Uzaktan algılama görüntülerinin sınıflandırılması için sınır özniteliklerinin belirlenmesi ve adaptasyonu algoritması
|
|
- Gizem Zorlu
- 5 yıl önce
- İzleme sayısı:
Transkript
1 itüdergisi/d mühendislik Cilt:7, Sayı:4, Ağustos 2008 Uzaktan algılama görüntülerinin sınıflandırılması için sınır özniteliklerinin elirlenmesi ve adaptasyonu algoritması N. Gökhan KASAPOĞLU *, Bingül YAZGAN, Okan K. ERSOY İTÜ Fen Bilimleri Enstitüsü, Elektronik ve Haerleşme Mühendisliği Programı, 34469, Ayazağa, İstanul Özet Geleneksel görüntü işleme tekniklerinin direkt olarak uzaktan algılamaya uygulanması, sadece multispektral datalar için geçerli olailir. Öznitelik vektörü oyutu civarında olan hiperspektral dataların analizi için gelişmiş algoritmalara ihtiyaç vardır. Bununla irlikte, uzaktan algılamada, genellikle sınırlı sayıda eğitim örneğinin olması, özellikle öznitelik vektörünün oyutunun üyük olduğu hiperspektral datalarda, parametrik sınıflayıcıların kullanımını kısıtlar. Bu çalışmanın amacı, istatistiksel dağılıma ağlı olmayan, sadece eldeki eğitim örneklerine dayanan ir algoritma geliştirerek yukarıda özetlenen uzaktan algılama için genel sınıflandırma prolemlerinin üstesinden gelmektir. Önerilen Sınır Özniteliklerinin Belirlenmesi ve Adaptasyonu (SÖBA) algoritması, karar yüzeylerine yakın sınır öznitelik vektörlerini kullanır ve u sınır öznitelik vektörleri, maksimum marin prensiini sağlayacak şekilde adapte edilerek, öznitelik uzayında doğru ölütlemenin yapılmasını sağlar. SÖBA algoritması iki ölümden oluşur. İlk aşamada sınır öznitelik vektörlerinin aşlangıç değerleri uygun eğitim kümesi elemanlarından, yönetileilir sayıda atanır. Daha sonra uygulanan adaptasyon işlemiyle, öğrenme süreci gerçekleştirilerek sınır özniteliklerinin, sonuç değerlerine ulaşması hedeflenir. Sınıflandırma sonuç sınır öznitelik vektörlerine olan en yakın komşuluk (-EK) kuralı uyarınca yapılır. Ek olarak, SÖBA algoritmasının sınır öznitelik vektörlerinin aşlangıç değerlerine ve eğitim kümesi elemanlarının eğitimde kullanılma sırasına ağlı olarak her çalışmasında kaul edileilir derecede farklı sınır karar yüzeyleri oluşturması, konsensüs yapılarda kullanılması için elverişli ir özelliktir. Böylece irçok defa çalıştırılan SÖBA kararlarının uygun kurallarla irleştirilmesiyle tek ir sınıflayıcının aldığı karardan çok daha doğru kararlar elde edileilir. Anahtar Kelimeler: Uzaktan algılama, hiperspektral data sınıflandırma, konsensüs. * Yazışmaların yapılacağı yazar: N. Gökhan KASAPOĞLU. gokhank@itu.edu.tr; Tel: (22) Bu makale, irinci yazar tarafından İTÜ Fen Bilimleri Enstitüsü, Elektronik ve Haerleşme Mühendisliği Programında tamamlanmış olan "Sınır özniteliklerinin elirlenmesi ve adaptasyonu: Uzaktan algılama görüntülerinin sınıflandırılması için yeni ir algoritma" adlı doktora tezinden hazırlanmıştır. Makale metni tarihinde dergiye ulaşmış, tarihinde asım kararı alınmıştır. Makale ile ilgili tartışmalar tarihine kadar dergiye gönderilmelidir.
2 Border feature detection and adaptation for classification of remote sensing images Extended astract Various types of sensors collect very large amounts of data from the earth surface. The characteristics of the data are related to sensor type with its own imaging geometry. Consequently, sensor types affect processing techniques used in remote sensing. In general, image processing techniques used in remote sensing are usually valid for multispectral data which is relatively in a low dimensional feature space. Therefore, advanced algorithms are needed for hyperspectral data which have at least features (attriutes/ands). Additionally, the training process is very important and affects the generalization capaility of a classifier in supervised learning. Enough numer of training samples is required to make proper classification. In remote sensing, collecting training samples is difficult and costly. Consequently, a limited numer of training samples is often availale in practice. Conventional statistical classifiers assume that the data have a specific distriution. For real world data, these kinds of assumptions may not e valid. Additionally, proper parameter estimation is difficult, especially for hyperspectral data. Normally, when the numer of ands used in the classification process increases, precise detailed class determination is expected. For high dimensional feature space, when a new feature is added to the data, classification error decreases, ut at the same time, the ias of the classification error increases. If the increment of the ias of the classification error is more than the reduction in classification error, then the use of the additional feature decreases the performance of the decision algorithm. This phenomenon is called the Hughes effect, and it may e much more harmful with hyperspectral data than with multispectral data. Our motivation in this study is to overcome some of these general classification prolems y developing a classification algorithm which is directly ased on the availale training data rather than on the underlying statistical data distriution. Our proposed algorithm, Border Feature Detection and Adaptation (BFDA), uses order feature vectors near the decision oundaries which are adapted to make a precise partitioning in the feature space y using maximum margin principle. The BFDA algorithm well suited for classification of remote sensing images is developed with a new approach to choosing and adapting order feature vectors with the training data. This approach is especially effective when the information source has a limited amount of data samples, and the distriution of the data is not necessarily Gaussian. Training samples closer to class orders are more prone to generate misclassification, and therefore are significant feature vectors to e used to reduce classification errors. The proposed classification algorithm searches for such error-causing training samples in a special way, and adapts them to generate order feature vectors to e used as laeled feature vectors for classification. The BFDA algorithm can e considered in two parts. The first part of the algorithm consists of defining initial order feature vectors using class centers and misclassified training vectors. With this approach, a manageale numer of order feature vectors is achieved. The second part of the algorithm is adaptation of order feature vectors y using a technique which has some similarity with the learning vector quantization (LVQ) algorithm. In this adaptation process, the order feature vectors are adaptively modified to support proper distances etween them and the class centers, and to increase the margins etween neighoring order features with different class laels. The class centers are also adapted during this process. Susequent classification is ased on laeled order feature vectors and class centers. With this approach, a proper numer of feature vectors for each class is generated y the algorithm. In supervised learning, the training process should e uniased to reach more accurate results in testing. In the BFDA, accuracy is related to the initialization of the order feature vectors and the input ordering of the training samples. These dependencies make the classifier a iased decision maker. Consensus strategy can e applied with cross validation to reduce these dependencies. In this study, maor performance analysis and comparisons were made y using the AVIRIS data. Using the BFDA, we otained satisfactory results with oth multispectral and hyperspectal data sets. The BFDA is also a roust algorithm with the Hughes effect. Additionally, rare class memers are more accurately classified y the BFDA as compared to conventional statistical methods. Keywords: Remote sensing, hyperspectral data classification, consensual classification. 96
