler sınıflandırılmaya çalışıldığından sadece A, D ve E ver kümeler kullanılmıştır Analzlerde hasta, gözler açık sağlıklı gönüllüler le (Küme A) epleps önces (Küme D) ve epleps krz esnasında epleps hastalarından (Küme E) alınan EEG şaretler sınıflandırmaya çalışan k ayrı çalışma yapılmıştır Şekl 5: A,B,C,D ve E kümelerne at örnek EEG şaretler 7 Özellk Çıkarımı Dalgacık Dönüşümü uygulamalarında probleme yönelk uygun dalgacık formunun seçm ve spektral bant ayrıştırması çn de gene uygun br ayrıştırma sevyesnn kullanılması çok önemldr Bu çalışmada EEG snyallernn analz ve özellk çıkarımı çn 4 sevye Daubeches-2 ADD kullanılmasının uygunluğu Matlab ortamında deneme yanılma yoluyla tespt edlmştr Uygulamalarda elde edlen ca4, cd4, cd3, cd2 ve cd1 dalgacık detay katsayıları kullanılmıştır Elde edlen dalgacık katsayılarından brtakım statstksel değerler elde edlerek snyaln özellk vektörü oluşturulmuştur Tüm frekans dağılımlarının aşağıdak statstksel özellkler hesaplanmış ve özellk vektöründe kullanılmıştır: 1 Her alt band Dalgacık katsayılarının en büyüğü 2 Her alt band Dalgacık katsayılarının en küçüğü 3 Her alt band Dalgacık katsayılarının Standart sapması 4 Her alt band Dalgacık katsayılarının Ortalaması 5 Her alt band Dalgacık katsayılarının Dalgacık enerjs 6 Her alt band Dalgacık katsayılarının Medyanı 280
5 Tablo-1: A,D ve E ver setlernden elde edlen örnek özellkler Ver Detay Çıkarılan Özellkler set Kat Say Maks Mn StdSp Ort Enerj Medyan D D A D D A D D D D D A D D E D D A Performans Ölçütler Önerlen modeln başarımının tespt çn en popüler ve bast yöntem olan modele at doğruluk oranına bakıldı Bu oran doğru sınıflandırılmış örnek sayısının, toplam örnek sayısına oranı olarak tanımlanmıştır[17] Bazen de tam tersne modeln başarım oranı hata oranı tespt etmekle belrlenr k bu da yanlış sınıflandırılmış örnek sayısının, toplam örnek sayısına oranı olarak fade edlmştr [18] Modeln doğruluk ve hata oranları sırasıyla le fade edleblr Ayrıca kesknlk ve duyarlılık da model değerlendren k öneml parametredr Kesnlk, negatf olarak tahmn edlen doğru örnek sayısının (TrueNegatf - TN), negatf olarak tahmn edlmş tüm örnek sayısına oranı(tn+fn), olarak fade edlmektedr[19] Duyarlılık se doğru sınıflandırılmış poztf örnek sayısının (TruePoztf - TP) toplam poztf örnek sayısına oranı (TP+FN), (7) (8) (9) olarak fade edlmektedr[19] 9 Sonuçlar (10) Bu çalışmada önerlen hbrt yöntem ) A (negatf) ve D (Poztf) ver setlerne ) A (negatf) ve E (poztf) ver setlerne uygulanmıştır Çalışmada ele alınan bu ver setler ADD ü le alt bantlara ayrıştırılıp dalgacık katsayıları elde edldkten sonra öncek bölümde değnlen statstksel özellkler hesaplanmış ve buna göre br özellk matrs çıkarılmıştır Bu özellklere göre özellk matrs K- means kümeleme yöntem le altı alt kümeye bölünmüştür Kend çlernde homojen olan bu alt kümelerden daha sonra rastgele eğtm ve test ver setler seçlmştr Çalışmada eğtm ve test ver setler oransal olarak önce %50 ve %50 olarak seçlmş ve daha sonrada modeln performansından emn olmak çn %70 ve %30 olarak seçlerek prosedür tekrarlanmıştır Önerlen yöntemn karşılaştırılması amacıyla her k uygulamanın her k eğtm-test ver set oranları çn eğtm ve test ver setlernn rastgele seçldğ geleneksel br a uygulamasıda yapılmıştır Tüm uygulamalarda poztf ve negatf ver setlerne at özellk matrsler brleştrlmek suretyle bütün olarak KM kümeleme şlem uygulanmış ve özellk matrs altı kümeye dağıtılmıştır A ve D ver setlerne at uygulama çn gözlemlern kümelere göre dağılımı Tablo 2 de verlmştr Tablo 2: Brnc uygulama çn gözlemlern kümelere dağılımları Kümeler Negatf Poztf Toplam Küme Küme Küme Küme Küme Küme Toplamlar İknc br uygulama olarak A ve E ver setlerne aynı prosedür tekrarlanmıştır A ve E ver setlerne at knc uygulama çn gözlemlern kümelere dağılımı Tablo 3 de verlmştr 281
