MLP YAPAY SİNİR AĞLARINDA ÖĞRENME SÜRECİNİN AKTİVASYON FONKSİYONU VE İSTATİKSEL DEĞİŞİM GÖSTEREN GİRİŞ VERİLERİNE BAĞIMLILIĞI
|
|
- Nergis Gültekin
- 7 yıl önce
- İzleme sayısı:
Transkript
1 MLP YAPAY SİNİR AĞLARINDA ÖĞRENME SÜRECİNİN AKTİVASYN FNKSİYNU VE İSTATİKSEL DEĞİŞİM GÖSTEREN GİRİŞ VERİLERİNE BAĞIMLILIĞI Hals ALTUN * Ulaş EMİNĞLU 2 Ber Sam TEZEKİCİ 3 Nğde Ünverstes, Mühendsl-Mmarlı Faültes Eletr-Eletron Mühendslğ Bölümü, Nğde 5200 / Türye e-posta: haltun@alp.ngde.edu.tr 2 e-posta: ulas4@hotmal.com 3 e-posta: bstezec@alp.ngde.edu.tr Anahtar sözcüler: Yapay Snr Ağı, Atvasyon fonsyoları, Eğtm Set, Ger Yayılım Algortması ABSTRACT In ths wor the dependency of neural learnng n a Multlayered Perceptron MLP neural networ NN s nvestgated on modfed nput data sets and the combnaton of the actvaton functons. For a 3- party problem the symbols {a } that stand for logc 0 and logc are presented by dfferent values rangng from -3 to 3, ncremented by a factor of 0.2 n a regular fashon. In ths way total 464 data nput data sets obtaned and the statstcal characterstcs of the nput data sets such as mean value and standard devaton are modfed. 4 confguratons of MLP NN are constructed by usng dfferent actvaton functons of neurons n each layer. For each confguraton 8 ntal weght sets are determned and total 4848 experments are carred out. The performance of the networs are determned from the results and concluson are drawn.. GİRİŞ Yapay Snr Ağlarında (YSA) nöral öğrenmnn optmze edlmes problem lteratürde yaygın olara ncelenmştr. Genş olara ullanılan ço atmanlı perseptron (Mult-Layered Perceptron: MLP) tp YSA larının optmzasyonu alanında ço genş br lteratür oluşturulmuştur. Özellle öğrenme algortması, eğtm ver setnn uygun odlanması veya ağ topolosnn optmze edlmes üzernde genş olara durulmuştur [-5]. Ger yayılım algortmasının hızının artırılması onusunda nöron çıışlarını belrleyen sgmod atvasyon fonsyonunun parametrelernn değşmnn ets ncelenmştr [6]. Sözonusu çalışmada tüm atmanlarda sgmod atvasyon fonsyonu ullanılara bu fonsyonun smetr, eğm ve dnam değşm aralığının farlı değerler çn nöral öğrenme ncelenmştr. Bu çalışmada br MLP YSA yapısında, atmanlar arasında ullanılan farlı atvasyon fonsyonlarının ve farlı odlama ullanılara statstsel özellğ değştrlmş grş verlernn eğtm performansına olan ets ncelenmştr. Bu amaç çn atmanlar arasında üç farlı atvasyon fonsyonunun ombnasyonu ullanılmıştır. Grş ver setnn statsel özelller se odlamada ullanılan sembollernn farlı sayısal değerler le fade edlmes le gerçeleştrlmştr. Elde edlen sonuçların l ağırlıların başlangıç değerlerne olan bağımlılığını azaltma çn 8 farlı notadan eğtm başlatılmış ve ortalama sonuçları verlmştr. Toplam olara 4848 ağ eğtm denemes yapılmış ve elde edlen sonuçlar tartışılmıştır. Maalenn düzenlenmes şu şelde yapılmıştır. Bölüm 2 de yapay snr ağları üzernde genel blg verlmş ve ağ yapılarında ullanılan atvasyon fonsyonları verlmştr. Ayrıca ağ eğtm algortması las formu le verlmş ve grş ver setnn etsn açı olara gösterme amacı le algortmanın grş, salı atman ve çıış nöron atvasyon büyülülerne olan bağımlılığı açı olara fade edlmştr. 3. bölümde yapılan deneysel çalışmalar ayrıntılı olara vermete ve son bölüm se elde edlen sonuçları tartışmatadır. 2. YAPAY SİNİR AĞLARI ve EĞİTİMİ Genel olara br yapay snr ağı blo dyagramı aşağıda verlmştr. Şel. YSA Blo Dyagramı