3 Sınır özniteliklerinin elirlenmesi ve adaptasyonu Giriş İstatistiksel sınıflandırmada genellikle datanın sahip olduğu istatistiksel dağılımın önceden elli ir istatistiksel dağılıma uyduğu varsayımı altında sınıflandırma işlemi yapılır. Bu varsayım genellikle eğitim için kullanılan örneklerin sayısı istatistiksel olarak doğru ir yargıya varmamız için yeterli olmayacağından iyi sonuçlar almamıza engel olailir. Bu durum hiperspektral datalar için daha da önemli ir prolem olarak karşımıza çıkmaktadır. AVIRIS gii 220 and içeren sensörlerden elde edilen dataların sınıflandırılmasında her ir sınıf için en azından öznitelik uzayının oyutu kadar eğitim kümesi elemanına ihtiyaç olacaktır. Bu durum sağlansa ile sınıflandırmada nadir görülen (az sayıda örnek içeren) sınıfların doğru sınıflandırılması pek mümkün olmayacaktır. Bu açıdan sınıfların aşlangıç olasılık kaullerine ihtiyaç duymayan, parametrik olmayan sınıflayıcılara ihtiyaç vardır. Bu amaçla u çalışmada Sınır Özniteliklerinin Belirlenmesi ve Adaptasyonu algoritması tanıtılmıştır (SÖBA). Burada tanıtılan SÖBA algoritması iki ölüme ayrılailir. Algoritmanın ilk kısmı iteratif olarak sınır özniteliklerinin aşlangıç değerlerini varolan eğitim kümesi elemanlarından seçer. Bu elirleme işleminde uygun seçilecek sınır elemanının sayısı daha sonra uygulanacak adaptasyon süreci için önemlidir. Gereğinden fazla sayıda seçilecek sınır elemanlarının sayısı adaptasyon aşarımını azaltacaktır. Sınır elemanlarının aşlangıç değerleri atandıktan sonra temelde Learning Vector Quantization (LVQ) algoritmasına (Kohonen, 990) enzeyen yeni ir adaptasyon yapısı kullanılır. Bu adaptasyon öznitelik uzayını daha önce elirlenmiş geometrik kısıtlar altında uygun şekilde ölütleyerek geleneksel yöntemlerle karşılaştırıldığında iyi aşarımlar sağlar. SÖBA algoritmasının sınır öznitelik elemanlarının aşlangıç değerlerine ve eğitim kümesi elemanlarının eğitimde kullanılma sırasına ağlı olarak her çalışmasında kaul edileilir derecede farklı sonuçlar vermesi, konsensüs yapılarda kullanılması için elverişli ir özelliktir. Böylece irçok defa çalıştırılan SÖBA kararlarının irleştirilmesiyle tek ir sınıflayıcının aldığı karardan çok daha doğru kararlar elde edileilir. Sınır özniteliklerinin elirlenmesi ve adaptasyonu algoritması Öznitelik uzayının eğitim kümesinden seçilmiş azı referans vektörler yardımıyla ölütlenmesi doku tanıma prolemlerinde sıklıkla kullanılan ir yöntemdir. Gereğinden fazla sayıda seçilen referans vektörlerinin sınıflandırmada kullanılması genelleme aşarımını düşüreilir. Çoğu kez genelleme aşarımını arttırmak için gereksiz vektörlerin elirlenmesi ve referans vektör olarak kullanılmaması gerekir. Gereksiz vektörlerin elirlenmesi için ise udama yöntemleri uygulanailmektedir (Alpaydın, 99). Bu çalışmada sınır özniteliklerinin elirlemesi adı verilen yeni ir referans vektör seçme yaklaşımı önerilmiştir. Bu yaklaşımda referans vektörlerin seçimi elirli geometrik kısıtlar altında yapılır. Destek Vektör Makinalarında (DVM) olduğu gii (Cristianini ve Taylor, 2000) seçilen referans vektörler öznitelik uzayında karar yüzeylerinin oluşmasını sağlar. Böylece seçilen referans vektörlerinin adaptasyon sonunda karar yüzeyine yakın olması sınıflandırma aşarımını etkiler. Referans vektörlere eğitim kümesi içinden seçilen elemanların aşlangıç değeri olarak atanması işlemine sınır özniteliklerinin elirlenmesi, referans vektörlere ise sınır öznitelik vektörleri adı verilir. Daha sonra uygulanan adaptasyon süreciyle sınır öznitelik vektörlerinin sonuç değerlerine ulaşarak öznitelik uzayını elirlenen geometrik kısıtlar altında düzgün ölütlemesi amaçlanır. Test için kullanılan örneklere, adaptasyon sonucunda elde edilen sonuç sınır öznitelik vektörlerine dayanan en yakın komşuluk (-EK) karar kuralı uygulanarak, en yakın komşuluklarındaki sınır öznitelik vektörlerinin etiketleri atanır. Sınır özniteliklerinin elirlenmesi Sınır özniteliklerinin elirlenmesi algoritması aşağıda elirtilen özellikler düşünülerek geliştirilmiştir.. Sınır öznitelik vektörleri adapte edileileceğinden mümkün olduğu kadar karar yüzeylerine yakın olacak şekilde seçilmelidirler. 97
4 2. Sınır öznitelik vektörleri seçimi otomatik olarak yapılmalı ve uygun sayıda aşlangıç öznitelik vektörü seçileilmelidir. 3. Herir sınıfı öznitelik uzayında dengeli içimde temsil etmek için herir sınıf uygun sayıda sınır öznitelik vektörüne sahip olmalıdır. Sınır öznitelik vektörlerinin aşlangıç değerlerinin seçimi için sınıf merkezleri kullanılır. Belirli ir sınıf merkezi ilgili sınıf ortalamasına en yakın vektör olarak tanımlanır. Sınıf ortalaması yerine sınıf merkezinin kullanılması, eğitim örneklerinin öznitelik uzayında içükey şekilde dağılması durumu için ir önlemdir. Etiketleriyle irlikte ir eğitim kümesi {( x, y),( x2, y2),...,( x n, yn)} şeklinde gösterilirse ve uradaki n adet eğitim kümesi vektörlerinin N oyutlu olduğu ve etiketlerinin yi {, 2,, m} şeklinde değiştiği kaul edilirse, m toplam sınıf sayısı olmak üzere sınıf ortalamaları aşağıdaki denklemde gösterildiği gii hesaplanailir: n i m = x,{ x y = i, i =,, m} () i n i = Bu denklemde n i i. sınıf için toplam örnek sayısıdır. i. sınıf için sınıf merkezi c i aşağıdaki denklemde gösterildiği gii hesaplanailir: c = x, i k k = arg min { D },( i m),( n) D ( m, x ) = m x = i i N 2 = ( m ( d)- x ( d) ),{ y i} d i x = = (2) Sınır özniteliklerinin elirlenmesi algoritmasında herir sınıf için uygun eğitim kümesi elemanları sınır öznitelik vektörlerinin aşlangıç değeri olarak sınıf merkezleri yardımıyla seçilir. Sınır öznitelik vektörlerinin aşlangıç değerleri t=0 Β, sınıf merkezleri B 0 ve herir sınıf için sınıf merkezleri yardımıyla seçilen örnekler kümesinin, B i, i= m, irleşimidir. 0 Β = B (3) 0 i m i Sınır öznitelik vektörü, m için = c olarak tanımlanır. Böylece toplam elirlenen sınır öznitelik vektörü sayısı, sınıf merkezleri sayısı m 0 = m ve sınıf merkezleri yardımıyla herir sınıf için elirlenen sınır öznitelik vektörleri sayısının, mi, i =,..., m, toplamı olur. m m = mi = m+ mi i= 0 i= (4) Sınır öznitelik elirleme algoritmasındaki amacımız öznitelik uzayını uygun sayıda sınır öznitelik vektörüyle temsil etmektir. Bu amaçla herir sınıf için aşlangıçta yalnızca sınıf merkezlerini referans vektörler olarak kaul eden ir elirleme algoritması uygulanır. R( t=0 )=B B B (5) i 0 i = 0 Hangi sınıfa ait sınır öznitelikleri elirleniyorsa ilgili sınıfın tüm elemanları sadece ir kez olmak üzere rastgele seçilerek elirleme algoritmasında denenir. Seçilen eğitim kümesi örneğinin etiketi, u eğitim kümesi örneğine en yakın ir komşuluğunda olan referans kümesi elemanının etiketinden farklı ise, kendi sınıfına ait yeni sınır öznitelik elemanı olarak B i kümesine ART algoritmasına enzer şekilde atanır (Carpenter ve Groserg, 987). Örnek olarak ir ikili sınıflandırma prolemi, iki oyutlu öznitelik uzayında Şekil de gösterilmiştir. Bu şekilde. ve 2. sınıflara ait eğitim örnekleri sırasıyla + ve x semolleriyle gösterilmiştir. Sınır öznitelik vektörlerine aşlangıç değeri olarak atanan örnekler şekilde daire ile gösterilmiştir. Sadece sınıf merkezlerine, B 0, dayanan aşlangıç karar yüzeyi ise iki oyutlu 98