6 Tablo 3: İknc uygulama çn gözlemlern kümelere dağılımları Kümeler Negatf Poztf Toplam Küme Küme Küme Küme Küme Küme Toplamlar Bu çalışmanın brnc uygulamasında A le D ver setler ve kncsnde se A le E ver setler önerlen KM- le ve sadece yöntemyle sınıflandırılmaktadır A ve D ver setlerne at KM- ve sınıflandırma yöntemlernn 5 denemel geçerllk test sonucunda elde edlen kesnlk, duyarlılık ve başarı oranları Tablo 4 te verlmştr A ve E ver setlerne at KM- ve sınıflandırma yöntemlernn 5 denemel geçerllk test sonucunda elde edlen kesnlk, duyarlılık ve başarı oranları Tablo 5 te verlmştr Tablo 4: A ve D ver setlerne at sınıflandırma başarı matrs Eğtm - Test Duyarlılık (%) Kesnlk (%) Doğruluk (%) Maksmum Ortalama Maksmum Ortalama Maksmum Ortalama Maksmum Ortalama KM- Tablo 5: A ve E ver setlerne at sınıflandırma başarı matrs Eğtm - Test Duyarlılık (%) Kesnlk (%) Doğruluk (%) Maksmum Ortalama Maksmum Ortalama Maksmum Ortalama Maksmum Ortalama KM- A ve D ver setlernn sınıflandırıldığı lk uygulamanın sonuçlarının bulunduğu Tablo-4 göre eğtm-test ver set %50-50 oranlarında dağıtıldığında önerlen KM- yöntemnn yaklaşık doğruluk oranı %9921 geleneksel yöntemle uygulanan le se doğruluk oranı yaklaşık %9640 olarak elde edlmştr Eğtm-test ver set %70-30 oranlarında dağıtıldığında se KM- yöntemnn yaklaşık doğruluk oranı %9969 geleneksel yöntemle uygulanan le se doğruluk oranı yaklaşık %9900 olarak elde edlmştr A ve E ver setlernn sınıflandırıldığı knc uygulamanın sonuçlarının bulunduğu tablo-5 göre eğtmtest ver set %50-50 oranlarında dağıtıldığında önerlen KM- yöntemnn yaklaşık doğruluk oranı %9922 geleneksel yöntemle uygulanan le se doğruluk oranı yaklaşık %9900 olarak elde edlmştr Eğtm-test ver set %70-30 oranlarında dağıtıldığında se KM- yöntemnn yaklaşık doğruluk oranı %10000 geleneksel yöntemle uygulanan le se doğruluk oranı yaklaşık %9900 olarak elde edlmştr 10 Tartışma yöntemnn ver setn kend çnde homojen fakat kend aralarında heterojen kümlere ayrıştırarak eğtm ve test ver setlernn en uygun değerlerden elde edlmesn sağladığını rahatlıkla söyleyeblrz Böylece en uygun değerlerle eğtldğnden başarı oranı artmıştır Ayrıca dalgacık katsayılarından elde edlen mnmum, maksmum, standart sapma ve ortalama gb statstksel özellkler ek olarak bu çalışmada kullanılan medyan ve dalgacık enerjs gb özellklern sınıflandırmaya poztf katkı sağladığı görülmüştür 11 Referanslar [1] Gotman J, Automatc recognton of epleptc sezures n the EEG, Electroencephalography and Clncal Neurophysology, vol 54, no 5, pp , 1982 [2] Subas A, Epleptc sezure detecton usng dynamc wavelet network, Expert Systems wth Applcatons, vol 29, pp , 2005 Elde edlen sonuçlara göre önerlen KM- yöntemnn geleneksel yöntemne göre çok daha başarılı olduğu görülmektedr Burada KM kümeleme 282 [3] Adel H, Ghosh-Dastdar S, and Dadmehr N, A wavelet-chaos methodology for analyss of EEGs and EEG subbands to detect sezure and eplepsy,
