Kaba Küme Yaklaşımıyla Güç Kalitesindeki Bozulma Türlerinin Sınıflandırılması
|
|
- Ediz Ocak
- 5 yıl önce
- İzleme sayısı:
Transkript
1 6 th International Advanced Technologies Symposium (IATS 11), May 2011, Elazığ, Turkey Kaba Küme Yaklaşımıyla Güç Kalitesindeki Bozulma Türlerinin Sınıflandırılması M. Uyar 1 and Y. Kaya 2 1 Siirt Üniversitesi, Elektrik-Elektronik Mühendisliği Bölümü, Siirt/ Türkiye, muratuyar1@gmail.com 2 Siirt Üniversitesi, Bilgisayar Mühendisliği Bölümü, Siirt/ Türkiye, yilmazkaya1977@gmail.com Classification of Power Quality Disturbances by Using Rough Set Approach Abstract In this study, a pattern recognition algorithm based on rough set (RS) approach is presented for classification of power quality (PQ) disturbance signals. In algorithm, PQ disturbance signals are actually decomposed using multi resolution analysis of discrete wavelet transform (ADD) for feature extraction. Then, the number of features are largely reduced through a computation technique based on entropy and is applied as input to RS classifier. Moreover, the number of features and the rules required for suitable classification are decided through RS approach Furthermore, it will indirectly reduce the memory requirement for the classification procedure. Six types of PQ disturbances which are generated the based model are considered for classification. Sensitivity of presented algorithm under different noise conditions is investigated. The results show that the combination of ADD and RS approach can effectively classify different power quality disturbances. Keywords Power quality disturbance, wavelet transform, rough set approach, pattern recognition. T I. GİRİŞ eknolojinin gelişmesine paralel olarak enerji kalitesi kavramı da son yıllarda önemini daha çok artırmıştır. Teknolojik bakımdan geliştirilen cihazlar tüketiciye kolaylık ve verim açısından büyük kazançlar sağlasalar da bunların çoğu beslendikleri elektrik şebekelerini elektriksel bakımdan farklı oranlarda ciddi biçimde kirletmektedirler. Bunun sonucunda tüketicilere sağlanan elektrik enerjisinde kalitesizlikler oluşmaktadır. Kaliteli elektrik enerjisi, şebekenin tanımlanan bir noktasında, gerilimin genlik ve frekansının anma değerlerini koruması ve gerilim dalga şeklinin sinüs biçiminde bulunmasıdır. Bu tanımın tersi olarak, gerilimin genliğinin değişmesi, kesintiler, gerilim darbeleri, fliker, gerilimin doğru bileşen içermesi, dalga şeklinin sinüsten uzaklaşması, frekans değişimleri, üç faz dengesizlikleri enerji kalitesizliğidir. Enerjinin kalitesi çoklukla yük tarafından bozulur. V-I karakteristiği doğrusal olmayan yükler şebekeden sinüs olmayan akımlar çeker ve bu akımlar şebekede sinüs olmayan gerilim düşümleri oluşturarak besleme noktasındaki gerilimin dalga şeklini bozar. Sağlanan enerjinin kalitesinin artırılması ve bunu sağlayacak çözüm önerileri için, öncelikle meydana gelen kalitesizliklerin sebepleri bulunmalı, elde edilen veriler ışığında çeşitli sınıflandırmalar yapılmalıdır [1] lı yılların başlarında sınıflandırma işlemi için uygulanan yaklaşımlar, işaret işleme yöntemleriyle mühendislik bilgilerinin birleşimi şeklindedir. Fakat, 2000 li yılların başından itibaren bilgisayar teknolojisindeki gelişmelere paralel olarak, önerilen yeni işaret işleme yöntemleriyle başta yapay sinir ağları olmak üzere akıllı sistemlerin birlikte kullanıldığı izleme sistemleri tasarlanmaya başlanmıştır [2]. Bu yeni eğilimlerin temel amacı, bir işaret işleme yöntemiyle farklı türden işaretleri işlemek ve akıllı sistemlerin genelleme yeteneği yardımıyla, işaretlerden sistemle ilgili önemli bilgileri çıkarmaktır. Bir işaret işleme yöntemi olarak dalgacık dönüşümüne (DD) dayalı algoritmaların kullanıldığı yaklaşımlar son yıllarda güç kalitesi bozulma (GKB) işaretlerini sınıflandırmak için kullanılmaya başlanmıştır [3-8]. DD yöntemini cazip hale getiren en önemli özelliği, bant aralığının daha iyi ayarlanabilmesidir. Yöntem, işaretin yüksek frekanslı bileşenlerini küçük bir bant aralığıyla, düşük frekanslı bileşenlerini ise daha geniş bir bant aralığı ile analiz ederek, işarete ait ayırt edici özelliklerin elde edilmesine olanak sağlar. Literatürde, DD ile beraber yapay zekaya dayalı akıllı sistemlerden yararlanılarak, GKB işaretlerinin otomatik sınıflandırması için farklı yöntemler önerilmiştir. Bu yöntemlerin büyük bir bölümü, DD nin çoklu çözünürlük analiziyle her çözünürlük seviyesinden elde edilen özelliklerin, YSA ve benzeri sınıflandırıcıya giriş olarak uygulanması yaklaşımına dayalıdır [3-6]. YSA ile sınıflandırma algoritması oluşturulurken en uygun ağ yapısını belirlemek için, ara katman sayısı, ara katmandaki nöron sayısı, etkinleştirme fonksiyonunun türü, öğrenme oranı, momentum değeri gibi farklı birçok parametrenin belirlenmesi gerekmektedir. Ayrıca mimari üzerinde yeniden bir yapılandırma gerektiğinde belirtilen adımların yeniden yapılması gerekmektedir. Tasarım aşamasında bu parametreleri belirlemek zaman kaybına yol açmaktadır. Gerçek dünya uygulamalarındaki veriler, çoğunlukla nicel değerlerden oluşur. Bu nedenle, nicel verilerle çalışan bir öğrenme algoritmasına olan ihtiyaç kaçınılmaz olmuştur. Son yıllarda bu tür nicel değerli veri kümelerinin analizinde kaba 225
2 M. Uyar, Y. Kaya kümeler (KK) kuramı, sözel terimlerle gösterimindeki basitliği ve insanların muhakeme yeteneğine olan benzerliği nedeniyle alternatif bir yöntem olarak sıklıkla kullanılmıştır. KK kuramı, güvenlik değerlendirmesi, sistem kontrol merkezi veri madenciliği, arıza sınıflama, güç sistemi işletim noktalarının sınıflandırılması gibi güç sistemlerinin farklı birçok alanında bir sınıflandırıcı olarak kullanılmıştır [9-12]. Kural tabanlı bir yaklaşım olan KK analizlerinin temel amacı, anlamlı karar kuralları elde etmek için büyük bir veritabanını taramak ve sonunda bu kurallardan yeni bir bilgi edinmektir [13]. Bu çalışmada GKB işaretlerinin türünün belirlenmesi için ayrık dalgacık dönüşümü (ADD) ve KK yaklaşımını kullanan bir örüntü tanıma algoritması önerilmiştir. Önerilen algoritmanın en belirgin özellikleri aşağıda özetlenmiştir: ADD yardımıyla GKB işaretlerini zaman-frekans düzleminde ayrıştırıp bu işaretlerin ayırt edici özelliklerini ortaya çıkarabilmesi İşaretin ayırt edici özelliklerini kaybetmeksizin veri boyutunu indirgeyebilmesi Bozulma işaretlerinden oluşan büyük bir veri kümesini işaretler yüksek oranda gürültü içermesine rağmen bile basit kurallar ile doğru bir şekilde sınıflandırabilmesi. II. AYRIK DALGACIK DÖNÜŞÜMÜ Dalgacık Dönüşümü (DD), işaretleri analiz etmek için kullanılan yöntemlerden birisidir. Kısa-Zaman Fourier Dönüşümünün (KZFD) frekans ve zaman çözünürlüğündeki sorununun üstesinden gelmek için alternatif bir teknik olarak geliştirilmiştir. Diğer bir deyişle, KZFD nin tüm frekanslardaki uniform zaman çözünürlüğüne karşılık, DD, yüksek frekanslarda yüksek zaman çözünürlüğü ve düşük frekans çözünürlüğü, alçak frekanslarda ise yüksek frekans çözünürlüğü ve düşük zaman çözünürlüğünü sağlar [14]. Bu nedenle DD nin GKB işaretlerini belirleyebilme ve onlara ait özellikleri çıkarmada önemli üstünlükleri vardır. Dalgacık dönüşümü sürekli ve ayrık olmak üzere iki farklı şekilde incelenir. Sürekli dalgacık dönüşümünde ölçeklendirme ve dalgacık fonksiyonu parametrelerinin sürekli olarak değişiminden dolayı her bir ölçek için dalgacık katsayılarının hesaplanması zor ve zaman alıcı olmaktadır. Bu nedenle ADD daha sık kullanılmaktadır. ADD ile işaret belli sayıda ölçeklere ayrılır. Verilen bir f(t) işaretinin J seviye ayrık dalgacık dönüşümü, hem ölçekleme hem de dalgacık fonksiyonu terimleriyle aşağıdaki gibi tanımlanabilir: J 1 f ( t) aj ( n j / 2 j ) n ) ( t n) d j ( n) 2 ( 2 t n (1) n j 0 Burada a J, J seviye ölçekleme katsayısını, d j, j seviye dalgacık katsayısını, (t), ölçekleme fonksiyonunu, (t) dalgacık fonksiyonunu, J dalgacık dönüşümün en yüksek seviyesini ve t zamanı temsil eder. Çok çözünürlük ayrışımında, ölçekleme