2 Grş ve lgl çıış vetörü ağı eğtme çn ullanılmatadır. Her br terasyon sonucu elde edlen çıış, hedef le arşılaştırılır ve verlen hataya bağlı olara ağırlı yenleme şlem le ağ eğtm devam ettrlr veya eğtme şlem sonlandırılır. MLP tp ço atmanlı yapay snr ağları grş, salı ve çıış atmanlarından oluşmatadır. Herbr atmana at nörona toplam grş br alt atmanda nöron çıışlarının ağırlılandırılıması le elde edlr. Nöron çıışları se o nöron çn tanımlanmış atvasyon fonsyonuna bağlı olara elde edlmetedr. Dört atmanlı br yapay snr ağının nöron model aşağıda verlmştr. a 2 = ( 2n) + e () Logsg: Sgmod fonsyonu olara da smlendrlen bu atvasyon fonsyonunun grş-çıış fades ve fonsyonun grşe göre değşm sırasıyla (2) fadesnde ve Şel 3 de verlmetedr. Fonsyonun dnam değşm aralığı [0 ] aralığıdır ve fonsyon bu aralıta lneer olmayan br değşm sergler. Şel 3. Logartm Sgmod fonsyonu grş-çıış eğrs Şel-2 Dört atmanlı ağ yapısı a = + e n (2) Katmanları oluşturan nöron çıışları ağırlılanan grşler ve bayeslern toplamı sonucunda aşağıda verlen fade tarafından oluşturulmatadır. a= f(wp + b) () Pureln: Bu atvasyon fonsyonunda nöron grşlernn değşmne göre nöron çıışı lneer olara değşmetedr. Dnam değşm aralığı [- ] aralığıdır. Fonsyona at grş-çıış araterstğ ve fonsyon tanımı aşağıda verlmştr. Burada f nöron çn tanımlanmış atvasyon fonsyonu, w nöronlar arası ağırlılar, p grş vetörü b se ağ bayeslerdr. 2. Atvasyon Fonsyonları Bu çalışmada MLP tp yapay snr ağları çn atmanlar arasında ullanılan atvasyon fonsyonları sırasıyla; a) Tangent-Sgmod: tansg b)logartm-sgmod: logsg ve c) Pureln olara adlandırılmıştır. Tansg: Bu atvasyon fonsyonu çn nöron grşçıış fades () de ve fonsyonun değşm Şel 2 de verlmştr. Fonsyonun dnam değşm aralığı [- ] aralığıdır ve fonsyon nöron toplam grşe bağımlı olara bu aralıta lneer olmayan br değşm gösterr. Bu fonsyon lteratürde hperbol-tangent fonsyonu olara da smlendrlmetedr. Şel 2. Tangent-Sgmod fonsyonu grş-çıış eğrs Şel 4. Pureln fonsyonu çıış eğrs a = Pureln( n) = n (3) 2.2 Ger Yayılım Algortması MLP tp YSA ların eğtmnde olduça yaygın olara ullanılan Ger Yayılım algortması, grş atmansalı atman ve salı atman-çıış atmanları arasında mevcut olan ağırlılı bağlantıların, w h ve w ho, ağ çıışında oluşan hataya bağlı olara optmze edlmesn amaçlar. Grş ve lgl çıış vetörü ağı eğtme çn ullanılmatadır. Örüntüyü belrleyen grş vetörü ağın l atmanına verldten sonra arada gzl atmanlardan geçere en sonda çıış atmanına ağırlılar yardımı le ulaşır. Ağda herbr nöron, endsnde sonlanan ağırlı vetörlernn artmatsel toplamını aldıtan sonra sonucu endnden sonra atmanın tüm nöronlarına ullanılan atvasyon fonsyonuna bağlı olara atarılır.