7 IEEE Trans Bomed Eng, vol 54, pp , 2007 [4] Schuyler R, Whte A, Staley K, and Cos K J, Epleptc sezure detecton, IEEE E ng Med Bol Mag, pp 74 81, 2007 [5] MacQueen J B, "Some Methods for classfcaton and Analyss of Multvarate Observatons", Proceedngs of 5-th Berkeley Symposum on Mathematcal Statstcs and Probablty", Berkeley, Unversty of Calforna Press, 1: , 1967 [6] Grossman A and Morlet J, Decomposton of Hardy functons nto square ntegrable wavelets of constant shape, SIAM J Math, vol 15, pp , 1984 regon and bran state, Physcal Revew E, vol 64, pp (061907)1-8, 2001 [17] Olson D L, Delen D Advanced Data Mnng Technques Sprnger; 1 edton (February 1, 2008), ISBN [18] Gandh T, Pangrah B K, Bhata M and Anand S, Expert model for detecton of epleptc actvty n EEG sgnature, Expert Systems wth Applcatons, vol 37, no 4, pp , 2010 [19] Menendez, LA, Juez, FJC, Lasheras, FS, Resgo, JAA, Artfcal neural networks appled to cancer detecton n a breast screenng programme Mathematcal and Computer Modellng, 52, , 2010 [7] Mallat, S, A wavelet tour of sgnal processng, Academc Press, 637 p 1999 [8] Daubeches, I, The wavelet transform, tmefrequency localzaton and sgnal analyss, IEEE Transactons on Informaton Theory, 36(5), , 1990 [9] Englehart, K, Hudgns, B, Parker, PA, A Wavelet-based contnuous classfcaton scheme for multfuncton myoelectrc control, IEEE Transactons on Bomedcal Engneerng, 48, , 2001 [10] Vetterl M and Herley C, Wavelets and flter banks: theory and desgn, IEEE Trans Sgnal Processng, vol 40, pp , 1992 [11] Daubeches I, Orthonormal bases of compactly supported wavelets, Commun Pure Appl Math, vol XLI, pp , 1988 [12] Mallat S G, A theory for multresoluton sgnal decomposton: the wavelet representaton, IEEE Trans Pattern Analyss and Machne Intellgence, vol 11, pp , 1989 [13] Cohen A and Kovacevc J, Wavelets: the mathematcal background, Proceedng of the IEEE, vol 84, pp , 1996 [14] Tapas K, Nathan S N, Angela Y W, An Effcent k-means Clusterng Algorthm: Analyss and Implementaton IEEE Transactons On Pattern Analyss And Machne Intellgence, 44(7),: , 2002 [15] Karabatak, M, İnce, M, An expert system for detecton of breast cancer based on assocaton rules and neural network Expert Systems wth Applcatons, 36, [16] Andrzejak R G, Lehnertz K, Mormann F, Reke C, Davd P and Elger C E, Indcatons of nonlnear determnstc and fntedmensonal structures n tme seres of bran electrcal actvty: Dependence on recordng 283
Epilepside 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
DetaylıEMG İşaretlerinin K-Ortalama Algoritması Kullanılarak Öbekleştirilmesi. EMG Signal Analysis Using K-Means Clustering
KSÜ Mühendslk Blmler Dergs, (), 9 5 KSU Journal of Engneerng Scences, (), 9 EMG İşaretlernn K-Ortalama Algortması Kullanılarak Öbekleştrlmes Mücahd Günay, Ahmet ALKA, KSÜ Mühendslk-Mmarlık Fakültes Elektrk-Elektronk
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
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,
DetaylıDALGACIK DÖNÜŞÜMÜ İLE EEG İŞARETLERİNDEN ÇIKARILAN ÖZNİTELİK VEKTÖRLERİ ÜZERİNDE İSTATİSTİKSEL İŞLEMLERİN GERÇEKLEŞTİRİLMESİ
DALGACI DÖNÜŞÜMÜ İLE EEG İŞARETLERİNDEN ÇIARILAN ÖZNİTELİ VETÖRLERİ ÜZERİNDE İSTATİSTİSEL İŞLEMLERİN GERÇELEŞTİRİLMESİ Elf Derya ÜBEYLİ İnan GÜLER TOBB Eonom ve Tenoloj Ünverstes, Mühendsl Faültes, Eletr-Eletron
DetaylıG.1. : Y.Kutlu, M.Kuntalp, D.Kuntalp. : Öz Düzenleyici Haritalar Kullanilarak Diken Dalgalarin Analizi. Yay nlanan Kitapç k.