fonksiyonu ve dalgacık fonksiyonu farklı çözünürlük seviyelerinde işareti ayrıştırmak için kullanılır. Dalgacık fonksiyonu ayrıştırılmış işaretin ayrıntı katsayılarını (d j ), ölçekleme fonksiyonu ise yaklaşık katsayılarını (a j ) oluşturacaktır. a j 1( n) h( m 2n) a j ( n) (2) k d j 1( n) g( m 2n) a j ( n) (3) m Burada h ve g sırasıyla alçak geçiren ve yüksek geçiren filtrelerin filtre katsayılarıdır. Bir seviyeli ayrıştırma işlemi sonrasında, tüm işaret yarı sayıda örnek ile temsil edildiğinden zamanda çözünürlük de yarıya iner. Buna rağmen frekansta çözünürlük artar, çünkü elde edilen işaretin kapsadığı frekans bandı bir üst seviyedeki işaretin frekans bandının yarısıdır. Böylece frekanstaki belirsizlik yarı yarıya azalmış olur. Yüksek frekanslarda iyi zaman çözünürlüğü, alçak frekanslarda ise iyi bir frekans çözünürlüğü elde edilir. Altbant kodlama olarak da bilinen bu işlemler işarete art arda uygulandığında çoklu çözünürlük ayrışımı gerçekleşir. III. KABA KÜME TEORİSİ Kaba küme teorisi, belirsizliklerin ve şüphelerin üstesinden gelen matematiksel bir araçtır. KK teorisi doğrulanmış mantığa, tutarsızlık gösteren verilere ve kesinlik olmayan gizli çıkarımların keşfine izin verir [13]. KK teorisinde veriler, nitelik ve şart niteliklerinden oluşan bir tablo şeklinde saklanır. KK teorisi eğitim verilerini belli ölçütler doğrultusunda bölümlere ayırmak için denklik sınıfı kavramını benimsemiştir. Öğrenme işleminde, alt ve üst yaklaşım olmak üzere iki tür bölüm oluşturulur. KK teorisinin temelini oluşturan bu kavramlardan alt yaklaşım yardımıyla kesin kurallar, üst yaklaşım yardımıyla da mümkün olabilecek, olası kurallar elde edilir. A. Bilgi Sistemi Kaba kümelerde bilgi sistemi S (U,Q,V ) şeklinde tanımlanır. Burada U { x,x,... x } sonlu boş olmayan 1 evrendir. Evren, elde edilen gözlemler kümesidir. Q A d sonlu boş olmayan özellik kümesidir. Özellik kümesi durum (A) ve karar (d) özelliklerin birleşiminden oluşmaktadır. V, a özelliğine ait değer kümesidir [15]. V a a A B. Ayırt Edilemezlik İlişkisi Bir veri kümesinin gereğinden büyük olması veya elde edilen gözlemlerin birbirine benzemelerinden ya da aynı olmalarından dolayı gözlemler birbirinden ayırt edilememektedir. B A olmak üzere B özellik için ayırt edilemezlik ilişkisi IND(B); IND( B ) {( x1,x 2) UxU : a B,a( x1 ) a( x2)} (4) şeklinde gösterilir [16]. Burada IND(B), B-ayırt edilemezlik bağıntısıdır. Eğer x1 ve x2 IND(B) kümesine ait ise B özellik kümesi ile x1 ve x2 birbirinden ayırt edilememektedir. Gözlem 2 n 226
3 Kaba Küme Yaklaşımıyla Güç Kalitesindeki Bozulma Türlerinin Sınıflandırılması kümesi (U=evren), U/IND(B) biçiminde B-ayırt edilememe bağıntısına göre birkaç denklik sınıfına bölünebilir. Bu denklik sınıfları [x] IND(B) şeklinde gösterilir. IND(B) nin tüm denklik sınıfları B nin temel kümesini oluşturmaktadır. Evrenin karar özelliğine göre denklik sınıfları karar özelliğinin değer sınıflarını oluşturur. C. Küme Yaklaşımları Kaba kümelerde temel amaç IND(B) ikili bağıntısı ile yaklaşımların oluşturulmasıdır. X U olmak üzere X in B- ayırt edilemezlik bağıntısı kullanılarak X e kesin olarak ait olan kümelerin birleşimidir ve X { x U [ x ] X } (5) B i i IND( B ) IV. GKB İŞARETLERİNİN SINIFLANDIRILMASI İÇİN KABA KÜME YAKLAŞIMI Eğitim Veri Kümesi GKB İşaretlerinin ADD ile Çoklu Çözünürlük Analizi Entropi Tabanlı Özellik Çıkarımı Test Veri Kümesi biçiminde gösterilebilir. Üst yaklaşım ise, B i i IND( B ) X { x U [ x ] X } (6) KK Tabanlı Özellik İndirgeme Test Veri Kümesine Uygun Kuralların Seçimi biçiminde gösterilir [15]. X U ya ait alt ve üst yaklaşımlar evreni (U), POS(X) pozitif bölge, NEG(X) negatif bölge ve BND(X) sınır bölgesi şeklinde üç bölgeye ayırmaktadır. Bu bölgelere ait kümeler, POS( X NEG( X BND( X ) B X ) U BX ) BX B X şeklinde hesaplanmaktadır [16, 17]. D. Çekirdek Özellik Kümesi Bir bilgi sisteminden elde edilen indirgenmiş kümelerin kesişiminden ortaya çıkan kümeye A özellik kümesinin çekirdek (core) özellik kümesi denir [18]. Çekirdek özellik kümesi ayırt edilebilirlik matrisinden de elde edilebilir. E. Ayırt Edilebilirlik Matrisi S bilgi sisteminde A durum özellikleri için ayırt edilebilir matris M ( A) ( mi j ) nxn dir. M (A), M( A) { a A : a( xi ) a( x j )} şeklinde gösterilir. M(A) ayırt edilebilir matris simetrik özelliğine sahiptir. M(A) nın her elamanı x i ve x j değerlerini farklı kılan özellikler kümesinden oluşmaktadır. F. Kural Çıkarımı Durum ve karar özelliklerine göre Eğer A ise Sonra d şeklinde çıkarılan önermelerdir. Eğer durum özellikleri böyleyse karar özelliği bu olur şeklinde çıkarılırlar. Durum özelliklerine göre kural sayısı ciddi anlamda artmaktadır. Ancak özelliklerin kategorik olması ve yaklaşımların iyi olması durumunda kural sayısı orantılı olarak artmamaktadır [19, 20]. Kurallar, indirgenmiş özellik kümelerine göre veri kümesinden elde edilirler. (7) (8) Karar Kurallarının Oluşturulması GKB İşaretlerinin Sınıflandırılması Şekil 1: GKB sınıflandırma algoritmasının blok şeması Güç kalitesinde meydana gelen bozulmaların türünü belirlemek için KK teorisine dayalı sınıflandırıcıyı kullanan algoritmanın blok şeması şekil 1 de verilmiştir. Algoritmada her GKB türüne ait işaretler ADD yardımıyla zaman-frekans düzleminde db-4 dalgacık fonksiyonu kullanılarak ayrıştırılmıştır. Ayrıştırma işleminde, örnekleme frekansına bağlı olarak ayrıştırma seviyesi 13 seçilmiştir. Her ayrıştırma seviyesinin ayrıntı katsayılarının ve son çözünürlük seviyesinin de yaklaşım katsayılarının entropi dağılımları hesaplanmıştır [6]. Buradan elde edilen ve F1, F2, F3,,F14 olarak isimlendirilen toplam 14 özellik sınıflandırma algoritmasına sunulmuştur. Öncelikle sınıflandırıcıya sunulan eğitim veri kümesi için KK yaklaşımının ilk adımı olan bilgi sistemi oluşturulur. Bu bilgi sisteminde, KK özellik indirgeme tekniği kullanılarak indirgenmiş özellik kümeleri elde edilir. Özellik indirgeme işlemi, bilgi sistemindeki özelliklerin teker teker çıkarılarak yüksek doğru sınıflandırma başarısı elde edilinceye kadar devam etmektedir. Örneğin F1 özelliği bilgi sisteminden çıkarıldıktan sonra kalan özellikler ile doğru sınıflandırma başarısı yüksek elde ediliyorsa F1 özelliği sınıflandırma için kullanılmayabilir. Algoritmada, sınıflandırma başarısı üzerinde F2, F3, F6, F7, F8, F10, F11, F12, F13, F14 özelliklerinin etkili olduğu belirlenmiştir. Diğer özellikler sınıflandırma başarını etkilemediği için gereksiz bulunmuş ve bilgi sisteminden çıkarılmıştır. Diğer bir deyişle F1 özelliği sınıflandırma için gereksiz olduğundan bilgi sisteminden çıkarılır. Bu tür özelliklere gereksiz özellikler denilir. Ele aldığımız bilgi sisteminde F1, F5, F9 özellikleri sınıflandırma için gereksiz bulunan özelliklerdir. Sonraki aşamada indirgenmiş özellik kümeleri kullanılarak karar kuralları 227