5 Sınır özniteliklerinin elirlenmesi ve adaptasyonu örnek uzayda ir doğru ile gösterilmektedir. Sınıf merkezleri dışındaki sınır öznitelik vektörleri, Şekil de görüldüğü gii hatalı karar verilen örnekler arasından seçilmiştir. öznitelik vektörlerinin adaptasyonudur. Ek olarak, adaptasyon sırasında yeni sınır öznitelik vektörleri ihtiyacı ortaya çıkarsa, yeni sınır öznitelik vektörleri, sınır öznitelik vektörleri kümesine eklenir. Adaptasyon işlemi Adaptasyon işleminde yarışmacı öğrenme prensipleri aşağıda açıklandığı şekilde uygulanır: Sınır öznitelik vektörlerinin aşlangıç değeri, 0 Β, sınır öznitelik vektörleri ve onların ortalamaları arasındaki mesafeyi maksimum yapmak, farklı etiketli komşu sınır öznitelik vektörleri arasındaki marini arttırmak için adaptif olarak güncellenir. Burada (3) numaralı denklemle tanımlanan sınır öznitelik elemanlarının ortalaması aşağıdaki denklemle elirlenir: Şekil. İkili sınıflandırma prolemi: sınıf merkezleri ve seçilen aşlangıç sınır öznitelikleri daire ile ve sadece sınıf merkezlerine dayanan karar kuralı, ir doğru ile gösterilmiştir. Şekil 2. İki oyutlu öznitelik uzayının, sınır özniteliklerinin elirlenmesi işleminden sonra elde edilen aşlangıç sınır öznitelik vektörleriyle ölütlenmesi Şekil 2 de ise aşlangıçta seçilen tüm sınır öznitelik vektörleri, Β, öznitelik uzayını 0 ölütlemede kullanıldığında oluşan karar sınırları görülmektedir. Bundan sonraki adım ise sınıf sınırlarını daha iyi temsil etmek için sınır mi =,{ y = i, i =,, m} m i + (6) = {(, y ),(, y ),,( m, y m )} 0 M = m m2 2 m (7) Normal olarak sınır öznitelik vektörlerinin ortalaması sonuç karar sürecinde kullanılmaz. Algoritmanın geometrik kısıtlarından ötürü sınır öznitelik vektörlerinin ortalamalarının kullanılması gereksizdir. Yani sonuç karar sürecinde, test örneklerinin sınıflandırılmasında kullanılıp kullanılmaması aşarımı etkilemez. Eğitim sırasında ise sınır öznitelik vektörlerinin ortalaması yeni sınır özniteliğine ihtiyaç olup olmadığını gösteren kontrol vektörleri olarak düşünüleilir. Eğitim sırasında sınır öznitelik vektörlerinin ortalaması hatalı karara neden oluyorsa sınırda ir açık olduğu düşünülerek eğitim sırasında hatalı karar verilen eğitim kümesi örneği sınırdaki açığı kapatmak için yeni sınır öznitelik vektörü olarak sınır öznitelik vektörleri kümesine eklenir. Sınır öznitelik vektörlerinin adaptasyonunda, sınır öznitelik vektörlerinin ortalaması da sınır öznitelik vektörlerinin değişimine ağlı olarak güncellenir. Adaptasyon için uygulanan stratei aşağıdaki gii açıklanailir: hatalı karara neden olan en yakın sınır öznitelik vektörü w () t hatalı karar verilen eğitim kümesi örneğinden uzaklaşmalı, seçilen eğitim kümesi 99
6 Rastgele Eğitim Örneği Seçimi ( x, y ) ( ( t), y ) w w t {( w( t), y ) ( ) } w w t Β y y w N t {( w( t), y ) ( ) } w w t M N Y t > t N t w() t Β t w() t M Β = Β {( x, y )} m ( t + ) t+ t y Y Y ( t + ) w m y w ( t + ) N t t+ ( t + ) l m y l ( t + ) t t+ Şekil 3. SÖBA algoritması adaptasyon aşaması akış diyagramı örneğiyle aynı etikete sahip sınır öznitelik elemanı l () t ise, seçilen eğitim elemanına yak- l Eğer y etiketli l () t, eğitim için seçilen ve hatalı karar verilen x laşmalıdır. Learning vector quantization (LVQ) ile aynı etikete sahip, algoritmasına enzeyen ir adaptasyon yapısı kullanılmaktadır. Adaptasyon işlemi akış diyagramı y = y, sınır öznitelik vektörleri içinde en yakında olan sınır öznitelik vektörü ise, adaptas- l şeklinde Şekil 3 te gösterilmiştir. x nin y yon işlemi aşağıda ifadelerle elirlendiği şekliyle uygulanır: etiketine sahip ir eğitim kümesi örneği olduğunu varsayalım. y etiketli sınır öznitelik vektörü w() t nin w x ye en yakın sınır öznitelik l( t+ ) = l( t) + η( t) ( x l( t)) (0) vektörü olduğunu kaul edelim. Bu durumda eğer y y ise adaptasyon aşağıda gösterildiği şekilde uygulanır: ( ) ( ) ( ) ( ( ) my t+ = my my t + η t x t ) m () y l w l l l l Adaptasyon ifadelerindeki η () t zamanla azalan ( t+ ) = ( t) η( t) ( x ( t)) (8) w w w ( ) ( ) y ( ) ( ) ( ) my t+ = m my t η t x t m (9) w y w w w w ir fonksiyon olup öğrenme hızı olarak adlandırılır. η () t için iyi ir seçim aşağıdaki ifade de verilmiştir
7 Sınır özniteliklerinin elirlenmesi ve adaptasyonu t / τ () t = e (2) η η 0 Adaptasyon sırasında t gii önceden elirlenmiş ir iterasyon sayısına ulaşıldıktan sonra, M t t ve Β kümelerinin irleşimi referans düğümler olarak giriş eğitim vektörlerinin sınıflandırılması için kullanılır. Eğer y etiketli seçilmiş x eğitim kümesi örneği için en yakın referans düğüm y m w etiketli ir sınır özniteliklerinin ortalaması kümesi elemanı m w ( t > t ) ise ve y ym durumunda hatalı karar verilen eğitim örneği x, yeni sınır öznitelik vektörü ola- w rak eklenir. t+ t Β = Β {( x, y )}, ( t > t ) (3) Bu durumda ilgili ortalama vektörü de aşağıdaki şekilde güncellenecektir. m ( t ) m y ( ) ( ) ( y ( ) ) t t y + = + m t + y m x (4) (4) ifadesinde my ( t ), t iterasyonu anında y etiketli sınır öznitelik vektörlerinin sayısıdır. Bundan dolayı my ( t+ ) eklenen yeni sınır öznitelik vektöründen sonra sonra y etiketli sınır öznitelik vektörleri sayısını gösterir. Şekil de gösterilen iki oyutlu öznitelik uzayında ikili sınıflandırma için adaptasyon neticesinde elde edilen sonuç karar sınırları, doğru parçalarının ir irleşimi şeklinde Şekil 4 de gösterilmiştir. Şekilde adaptasyon neticesinde elde edilen sınır öznitelik vektörleri ise daire şeklinde gösterilmişlerdir. Test kümesi örneklerinin sınıflandırılması, seçilen örneğin adaptasyon sonucunda elde edilen sınır öznitelik vektörlerine olan en yakın ir komşuluğu dikkate alınarak yapılır. Sadece ir komşuluğun dikkate alınması sınır öznitelik vektörlerinin sınırlarda karşılıklı olarak yer alması istendiğinden anlamlıdır. Yapılan denemelerden elde edilen sonuçlara göre u öngörünün gerçekleştiği gösterilmiştir. Şekil 4. İki oyutlu öznitelik uzayının, adaptasyon işleminden sonra elde edilen sonuç sınır öznitelik vektörleriyle ölütlenmesi SÖBA sonuçlarının konsensüs karar verici yapılarda kullanılması SÖBA algoritmasının sonucu, hem sınır özniteliklerinin elirlenmesi, hem de adaptasyonu sırasında kullanılan eğitim kümesi örneklerinin seçilme sırasıyla yakından ilgilidir. SÖBA nın farklı her koşturulmasında, rastgele seçilen eğitim kümesi örnekleri nedeniyle, öznitelik uzayı yaklaşık enzer aşarımlar sağlayarak farklı şekilde ölütleneilmektedir. Daha önce sıkça kullanılan hem parametrik hem de parametrik olmayan sınıflayıcıların kararlarının irleştirilmesiyle karşılaştırıldığında sistem yaklaşımı açısından, SÖBA nın farklı sonuçlarının irleştirilmesi tatminkar sonuçlar vermektedir. Konsensüs karar verici kuralları ise maksimum kuralı, minimum kuralı, ortalama kuralı ve çoğunluk oylaması kuralı olailmektedir (Benediktsson vd., 997; Jimenez vd., 999). Bunlara ek olarak en küçük kareler analizi yöntemiyle de irleştirilecek kararlar için optimal ağırlık katsayıları elirleneilmektedir (Lee ve Ersoy, 2006). Hatta yapay sinir ağları ve SÖBA algoritması da kararların irleştirilmesi için kullanılailir. Şekil 5 te, u çalışmada önerilen konsensüs yapısı gösterilmiştir. Konsensüs yapısında, çapraz sağlama yöntemi yansız kararlar verilmesi için 0
8 f= Sağlama Eğitim Örnekleri SÖBA λ Oriinal Eğitim Örnekleri f=2 Sağlama Eğitim Örnekleri SÖBA λ 2 Σ SONUÇ f=k Sağlama Eğitim Örnekleri SÖBA Şekil 5. k parçalı çapraz sağlama kullanılarak oluşturulan konsensüs strateisi lok şeması konsensüs ile irlikte kullanılmıştır. Yine kaç farklı kararın irleştirilmesi gerektiği, çapraz sağlama yöntemi sayesinde daha doğru ir içimde elirleneilmektedir. Konsensüs kuralı olarak çoğunluk oylaması yöntemi ile irlikte, güvenilirlik faktörüne ağlı olarak elde edilen her ir karar için farklı ağırlıkların kullanılması da çapraz sağlama sayesinde mümkün olmaktadır. Bu yöntemlere ek olarak ağırlık katsayılarının, λ i, i =... k ulunması için ortalama karasel hatanın minimize edilmesi de önerilen konsensüs yapısı sayesinde gerçekleneilir. Bu çalışmada çoğunluk oylaması kuralı sonuçları verilmiştir. Sonuçlarda görülen konsensüs SÖBA neticeleri, 0 parçalı çapraz sağlama yöntemiyle irlikte kullanılan SÖBA nın, 0 kez çalıştırılması ile elde edilen 0 farklı sonucun, herir piksel için karar verilirken, çoğunluk oylaması yöntemi kullanılarak elde edilmiştir. Deneysel Sonuçlar Kullanılan data ve kurulan deneyler Deneylerde, kuzeyatı Indiana dan 992 Haziran ayında toplanan AVIRIS datası kullanılmıştır (Langree ve Biehl, 992). Şekil 6 da gösterilen u data çok iyi ilinen ir test datasıdır ve sıklıkla hiperspektral dataların sınıflandırılma algoritmalarını test etmek için kullanılmaktadır. Kullanılan data setinin oyutları 45x45 piksel olup, iki farklı sınıf ve iki farklı spektral and kominasyonu için deneyler kurulmuştur. 7 sınıflık eğitim kümesi örnekleri (değişik sınıfların ir karışımı olan azı örnekler karışım tip sınıf örnekleri olarak ele alınmıştır) ve 9 sınıflık örnekler (istatistiksel olarak anlamlı 9 sınıf ele alınmıştır), 9 spektral and (multispektral dataları temsil etmesi için) ve 90 spektral and (30 spektral and oriinal and sayısı 220 olan AVIRIS datasından atmosferik etkilerden ötürü çıkarılarak kullanılmamıştır) için oluşturulmuştur. Özetle 7 sınıf, 9 ve 90 oyutlu örnekler data kümeleri ve 2, 9 sınıf, 9 ve 90 oyutlu örnekler ise data kümeleri 3 ve 4 olarak isimlendirilmiştir. Karşılaştırma SÖBA algoritmasının aşarımı, destek vektör makinalarının (Melgani, ve Bruzzone, 2004) yanında maksimum olailirlik, Fisher doğrusal olailirlik, ilinti ve uyumlu süzgeçleme gii istatistiksel sınıflayıcılar ve parametrik olmayan K en yakın komşuluk (K-EK) algoritması da dahil olmak üzere karşılaştırmalı olarak verilmiştir. Talo de ortalama eğitim, test aşarımları, 4 farklı data kümesi için, kappa istatistiği de 0 02