G.1 Yazarlar : Y.Kutlu, M.Kuntalp, D.Kuntalp Ba l k : Öz Düzenley Hartalar Kullanlarak Dken Dalgalarn Analz Yay nlanan Ktapç k : Genç Blm nsanlar le Beyn Byofz II. Çal tay, Izmr / Turkey, 21-23 ubat2008
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.
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
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
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
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
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
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
DetaylıNİTEL TERCİH MODELLERİ
NİTEL TERCİH MODELLERİ 2300 gözlem sayısı le verlen değşkenler aşağıdak gbdr: calsma: çocuk çalışıyorsa 1, çalışmıyorsa 0 (bağımlı değşken) Anne_egts: Anne eğtm sevyes Baba_egts: Baba eğtm sevyes Kent:
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
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
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
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,
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
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
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
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.
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
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.,
DetaylıTRİSTÖR VE TRİYAK HARMONİKLERİNİN 3 BOYUTLU GÖSTERİMİ VE TOPLAM HARMONİK BOZUNUMA EĞRİ UYDURMA
PAMUKKALE ÜNİ VERSİ TESİ MÜHENDİ SLİ K FAKÜLTESİ PAMUKKALE UNIVERSITY ENGINEERING COLLEGE MÜHENDİ SLİ K BİL İ MLERİ DERGİ S İ JOURNAL OF ENGINEERING SCIENCES YIL CİLT SAYI SAYFA : : : : 5- TRİSTÖR VE TRİYAK
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
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
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
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,
DetaylıVEKTÖRLER VE VEKTÖREL IŞLEMLER
VEKTÖRLER VE VEKTÖREL IŞLEMLER 1 2.1 Tanımlar Skaler büyüklük: Sadece şddet bulunan büyüklükler (örn: uzunluk, zaman, kütle, hacm, enerj, yoğunluk) Br harf le sembolze edleblr. (örn: kütle: m) Şddet :
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
DetaylıBİRLEŞİK DALGACIK-SİNİR AĞI MODELİ YAKLAŞIMI İLE ELEKTRİK GÜÇ SİSTEMLERİNDE ARIZA SINIFLAMA
BİRLEŞİK DALGACIK-SİNİR AĞI MODELİ YAKLAŞIMI İLE ELEKTRİK GÜÇ SİSTEMLERİNDE ARIZA SINIFLAMA Oben DAĞ Canbolat UÇAK, Elektrk-Elektronk Mühendslğ Bölümü Mühendslk-Mmarlk Fakültes Yedtepe Ünverstes,, Erenköy,
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,
DetaylıTEKNOLOJĐK ARAŞTIRMALAR
www.teknolojkarastrmalar.com ISSN:305-63X Yapı Teknolojler Elektronk Dergs 008 () - TEKNOLOJĐK ARAŞTIRMALAR Makale Başlığın Boru Hattı Etrafındak Akıma Etks Ahmet Alper ÖNER Aksaray Ünverstes, Mühendslk
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
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)
DetaylıBİYOMEDİKAL İŞARETLERİN SINIFLANDIRILMASINDA OTOMATİK TEŞHİS SİSTEMLERİNİN BAŞARIMI