4 M. Uyar, Y. Kaya oluşturulur. Karar kuralları if - then şeklinde ve AND operatörü kullanılarak oluşturulurlar. Örneğin karar kuralları; if (F3= e-009) AND (F11= e-008) then F14=1 if (F8= ) AND (F13= ) then F14=5 if (F3=2.2256e-007) AND (F11= e-007) then F14=3 şeklinde yazılabilirler. KK de karar kuralları POS(X) ve NEG(X) bölgelerinden oluşturulur. Oluşturulan karar kurallarına göre test veri kümesi sınıflandırılır. Artık algoritmaya sunulacak yeni GKB işaretleri sınıflandırılırken indirgenmiş özellik kümesinin kullanılmasından dolayı algoritmanın hesaplama yükü azalacaktır. V. UYGULAMA SONUÇLARI ADD ve KK yaklaşımına dayalı GKB sınıflandırma sisteminin başarımını değerlendirmek için referans olarak seçilen saf sinüs işaretinin yanında 6 farklı GKB işareti matematiksel modellere dayalı veri üretim yaklaşımıyla üretilmiştir. Modellere dayalı veri üretiminde örnekleme frekansı 12.8 khz dir. Bu matematiksel modeller ve kontrol parametreleri referans [5, 6, 21] de ayrıntılı bir şekilde sunulmuştur. GKB türleri ve bunlara ait veri sayıları Tablo 1 de verilmiştir. Tablo 1: GKB türleri ve işaretlerin sayısı Sınıf İşaretlerin GKB türü etiketi sayısı Normal sinüs S1 400 Gerilim çökmesi S2 400 Gerilim sıçraması S3 400 Anlık gerilim kesintisi S4 400 Harmonik bozulma S5 400 Harmonikli gerilim çökmesi S6 400 Harmonikli gerilim sıçraması S7 400 Toplam adet GKB işaretinin rastgele seçilmiş 1400 tanesi eğitim, kalan 1400 tanesi test aşaması için ayrılmıştır. Önerilen sınıflandırma algoritmasının başarımı, işaretlere, işaret/gürültü (İ/G) oranı 50 db, 40 db, 30 db ve 20 db olan dört farklı seviyede beyaz Gaussian gürültü ilave edilerek değerlendirilmiştir. Gürültü değeri arttıkça İ/G değeri azalmaktadır. Dolayısıyla 20 db en yüksek gürültü oranını belirtmektedir. Öncelikle eğitim kümesi ile karar kuralları oluşturulur. Daha sonra bu kurallar ile bilinmeyen olarak kabul edilen test kümesi sınıflandırılır. Test işleminin ardından sınıflandırma sonuçları 7x7 karar matrisi şeklinde verilmiştir. Karar matrisinin köşegen elemanları doğru sınıflamaları, diğerleri ise yanlış sınıflamaları temsil eder. Matrisin köşegen elemanlarının toplamı, GKB işaretlerinin toplam sayısına bölündüğünde ortalama başarım elde edilir. Farklı oranlarda gürültü içeren GKB işaretleri için sınıflandırma sonuçları Tablo 2-5 de verilmiştir. Tablo 2: 20 db gürültü içeren işaretler için sınıflandırma sonuçları S ,5 S ,5 S ,0 S ,5 S ,5 Ortalama Başarım 96,42 Tablo 3: 30 db gürültü içeren işaretler için sınıflandırma sonuçları S ,0 S ,5 S S ,5 Ortalama Başarım 98,99 Tablo 4: 40 db gürültü içeren işaretler için sınıflandırma sonuçları S S ,5 S S ,5 Ortalama Başarım 99,71 Tablo 5: 50 db gürültü içeren işaretler için sınıflandırma sonuçları S ,5 S ,5 S ,5 S Ortalama Başarım 99,62 228
5 Kaba Küme Yaklaşımıyla Güç Kalitesindeki Bozulma Türlerinin Sınıflandırılması Literatürde 30 db in, işaretin tepe değerinin genliğinde yaklaşık % 3.5 oranında artışa eşdeğer bir gürültü olduğu bildirilmiştir [22]. Ayrıca, güç sistemlerinde % 5 in üstündeki gürültü değerleriyle nadiren karşılaşılabileceği de vurgulanmıştır [23]. Tablo 2 den görüldüğü gibi, önerilen algoritmanın 20 db gibi yüksek gürültü içeren GKB işaretlerini % 96,42 gibi yüksek sınıflandırma başarısı ile sınıflandırmıştır. 30 db, 40 db, 50 db oranlarında gürültü içeren GKB işaretleri için ise sırasıyla % 98,99, % 99,71 ve % 99,62 gibi yüksek sınıflandırma başarımları elde edildiği tablo 3-5 de görülmektedir. Ayrıca sınıflandırma sonuçlarının arasındaki farkın az olması da önerilen algoritmanın gürbüz bir yapıya sahip olduğunun bir göstergesidir. VI. SONUÇLAR Bu çalışmada, güç kalitesinde meydana gelen bozulmaların türünü belirlemek için KK teorisine dayalı sınıflandırıcıyı kullanan bir algoritma önerilmiştir. Önerilen yöntem, anlaşılması kolay ve gerçekleştirilmesi basit olan kural tabanlı bir sınıflandırma yaklaşımı sunar. Aslında algoritma, ADD nin çoklu çözünürlük ayrıştırma katsayılarının entropi hesaplamasından elde edilen özelliklerin KK sınıflandırıcıya giriş olarak uygulanmasına dayanır. ADD tabanlı özellik çıkarım işleminden sonra, orijinal işarete göre sınıflandırıcıya giriş olarak uygulanacak özelliklerin sayısı büyük ölçüde indirgenir. Bunun yanında, uygun bir sınıflandırma için gerekli özelliklerin ve kuralların sayısı KK yaklaşımı ile belirlenir. İndirgenmiş özelliklerle, indirgeme değerleri hesaplanır ve ardından sınıflandırma kuralları oluşturulur. ADD tabanlı özellik çıkarımı ve KK yaklaşımı ile özelliklerin sayısını büyük ölçüde indirgediği için kesinlikle hafıza gereksinimleri azalacaktır. Özellik uzayının boyut olarak küçük olması, sınıflandırıcının karmaşıklığını ve dolayısıyla hesaplama süresini azaltacaktır. Ayrıca önerilen algoritma bozulma işaretlerinden oluşan büyük bir veri kümesini işaretler yüksek oranda gürültü içermesine rağmen bile basit kurallar ile doğru bir şekilde sınıflandırabilmektedir. Elde edilen sonuçlardan, önerilen GKB tanıma sisteminin gerçek zamanlı uygulamalar için önemli bir potansiyele sahip olduğu görülür. KAYNAKLAR [1] M. H. J. Bollen, I. Y-H. Gu, Signal Processing of Power Quality Disturbances, IEEE Press Series on Power Engineering, Wiley Interscience, [2] R. A. Flores, State of the art in the classification of power quality events, an overview, 10th Int. Conf. Harmonics Quality of Power, Rio de Janeiro, Brazil, 1, 17 20, [3] B. Perunicic, M. Mallini, Z. Wang, Y. Liu, Power quality disturbance detection and classification using wavelets and artificial neural networks, 8th Int. Conf. on Harmonics and Quality of Power, 1, 77 82, [4] S. Santoso, E. I. Powers, W. M. Grady, A. C. Parsons, Power quality disturbance waveform recognition using wavelet-based neural classifier Part 1: Theoretical foundation, IEEE Trans. Power Deliv., 15, 1, , [5] H. He, J. A. Starzyk, A self-organizing learning array system for power quality classification based on wavelet transform, IEEE Trans. Power Deliv., 21, 1, , [6] M. Uyar, S. Yildirim, M. T. Gencoglu, An effective wavelet-based feature extraction method for classification of power quality disturbance signals, Electric Power Systems Research, 78 (10), , [7] H. Erişti, A. Uçar, Y. Demir, Wavelet-based feature extraction and selection for classification of power system disturbances using support vector machines, Electric Power Systems Research, 80 (7), , [8] Z. Moravej, A. A. Abdoos, M. Pazoki, Wavelet transform and multi-class relevance vector machines based recognition and classification of power quality disturbances, European Transactions on Electrical Power, 21 (1), , [9] C. I. F. Agreira, C. M. M. Ferreira, J. A. D. Pinto, and F. P. M. Barbosa, Electric power systems steady-state security assessment using the rough theory, International Conference on Probabilistic Methods Applied to Power Systems, , [10] G. L. Torres, Application of rough sets in power system control centre data mining, IEEE Power Engineering Society Winter Meeting, 1, , [11] X. Xiuping; J. F. Peters, Rough set methods in power system fault classification, Canadian Conference on Electrical and Computer Engineering (IEEE CCECE 2002), 1, , May [12] G. L. Torres, A. P. A. da Silva, V. H. Quintana, and L. E. B. da Silva, Classification of power system operation point using rough set techniques, IEEE International Conference on Systems, Man, and Cybernetics, 3, , Oct [13] Z. Pawlak, Rough Sets- Theoretical Aspects of Reasoning about Data, Kluwer Academic Publisher, [14] G. Strang, T. Nguyen, Wavelets and Filter Banks, Wellesley-Cambridge Press, [15] W. Yu, D. Mingyue, Z. Chengping, H. Ying, Interactive relevance feedback mechanism for image retrieval using rough set, Knowledge- Based Systems, 19, , [16] W. Toshiko, I. Hiroyuki, T. Masaki, M. Hiroshi, W. Takashi, A study on rough set-aided feature selection for automatic web-page classification, Web Intelligence and Agent Systems: An international journal, 4, , [17] S. Edita, B. Vladimir, S. Biljana, The synthesis of the rough set model for the better applicability of sagittal abdominal diameter in identifying high risk patients, Computers in Biology and Medicine, 40, , [18] W. Jue, G. Kun, W. Shouyang, Rough set and Tabu search based feature selection for credit scoring, Procedia Computer Science, 1, , [19] W. Jinn-Tsai, C, Yi-Shih, Rough set approach for accident chains exploration, Accident Analysis and Prevention, 39, , [20] S. Dey, P. Dey S. Data, J. Sil, Rough set approach to predict the strength and ductility of TRIP steel, Materials and Manufacturing Processes, 24, , [21] T. K. AbdelGalil, M. Kamel, A. M. Youssef, E. F. El-Saadany, M. M. A. Salama, Power quality disturbance classification using the inductive inference approach, IEEE Trans. Power Deliv., 19 (4), , [22] H. T. Yang, C. C. Liao, A De-noising schemes for enhancing waveletbased power quality monitoring system, IEEE Trans. Power Deliv., 16 (7), , [23] P. Janik, T. Lobos, Automated classification of power-quality disturbances using SVM and RBF networks, IEEE Trans. on Power Deliv., 21 (3), , 2006.