9 (a) () Şekil 6. AVIRIS datası a) 50, 27 ve 7. andlar için görüntü ) 7 sınıf için referans yer verisi Talo. Ortalama eğitim test aşarımları ve kappa istatistiği Eğitim Test Data Kümesi Metod Başarım Başarım κ % % κ Maksimum Olailirlik Fisher Doğrusal Olailirlik İlinti Uyumlu Süzgeçleme K-EK RTF-DVM SÖBA Konsensüs SÖBA K-EK RTF-DVM SÖBA Konsensüs SÖBA Maksimum Olailirlik K-EK RTF-DVM SÖBA Konsensüs SÖBA Maksimum Olailirlik Fisher Doğrusal Olailirlik İlinti Uyumlu Süzgeçleme K-EK RTF-DVM SÖBA Konsensüs SÖBA
10 Başarım [ % ] Data kümesi Data kümesi 2 Data kümesi 3 Data kümesi Sınır öznitelik vektörleri ile K komşuluk Şekil 7. K ya ağlı SÖBA aşarımı dahil olmak üzere gösterilmiştir. Kappa istatistiği genel sınıflandırma aşarımının yanında her ir sınıf için verilen kararların güvenilirliğinin de ir göstergesidir. Öyle ki azınlık sınıflarının korunup korunmadığı hakkında ize güvenilir ilgiler sunar. Talo de data kümesi 4 için maksimum olailirlik sınıflayıcı sonuçlarından anlaşılacağı gii kappa istatistiğinin test aşarımından çok düşük olduğu durumda sadece fazlaca eğitim örneği içeren sınıfların korunduğu anlaşılailir. Data kümeleri ve 2 için sınıflandırma proleminin karmaşıklığı data kümeleri 3 ve 4 e göre nispeten fazladır. Ayrıca data kümesi de karışım tipli ir sınıf da mevcuttur. Data kümeleri ve 2 için az sayıda örnek içeren azınlık sınıfları da ulunmaktadır. Data kümeleri 2 ve 4 için ise istatistiksel olarak anlamlı sınıfların ele alındığı söyleneilir. SÖBA algoritmasının aşarımı geleneksel istatistiksel yöntemlere nazaran tüm data kümeleri için oldukça iyidir. Özellikle azınlık sınıflarını da içeren karmaşık prolemlerde, data kümeleri ve 2 de olduğu gii, SÖBA algoritması destek vektör makinalarıyla irlikte en iyi sonuçları vermektedir. Prolemin karmaşıklığı azaldığında, radyal taanlı fonksiyon - destek vektör makinalarının (RTF-DVM) aşarımının yükseldiği söyleneilir. Elde edilen sonuçlar göstermiştir ki u çalışmada tanıtılan SÖBA algoritması hem multispektral hem de hiperspektral datalar için sınıfların istatistiğine ağlı kalmaksızın tutarlı sonuçlar üretmektedir. Konsensüs SÖBA için ise verilen sonuçlar, SÖBA nın 0 parçalı çapraz sağlama kullanılarak çalıştırılması sonucu elde edilen sonuçların çoğunluk oylaması yöntemiyle irleştirilmesiyle elde edilmiştir. Konsensüs SÖBA algoritması için sonuçlar, tüm data kümeleri için oldukça tatminkardır. Şekil 7 de ise adaptasyon sonucu elde edilen sonuç sınır öznitelik elemanlarına uygulanan K-EK de K ya ağlı aşarımın değişimi görülmektedir. Bu eklenen sonuç neticesinde SÖBA da K= alınmalıdır. Kaynaklar Alpaydin, E., (99). GAL: networks that grow when they learn and shrink when they forget, Technical Report 9-032, International Computer Science Institute, Berkeley, CA. Benediktsson, J.A., Sveinsson, J.R., Ersoy, O.K. ve Swain, P.H., (997). Parallel consensual neural networks, IEEE Transactions on Geoscience and Remote Sensing, 8,, Carpenter, G.A. ve Groserg, S., (987). A massively parallel architecture for a self organizing neural pattern recognition machine, Computer Vision, Graphics, and Image Processing, 37, Chee, H.M. ve Ersoy, O.K., (2005). A statistical self-organizing learning system for remote sens- 04
11 Sınır özniteliklerinin elirlenmesi ve adaptasyonu ing classification, IEEE Transactions on Geoscience and Remote Sensing, 432, Cristianini, N. ve Taylor, J.S., (2000). Support Vector Machines, Camridge University Press, Newyork. Duda, R.O., Hart, P.E. and Stork, D.G., (200). Pattern Classification, John Wiley & Sons, New York. Foody, G.M. ve Mathur, A., (2006). The use of small training sets containing mixed pixels for accurate hard image classification: Training on mixed spectral responses for classification y a SVM, Remote Sensing of Environment, 03, Fukunaga, K., (990). Introduction to Statistical Pattern Recognition, Academic Press, San Diego. Jimenez, L.O., Morell, A.M. ve Creus, A., (999). Classification of hyperdimensional data ased feature and decision fusion approaches using proection pursuit, maority voting, and neural networks, IEEE Transactions on Geoscience and Remote Sensing, 37, Joachims, T., (999). Making large-scale SVM Learning Practical. Advances in Kernel Methods in Schölkopf, B., Burges, C., ve Smola, A., eds, Support Vector Learning, MIT-Press, Newyork. Kasapoğlu, N.G., Ersoy, O.K. ve Yazgan B., (2006). Border feature detection and adaptation for classification of remote sensing images, Proceeding of IGARSS 06, Denver, USA. Kasapoğlu, N.G. ve Ersoy, O., (2007). Border feature detection and adaptation for classification of multispectral and hyperspectral remote sensing images, Technical Report TR-ECE-07-06, Purdue University, W. Lafayette, IN. Kohonen, T., (990). The self-organizing map, Proceedings of the IEEE, 78, 9. Langree D. ve Biehl, L., (992). Multispec and AVIRIS NW Indiana s Indian Pines data set. index.html. Landgree, D.A., (2003). Signal Theory and Methods in Multispectral Remote Sensing, John Wiley & Sons, New Jersey. Lee, J. ve Ersoy, O., (2006). Consensual and hierarchical classification of remotely sensed multispectral images, Proceedings of IGARRS 06, Denver, USA. Melgani, F. ve Bruzzone, L., (2004). Classification of hyperspectral remote sensing images with support vector machines, IEEE Transactions on Geoscience and Remote Sensing, 42, Richards, J.A., (993). Remote Sensing Digital Image Analysis, An Introduction, Springer-Verlag, New York. Vapnik, V.N., (998). Statistical Learning Theory, Wiley, New York. 05
Geliştirilmiş 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),
DetaylıYüz Tanımaya Dayalı Uygulamalar. (Özet)
4 Yüz Tanımaya Dayalı Uygulamalar (Özet) Günümüzde, teknolojinin gelişmesi ile yüz tanımaya dayalı bir çok yöntem artık uygulama alanı bulabilmekte ve gittikçe de önem kazanmaktadır. Bir çok farklı uygulama
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
DetaylıHİPERSPEKTRAL GÖRÜNTÜLEMENİN SAVUNMA TEKNOLOJİLERİ UYGULAMALARI VE SPEKTRAL EĞRİLTME SAYESİNDE YÜKSEK TANIMA BAŞARIMI
HİPERSPEKTRAL GÖRÜNTÜLEMENİN SAVUNMA TEKNOLOJİLERİ UYGULAMALARI VE SPEKTRAL EĞRİLTME SAYESİNDE YÜKSEK TANIMA BAŞARIMI Begüm Demir (a), Sarp Ertürk (b) (a) KOÜ, Elektronik ve Haberleşme Müh. Böl., 41040,
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
DetaylıCoğrafi Veri Üretimi Bakış Açısı İle TÜBİTAK UZAY daki Uzaktan Algılama Araştırmaları
Coğrafi Veri Üretimi Bakış Açısı İle TÜBİTAK UZAY daki Uzaktan Algılama Araştırmaları Sunan: Dr. Ufuk SAKARYA TÜBİTAK UZAY Katkıda Bulunanlar: Mustafa Teke, Can Demirkesen, Ramazan Küpçü, Hüsne Seda Deveci,
DetaylıFARKLI YÖNTEMLERLE SINIFLANDIRILMIŞ UYDU GÖRÜNTÜLERİNİN BENZERLİK KARŞILAŞTIRMASI. Tolga BAKIRMAN 1
FARKLI YÖNTEMLERLE SINIFLANDIRILMIŞ UYDU GÖRÜNTÜLERİNİN BENZERLİK KARŞILAŞTIRMASI Tolga BAKIRMAN 1 1 Arş. Gör., Yıldız Teknik Üniversitesi, Harita Mühendisliği Bölümü, 34220, Davutpaşa, İstanbul, bakirman@yildiz.edu.tr
DetaylıÖZGEÇMİŞ. 1. Adı Soyadı : Olcay Taner Yıldız. 2. Doğum Tarihi : 15.05.1976. 3. Unvanı : Doç. Dr. 4. Öğrenim Durumu :
ÖZGEÇMİŞ 1. Adı Soyadı : Olcay Taner Yıldız 2. Doğum Tarihi : 15.05.1976 3. Unvanı : Doç. Dr. 4. Öğrenim Durumu : Derece Alan Üniversite Yıl Lisans Bilgisayar Mühendisliği Boğaziçi Üniversitesi 1997 Y.