3 Katmanlar arasında sgmod atvasyon fonsyonu ullanıldığı abulu altında ağırlıların yenlenmes çn ullanılan fadeler şu şelde elde edleblr: Çıış atmanında her br nöron çn nöron çıışı = (4) net K + e olsun. Burada çıış atmanının atvasyon değern göstermetedr. net W (5) = Salı atman çn atvasyon değerlernn fades aynı şelde elde edleblr. = (6) net + e net = W (7) Ağırlıların yenlenmes W = W + W (8) eştlğ le gerçeleştrlr. Burada W ağırlı yenleme değerdr. Ger yayılım algortmasında ortalama are hatası olara blnen hata rter ullanılablr. E = 2 p ( t p o p ) 2 (9) Hataların ares alınara belenen değerden uza olan çıış değerlernn toplam hatayı oluşturması sağlanmatadır. Hatayı mnmum yapma amacı le hatanın ağırlılara olan bağımlılığı hesaplanır ve gradente bağlı olara ağırlılar hatayı düşürece şelde yenlr. = η E / W ) (0) ( zncr uralı ullanara dferansyel denlem çözümü aşağıda şelde elde edlr. E / W = δ () Bu eştl denlem (0) de yerne onursa ağırlı yenleme değer fades elde edlr. W = ηδ (2) W = ηδ (3) Burada δ ve δ sırası le çıış ve salı atman çn hata term, η se öğrenme oranıdır. Çıış atmanı çn hata term δ = t ) f ( net ) (4) ( ve salı atman çn hata term se aşağıda gb hesaplanır. ' δ = f ( net ) δ W (5) Yuarıda fadelerde f'() atmanlar arası sgmod atvasyon fonsyonunun türevdr. Elde edlen fadelerde yapay snr ağı eğtmnde data grş setnn ağırlıların ets tam olara görülememetedr. Herbr ağırlılı bağlantı çn algortmanın üreteceğ ağırlı yenleme şaret te te ncelenr se bağıntıların her br atman nöral atvasyon sevyeler date alınara verlmes daha uygun olacatır. ' = η (6) M ' ' = η W (7) δ = ( )( t ) (8) δ = ( ) δ W (9) = f ( W ) (20) = f ( W ) (2) Burada = (t - ) f ( ) : sgmod atvasyon fonsyonu δ : delta hata fades η : öğrenme oranı M : çıış atmanı neuron sayısı t : hedef değer : çıış atvasyon sevyes ' : çıış atvasyon sevyesnn türev W : salı atman-çıış atmanı arasında ağırlılı bağlantı W : salı atman çıış atmanı arasında ağırlılı bağlantılar çn ağırlı yenleme şaret W : grş ve salı atman arasında ağırlılı bağlantı W : grş ve salı atman arasında ağırlılı bağlantılar çn ağırlı yenleme şaret Elde edlen son fadelerden yapay snr ağında grş değerlernn ağırlılı bağlantıların belrlenmesnde ve dolayısı le nöral eğtmde öneml br rol oynadığı görülmetedr. Bu et br 3 bt part problem çn ncelenecetr. Bu amaç çn part btte lo 0 ve lo durumları çn ullanılan semboller (-3, 3) aralığında farlı değerler olara alınacatır. Grş datalarının bu şelde düzenlenmes sonucunda grş oluşturan ver setnn statstsel değerler; ortalama değer ve standart sapması düzenl olara değştrlecetr. Br sonra bölümde sunulan deneysel çalışmalarda elde edlen bu data setler çn her br atmanlarda farlı