KABA KÜME TEORİSİ (Rough Set Theory) Dr. Sedat TELÇEKEN
KABA KÜME TEORİSİ (Rough Set Theory) Dr. Sedat TELÇEKEN Giriş Bilgi teknolojisindeki gelişmeler ve verilerin dijital ortamda saklanmaya başlanması ile yeryüzündeki bilgi miktarı her 20 ayda iki katına
DetaylıVERİ MADENCİLİĞİ (Sınıflandırma Yöntemleri) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr
VERİ MADENCİLİĞİ (Sınıflandırma Yöntemleri) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr Genel İçerik Veri Madenciliğine Giriş Veri Madenciliğinin Adımları Veri Madenciliği Yöntemleri Sınıflandırma
DetaylıGörgül Kip Ayrışımı ve Hilbert Dönüşümü Kullanılarak Güç Kalitesi Bozukluklarının Analizi
Görgül Kip Ayrışımı ve Hilbert Dönüşümü Kullanılarak Güç Kalitesi Bozukluklarının Analizi Yasemin Önal * 2 Doğan Gökhan Ece* 2 Ömer Nezih Gerek Mühendislik Fakültesi, Elektrik-Elektronik Mühendisliği Bilecik
DetaylıGERÇEK ZAMANLI GÜÇ KALİTESİ İZLEME SİSTEMLERİ İLE ELEKTRİK DAĞITIM SİSTEMLERİNDEKİ GÜÇ KALİTESİNİN İNCELENMESİ. Hüseyin ERİŞTİ 1, Yakup DEMİR 2
Fırat Üniversitesi-Elazığ GERÇEK ZAMANLI GÜÇ KALİTESİ İZLEME SİSTEMLERİ İLE ELEKTRİK DAĞITIM SİSTEMLERİNDEKİ GÜÇ KALİTESİNİN İNCELENMESİ Hüseyin ERİŞTİ 1, Yakup DEMİR 2 1 Elektrik-Elektronik Mühendisliği
DetaylıGÜÇ SİSTEMLERİNDE MEYDANA GELEN DALGA ŞEKLİ BOZUKLUKLARININ DALGACIK DÖNÜŞÜMÜ YARDIMIYLA TESPİTİ
ISSN:36-3 e-journal of New World Sciences Academy 29, Volume: 4, Number: 2, Article Number: 2A3 TECHNOLOGICAL APPLIED SCIENCES Received: December 28 Accepted: March 29 Series : 2A ISSN : 38-7223 29 www.newwsa.com
DetaylıPower Quality Event Classification Using Least Square-Support Vector Machine. Ferhat Uçar Fırat Üniversitesi, Elektrik Eğitimi, Elazığ
ICNASE 16 International Conference on Natural Science and Engineering (ICNASE 16) March 19-20, 2016, Kilis Power Quality Event Classification Using Least Square-Support Vector Machine Ferhat Uçar Fırat
DetaylıBulanık Mantık Tabanlı Uçak Modeli Tespiti
Bulanık Mantık Tabanlı Uçak Modeli Tespiti Hüseyin Fidan, Vildan Çınarlı, Muhammed Uysal, Kadriye Filiz Balbal, Ali Özdemir 1, Ayşegül Alaybeyoğlu 2 1 Celal Bayar Üniversitesi, Matematik Bölümü, Manisa
DetaylıElena Battini SÖNMEZ Önder ÖZBEK N. Özge ÖZBEK. 2 Şubat 2007
AVUÇ İZİ VE PARMAK İZİNE DAYALI BİR BİYOMETRİK TANIMA SİSTEMİ Elena Battini SÖNMEZ Önder ÖZBEK N. Özge ÖZBEK İstanbul Bilgi Üniversitesi Bilgisayar Bilimleri 2 Şubat 2007 Biyometrik Biyometrik, kişileri
DetaylıDENEY 3: DTMF İŞARETLERİN ÜRETİLMESİ VE ALGILANMASI
DENEY 3: DTMF İŞARETLERİN ÜRETİLMESİ VE ALGILANMASI AMAÇ: DTMF işaretlerin yapısının, üretim ve algılanmasının incelenmesi. MALZEMELER TP5088 ya da KS58015 M8870-01 ya da M8870-02 (diğer eşdeğer entegreler
DetaylıBir Boyutlu Yerel İkili Örüntüler ve Ayrık Dalgacık Dönüşümü Tabanlı Yeni Bir Güç Kalitesi Olay Sınıflandırma Yöntemi
KSU Mühendislik Bilimleri Dergisi, 9(3), 26 7 KSU. Journal of Engineering Sciences, 9(3), 26 Bir Boyutlu Yerel İkili Örüntüler ve Ayrık Dalgacık Dönüşümü Tabanlı Yeni Bir Güç Kalitesi Olay Sınıflandırma
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Denetimsiz Öğrenmenin Temelleri Kümeleme Uzaklık Fonksiyonları Öklid Uzaklığı Manhattan
DetaylıBLM 4811 MESLEKİ TERMİNOLOJİ II Salı , D-109 Dr. Göksel Biricik
BLM 4811 MESLEKİ TERMİNOLOJİ II 2017-1 Salı 13.00 14.50, D-109 Dr. Göksel Biricik goksel@ce.yildiz.edu.tr Ders Planı Hafta Tarih Konu 1 19.09 Tanışma, Ders Planı, Kriterler, Giriş 2 26.09 Bilgisayarın
Detaylı5. Elektriksel Büyüklüklerin Ölçülebilen Değerleri
Elektrik devrelerinde ölçülebilen büyüklükler olan; 5. Elektriksel Büyüklüklerin Ölçülebilen Değerleri Akım Gerilim Devrede bulunan kaynakların tiplerine göre değişik şekillerde olabilir. Zamana bağlı
DetaylıAYTUĞ ONAN CELAL BAYAR ÜNİVERSİTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ SERDAR KORUKOĞLU EGE ÜNİVERSİTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ
Metin Sınıflandırmada Öznitelik Seçim Yöntemlerinin Değerlendirilmesi AYTUĞ ONAN CELAL BAYAR ÜNİVERSİTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ SERDAR KORUKOĞLU EGE ÜNİVERSİTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ
DetaylıGÜÇ SİSTEM HARMONİKLERİNİN AYRIK HARTLEY DÖNÜŞÜMÜ İLE İNCELENMESİ
GÜÇ SİSTEM HARMONİKLERİNİN AYRIK HARTLEY DÖNÜŞÜMÜ İLE İNCELENMESİ Özet Mustafa TEKİN 1*, Ahmet Serdar YILMAZ * 1 Sorumlu yazar, mustafa_tekin40@hotmail.com * Kahramanmaraş Sütçü İmam Üniversitesi, Elektrik
Detaylıİşaret ve Sistemler. Ders 1: Giriş
İşaret ve Sistemler Ders 1: Giriş Ders 1 Genel Bakış Haberleşme sistemlerinde temel kavramlar İşaretin tanımı ve çeşitleri Spektral Analiz Fazörlerin frekans düzleminde gösterilmesi. Periyodik işaretlerin
DetaylıUzaktan Algılama Uygulamaları
Aksaray Üniversitesi Uzaktan Algılama Uygulamaları Doç.Dr. Semih EKERCİN Harita Mühendisliği Bölümü sekercin@aksaray.edu.tr 2010-2011 Bahar Yarıyılı Uzaktan Algılama Uygulamaları GÖRÜNTÜ İŞLEME TEKNİKLERİ
DetaylıT.C. ERCİYES ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ EĞİTİM ÖĞRETİM YILI DERS KATALOĞU
T.C. ERCİYES ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ - EĞİTİM ÖĞRETİM YILI DERS KATALOĞU Ders Kodu Bim Kodu Ders Adı Türkçe Ders Adı İngilizce Dersin Dönemi T Snf Açıl.Dönem P
DetaylıMekatronik Mühendisliği Uygulamalarında Yapay Zekâ. Ders 1- Yapay Zekâya Giriş. Erhan AKDOĞAN, Ph.D.