DetaylıEğitim seti (training set) sınıflandırma modelinin elde edileceği kayıtları içerir
sınıflandırma: temel kavramlar, karar ağaçları ve model değerlendirme Sınıflandırma : Tanım Eğitim seti (training set) sınıflandırma modelinin elde edileceği kayıtları içerir Eğitim setindeki her kayıt
DetaylıVERİ MADENCİLİĞİ YÖNTEMLERİ KULLANILARAK ÇOK-BANTLI UYDU GÖRÜNTÜ VERİLERİNİN SINIFLANDIRILMASI İÇİN ALGORİTMA SEÇİMİ
484 [1279] VERİ MADENCİLİĞİ YÖNTEMLERİ KULLANILARAK ÇOK-BANTLI UYDU GÖRÜNTÜ VERİLERİNİN SINIFLANDIRILMASI İÇİN ALGORİTMA SEÇİMİ Hamza EROL 1 1 Prof. Dr., Çukurova Üniversitesi, İstatistik Bölümü, 01330,
DetaylıAraştırma Görevlisi İSMAİL ÇÖLKESEN
Araştırma Görevlisi İSMAİL ÇÖLKESEN ÖZGEÇMİŞ Adı Soyadı : İSMAİL ÇÖLKESEN Doğum Tarihi : 1981 Ünvanı : Dr. Öğrenim Durumu : Derece Alan Üniversite Lisans Yüksek Lisans Doktora Jeodezi ve Fotogrametri Müh.
DetaylıBasit Doğrusal Regresyon Analizi ile Hiyerarşik Doğrusal Modeller Analizinin Karşılaştırılması
Eğitimde ve Psikoloide Ölçme ve Değerlendirme Dergisi, Kış 2010, 1(2), 78-84 Basit Doğrusal Regresyon Analizi ile Hiyerarşik Doğrusal Modeller Analizinin Karşılaştırılması Burcu ATAR * Hacettepe Üniversitesi
DetaylıDOKUZ EYLÜL ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MÜDÜRLÜĞÜ DERS/MODÜL/BLOK TANITIM FORMU. Dersin Orjinal Adı: Pattern Recognition
Dersi Veren Birim: Fen Bilimleri Enstitüsü Dersin Türkçe Adı: Örüntü Tanıma Dersin Orjinal Adı: Pattern Recognition Dersin Düzeyi:(Ön lisans, Lisans, Yüksek Lisans, Doktora) Lisansüstü Dersin Kodu: CSE
DetaylıMEH535 Örüntü Tanıma
MEH535 Örüntü Tanıma 3. Denetimli Öğrenme Doç.Dr. M. Kemal GÜLLÜ Elektronik ve Haberleşme Mühendisliği Bölümü web: http://akademikpersonel.kocaeli.edu.tr/kemalg/ E-posta: kemalg@kocaeli.edu.tr Örneklerden
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
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
DetaylıUnlike analytical solutions, numerical methods have an error range. In addition to this
ERROR Unlike analytical solutions, numerical methods have an error range. In addition to this input data may have errors. There are 5 basis source of error: The Source of Error 1. Measuring Errors Data
DetaylıKarar Ağaçları İle Uydu Görüntülerinin Sınıflandırılması: Kocaeli Örneği
Harita Teknolojileri Elektronik Dergisi Cilt: 2, No: 1, 2010 (36-45) Electronic Journal of Map Technologies Vol: 2, No: 1, 2010 (36-45) TEKNOLOJĠK ARAġTIRMALAR www.teknolojikarastirmalar.com e-issn: 1309-3983
DetaylıFARKLI BOYUTTA EĞİTİM ÖRNEKLERİ İÇİN DESTEK VEKTÖR MAKİNELERİNİN SINIFLANDIRMA PERFORMANSININ ANALİZİ
III. Uzaktan lgılama ve Coğrafi ilgi Sistemleri Sempozyumu, 11 13 Ekim 2010, Gebze KOCELİ FRKLI OYUTT EĞİTİM ÖRNEKLERİ İÇİN DESTEK VEKTÖR MKİNELERİNİN SINIFLNDIRM PERFORMNSININ NLİZİ İ. Çölkesen 1, T.
DetaylıÖRNEK TABANLI K-STAR ALGORİTMASI İLE UZAKTAN ALGILANMIŞ GÖRÜNTÜLERİN SINIFLANDIRILMASI
ÖRNEK TABANLI K-STAR ALGORİTMASI İLE UZAKTAN ALGILANMIŞ GÖRÜNTÜLERİN SINIFLANDIRILMASI İ. Çölkesen *, T. Kavzoğlu GYTE, Mühendislik Fakültesi, Jeodezi ve Fotogrametri Müh. Bölümü, 41400 Gebze-Kocaeli (icolkesen@gyte.edu.tr,
DetaylıDESTEK VEKTÖR MAKİNELERİ TEKNİĞİ İLE SINIFLANDIRMA: RAPİDEYE ÖRNEĞİ
DESTEK VEKTÖR MAKİNELERİ TEKNİĞİ İLE SINIFLANDIRMA: RAPİDEYE ÖRNEĞİ M. Üstüner a,, F. Balık Şanlı a, *, F. Bektaş Balçık b,, M.T. Esetlili c a YTU, İnşaat Fakültesi, Harita Mühendisliği Bölümü 34220 Esenler,
DetaylıMekatronik Mühendisliği Uygulamalarında Yapay Zekâ. Makine Öğrenmesi. Erhan AKDOĞAN, Ph.D.