4 atvasyon fonsyonları ullanıp br sonra atmana grş olara yönlendrlece değern dnam değşm aralığını ve dolayısı le standard sapmasını farlı ılınara nöral öğrenmenn atvasyon fonsyonuna olan bağımlılığıda ncelenecetr. 3. DENEYSEL SNUÇLAR Yapay snr ağı, ger yayılım algortması ullanılara üç grşl te çıışlı part bt problem çn eğtlmştr. Ağ atmanlı olup bu atmanlar çn farlı atvasyon fonsyonları ullanılmıştır. Uygulama Matlab Neural Networ Toolbox ullanılara gerçeleştrlmştr. Atvasyon fonsyonlarına göre 4 farlı ağ onfgurasyonu Toolbox ta mevcut olan newff fonsyonu ullanılara gerçeleştrld. Örne part bt problem çn ullanılaca semboller [-3 3] aralığında 0,2 l adımla değştrlere toplam 464 adet brbrnden farlı grş vers elde edld. Elde edlen 464 grş ver set 4 ağ onfgürasyonu çn ullanılara toplam 856 nöral öğrenme smule edld. Ayrıca nöral öğrenmenn başlanğıç ağırlı değerlerne olan bağımlılığını mnmuma ndrme çn 8 farlı başlangıç ağırlı değerler Tablo de gösterldğ gb seçlere toplam 4848 eğtm smulasyonu gerçeleştrld. 4 farlı ağ onfgürasyonu çn atvasyon fonsyonlarının ombnasyonu Tablo.de 2. sütünda verlmştr. Verlen brnc fonsyon ağın grş ve salı atman arası, nc fonsyon se salı atman le çıış atmanı arasında atvasyon fonsyonudur. Bu durumda Tablo 2 de verlmş olan 4 ağ onfgürasyon oluşturulmuştur. Tablo 2. Eğtm çn oluşturulan ağ onfgürasyonları Ağ Konfürasyonu I. Fonsyon II. Fonsyon I. Tansg Logsg II. Logsg Logsg III. Tansg Pureln IV. Logsg Pureln Tablo. Eğtlen ağlardan elde edlen bütün sonuçlar Ağırlı Başlangıç Aralığı Atvasyon Fonsyonu Eğtleblen Ağlar İçn Katman 2.Katman W Eğtleblen Ağ Sayısı rtalama İterasyon =-0, W ü = 0, =-0,25 W ü = 0,25 =-0,5 W ü = 0,5 =-0,75 W ü = 0,75 = - W ü = =-,25 W ü =,25 =-,5 W ü =,5 =-,75 W ü =,75 Tansg Logsg Logsg Logsg ,5 Tansg Pureln 48 65,9 Logsg Pureln Tansg Logsg ,05 Logsg Logsg ,97 Tansg Pureln ,89 Logsg Pureln ,28 Tansg Logsg ,79 Logsg Logsg ,8 Tansg Pureln ,3 Logsg Pureln ,5 Tansg Logsg ,95 Logsg Logsg ,8 Tansg Pureln ,6 Logsg Pureln ,3 Tansg Logsg ,0 Logsg Logsg , Tansg Pureln ,83 Logsg Pureln ,5 Tansg Logsg ,9 Logsg Logsg ,3 Tansg Pureln 47 47,52 Logsg Pureln 46 53,85 Tansg Logsg ,6 Logsg Logsg ,33 Tansg Pureln ,65 Logsg Pureln ,69 Tansg Logsg ,85 Logsg Logsg ,07 Tansg Pureln ,45 Logsg Pureln ,2
5 Eğtm sonrasında elde edlen sonuçlar atvasyon fonsyonları farlı olan ağların verlen grş aralılarından açında eğtldğ, herbr eğtlen ağ yapısına göre terasyon sayılarının ortalama değer ve farlı grş aralılarının ağ eğtmne olan etsn gözlemleme olanağı verece şelde Tablo de verlmştr Tablo n brnc sütünü ağların başlangıç ağırlılarının değşm aralılarını, ve üçüncü sütün herbr ağın atmanları arasında seçlen atvasyon fonsyonlarının onfgürasyonunu, dördüncü sütün herbr ağın 464 grş ver set çn eğtleblen ağ sayısını, beşnc sütün eğtleblen ağlar çn ortalama terasyon sayılarının değern vermetedr. Atvasyon fonsyonun nöral öğrenme üzernde etsn daha açı göreblme çn Tablo de son sütünda verlen değerlern ortalaması Tablo 3 de verlmştr. Burada açı olara I ve II onfgürasyonuna sahp ağların çn eğtleblen ağ sayısı dğer ağlardan daha fazladır. Anca ortalama terasyon sayısı göz önüne alındığında II onfgürasyona sahp ağlarının performansı ço düşü gözümetedr. Öğretleblen