Mekatronik Mühendisliği Uygulamalarında Yapay Zekâ Ders 1- Yapay Zekâya Giriş Erhan AKDOĞAN, Ph.D. Yapay Zekâ nedir?! İnsanın düşünme ve karar verme yeteneğini bilgisayarlar aracılığı ile taklit etmeye
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
DetaylıELEKTRİK ENERJİ SİSTEMLERİNDE OLUŞAN HARMONİKLERİN FİLTRELENMESİNİN BİLGİSAYAR DESTEKLİ MODELLENMESİ VE SİMÜLASYONU
T.C. MARMARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ ELEKTRİK ENERJİ SİSTEMLERİNDE OLUŞAN HARMONİKLERİN FİLTRELENMESİNİN BİLGİSAYAR DESTEKLİ MODELLENMESİ VE SİMÜLASYONU Mehmet SUCU (Teknik Öğretmen, BSc.)
Detaylı2.1 Gri Düzey Eş Oluşum Matrisi ( GLCM) Gri düzey eş oluşum matrisi Haralick tarafından öne sürülmüştür [1]. Đstatistiksel doku analizi yöntemidir.
ÇELĐK YÜZEYLERĐN SINIFLANDIRILMASI * Cem ÜNSALAN ** Aytül ERÇĐL * Ayşın ERTÜZÜN *Boğaziçi Üniversitesi, Elektrik-Elektronik Mühendisliği Bölümü unsalan@boun.edu.tr **Boğaziçi Üniversitesi, Endüstri Mühendisliği
DetaylıYıl Üniversitesi, yesilova@yyu.edu.tr
Fırat Üniversitesi-Elazığ İSTENMEYEN ELEKTRONİK POSTALARIN(SPAM) FİLTRELENMESİNDE KABA KÜME YAKLAŞIMININ KULLANILMASI Yılmaz KAYA 1 Abdullah YEŞİLOVA 2 Ramazan TEKİN 3 1 Bilgisayar Mühendisliği Böl., Siirt
DetaylıBİLECİK ŞEYH EDEBALİ ÜNİVERSİTESİ AKADEMİK ÖZGEÇMİŞ FORMU
BİLECİK ŞEYH EDEBALİ ÜNİVERSİTESİ AKADEMİK ÖZGEÇMİŞ FORMU KİŞİSEL BİLGİLER Adı Soyadı Tolga YÜKSEL Ünvanı Birimi Doğum Tarihi Yrd. Doç. Dr. Mühendislik Fakültesi/ Elektrik Elektronik Mühendisliği 23.10.1980
DetaylıGüz Dönemi Zorunlu Dersleri
T.C. AKSARAY ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ ELEKTRİK-ELEKTRONİK ve BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI TEZLİ YÜKSEK LİSANS PROGRAMI Güz Dönemi Zorunlu Dersleri EEBM 501 İleri Mühendislik Matematiği
DetaylıBüyük Veri İçin İstatistiksel Öğrenme (Statistical Learning for Big Data)
Büyük Veri İçin İstatistiksel Öğrenme (Statistical Learning for Big Data) M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Bu dersin sunumları, The Elements of Statistical Learning: Data
DetaylıK-En Yakın Komşu Algoritması Parametrelerinin Sınıflandırma Performansı Üzerine Etkisinin İncelenmesi
K-En Yakın Komşu Algoritması Parametrelerinin Sınıflandırma Performansı Üzerine Etkisinin İncelenmesi Erdal TAŞCI* Aytuğ ONAN** *Ege Üniversitesi Bilgisayar Mühendisliği Bölümü **Celal Bayar Üniversitesi
Detaylı7. BÖLÜM BARA ADMİTANS VE BARA EMPEDANS MATRİSLERİ
5 7. BÖLÜM ADMİTANS E EMPEDANS MATRİSLERİ 7.. Giriş İletim sistemlerinin analizlerinde, bara sayısı arttıkça artan karmaşıklıkları yenmek için sistemin matematiksel modellenmesinde kolaylık getirici bazı
DetaylıGÜÇ SİSTEMLERİNDE ENERJİ KALİTESİ BOZUKLUKLARININ EŞZAMANLI TESPİT EDİLMESİ
ISSN:1306-3111 e-journal of New World Sciences Academy 2009, Volume: 4, Number: 2, Article Number: 2A0011 TECHNOLOGICAL APPLIED SCIENCES Received: December 2008 Accepted: March 2009 Series : 2A ISSN :
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Sınıflandırıcıların Değerlendirilmesi Skorlar Karışıklık matrisi Accuracy Precision Recall
DetaylıZeki Optimizasyon Teknikleri
Zeki Optimizasyon Teknikleri Tabu Arama (Tabu Search) Doç.Dr. M. Ali Akcayol Tabu Arama 1986 yılında Glover tarafından geliştirilmiştir. Lokal minimum u elimine edebilir ve global minimum u bulur. Değerlendirme
DetaylıELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ DOKTORA YETERLİK SINAVI YÖNETMELİĞİ
ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ DOKTORA YETERLİK SINAVI YÖNETMELİĞİ Doktora Yeterlik Sınavı, başvurunun yapıldığı ve Doktora Yeterlik Komitesi nin başvuruyu onayladığı dönemdeki, dönem sonu sınavlarının
Detaylı91-03-01-517 YAPAY ZEKA (Artificial Intelligence)
91-03-01-517 YAPAY ZEKA (Artificial Intelligence) Dersi Veren Öğretim Üyesi Y. Doç. Dr. Aybars UĞUR Ders Web Sayfası : http://yzgrafik.ege.edu.tr/~ugur 27.09.2009 Y. Doç. Dr. Aybars UĞUR (517 Yapay Zeka)
DetaylıEEM HABERLEŞME TEORİSİ NİĞDE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ BÖLÜMÜ
EEM3006 - HABERLEŞME TEORİSİ NİĞDE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ BÖLÜMÜ EEM3006 - HABERLEŞME TEORİSİ Dersin Öğretim Elemanı: Yrd. Doç. Dr. Yasin KABALCI Ders Görüşme
DetaylıÖmer Faruk Ertuğrul Accepted: January 2011. ISSN : 1308-7231 omerfarukertugrul@gmail.com 2010 www.newwsa.com Diyarbakir-Turkey
ISSN:1306-3111 e-journal of New World Sciences Academy 2010, Volume: 6, Number: 1, Article Number: 1A0008 ENGINEERING SCIENCES Received: October 2010 Ömer Faruk Ertuğrul Accepted: January 2011 M. Bahattin
DetaylıVERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr İçerik Kümeleme İşlemleri Kümeleme Tanımı Kümeleme Uygulamaları Kümeleme Yöntemleri Kümeleme (Clustering) Kümeleme birbirine
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Denetimli Öğrenmenin Temelleri Karar Ağaçları Entropi ID3 Algoritması C4.5 Algoritması Twoing
DetaylıWavelet Transform and Applications. A. Enis Çetin Bilkent Üniversitesi
Wavelet Transform and Applications A. Enis Çetin Bilkent Üniversitesi Multiresolution Signal Processing Lincoln idea by Salvador Dali Dali Museum, Figueres, Spain M. Mattera Multi-resolution signal and
DetaylıAyrık Dalgacık Dönüşümü Bileşenlerine Ait İstatistiksel Veriler ile Epileptik EEG İşaretlerinin Sınıflandırılması
214 Spring/Bahar Cilt/Vol: 5 - Sayı/Num: 15 DOI: 1.5824/139-1581.214.2.3.x Ayrık Dalgacık Dönüşümü Bileşenlerine Ait İstatistiksel Veriler ile Epileptik EEG İşaretlerinin Sınıflandırılması Tuğba PALABAŞ,
DetaylıYZM 3217 YAPAY ZEKA DERS#10: KÜMELEME
YZM 317 YAPAY ZEKA DERS#10: KÜMELEME Sınıflandırma (Classification) Eğiticili (supervised) sınıflandırma: Sınıflandırma: Sınıf sayısı ve bir grup örneğin hangi sınıfa ait olduğunu bilinir Eğiticisiz (unsupervised)
DetaylıKablosuz Sensör Ağlar ve Eniyileme. Tahir Emre KALAYCI. 21 Mart 2008
Kablosuz Sensör Ağlar ve Eniyileme Tahir Emre KALAYCI 21 Mart 2008 Gündem Genel Bilgi Alınan Dersler Üretilen Yayınlar Yapılması Planlanan Doktora Çalışması Kablosuz Sensör Ağlar Yapay Zeka Teknikleri
DetaylıŞifrebilimde Yapay Sinir Ağları
Ege Üniversitesi Bilgisayar Mühendisliği Bölümü Şifrebilimde Yapay Sinir Ağları BİM345 Yapay Sinir Ağları İlker Kalaycı Mayıs,2008 Gündem Şifrebilim Şifrebilim nedir Şifreleme Şifre Çözme Klasik Şifreleme
DetaylıENDÜSTRİYEL BİR TESİSTE DİNAMİK KOMPANZASYON UYGULAMASI
ENDÜSTRİYEL BİR TESİSTE DİNAMİK KOMPANZASYON UYGULAMASI Özgür GENCER Semra ÖZTÜRK Tarık ERFİDAN Kocaeli Üniversitesi Mühendislik Fakültesi, Elektrik Mühendisliği Bölümü, Kocaeli San-el Mühendislik Elektrik
DetaylıGeriye Yayılım ve Levenberg Marquardt Algoritmalarının YSA Eğitimlerindeki Başarımlarının Dinamik Sistemler Üzerindeki Başarımı. Mehmet Ali Çavuşlu
Geriye Yayılım ve Levenberg Marquardt Algoritmalarının YSA Eğitimlerindeki Başarımlarının Dinamik Sistemler Üzerindeki Başarımı Mehmet Ali Çavuşlu Özet Yapay sinir ağlarının eğitiminde genellikle geriye
DetaylıDirenç(330Ω), bobin(1mh), sığa(100nf), fonksiyon generatör, multimetre, breadboard, osiloskop. Teorik Bilgi
DENEY 8: PASİF FİLTRELER Deneyin Amaçları Pasif filtre devrelerinin çalışma mantığını anlamak. Deney Malzemeleri Direnç(330Ω), bobin(1mh), sığa(100nf), fonksiyon generatör, multimetre, breadboard, osiloskop.