Gaz Ünv. Müh. Mm. Fak. Der. J. Fac. Eng. Arch. Gaz Unv. Clt, No 3, 461469, 007 Vol 0, No 3, 461469, 007 BİYOMEDİKAL İŞARETLERİN SINIFLANDIRILMASINDA OTOMATİK TEŞHİS SİSTEMLERİNİN BAŞARIMI Elf Derya ÜBEYLİ
DetaylıDARBELİ RADARLARDA HEDEF SINIFLAMA İÇİN AR MODELİNİN GÜÇ SPEKTRUMU VE YAPAY SİNİR AĞI TEMELLİ ÖZELLİK ÇIKARMA YÖNTEMİ ÖZET
Polteknk Dergs Journal of Polytechnc Clt: Sayı: s. 11-17, Vol: No: pp. 11-17, DARBELİ RADARLARDA HEDEF SINIFLAMA İÇİN AR MODELİNİN GÜÇ SPEKTRUMU VE YAPAY SİNİR AĞI TEMELLİ ÖZELLİK ÇIKARMA YÖNTEMİ İbrahm
Detaylı2005 Gazi Üniversitesi Endüstriyel Sanatlar Eğitim Fakültesi Dergisi Sayı:16, s31-46
2005 Gaz Ünverstes Endüstryel Sanatlar Eğtm Fakültes Dergs Sayı:16, s31-46 ÖZET BANKALARDA MALİ BAŞARISIZLIĞIN ÖNGÖRÜLMESİ LOJİSTİK REGRESYON VE YAPAY SİNİR AĞI KARŞILAŞTIRMASI 31 Yasemn KESKİN BENLİ 1
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
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,
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
Detaylı2.4GHz ISM Bandı Alıcı Verici Sistemleri için ANFIS Kullanılarak 280MHz Band Geçiren Aktif Filtre Tasarımı ve Analizi
Fırat Ünverstes-Elazığ 2.4GHz ISM Bandı Alıcı Verc Sstemler çn ANFIS Kullanılarak 280MHz Band Geçren Aktf Fltre Tasarımı ve Analz Mehmet Al BELEN, Adnan KAYA 2.2 Elektronk-Haberleşme Mühendslğ Bölümü Süleyman
DetaylıMakine 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
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,
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
DetaylıAerodinamik Akışların Modellenmesinde Döngülü Olan ve Olmayan 7 Yaklaşımın Uygulanması
Aerodnamk Akışların Modellenmesnde Döngülü Olan ve Olmayan 7 Yaklaşımın Uygulanması Mehmet Önder Efe, Marco Debas, Peng Yan, Htay Özbay 4, Mohammad Sammy 5 Elektrk ve Elektronk Mühendslğ Bölümü TOBB Ekonom
DetaylıOtomatik Kontrol Ulusal Toplantısı, TOK2013, 26-28 Eylül 2013, Malatya DOĞRUSAL KONTROL SİSTEMLERİ
DOĞRUSAL KONTROL SİSTEMLERİ 96 Anahtarlamalı Sstemler Kararlı Yapan PI Kontrolör Setnn Hesabı İbrahm Işık, Serdar Ethem Hamamcı Elektrk-Elektronk Mühendslğ Bölümü İnönü Ünverstes, Malatya {İbrahm.sk, serdar.hamamc}@nonu.edu.tr
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
DetaylıORTA GERİLİM ENERJİ DAĞITIM TALİ HATLARINDA ARIZA ANALİZİ
ORTA GERİLİM ENERJİ DAĞTM TALİ HATLARNDA ARZA ANALİZİ Yılmaz ASLAN Şebnem TÜRE 2,2 Dumlupınar Ünverstes Mühendslk Fak., Elektrk-Elektronk Müh. Bölümü, 4300, Kütahya e-posta: yaslan@dumlupnar.edu.tr 2 e-posta:
DetaylıBulanık Mantık ve Yapay Sinir Ağları ile bir 3-3 Stewart Platformu nun Pozisyon Kontrolü
Bulanık Mantık ve Yapay Snr Ağları le br 3-3 Stewart Platformu nun Pozsyon Kontrolü İbrahm Yıldız 1, V.Emre Ömürlü 2, Ş.Nac Engn 3 1 Makne Mühendslğ Bölümü Yıldız Teknk Ünverstes, Beşktaş yldz@yldz.edu.tr
DetaylıZAMAN SERİSİ VERİ MADENCİLİĞİ VE DESTEK VEKTÖR MAKİNALAR KULLANAN YENİ BİR AKILLI ARIZA SINIFLANDIRMA YÖNTEMİ
Gaz Ünv. Müh. Mm. Fak. Der. J. Fac. Eng. Arch. Gaz Unv. Clt 3, No, 431-440, 008 Vol 3, No, 431-440, 008 ZAMAN SERİSİ VERİ MADENCİLİĞİ VE DESTEK VEKTÖR MAKİNALAR KULLANAN YENİ BİR AKILLI ARIZA SINIFLANDIRMA