ağ sayısı ve ortalama terasyon rterler göz önüne alındığında en ötü sonuçlar Tablo 3 e göre IV. Konfgürasyona sahp ağlar çn ortaya çımatadır. Tablo 3 Herbr ağ onfgürasyonu çn ortalama eğtleblen ağ sayısı ve terasyon YSA I II III IV rtalama grş set 438, ,5 396 sayısı rtalama terasyon sayısı Buna arşılı Tansg-Logsg ve Tansg-Pureln atvasyon fonsyonlarının ombnasyonunun ullanıldığı I. ve III. ağ yapıları çn nöral eğtmn dğerlerne nazaran yüse performans gösterdğ gözlemlenmştr. Yapay snr ağı eğtmnn grş ver setne olan bağımlılığını ncelme çn se çn Tablo 4. verlen 6 farlı aralığa sahp grşler çn eğtleblen ağların ortalama terasyon sayısı verlmştr Tablo 4. Grş data setne bağlı olara eğtleblen her br ağ çn ortalama terasyon sayıları Grş semboller I II III IV [ ] [-2 2,] [-.4.4] [- ] [ ] Tablodan grş ver setnn nöral öğrenme üzernde ets açı olara tüm ağ yapıları çn görülmetedr. Bütün ağ yapıları çn grş ver setnde semboller çn ullanılan değerler arasında far azaldıça ağ eğtm zorlaşmata terasyon sayısı herbr ağ çn artmatadır. Burada verlen sonuçlardan da aynı grş ver setler en hızlı eğtmn III. ağ onfgürasyonu çn elde edlmete olduğu görülmetedr. 4. SNUÇ Bu çalışmada br ço atmanlı YSA çn atmanlar arası atvasyon fonsyonlarının ve statsel özelller değştrlmş aynı probleme at grş ver setnn yapay snr ağı eğtmne ets araştırılmıştır. Br 3-bt part problem çn ullanılan sembollern {a } temsl ettğ değerler data setnn ortalama değer ve standart sapma değer düzenl olara değştrlere elde edlen 464 farlı grş set, 8 farlı başlangıç notası ve 4 farlı ağ onfgürasyonu oluşturara toplam4848 farlı eğtm denemes gerçeleştrlmş ve ger yayılım algortmasının performansı herbr durum çn ölçülmüştür. Sonuçlar III. onfgürasyon olara adlandıralan ve Tansg-Pureln atvasyon fonsyonlarının ombnasyonunu ullanan ağ yapısının ortalama terasyon sayısı ve öğretleblen ağ sayısı açısından en y performansı gösterdğn ortaya oymuştur. Yapılan deneysel çalışmalar ayrıca grş ver setnn statsel değerlernn eğtm üzernde etsn de açı olara ortaya oymatadır. KAYNAKLAR [] Kadıyalam S., and Gurumorthy R., Neural Networ wth modfed bacpropogaton learnng appled to structual optmsaton, AIAA JURNAL, 34, pp , 996 [2] Jean J.S.N. and Wang J., Weght smoothng to mprove networ generalsaton, IEEE TRANCSACTİNS N NEURAL NETWRKS, 5 (5), pp [3] Reed R. Prunng algorthms- A survey, IEEE TRANS. N NEURAL NETWRKS Vol. 4 (2), pp , 996 [4] H.C. Chua, Solvng Two-Spral Problem Through Input Data Encodng, ELECTRNİC LETTERS, Vol. 3(0), pp , 995 [5] H. Altun and K. M. Curts, Explotng the Statstcal Characterstcs of the Speech Sgnals for mprovement Neural Learnng n MLP Neural Networs, IEEE WRKSHP N NEURAL NETWRKS FR SİGNAL PRCESSİNG, NNSP 98, pp ,Cambrdge, UK, August 998 [6] Han J., Moraga C., The Influence of the Sgmod functon Parameters on the Speed of Bacpropogaton Learnng, LECTURE NTES İN CMPUTER SCİENCE, Vol. 930, pp , Dothmund Germany
ENDÜSTRİYEL TAŞIYICI SİSTEMLERİN YAPAY SİNİR AĞLARI İLE ANALİZİ