DetaylıSAYISAL MODÜLASYON TANIMA SİSTEMLERİ İÇİN BAYES KARAR KURALLARI SINIFLANDIRICISININ KULLANIMI
ISSN:306-3 e-journal of New World Sciences Academy 008, Volume: 3, Number: Article Number: A0056 NATURAL AND APPLIED SCIENCES ELECTRONIC AND COMPUTER ENGINEERING Received: July 007 Accepted: December 007
DetaylıTRANSİSTÖRLÜ YÜKSELTEÇLERDE GERİBESLEME
TRANSİSTÖRLÜ YÜKSELTEÇLERDE GERİBESLEME Amaç Elektronikte geniş uygulama alanı bulan geribesleme, sistemin çıkış büyüklüğünden elde edilen ve giriş büyüklüğü ile aynı nitelikte bir işaretin girişe gelmesi
Detaylı1. YARIYIL / SEMESTER 1
T.C. NECMETTİN ERBAKAN ÜNİVERSİTESİ MÜHENDİSLİK VE MİMARLIK FAKÜLTESİ, MEKATRONİK MÜHENDİSLİĞİ BÖLÜMÜ, 2017-2018 AKADEMİK YILI ÖĞRETİM PLANI T.C. NECMETTIN ERBAKAN UNIVERSITY ENGINEERING AND ARCHITECTURE
DetaylıEsnek Hesaplamaya Giriş
Esnek Hesaplamaya Giriş J E O L O J İ M Ü H E N D İ S L İ Ğ İ A. B. D. E S N E K H E S A P L A M A Y Ö N T E M L E R İ - I DOÇ. DR. ERSAN KABALCI Esnek Hesaplama Nedir? Esnek hesaplamanın temelinde yatan
Detaylı2017 MÜFREDATI MÜHENDİSLİK FAKÜLTESİ / ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ EĞİTİM PLANI
2017 MÜFREDATI MÜHENDİSLİK FAKÜLTESİ / ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ EĞİTİM PLANI SINIF: 1 DÖNEM: GÜZ 200111 TEMEL BİLGİ TEKNOLOJİSİ KULLANIMI USE OF FUNDAMENTAL INFORMATION TECHNOLOGY 2017 2 0 2 2
DetaylıİŞARET ve SİSTEMLER (SIGNALS and SYSTEMS) Dr. Akif AKGÜL oda no: 303 (T4 / EEM)
İşaret ve Sistemler İŞARET ve SİSTEMLER (SIGNALS and SYSTEMS) Dr. Akif AKGÜL aakgul@sakarya.edu.tr oda no: 303 (T4 / EEM) Kaynaklar: 1. Signals and Systems, Oppenheim. (Türkçe versiyonu: Akademi Yayıncılık)
DetaylıStatik güç eviricilerinin temel görevi, bir DA güç kaynağı kullanarak çıkışta AA dalga şekli üretmektir.
4. Bölüm Eviriciler ve Eviricilerin Sınıflandırılması Doç. Dr. Ersan KABALCI AEK-207 GÜNEŞ ENERJİSİ İLE ELEKTRİK ÜRETİMİ Giriş Statik güç eviricilerinin temel görevi, bir DA güç kaynağı kullanarak çıkışta
DetaylıMurat Genç Elektrik ve Elektronik Mühendisi TÜBİTAK-UZAY
HARMONİKLER Murat Genç Elektrik ve Elektronik Mühendisi TÜBİTAK-UZAY Kapsam Genel Kavramlar Güç Kalitesi Problemleri Harmonikler ve Etkileri Çözüm Yöntemleri Standartlar Sonuç Bir AA Dalganın Parametreleri
DetaylıVERİ MADENCİLİĞİ VE SOSYAL AĞ ANALİZİ ARAŞTIRMA LABORATUVARI
BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ VERİ MADENCİLİĞİ VE SOSYAL AĞ ANALİZİ ARAŞTIRMA LABORATUVARI 10 Aralık 2011, Cumartesi Fen ve Mühendislik Alanlarındaki Çeşitli Araştırma Projelerinden Örneklemeler İçerik
DetaylıPROJEM İSTANBUL ARAŞTIRMA PROJESİ BİLGİSAYARLI GÖRÜ VE SINIFLANDIRMA TEKNİKLERİYLE ARAZİ KULLANIMININ OTOMATİK OLARAK BULUNMASI
PROJEM İSTANBUL ARAŞTIRMA PROJESİ BİLGİSAYARLI GÖRÜ VE SINIFLANDIRMA TEKNİKLERİYLE ARAZİ KULLANIMININ OTOMATİK OLARAK BULUNMASI Proje Yüklenicisi: Yeditepe Üniversitesi Mühendislik ve Mimarlık Fakültesi
DetaylıTürkçe Dokümanlar Ġçin Yazar Tanıma
Türkçe Dokümanlar Ġçin Yazar Tanıma Özcan KOLYĠĞĠT, Rıfat AġLIYAN, Korhan GÜNEL Adnan Menderes Üniversitesi, Matematik Bölümü Bölümü, Aydın okolyigit@gmail.com, rasliyan@adu.edu.tr, kgunel@adu.edu.tr Özet:
DetaylıEğiticili (supervised) öğrenme: Sınıflandırma (classification) Sınıf sayısı ve bir grup örneğin hangi sınıfa ait olduğu bilinir
Eğiticili (supervised) öğrenme: Sınıflandırma (classification) Sınıf sayısı ve bir grup örneğin hangi sınıfa ait olduğu bilinir Eğiticisiz (unsupervised) öğrenme: Kümeleme (clustering) Hangi nesnenin hangi
DetaylıFatih Kölmek. ICCI 2012-18.Uluslararası Enerji ve Çevre Fuarı ve Konferansı 25 Nisan 2012, İstanbul, Türkiye
Fatih Kölmek ICCI 2012-18.Uluslararası Enerji ve Çevre Fuarı ve Konferansı 25 Nisan 2012, İstanbul, Türkiye Türkiye Elektrik Piyasası Dengeleme ve Uzlaştırma Mekanizması Fiyat Tahmin Modelleri Yapay Sinir
DetaylıMÜFREDAT DERS LİSTESİ
MÜFREDAT DERS LİSTESİ MÜHENDİSLİK FAK. / BİLGİSAYAR MÜHENDİSL / 2010 BİLGİSAYAR MÜHENDİSLİĞİ Müfredatı 0504101 Matematik I Calculus I 1 GÜZ 4 5 Z 0504102 Genel Fizik I General Physics I 1 GÜZ 4 4 Z 0504103
DetaylıOTOMATİK KONTROL SİSTEMLERİ TEMEL KAVRAMLAR VE TANIMLAR
OTOMATİK KONTROL SİSTEMLERİ TEMEL KAVRAMLAR VE TANIMLAR KONTROL SİSTEMLERİ GİRİŞ Son yıllarda kontrol sistemleri, insanlığın ve uygarlığın gelişme ve ilerlemesinde çok önemli rol oynayan bir bilim dalı
DetaylıAnahtarlama Modlu DA-AA Evirici
Anahtarlama Modlu DA-AA Evirici Giriş Anahtarlama modlu eviricilerde temel kavramlar Bir fazlı eviriciler Üç fazlı eviriciler Ölü zamanın PWM eviricinin çıkış gerilimine etkisi Diğer evirici anahtarlama
DetaylıGENETEK Güç, Enerji, Elektrik Sistemleri Özel Eğitim ve Danışmanlık San. Tic. Ltd. Şti.