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
DetaylıELEKTRİK DEVRE TEMELLERİ
ELEKTRİK DEVRE TEMELLERİ Öğretm üyes: Doç. Dr. S. Özoğuz Tel: 85 36 9 e-posta: serdar@ehb.tu.edu.tr Ders saat: Pazartes,.-3. / D-4 İçndekler. Dere teors, toplu parametrel dereler, Krchhoff un gerlm e akım
DetaylıVeri Madenciliğinde Temel Bileşenler Analizi ve Negatifsiz Matris Çarpanlarına Ayırma Tekniklerinin Karşılaştırmalı Analizi
Akademk Blşm 10 - XII. Akademk Blşm Konferansı Bldrler 10-12 Şubat 2010 Muğla Ünverstes Ver Madenclğnde Temel Bleşenler Analz ve Negatfsz Matrs Çarpanlarına Ayırma Teknklernn Karşılaştırmalı Analz Marmara
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
DetaylıTEKNOLOJĐK ARAŞTIRMALAR
www.teknolojkarastrmalar.com ISSN:134-4141 Makne Teknolojler Elektronk Dergs 28 (1) 61-68 TEKNOLOJĐK ARAŞTIRMALAR Kısa Makale Tabakalı Br Dskn Termal Gerlme Analz Hasan ÇALLIOĞLU 1, Şükrü KARAKAYA 2 1
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
DetaylıİKİNCİ KUŞAK AKIM TAŞIYICI İLE HABERLEŞME SÜZGEÇLERİNİN TASARIMINDA YENİ OLANAKLAR
İKİNİ KUŞAK AKIM TAŞIYII İLE HABELEŞME SÜGEÇLEİNİN TASAIMINDA YENİ OLANAKLA Murat AKSOY 1 Hakan KUNTMAN Sadr ÖAN Oğuhan ÇİÇEKOĞLU 1 Elektrk-Elektronk Mühendslğ Bölümü Mühendslk Mmarlık Fakültes Çukurova
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
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
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
DetaylıEKG İŞARETLERİNİN FARKLI VE BİRLEŞİK ÖZNİTELİKLER İLE ANALİZİ
EKG İŞARETLERİNİN FARKLI VE BİRLEŞİK ÖZNİTELİKLER İLE ANALİZİ Elf Derya ÜBEYLİ TOBB Ekonom ve Teknoloj Ünverstes, Elektrk ve Elektronk Mühendslğ, 06530 Söğütözü, Ankara, e-posta: edubeyl@etu.edu.tr ABSTRACT
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
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
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
DetaylıANADOLU ÜNivERSiTESi BiliM VE TEKNOLOJi DERGiSi ANADOLU UNIVERSITY JOURNAL OF SCIENCE AND TECHNOLOGY CiltNol.:2 - Sayı/No: 2 : 413-417 (2001)
ANADOLU ÜNvERSTES BlM VE TEKNOLOJ DERGS ANADOLU UNIVERSITY JOURNAL OF SCIENCE AND TECHNOLOGY CltNol.:2 - Sayı/No: 2 : 413-417 (1) TEKNK NOTrrECHNICAL NOTE ELEKTRK ARK FıRıNıNDA TERMODNAMGN KNC YASASıNıN
DetaylıT.C. ULUDAĞ ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ KONUŞMACI TANIMA YÖNTEMLERİNİN KARŞILAŞTIRMALI ANALİZİ. Cemal HANİLÇİ
T.C. ULUDAĞ ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ KONUŞMACI TANIMA YÖNTEMLERİNİN KARŞILAŞTIRMALI ANALİZİ Cemal HANİLÇİ YÜKSEK LİSANS TEZİ ELEKTRONİK MÜHENDİSLİĞİ ANABİLİM DALI BURSA-2007 T.C. ULUDAĞ ÜNİVERSİTESİ
DetaylıBulanık-Sinir Ağı Yapısı İçin Yeni Bir Karma Yaklaşım
Bulanık-Snr Ağı Yapısı İçn Yen Br Karma Yaklaşım Canan ŞENOL, Tülay YILDIRIM Mühendslk Fakültes, Elektronk Mühendslğ Bölümü Kadr Has Ünverstes canan@khas.edu.tr Elektrk-Elektronk Fakültes, Elektronk ve
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.