ENDÜSTRİYEL TAŞIYICI SİSTEMLERİN YAPAY SİNİR AĞLARI İLE ANALİZİ İlyas KACAR Mana Mühendslğ Bölümü Mühendsl-Mmarlı Faültes Nğde Ünverstes, 500, Nğde e-posta: acar@gmal.com Anahtar sözcüler: Endüstryel Taşıyıcı
DetaylıDALGACIK DÖNÜŞÜMÜ İLE EEG İŞARETLERİNDEN ÇIKARILAN ÖZNİTELİK VEKTÖRLERİ ÜZERİNDE İSTATİSTİKSEL İŞLEMLERİN GERÇEKLEŞTİRİLMESİ
DALGACI DÖNÜŞÜMÜ İLE EEG İŞARETLERİNDEN ÇIARILAN ÖZNİTELİ VETÖRLERİ ÜZERİNDE İSTATİSTİSEL İŞLEMLERİN GERÇELEŞTİRİLMESİ Elf Derya ÜBEYLİ İnan GÜLER TOBB Eonom ve Tenoloj Ünverstes, Mühendsl Faültes, Eletr-Eletron
DetaylıSAYISAL YÜKSEKLİK MODELLERİNDE KLASİK VE ESNEK HESAPLAMA YÖNTEMLERİNİN KARŞILAŞTIRILMASI
TMMOB Harta ve Kadastro Mühendsler Odası, 15. Türye Harta Blmsel ve Ten Kurultayı, 5 8 Mart 015, Anara. SAYISAL YÜKSEKLİK MODELLERİNDE KLASİK VE ESNEK HESAPLAMA YÖNTEMLERİNİN KARŞILAŞTIRILMASI Leyla ÇAKIR*
DetaylıSABİT-KUTUP YAKLAŞIMI KULLANILARAK TELEKONFERANSTA ODA AKUSTİK EKO YOK ETME
SABİ-KUUP YAKLAŞIMI KULLAILARAK ELEKOFERASA ODA AKUSİK EKO YOK EME uğba Özge ÖZDİÇ Rıfat HACIOĞLU Eletr-Eletron Mühendslğ Bölümü Mühendsl Faültes Zongulda Karaelmas Ünverstes, 671, Zongulda ozdnc_ozge@hotmal.com
DetaylıDeney No: 2. Sıvı Seviye Kontrol Deneyi. SAKARYA ÜNİVERSİTESİ Dijital Kontrol Laboratuvar Deney Föyü Deneyin Amacı
SRY ÜNİVERSİESİ Djtal ontrol Laboratuvar Deney Föyü Deney No: 2 Sıvı Sevye ontrol Deney 2.. Deneyn macı Bu deneyn amacı, doğrusal olmayan sıvı sevye sstemnn belrlenen br çalışma noktası cvarında doğrusallaştırılmış
DetaylıPARAMETRİK OLMAYAN HİPOTEZ TESTLERİ. χ 2 Kİ- KARE TESTLERİ. Doç.Dr. Ali Kemal ŞEHİRLİOĞLU Araş.Gör. Efe SARIBAY
PARAMETRİK OLMAYAN HİPOTEZ TESTLERİ Kİ- KARE TESTLERİ Doç.Dr. Al Kemal ŞEHİRLİOĞLU Araş.Gör. Efe SARIAY Populasyonun nceledğmz br özellğnn dağılışı blenen dağılışlardan brsne, Normal Dağılış, t Dağılışı,
DetaylıANOVA. CRD (Completely Randomized Design)
ANOVA CRD (Completely Randomzed Desgn) Örne Problem: Kalte le blgnn, ortalama olara, br urumun üç farlı şehrde çalışanları tarafından eşt olara algılanıp algılanmadığını test etme amacıyla, bu üç şehrde
DetaylıMOD SÜPERPOZİSYONU İLE ZAMAN TANIM ALANINDA ÇÖZÜM
Nur ÖZHENEKCİ O SÜPERPOZİSYONU İLE ZAAN ANI ALANINA ÇÖZÜ Aşağıda açılanaca olan ortogonall özelllernn sağlandığı yapılar çn, zaman tanım alanında çözüm, her mod çn ayrı ayrı yapılıp daha sonra bu modal
DetaylıDüşük Hacimli Üretimde İstatistiksel Proses Kontrolü: Kontrol Grafikleri
Düşü Hacml Üretmde İstatstsel Proses Kontrolü: Kontrol Grafler A. Sermet Anagün ÖZET İstatstsel Proses Kontrolu (İPK) apsamında, proses(ler)de çeştl nedenlerden aynalanan değşenlğn belrlenere ölçülmes,
DetaylıTek Yönlü Varyans Analizi (ANOVA)
VARYANS ANALİZİ İ örne ortalaması arasında farın önem ontrolü, örne büyülüğüne göre z veya testlernden bryle yapılır. Bu testlerle, den fazla örne ortalamasını brlte test etme ve aralarında farın önem
DetaylıFARKLI SES KAYNAKLARINDAN ÜRETİLEN TEMEL TANIM DİZİLERİ İLE KONUŞMA İŞARETLERİNİN MODELLENMESİ