GENETEK Güç, Enerji, Elektrik Sistemleri Özel Eğitim ve Danışmanlık San. Tic. Ltd. Şti. GÜÇ KALİTESİ ve HARMONİK EĞİTİMİ Yeniköy Merkez Mh. KOÜ Teknopark No:83 C-13, 41275, Başiskele/KOCAELİ Telefon-Faks:
DetaylıDalgacık Dönüşümüne Dayalı Çoklu Model Biyometrik Sistem
Akademik Bilişim 2008 Çanakkale Onsekiz Mart Üniversitesi, Çanakkale, 30 Ocak - 01 Şubat 2008 İstanbul Bilgi Üniversitesi, Bilgisayar Bilimleri Bölümü, İstanbul elena@cs.bilgi.edu.tr, noozbek@cs.bilgi.edu.tr,
DetaylıŞeklinde ifade edilir. Çift yan bant modülasyonlu işaret ise aşağıdaki biçimdedir. ile çarpılırsa frekans alanında bu sinyal w o kadar kayar.
GENLİK MODÜLASYONU Mesaj sinyali m(t) nin taşıyıcı sinyal olan c(t) nin genliğini modüle etmesine genlik modülasyonu (GM) denir. Çeşitli genlik modülasyonu türleri vardır, bunlar: Çift yan bant modülasyonu,
DetaylıSERAMİK MALZEME DÜZGÜNSÜZLÜKLERİNİN DARBE GÜRÜLTÜSÜ YÖNTEMİ İLE BELİRLENMESİ. Haluk KÜÇÜK (1) Tahir Çetin AKINCI (2)
SERAMİK MALZEME DÜZGÜNSÜZLÜKLERİNİN DARBE GÜRÜLTÜSÜ YÖNTEMİ İLE BELİRLENMESİ Haluk KÜÇÜK (1) Tahir Çetin AKINCI () (1) Marmara üniversitesi Teknik Eğitim Fakültesi Mekatronik Eğitimi Bölümü, İstanbul ()
DetaylıÖZET...V ABSTRACT...VII TEŞEKKÜR... IX ŞEKİLLER DİZİNİ... XIV SÖZLÜK... XIX
XI İÇİNDEKİLER ÖZET...V ABSTRACT...VII TEŞEKKÜR... IX ŞEKİLLER DİZİNİ... XIV SÖZLÜK... XIX 1. GİRİŞ... 1 2. PLANLAMANIN TARİHÇESİ... 7 2.1 Literatürdeki Planlayıcılar ve Kullandıkları Problem... Gösterimi
DetaylıSahne Geçişlerinin Geometrik Tabanlı olarak Saptanması
Sahne Geçişlerinin Geometrik Tabanlı olarak Saptanması 1 Giriş Binnur Kurt, H. Tahsin Demiral, Muhittin Gökmen İstanbul Teknik Üniversitesi, Bilgisayar Mühendisliği Bölümü, Maslak, 80626 İstanbul {kurt,demiral,gokmen}@cs.itu.edu.tr
Detaylı-1-2 -3 0 0.04 0.08 0.12 0.16 0.192 t (s)
İletim Hatlarında Radyal Tabanlı Fonksiyon Ağları ile Arıza Tespiti Fault Detection on Transmission Lines Using Radial Basis Function Networks Sami EKİCİ, Selçuk YILDIRIM, Mustafa POYRAZ 2 Elektrik Eğitimi
DetaylıCOURSES OFFERED FOR ERASMUS INCOMING STUDENTS
COURSES OFFERED FOR ERASMUS INCOMING STUDENTS Department : Computer Engineering 152111001 CALCULUS I 3 2 4 5 152111005 PHYSICS I 3 0 3 3 152111006 PHYSICS I LAB 0 2 1 2 152111007 CHEMISTRY 3 0 3 3 152111008
DetaylıÜÇ BOYUTLU M-BANTLI DALGACIK DÖNÜŞÜMÜ İLE TRAFİK TIKANIKLIĞININ BELİRLENMESİ
ÜÇ BOYUTLU M-BANTLI DALGACIK DÖNÜŞÜMÜ İLE TRAFİK TIKANIKLIĞININ BELİRLENMESİ 1. Giriş Tolga Kurt, Emin Anarım Boğaziçi Üniversitesi, Elektrik-Elektronik Mühendisliği 80815,Bebek, İstanbul-Türkiye e-posta:
DetaylıBÖLÜM 5 MERKEZİ EĞİLİM ÖLÇÜLERİ
1 BÖLÜM 5 MERKEZİ EĞİLİM ÖLÇÜLERİ Gözlenen belli bir özelliği, bu özelliğe ilişkin ölçme sonuçlarını yani verileri kullanarak betimleme, istatistiksel işlemlerin bir boyutunu oluşturmaktadır. Temel sayma
DetaylıÖrnek...3 : Aşağıdaki ifadelerden hangileri bir dizinin genel terim i olabilir?
DİZİLER Tanım kümesi pozitif tam sayılar kümesi olan her fonksiyona dizi denir. Örneğin f : Z + R, f (n )=n 2 ifadesi bir dizi belirtir. Diziler, değer kümelerine göre adlandırı - lırlar. Dizinin değer
Detaylı4. BENZETİM ÇALIŞMALARI VE SINIFLANDIRMA BAŞARIMI
DALGACIK TEPELERİ VE DESTEK VEKTÖR MAKİNELERİ İLE MÜZİK ÇALGISI SINIFLANDIRMA M. Erdal ÖZBEK 1, Nalan ÖZKURT 2 ve F. Acar SAVACI 1 1 Elektrik-Elektronik Mühendisliği Bölümü, İzmir Yüksek Teknoloji Enstitüsü
DetaylıDoküman dili tanıma için ikili örüntüler tabanlı yeni bir yaklaşım
Doküman dili tanıma için ikili örüntüler tabanlı yeni bir yaklaşım Yılmaz KAYA 1, Ömer Faruk ERTUĞRUL 2, Ramazan TEKİN 3 1 Siirt Üniversitesi, Bilgisayar Mühendisliği Bölümü 2 Batman Üniversitesi, Elektrik-Elektronik
DetaylıFIRAT ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ/YAZILIM MÜHENDİSLİĞİ (DR)
FATİH ERTAM DOKTOR ÖĞRETİM ÜYESİ E-Posta Adresi fatih.ertam@firat.edu.tr Telefon (İş) Telefon (Cep) Faks Adres 4242370000-7640 5356514539 Fırat Üniversitesi Teknoloji Fakültesi B Blok Adli Bilişim Mühendisliği
DetaylıVEKTÖR UZAYLARI 1.GİRİŞ
1.GİRİŞ Bu bölüm lineer cebirin temelindeki cebirsel yapıya, sonlu boyutlu vektör uzayına giriş yapmaktadır. Bir vektör uzayının tanımı, elemanları skalar olarak adlandırılan herhangi bir cisim içerir.