Mekatronik Mühendisliği Uygulamalarında Yapay Zekâ Makine Öğrenmesi Erhan AKDOĞAN, Ph.D. Bu ders notunun hazırlanmasında Dr. U.Orhan ve Banu Diri nin ders notlarından yararlanılmıştır. Makine öğrenmesi
DetaylıNazlı Deniz ERGÜÇ 1, Hamza EROL 2, Bekir Yiğit YILDIZ 3, Vedat PEŞTEMALCI 4
454 [1280] LANDSAT ÇOK-BANTLI UYDU GÖRÜNTÜ VERİSİNİN VERİ MADENCİLİĞİ YÖNTEMLERİ KULLANILARAK SINIFLANDIRILMASI Nazlı Deniz ERGÜÇ 1, Hamza EROL 2, Bekir Yiğit YILDIZ 3, Vedat PEŞTEMALCI 4 1 Özel Öğrenci,
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
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
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
DetaylıTHE IMPACT OF AUTONOMOUS LEARNING ON GRADUATE STUDENTS PROFICIENCY LEVEL IN FOREIGN LANGUAGE LEARNING ABSTRACT
THE IMPACT OF AUTONOMOUS LEARNING ON GRADUATE STUDENTS PROFICIENCY LEVEL IN FOREIGN LANGUAGE LEARNING ABSTRACT The purpose of the study is to investigate the impact of autonomous learning on graduate students
DetaylıA UNIFIED APPROACH IN GPS ACCURACY DETERMINATION STUDIES
A UNIFIED APPROACH IN GPS ACCURACY DETERMINATION STUDIES by Didem Öztürk B.S., Geodesy and Photogrammetry Department Yildiz Technical University, 2005 Submitted to the Kandilli Observatory and Earthquake
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
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
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
DetaylıARAZİ ÖRTÜSÜ HARİTALARININ ÜRETİLMESİNDE YERYÜZÜ ÖZELLİKLERİNİN SINIFLANDIRMA DOĞRULUĞUNA ETKİLERİNİN İNCELENMESİ: TRABZON ÖRNEĞİ
ARAZİ ÖRTÜSÜ HARİTALARININ ÜRETİLMESİNDE YERYÜZÜ ÖZELLİKLERİNİN SINIFLANDIRMA DOĞRULUĞUNA ETKİLERİNİN İNCELENMESİ: TRABZON ÖRNEĞİ İ. Çölkesen*, T. Kavzoğlu Gebze Yüksek Teknoloji Enstitüsü, Jeodezi ve
DetaylıSevim Yasemin ÇİÇEKLİ 1, Coşkun ÖZKAN 2
1078 [1025] LANDSAT 8'İN ADANA SEYHAN BARAJ GÖLÜ KIYI ÇİZGİSİNİN AYLIK DEĞİŞİMİNİN BELİRLENMESİNDE KULLANILMASI Sevim Yasemin ÇİÇEKLİ 1, Coşkun ÖZKAN 2 1 Arş. Gör., Erciyes Üniversitesi, Harita Mühendisliği
DetaylıDestekçi Vektör Makineleri. Destekçi Vektör Makineleri(Support Vector Machines)
Destekçi Vektör Makineleri Destekçi Vektör Makineleri(Support Vector Machines) Değişkenler arasındaki örüntülerin bilinmediği veri setlerindeki sınıflama problemleri için önerilmiş bir makine öğrenmesi
DetaylıEnis Günay 1, Alper Baştürk 2, Hilal Benli 3. Özet. Abstract. 1. Giriş. {egunay,ab}@erciyes.edu.tr. hilal.benli@tubitak.gov.tr
HSA ile Sayısal Görüntülerde Kenar Çıkarımı için Parçacık Sürüsü Optimizasyon Algoritması Taanlı Şalon Katsayısı Öğrenimi Particle Swarm Optimization Algorithm Based Cloning Template Learning for Edge
DetaylıAkış YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ
Akış Makine Öğrenmesi nedir? Günlük Hayatımızdaki Uygulamaları Verilerin Sayısallaştırılması Özellik Belirleme Özellik Seçim Metotları Bilgi Kazancı (Informaiton Gain-IG) Sinyalin Gürültüye Oranı: (S2N
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
DetaylıZeki Optimizasyon Teknikleri
Zeki Optimizasyon Teknikleri Genetik Algoritma (Genetic Algorithm) Doç.Dr. M. Ali Akcayol Genetik Algoritma 1970 li yıllarda John Holland tarafından geliştirilmiştir. 1989 yılında David E. Goldberg Genetik
DetaylıMULTISPEKTRAL UYDU GÖRÜNTÜLERİ İÇİN EN UYGUN BANT SEÇİMİNİN SINIFLANDIRMA DOĞRULUĞUNA ETKİLERİNİN İNCELENMESİ
MULTISPEKTRAL UYDU GÖRÜNTÜLERİ İÇİN EN UYGUN BANT SEÇİMİNİN SINIFLANDIRMA DOĞRULUĞUNA ETKİLERİNİN İNCELENMESİ T. Kavzoğlu *, İ. Çölkesen, E.K. Şahin Gebze Yüksek Teknoloji Enstitüsü, Jeodezi ve Fotogrametri
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
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
DetaylıDOKUZ EYLÜL ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ DEKANLIĞI DERS/MODÜL/BLOK TANITIM FORMU. Dersin Kodu: CME 4410
Dersi Veren Birim: Bilgisayar Mühendisliği Dersin Türkçe Adı: ÖRÜNTÜ TANIMAYA GİRİŞ Dersin Orjinal Adı: INTRODUCTION TO PATTERN RECOGNITION Dersin Düzeyi:(Ön lisans, Lisans, Yüksek Lisans, Doktora) Lisans
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
DetaylıUZAYSAL VE DOLU GÖVDELİ AŞIKLARIN ÇELİK ÇATI AĞIRLIĞINA ETKİSİNİN İNCELENMESİ
UZAYSAL VE DOLU GÖVDELİ AŞIKLARIN ÇELİK ÇATI AĞIRLIĞINA ETKİSİNİN İNCELENMESİ Mutlu SEÇER* ve Özgür BOZDAĞ* *Dokuz Eylül Üniv., Müh. Fak., İnşaat Müh. Böl., İzmir ÖZET Bu çalışmada, ülkemizde çelik hal
DetaylıCOĞRAFİ BİLGİ SİSTEMLERİ YARDIMIYLA TRAFİK KAZALARININ TESPİTİNDE YENİ BİR VERİ ÖLÇEKLEME YÖNTEMİ: KOMŞU TABANLI ÖZELLİK ÖLÇEKLEME (KTÖÖ)
COĞRAFİ BİLGİ SİSTEMLERİ YARDIMIYLA TRAFİK KAZALARININ TESPİTİNDE YENİ BİR VERİ ÖLÇEKLEME YÖNTEMİ: KOMŞU TABANLI ÖZELLİK ÖLÇEKLEME (KTÖÖ) Kemal Polat 1 1 Elektrik-Elektronik Mühendisliği Bölümü Abant İzzet
DetaylıOBJE TABANLI YAKLAŞIMDA MAKİNE ÖĞRENME ALGORİTMALARININ SINIFLANDIRMA PERFORMANSININ ANALİZİ
OBJE TABANLI YAKLAŞIMDA MAKİNE ÖĞRENME ALGORİTMALARININ SINIFLANDIRMA PERFORMANSININ ANALİZİ T. Kavzoğlu *, İ. Çölkesen, E.K. Şahin Gebze Teknik Üniversitesi, Jeodezi ve Fotogrametri Müh. Bölümü, 41400
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
DetaylıZeki Optimizasyon Teknikleri
Zeki Optimizasyon Teknikleri Ara sınav - 25% Ödev (Haftalık) - 10% Ödev Sunumu (Haftalık) - 5% Final (Proje Sunumu) - 60% - Dönem sonuna kadar bir optimizasyon tekniğiyle uygulama geliştirilecek (Örn:
DetaylıHiperspektral Görüntünlülerde Tek Sınıf Destek Vektör Makinası ve Destek Vektör Veri Tanımlaması Yöntemlerinin Performans Karşılaştırması
Hiperspektral Görüntünlülerde Tek Sınıf Destek Vektör Makinası ve Destek Vektör Veri Tanımlaması Yöntemlerinin Performans Karşılaştırması The Performance Evaluation of One Class Support Vector Machine
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
DetaylıYinelemeli ve Uyarlanır Ayrıt Saptayıcı Süzgeçleri
Yinelemeli ve Uyarlanır Ayrıt Saptayıcı Süzgeçleri innur Kurt, Muhittin Gökmen İstanbul Teknik Üniversitesi ilgisayar Mühendisliği ölümü Maslak 8066, İstanbul {kurt,gokmen}@cs.itu.edu.tr Özetçe Görüntü
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,
DetaylıMEH535 Örüntü Tanıma