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,
DetaylıTRANSPORT PROBLEMI için GELIsTIRILMIs VAM YÖNTEMI
Yönetm, Yl 9, Say 28, Ekm - 1997,5.20-25 TRANSPORT PROBLEMI ÇIN GELIsTIRILMIs VAM YÖNTEMI Dr. Erhan ÖZDEMIR I.Ü. Teknk Blmler M.Y.O. L.GIRIs V AM transport problemlerne en düsük malyetl baslangç çözüm
DetaylıÜç Boyutlu Yapı-Zemin Etkileşimi Problemlerinin Kuadratik Sonlu Elemanlar ve Sonsuz Elemanlar Kullanılarak Çözümü
ECAS Uluslararası Yapı ve Deprem Mühendslğ Sempozyumu, Ekm, Orta Doğu Teknk Ünverstes, Ankara, Türkye Üç Boyutlu Yapı-Zemn Etkleşm Problemlernn Kuadratk Sonlu Elemanlar ve Sonsuz Elemanlar Kullanılarak
DetaylıSİLİS DUMANI KATKILI BETONLARIN ÇARPMA DAYANIMININ YAPAY SİNİR AĞI İLE BELİRLENMESİ
ISSN:1306-3111 e-journal of New World Scences Academy 2008, Volume: 3, Number: 1 Artcle Number: A0046 NATURAL AND APPLIED SCIENCES CIVIL ENGINEERING Receved: June 2007 Accepted: December 2007 2008 www.newwsa.com
DetaylıT.C. KAHRAMANMARAŞ SÜTÇÜ İMAM ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ ANABİLİM DALI
T.C. KAHRAMANMARAŞ SÜTÇÜ İMAM ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ ANABİLİM DALI ÜÇ FAZLI ASENKRON MOTORLARIN YAPAY SİNİR AĞLARI İLE VEKTÖR ESASLI HIZ KONTROLÜ ZAFER KOCA
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
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
DetaylıKAOS TABANLI SAYISAL CSK VE DCSK MODÜLASYON TEKNĐKLERĐNĐN MATLAB/SĐMULĐNK ORTAMINDA GERÇEKLEŞTĐRĐLMESĐ
KAOS TABANLI SAYISAL CSK VE DCSK ODÜLASYON TEKNĐKLERĐNĐN ATLAB/SĐULĐNK ORTAINDA GERÇEKLEŞTĐRĐLESĐ Hdayet OĞRAŞ ustafa TÜRK Sezgn OĞRAŞ Batman Ünverstes Fırat Ünverstes Dcle Ünverstes Teknk Eğtm Fakültes
DetaylıDenklem Çözümünde Açık Yöntemler
Denklem Çözümünde Bu yöntem, n yalnızca başlangıç değer kullanılan ya da kökü kapsayan br aralık kullanılması gerekmez. Açık yöntemler hızlı sonuç vermesne karşın, başlangıç değer uygun seçlmedğnde ıraksayablr.