DetaylıDalgacık Dönüşümü ve Ampirik Mod Ayrışımı Tabanlı Özelliklerin Epileptik Nöbet Algılama Performanslarının Karşılaştırılması
EEB 216 Elektrik-Elektronik ve Bilgisayar Sempozyumu, 11-13 Mayıs 216, Tokat TÜRKİYE Dalgacık Dönüşümü ve Ampirik Mod Ayrışımı Tabanlı Özelliklerin Epileptik Nöbet Algılama Performanslarının Karşılaştırılması
DetaylıYapay Sinir Ağları. (Artificial Neural Networks) DOÇ. DR. ERSAN KABALCI
Yapay Sinir Ağları (Artificial Neural Networks) J E O L O J İ M Ü H E N D İ S L İ Ğ İ A. B. D. E S N E K H E S A P L A M A Y Ö N T E M L E R İ - I DOÇ. DR. ERSAN KABALCI Yapay Sinir Ağları Tarihçe Biyolojik
DetaylıCBS ve Coğrafi Hesaplama
Yıldız Teknik Üniversitesi CBS ve Coğrafi Hesaplama 2. Bölüm Yrd. Doç. Dr. Alper ŞEN Harita Mühendisliği Bölümü Kartografya Anabilim Dalı web: http://www.yarbis.yildiz.edu.tr/alpersen/ E mail: alpersen@yildiz.edu.tr
DetaylıBBO Algoritmasının Optimizasyon Başarımının İncelenmesi Optimization Performance Investigation of BBO Algorithm
BBO Algoritmasının Optimizasyon Başarımının İncelenmesi Optimization Performance Investigation of BBO Algorithm Tufan İNAÇ 1, Cihan KARAKUZU 2 1 Bilgisayar Mühendisliği Anabilim Dalı Bilecik Şeyh Edebali
DetaylıHafta 09 -Topluluk Yöntemleri - Boyut Azaltma - Anomali Tespiti
Hafta 09 -Topluluk Yöntemleri - Boyut Azaltma - Anomali Tespiti BGM 565 - Siber Güvenlik için Makine Öğrenme Yöntemleri Bilgi Güvenliği Mühendisliği Yüksek Lisans Programı Dr. Ferhat Özgür Çatak ozgur.catak@tubitak.gov.tr
DetaylıDoğrultucularda ve Eviricilerde Kullanılan Pasif Filtre Türlerinin İncelenmesi ve Karşılaştırılması
Enerji Verimliliği ve Kalitesi Sempozyumu EVK 2015 Doğrultucularda ve Eviricilerde Kullanılan Pasif Filtre Türlerinin İncelenmesi ve Karşılaştırılması Mehmet Oğuz ÖZCAN Ezgi Ünverdi AĞLAR Ali Bekir YILDIZ
DetaylıDoç.Dr. M. Mengüç Öner Işık Üniversitesi Elektrik-Elektronik Mühendisliği Bölümü oner@isikun.edu.tr
Doç.Dr. M. Mengüç Öner Işık Üniversitesi Elektrik-Elektronik Bölümü oner@isikun.edu.tr 1. Adı Soyadı : Mustafa Mengüç ÖNER 2. Doğum Tarihi : 01.02.1977 3. Unvanı : Doçent Dr. 4. Öğrenim Durumu : ÖĞRENİM
DetaylıYAPAY SĠNĠR AĞLARININ EKONOMĠK TAHMĠNLERDE KULLANILMASI
P A M U K K A L E Ü N İ V E R S İ T E S İ M Ü H E N D İ S L İ K F A K Ü L T E S İ P A M U K K A L E U N I V E R S I T Y E N G I N E E R I N G C O L L E G E M Ü H E N D ĠS L ĠK B ĠL ĠM L E R ĠD E R G ĠS
DetaylıTemel Kavramlar. (r) Sıfırdan farklı kompleks sayılar kümesi: C. (i) Rasyonel sayılar kümesi: Q = { a b
Bölüm 1 Temel Kavramlar Bu bölümde bağıntı ve fonksiyon gibi bazı temel kavramlar üzerinde durulacak, tamsayıların bazı özellikleri ele alınacaktır. Bu çalışma boyunca kullanılacak bazı kümelerin gösterimleri
Detaylı127 - Twoing Algoritması ile Sınıflandırma Kalp Hastalığı Uygulaması MEHMET AKİF ERSOY ÜNİVERSİTESİ İLHAN UYSAL MEHMET BİLEN SAMİ ULUKUŞ
127 - Twoing Algoritması ile Sınıflandırma Kalp Hastalığı Uygulaması MEHMET AKİF ERSOY ÜNİVERSİTESİ İLHAN UYSAL MEHMET BİLEN SAMİ ULUKUŞ Veri Madenciliği : Bir sistemin veri madenciliği sistemi olabilmesi
DetaylıMOD419 Görüntü İşleme
MOD419 Görüntü İşleme Ders Kitabı: Digital Image Processing by Gonzalez and Woods Puanlama: %30 Lab. %20 Vize %10 Quizes %40 Final %60 devam mecburiyeti Görüntü İşleme ye Giriş Görüntü İşleme Nedir? Özellikle
DetaylıSözlük Kullanarak Türkçe için Kavram Madenciliği Metotları Geliştirme
1 Cem Rıfkı Aydın, 1 Ali Erkan, 1 Tunga Güngör, 2 Hidayet Takçı 1 Boğaziçi Üniversitesi, 2 Cumhuriyet Üniversitesi Sözlük Kullanarak Türkçe için Kavram Madenciliği Metotları Geliştirme AB 14 7 Şubat 2014
DetaylıSÜREKLİ SAKLI MARKOV MODELLERİ İLE METİNDEN BAĞIMSIZ KONUŞMACI TANIMA PARAMETRELERİNİN İNCELENMESİ
Uludağ Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, Cilt 12, Sayı 1, 2007 SÜREKLİ SAKLI MARKOV MODELLERİ İLE METİNDEN BAĞIMSIZ KONUŞMACI TANIMA PARAMETRELERİNİN İNCELENMESİ Cemal HANİLÇİ Figen
DetaylıELEKTRİK MÜHENDİSLİĞİ MÜFREDAT REVİZYONU
ELEKTRİK MÜHENDİSLİĞİ MÜFREDAT REVİZYONU I. YARIYIL MATEMATİK I 3+1 Zorunlu 6 FİZİK I 2+1 Zorunlu 4 KİMYA 2+1 Zorunlu 4 ELEKTRİK MÜHENDİSLİĞİNE GİRİŞ 2+0 Zorunlu 2 TEKNİK RESİM 1+2 Zorunlu 5 TÜRK DİLİ
DetaylıANKARA ÜNİVERSİTESİ A ÖĞRENCİ İŞLERİ DAİRE BAŞKANLIĞI
PROGRAM ADI : BİLGİSAYAR MÜHENDİSLİĞİ (İNGİLİZCE) 1.SINIF /1.YARIYIL* 1 COM101 COMPUTER PROGRAMMING I - - 4 2 6 5 9 2 COM113 INTRODUCTION TO COMPUTER SCIENCE - - 3 0 3 3 5 3 PHY0101 PHYSICS I - - 3 0 3
DetaylıKaraciğerde Oluşan Hastalıkların Tespitinde Makine Öğrenmesi Yöntemlerinin Kullanılması
Karaciğerde Oluşan Hastalıkların Tespitinde Makine Öğrenmesi Yöntemlerinin Kullanılması 1 Emre DANDIL Bilecik Ş. Edebali Üniversitesi emre.dandil@bilecik.edu.tr +90228 214 1613 Sunum İçeriği Özet Giriş
DetaylıA. SCI ve SCIE Kapsamındaki Yayınlar
A. SCI ve SCIE Kapsamındaki Yayınlar A.1. Erilli N.A., Yolcu U., Egrioglu E., Aladag C.H., Öner Y., 2011 Determining the most proper number of cluster in fuzzy clustering by using artificial neural networks.
Detaylıİleri Örüntü Tanıma Teknikleri Ve Uygulamaları İçerik
Tekrar Konular İleri Örüntü Tanıma Teknikleri Ve Uygulamaları İçerik 1. Uygulamalar ve tanımlamalar 2. Örüntü tanıma sistemleri ve bir örnek 3. Bayes karar teorisi 4. En yakın komşu sınıflandırıcıları
DetaylıGeliştirilmiş Fisher Ayraç Kriteri Kullanarak Hiperspektral Görüntülerde Sınıflandırma
Geliştirilmiş Fisher Ayraç Kriteri Kullanarak Hiperspektral Görüntülerde Sınıflandırma Mustafa TEKE, Dr. Ufuk SAKARYA TÜBİTAK UZAY IEEE 21. Sinyal İşleme, İletişim ve Uygulamaları Kurultayı (SİU 2013),
DetaylıISSN : 1308-7231 mbaykara@firat.edu.tr 2010 www.newwsa.com Elazig-Turkey
ISSN:1306-3111 e-journal of New World Sciences Academy 011, Volume: 6, Number:, Article Number: 1A0173 ENGINEERING SCIENCES Burhan Ergen Received: November 010 Muhammet Baykara Accepted: February 011 Firat
DetaylıFREKANS DÜZLEMĐNDE ĐMGE DAMGALAMASINDA KULLANILAN AC FREKANSLARIN VE PERMÜTASYON ANAHTARI SEÇĐMĐNĐN KALĐTE ÜZERĐNE ETKĐSĐ
FREKANS DÜZLEMĐNDE ĐMGE DAMGALAMASINDA KULLANILAN AC FREKANSLARIN VE PERMÜTASYON ANAHTARI SEÇĐMĐNĐN KALĐTE ÜZERĐNE ETKĐSĐ Murat Furat 1 Mustafa Oral 1 Elektrik Elektronik Mühendisliği Bölümü, Çukurova
Detaylı2011 Third International Conference on Intelligent Human-Machine Systems and Cybernetics
2011 Third International Conference on Intelligent Human-Machine Systems and Cybernetics Özet: Bulanık bir denetleyici tasarlanırken karşılaşılan en önemli sıkıntı, bulanık giriş çıkış üyelik fonksiyonlarının
DetaylıKelebek Görüntülerin Sınıflandırılmasında Yeni Yerel İkili Örüntüler
Kelebek Görüntülerin Sınıflandırılmasında Yeni Yerel İkili Örüntüler Yılmaz KAYA 1, Lokman KAYCİ 2 1 Bilgisayar Mühendisliği Bölümü, Siirt Üniversitesi, 56100 Siirt 2 Biyoloji Bölümü, Siirt Üniversitesi,
DetaylıDOKU TİPİ İMGELERİN SINIFLANDIRILMASI İÇİN BİR UYARLAMALI ENTROPİ TABANLI DALGACIK-YAPAY SİNİR AĞI SİSTEMİ
Gazi Üniv. Müh. Mim. Fak. Der. J. Fac. Eng. Arch. Gazi Univ. Cilt 22, No 1, 27-32, 2007 Vol 22, No 1, 27-32, 2007 DOKU TİPİ İMGELERİN SINIFLANDIRILMASI İÇİN BİR UYARLAMALI ENTROPİ TABANLI DALGACIK-YAPAY
Detaylı