MEH535 Örüntü Tanıma 1. Örüntü Tanımaya Giriş Doç.Dr. M. Kemal GÜLLÜ Elektronik ve Haberleşme Mühendisliği Bölümü web: http://akademikpersonel.kocaeli.edu.tr/kemalg/ E-posta: kemalg@kocaeli.edu.tr Değerlendirme
DetaylıÖrüntü Tanıma (COMPE 467) Ders Detayları
Örüntü Tanıma (COMPE 467) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Saati Uygulama Saati Laboratuar Saati Kredi AKTS Örüntü Tanıma COMPE 467 Bahar 3 0 0 3 5 Ön Koşul Ders(ler)i Dersin Dili Dersin Türü
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
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
DetaylıKanonik Korelasyon Orman Algoritması ile Uzaktan Algılanmış Görüntülerin Sınıflandırılması
Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi Kanonik Korelasyon Orman Algoritması ile Uzaktan Algılanmış Görüntülerin Sınıflandırılması, Afyon Çölkesen Kocatepe ve University Kavzoğlu
DetaylıİTÜ Bilişim Enstitüsü Yönetim Kurulu Toplantı Tutanağı Toplantı No: 228, 09 Mayıs 2011, Bilişim Enstitüsü
İTÜ Bilişim Enstitüsü Yönetim Kurulu Toplantı Tutanağı Toplantı No: 228, 09 Mayıs 2011, Bilişim Enstitüsü İstanbul Teknik Üniversitesi Bilişim Enstitüsü nün Yönetim Kurulu 228 sıra sayılı toplantısı, 09
DetaylıQUANTILE REGRESYON * Quantile Regression
QUANTILE REGRESYON * Quantile Regression Fikriye KURTOĞLU İstatistik Anabilim Dalı Olcay ARSLAN İstatistik Anabilim Dalı ÖZET Bu çalışmada, Lineer Regresyon analizinde kullanılan en küçük kareler yöntemine
Detaylı2016 YILI AKADEMİK TEŞVİK BAŞVURUSU FAALİYET TÜRÜ HAM PUAN NET PUAN PROJE ARAŞTIRMA 0 0 YAYIN
ALİ ÖZGÜN OK DOÇENT YILI AKADEMİK TEŞVİK BAŞVURUSU NEVŞEHİR HACI BEKTAŞ VELİ ÜNİVERSİTESİ/MÜHENDİSLİK-MİMARLIK FAKÜLTESİ/JEODEZİ VE FOTOGRAMETRİ MÜHENDİSLİĞİ BÖLÜMÜ/JEODEZİ VE FOTOGRAMETRİ MÜHENDİSLİĞİ
DetaylıOtomatik Doküman Sınıflandırma
Akademik Bilişim 12 - XIV Akademik Bilişim Konferansı Bildirileri Otomatik Doküman Sınıflandırma Adnan Menderes Üniversitesi, Fen Edebiyat Fakültesi Matematik Bölümü, Aydın rumeysa2903@gmailcom, rasliyan@aduedutr,
DetaylıUzaktan Algılama Teknolojileri
Uzaktan Algılama Teknolojileri Ders 10 Hiperspektral Görüntülerde Öznitelik Çıkarımı ve Boyut Azaltımı Alp Ertürk alp.erturk@kocaeli.edu.tr Öznitelik Çıkarımı Veriden ayırt edici yapıda nitelikler çıkarma
DetaylıOtomatik Doküman Sınıflandırma
Otomatik Doküman Sınıflandırma Rumeysa YILMAZ, Rıfat AŞLIYAN, Korhan GÜNEL Adnan Menderes Üniversitesi, Fen Edebiyat Fakültesi Matematik Bölümü, Aydın rumeysa2903@gmailcom, rasliyan@aduedutr, kgunel@aduedutr
DetaylıCHAPTER 7: DISTRIBUTION OF SAMPLE STATISTICS. Sampling from a Population
CHAPTER 7: DISTRIBUTION OF SAMPLE STATISTICS Sampling from a Population Örnek: 2, 4, 6, 6, 7, 8 say lar ndan oluşan bir populasyonumuz olsun Bu say lardan 3 elemanl bir örneklem (sample) seçebiliriz. Bu
DetaylıArazi Kullanım Sınıfları İçin Farklı Kontrollü Sınıflandırma Algoritmalarının Karşılaştırılması
Arazi Kullanım Sınıfları İçin Farklı Kontrollü Sınıflandırma Algoritmalarının Karşılaştırılması *Sinan BULUT 1, Alkan GÜNLÜ 1 1 Çankırı Karatekin Üniversitesi, Orman Fakültesi, Orman Mühendisliği Bölümü,
DetaylıÖnem Tahminleme Tabanlı Tek Sınıf Sınıflayıcı ile Doku Tanıma
Dokuz Eylül Üniversitesi-Mühendislik Fakültesi Fen ve Mühendislik Dergisi Cilt 20, Sayı 58, Ocak, 2018 Dokuz Eylul University-Faculty of Engineering Journal of Science and Engineering Volume 20, Issue
Detaylıİstanbul Şehir Üniversitesi Bahar
BGM 565 - Siber Güvenlik için Makine Öğrenme Yöntemleri Bilgi Güvenliği Mühendisliği Yüksek Lisans Programı Dr. Ferhat Özgür Çatak ozgur.catak@tubitak.gov.tr İstanbul Şehir Üniversitesi 2018 - Bahar İçindekiler
DetaylıYard. Doç. Dr. İrfan DELİ. Matematik
Unvanı Yard. Doç. Dr. Adı Soyadı İrfan DELİ Doğum Yeri ve Tarihi: Çivril/Denizli -- 06.04.1986 Bölüm: E-Posta Matematik irfandeli20@gmail.com, irfandeli@kilis.edu.tr AKADEMİK GELİŞİM ÜNİVERSİTE YIL Lisans
DetaylıKİNETİK MODEL PARAMETRELERİNİN BELİRLENMESİNDE KULLANILAN OPTİMİZASYON TEKNİKLERİNİN KIYASLANMASI
KİNETİK MODEL PARAMETRELERİNİN BELİRLENMESİNDE KULLANILAN OPTİMİZASYON TEKNİKLERİNİN KIYASLANMASI Hatice YANIKOĞLU a, Ezgi ÖZKARA a, Mehmet YÜCEER a* İnönü Üniversitesi Mühendislik Fakültesi Kimya Mühendisliği
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
DetaylıDijital Görüntü İşleme Teknikleri
Teknikleri Ders Notları, 2013 Doç. Dr. Fevzi Karslı Harita Mühendisliği Bölümü Mühendislik Fakültesi KTÜ 08 Ekim 2013 Salı 1 Ders Planı ve İçeriği 1. Hafta Giriş, dersin kapsamı, temel kavramlar, kaynaklar.
DetaylıHafta 05 - Karar Ağaçları/Kümeleme
BGM 565 - Siber Güvenlik için Makine Öğrenme Yöntemleri Bilgi Güvenliği Mühendisliği Yüksek Lisans Programı Dr. Ferhat Özgür Çatak ozgur.catak@tubitak.gov.tr İstanbul Şehir Üniversitesi 2018 - Bahar İçindekiler
DetaylıWEEK 4 BLM323 NUMERIC ANALYSIS. Okt. Yasin ORTAKCI.
WEEK 4 BLM33 NUMERIC ANALYSIS Okt. Yasin ORTAKCI yasinortakci@karabuk.edu.tr Karabük Üniversitesi Uzaktan Eğitim Uygulama ve Araştırma Merkezi BLM33 NONLINEAR EQUATION SYSTEM Two or more degree polinomial
Detaylı4. HAFTA BLM323 SAYISAL ANALİZ. Okt. Yasin ORTAKCI.
4. HAFTA BLM33 SAYISAL ANALİZ Okt. Yasin ORTAKCI yasinortakci@karabuk.edu.tr Karabük Üniversitesi Uzaktan Eğitim Uygulama ve Araştırma Merkezi BLM33 NONLINEAR EQUATION SYSTEM Two or more degree polinomial
DetaylıYZM ALGORİTMA ANALİZİ VE TASARIM DERS#9: AÇGÖZLÜ ALGORİTMALAR
YZM 3207- ALGORİTMA ANALİZİ VE TASARIM DERS#9: AÇGÖZLÜ ALGORİTMALAR Aç Gözlü (Hırslı) Algoritmalar (Greedy ) Bozuk para verme problemi Bir kasiyer 48 kuruş para üstünü nasıl verir? 25 kuruş, 10 kuruş,
DetaylıGÖRÜNTÜLERİN RENK UZAYI YARDIMIYLA AYRIŞTIRILMASI SEGMENTATION OF IMAGES WITH COLOR SPACE
İleri Teknoloji Bilimleri Dergisi Cilt 3, Sayı 1, 1-8, 2014 Journal of Advanced Technology Sciences Vol 3, No 1, 1-8, 2014 GÖRÜNTÜLERİN RENK UZAYI YARDIMIYLA AYRIŞTIRILMASI Recep DEMİRCİ 1 Uğur GÜVENÇ
DetaylıPARÇACIK SÜRÜ OPTİMİZASYONU BMÜ-579 METASEZGİSEL YÖNTEMLER YRD. DOÇ. DR. İLHAN AYDIN
PARÇACIK SÜRÜ OPTİMİZASYONU BMÜ-579 METASEZGİSEL YÖNTEMLER YRD. DOÇ. DR. İLHAN AYDIN 1995 yılında Dr.Eberhart ve Dr.Kennedy tarafından geliştirilmiş popülasyon temelli sezgisel bir optimizasyon tekniğidir.