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
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,
DetaylıTEMEL DEVRE KAVRAMLARI VE KANUNLARI
TDK Temel Devre Kavramları ve Kanunları /0 TEMEL DEVRE KAVRAMLARI VE KANUNLARI GĐRĐŞ: Devre analz gerçek hayatta var olan fzksel elemanların matematksel olarak modellenerek gerçekte olması gereken sonuçların
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)
DetaylıMESLEK SEÇİMİ PROBLEMİNDE ÇOK ÖZELLİKLİ KARAR VERME VE ÇÖZÜME YÖNELİK GELİŞTİRİLEN BİREYSEL KARİYER PLANLAMA PROGRAMI
MESLEK SEÇİMİ PROBLEMİNDE ÇOK ÖZELLİKLİ KARAR VERME VE ÇÖZÜME YÖNELİK GELİŞTİRİLEN BİREYSEL KARİYER PLANLAMA PROGRAMI Fath ÇİL GAZİ ÜNİVERSİTESİ Mühendslk Mmarlık Fakültes Endüstr Mühendslğ Bölümü 4. Sınıf
DetaylıYAPAY ZEKA YÖNTEMLERİYLE BİTKİ YAPRAK İMGELERİNDE PAS HASTALIKLARININ TESPİTİ. Emrullah ACAR
T.C DİCLE ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YAPAY ZEKA YÖNTEMLERİYLE BİTKİ YAPRAK İMGELERİNDE PAS HASTALIKLARININ TESPİTİ Emrullah ACAR YÜKSEK LİSANS TEZİ ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ ANABİLİM DALI
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
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
DetaylıALGILANAN HİZMET KALİTESİ VE LOJİSTİK REGRESYON ANALİZİ İLE HİZMET TERCİHİNE ETKİSİNİN BELİRLENMESİ. Özet
Dokuz Eylül Ünverstes Sosyal Blmler Ensttüsü Dergs Yayın Gelş Tarh: 18.02.2011 Clt: 13, Sayı: 1, Yıl: 2011, Sayfa: 21-37 Yayına Kabul Tarh: 17.03.2011 ISSN: 1302-3284 ALGILANAN HİZMET KALİTESİ VE LOJİSTİK
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
DetaylıTek Yönlü Varyans Analizi
Tek Yönlü Varyan Analz Nedr ve hang durumlarda kullanılır? den fazla grupların karşılaştırılmaı öz konuu e, çok ayıda t-tet nn kullanılmaı, Tp I hatanın artmaına yol açar; Örneğn, eğer 5 grubu kşerl olarak
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
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
DetaylıTek Yönlü Varyans Analizi (ANOVA)
VARYANS ANALİZİ İ örne ortalaması arasında farın önem ontrolü, örne büyülüğüne göre z veya testlernden bryle yapılır. Bu testlerle, den fazla örne ortalamasını brlte test etme ve aralarında farın önem
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
DetaylıÇOK DURUMLU AĞIRLIKLANDIRILMIŞ BİLEŞENLİ SİSTEMLERİN DİNAMİK GÜVENİLİRLİK ANALİZİ
T.C. KARA HARP OKULU SAVUNMA BİLİMLERİ ENSTİTÜSÜ HAREKÂT ARAŞTIRMASI ANA BİLİM DALI ÇOK DURUMLU AĞIRLIKLANDIRILMIŞ BİLEŞENLİ SİSTEMLERİN DİNAMİK GÜVENİLİRLİK ANALİZİ DOKTORA TEZİ Hazırlayan Al Rıza BOZBULUT
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
DetaylıAYLIK ORTALAMA GÖL SU SEVİYESİNİN BULANIK-OLASILIK YAKLAŞIMI İLE GÖZLENMİŞ ZAMAN SERİSİNDEN TAHMİNİ
AYLIK ORTALAMA GÖL SU SEVİYESİİ BULAIK-OLASILIK YAKLAŞIMI İLE GÖZLEMİŞ ZAMA SERİSİDE TAHMİİ Veysel GÜLDAL, Hakan TOGAL 2 S.D.Ü.Mühendslk Mmarlık Fakültes İnşaat Müh Böl., Isparta/TÜRKİYE vguldal@mmf.sdu.edu.tr
DetaylıENERJİ. Isı Enerjisi. Genel Enerji Denklemi. Yrd. Doç. Dr. Atilla EVCİN Afyon Kocatepe Üniversitesi 2007
Yrd. Doç. Dr. Atlla EVİN Afyon Kocatepe Ünverstes 007 ENERJİ Maddenn fzksel ve kmyasal hal değşm m le brlkte dama enerj değşm m de söz s z konusudur. Enerj değşmler mler lke olarak Termodnamğn Brnc Yasasına
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
DetaylıSaklı Markov Modeli Kullanarak Türkçe Konuşma Tanıma
Saklı Markov Model Kullanarak Türkçe Konuşma Tanıma Özlem Yakar, Rıfat Aşlıyan Adnan Menderes Ünverstes, Matematk Bölümü, Aydın ozlemyakar.34@gmal.com, raslyan@adu.edu.tr Özet: Konuşma tanıma, sesl fadelern
Detaylı