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
DetaylıInstance Based Learning k-nn. YZM 3226 Makine Öğrenmesi
Instance Based Learning k-nn YZM 3226 Makine Öğrenmesi Outline Eager vs. Lazy Learning Instance Based Learning K-Nearest Neighbor Algorithm Nearest Neighbor Approach Basic k-nearest Neighbor Classification
DetaylıDerin Öğrenme Algoritmalarında Model Testleri: Derin Testler
Derin Öğrenme Algoritmalarında Model Testleri: Derin Testler Ferhat Şükrü Rende, Gültekin Bütün, Şamil Karahan Bilişim Teknolojileri Enstitüsü, TÜBİTAK BİLGEM, Gebze, Kocaeli {ferhat.rende, gultekin.butun,
DetaylıDersin Kodu Dersin Adı Dersin Türü Yıl Yarıyıl AKTS. BUHAR KAZANLARI Seçmeli 4 7 3
Ders Öğretim Planı Dersin Kodu Dersin Adı Dersin Türü Yıl Yarıyıl AKTS 507004472007 BUHAR KAZANLARI Seçmeli 4 7 3 Dersin Seviyesi Lisans Dersin Amacı Bu dersin amacı, öğrencilerin buhar kazanları ile ilgili
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:
DetaylıYÜKSEK ÇÖZÜNÜRLÜKLÜ UYDU VERİLERİ KULLANILARAK ORMAN ÖRTÜSÜNÜN SEGMENT-TABANLI SINIFLANDIRILMASI ÖZET
III. Ulusal Karadeniz Ormancılık Kongresi 20-22 Mayıs 2010 Cilt: II Sayfa: 471-476 YÜKSEK ÇÖZÜNÜRLÜKLÜ UYDU VERİLERİ KULLANILARAK ORMAN ÖRTÜSÜNÜN SEGMENT-TABANLI SINIFLANDIRILMASI Muhittin İNAN 1, Hakan
DetaylıFARKLI UYDU VERİLERİNİN BANT BİRLEŞTİRİLMESİNDEN SONRA SPEKTRAL SINIFLANDIRMALARDA KULLANILMASI
FARKLI UYDU VERİLERİNİN BANT BİRLEŞTİRİLMESİNDEN SONRA SPEKTRAL SINIFLANDIRMALARDA KULLANILMASI Önder GÜRSOY 1, Anıl Can BİRDAL 2 1 Yrd. Doç. Dr., Cumhuriyet Üniversitesi, Mühendislik Fakültesi, Geomatik
DetaylıGözetimli & Gözetimsiz Öğrenme
Bölüm 5. Sınıflandırma 1 http://ceng.gazi.edu.tr/~ozdemir Gözetimli & Gözetimsiz Öğrenme Predictive Data Mining vs. Descriptive Data Mining Gözetimli (Supervised) öğrenme= sınıflandırma (clasification)
DetaylıBölüm 6. Diziler (arrays) Temel kavramlar Tek boyutlu diziler Çok boyutlu diziler
Bölüm 6 Diziler (arrays) Temel kavramlar Tek boyutlu diziler Çok boyutlu diziler Chapter 6 Java: an Introduction to Computer Science & Programming - Walter Savitch 1 Genel Bakış Dizi: Hepsi aynı türde
DetaylıKAHKAHA TANIMA İÇİN RASSAL ORMANLAR
KAHKAHA TANIMA İÇİN RASSAL ORMANLAR Heysem Kaya, A. Mehdi Erçetin, A. Ali Salah, S. Fikret Gürgen Bilgisayar Mühendisliği Bölümü Boğaziçi Üniversitesi / Istanbul Akademik Bilişim'14, Mersin, 05.02.2014
DetaylıYENİ NESİL ÇİZGE-TABANLI GÖRÜNTÜ SINIFLANDIRMA YÖNTEMİNİN TARIMSAL ÜRÜN DESENİ ÜZERİNDEKİ ETKİSİNİN İNCELENMESİ
YENİ NESİL ÇİZGE-TABANLI GÖRÜNTÜ SINIFLANDIRMA YÖNTEMİNİN TARIMSAL ÜRÜN DESENİ ÜZERİNDEKİ ETKİSİNİN İNCELENMESİ A. Özdarıcı Ok a, *, A. Ö. Ok a, K. Schindler b a Nevşehir H.B.V. Üniversitesi, Jeodezi ve
DetaylıKANONİK KORELASYON ORMAN ALGORİTMASI İLE UZAKTAN ALGILANMIŞ GÖRÜNTÜLERİN SINIFLANDIRILMASI
KANONİK KORELASYON ORMAN ALGORİTMASI İLE UZAKTAN ALGILANMIŞ GÖRÜNTÜLERİN SINIFLANDIRILMASI İ. Çölkesen *, T. Kavzoğlu Gebze Teknik Üniversitesi, Harita Müh. Bölümü, 41400 Gebze-Kocaeli (icolkesen@gtu.edu.tr,
DetaylıTHE DESIGN AND USE OF CONTINUOUS GNSS REFERENCE NETWORKS. by Özgür Avcı B.S., Istanbul Technical University, 2003
THE DESIGN AND USE OF CONTINUOUS GNSS REFERENCE NETWORKS by Özgür Avcı B.S., Istanbul Technical University, 2003 Submitted to the Kandilli Observatory and Earthquake Research Institute in partial fulfillment
DetaylıBİTKİ ÖRTÜSÜ İNDEKSLERİNİN TARIMSAL ÜRÜN DESENİ TESPİTİNDEKİ ETKİSİNİN ARAŞTIRILMASI Mustafa ÜSTÜNER 1, Füsun BALIK ŞANLI 2, Saygın ABDİKAN 3
271 [112] İTKİ ÖRTÜSÜ İNDEKSLERİNİN TARIMSAL ÜRÜN DESENİ TESPİTİNDEKİ ETKİSİNİN ARAŞTIRILMASI Mustafa ÜSTÜNER 1, Füsun ALIK ŞANLI 2, Saygın ADİKAN 3 1 Arş. Gör., Yıldız Teknik Üniversitesi, Harita Mühendisliği
DetaylıTopluluk Algoritması Destekli Yarı-eğiticili Öğrenme Semi-supervised Learning Based on Ensemble Algorithm
Topluluk Algoritması Destekli Yarı-eğiticili Öğrenme Semi-supervised Learning Based on Ensemble Algorithm Abdulkadir Şeker 1, Mehmet Fatih Amasyalı 2 1 Bilgisayar Mühendisliği Bölümü, Cumhuriyet Üniversitesi,
DetaylıGörüntü Sınıflandırma
Görüntü Sınıflandırma Chapter 12 https://www.google.com.tr/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&cad=rja&uact=8&ved=0 CBwQFjAA&url=http%3A%2F%2Ffaculty.une.edu%2Fcas%2Fszeeman%2Frs%2Flect%2FCh%2 52012%2520Image%2520Classification.ppt&ei=0IA7Vd36GYX4Uu2UhNgP&usg=AFQjCNE2wG
DetaylıDersin Kodu Dersin Adı Dersin Türü Yıl Yarıyıl AKTS 507004092007 MAKİNA PROJESİ II Zorunlu 4 7 4
Ders Öğretim Planı Dersin Kodu Dersin Adı Dersin Türü Yıl Yarıyıl AKTS 507004092007 MAKİNA PROJESİ II Zorunlu 4 7 4 Dersin Seviyesi Lisans Dersin Amacı Dersin amacı Makina Mühendisliği bölümü Lisans öğrencilerine
DetaylıAmpirik Kip Ayrışımı ve Dalgacık Dönüşümü Kullanarak Hiperspektral Görüntülerin Boyutlarının Azaltılması
Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi AKA ve Dalgacık Dönüşümü Kullanarak Hiperspektral Görüntülerin Boyutlarının Azaltılması, Afyon Kocatepe University Journal of Science and
DetaylıK En Yakın Komşu Methodu (KNearest Neighborhood)
K En Yakın Komşu Methodu (KNearest Neighborhood) K-NN algoritması, Thomas. M. Cover ve Peter. E. Hart tarafından önerilen, örnek veri noktasının bulunduğu sınıfın ve en yakın komşunun, k değerine göre
DetaylıArgumentative Essay Nasıl Yazılır?
Argumentative Essay Nasıl Yazılır? Hüseyin Demirtaş Dersimiz: o Argumentative Essay o Format o Thesis o Örnek yazı Military service Outline Many countries have a professional army yet there is compulsory
DetaylıT.C. Hitit Üniversitesi. Sosyal Bilimler Enstitüsü. İşletme Anabilim Dalı
T.C. Hitit Üniversitesi Sosyal Bilimler Enstitüsü İşletme Anabilim Dalı X, Y, Z KUŞAĞI TÜKETİCİLERİNİN YENİDEN SATIN ALMA KARARI ÜZERİNDE ALGILANAN MARKA DENKLİĞİ ÖĞELERİNİN ETKİ DÜZEYİ FARKLILIKLARININ
DetaylıARAZİ ÖRTÜSÜNÜN BELİRLENMESİNDE TORBALAMA-KARAR AĞAÇLARI YÖNTEMİNİN KULLANIMI THE USE OF BAGGED-DECISION TREE METHOD FOR DETERMINATION OF LAND COVER
ARAZİ ÖRTÜSÜNÜN BELİRLENMESİNDE TORBALAMA-KARAR AĞAÇLARI YÖNTEMİNİN KULLANIMI Ümit Haluk ATASEVER 1,Coşkun ÖZKAN 1 1 Erciyes Üniversitesi, Harita Mühendisliği Bölümü, 38039, Melikgazi, Kayseri, {uhatasever@erciyes.edu.tr,
DetaylıYAPAY ÖĞRENME İLE TÜRKİYE NİN KURULU GÜCÜNÜN 2023 YILINA KADAR TAHMİNİ
YAPAY ÖĞRENME İLE TÜRKİYE NİN KURULU GÜCÜNÜN 2023 YILINA KADAR TAHMİNİ Cihan DEMİR 1, Fatih AYDIN 2 1Kırklareli Üniversitesi, Teknik Bilimler M.Y.O, 39100, KIRKLARELİ 2 Kırklareli Üniversitesi, Teknik
Detaylı