ARKI SES KAYNAKARINDAN ÜRETİEN TEME TANIM DİZİERİ İE KONUŞMA İŞARETERİNİN MODEENMESİ Rafet AKDENİZ Ümt GÜZ 2 Haan GÜRKAN 2 B. Sıddı YARMAN 2 Traya Ünverstes, Çorlu Mühendsl aültes, Eletron ve Haberleşme
DetaylıMakine Öğrenmesi 6. hafta
Makne Öğrenmes 6. hafta Yapay Snr Ağlarına Grş Tek katmanlı YSA lar Algılayıcı (Perceptron) Aalne (Aaptve Lnear Elemen Byolojk Snr Hücres Byolojk snrler ört ana bölümen oluşmaktaır. Bunlar: Denrt, Akson,
DetaylıPARAMETRİK OLMAYAN HİPOTEZ TESTLERİ
PARAMETRİK OLMAYAN HİPOTEZ TESTLERİ Kİ-KARE KARE TESTLERİ Populasyonun nceledğmz br özellğnn dağılışı blenen dağılışlardan brsne, Normal Dağılış, t Dağılışı, F Dağılışı, gb br dağılışa uygun olduğu durumlarda
DetaylıTuğla Duvardaki ve Tesisattaki Isı Kaybının Yapay Sinir Ağları İle Belirlenmesi
Fırat Ünv. Fen ve Müh. Bl. Der. Scence and Eng. J of Fırat Unv. 18 (1), 133-141, 2006 18 (1), 133-141, 2006 Tuğla Duvardak ve Tessattak Isı Kaybının Yapay Snr Ağları İle Belrlenmes Ömer KELEŞOĞLU ve Adem
DetaylıERS-2 Raw Datası için Dönüşüme Dayalı Sıkıştırma
ERS- Raw Datası çn Dönüşüme Dayalı Sııştırma. Göhan. KASAPOĞLU, İrahm. PAPİLA, Bngül YAZGA, Sedef KET İstanul Ten Ünverstes, Eletr-Eletron Faültes, Eletron ve Haerleşme Mühendslğ, 066, Masla, İstanul Tel:
DetaylıARAŞTIRMA MAKALESİ/RESEARCH ARTICLE TEK ÇARPIMSAL SİNİR HÜCRELİ YAPAY SİNİR AĞI MODELİNİN EĞİTİMİ İÇİN ABC VE BP YÖNTEMLERİNİN KARŞILAŞTIRILMASI ÖZ
ANADOLU ÜNİVERSİTESİ Blm ve Teknoloj Dergs A-Uygulamalı Blmler ve Mühendslk Clt: 14 Sayı: 3 013 Sayfa: 315-38 ARAŞTIRMA MAKALESİ/RESEARCH ARTICLE Faruk ALPASLAN 1, Erol EĞRİOĞLU 1, Çağdaş Hakan ALADAĞ,
DetaylıX, R, p, np, c, u ve diğer kontrol diyagramları istatistiksel kalite kontrol diyagramlarının
1 DİĞER ÖZEL İSTATİSTİKSEL KALİTE KONTROL DİYAGRAMLARI X, R, p, np, c, u ve dğer kontrol dyagramları statstksel kalte kontrol dyagramlarının temel teknkler olup en çok kullanılanlarıdır. Bu teknkler ell
Detaylı16. Dörtgen plak eleman
16. Ddörtgen pla eleman 16. Dörtgen pla eleman Kalınlığı dğer boyutlarına göre üçü ve düzlemne d yü etsnde olan düzlem taşıyıcı ssteme pla denr. Yapıların döşemeler, sıvı deposu yan duvarları ve öprü plaları
Detaylı( ) 3.1 Özet ve Motivasyon. v = G v v Operasyonel Amplifikatör (Op-Amp) Deneyin Amacı. deney 3
Yıldız Teknk Ünverstes Elektrk Mühendslğ Bölümü Deneyn Amacı İşlemsel kuvvetlendrcnn çalışma prensbnn anlaşılması le çeştl OP AMP devrelernn uygulanması ve ncelenmes. Özet ve Motvasyon.. Operasyonel Amplfkatör
DetaylıELECO '2012 Elektrik - Elektronik ve Bilgisayar Mühendisliği Sempozyumu, 29 Kasım - 01 Aralık 2012, Bursa
ELECO '2012 Eletri - Eletroni ve Bilgisayar Mühendisliği Sempozyumu, 29 Kasım - 01 ralı 2012, Bursa Lineer Olmayan Dinami Sistemlerin Yapay Sinir ğları ile Modellenmesinde MLP ve RBF Yapılarının Karşılaştırılması
DetaylıAfyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi
Afyon Kocatepe Ünverstes Fen ve Mühendsl Blmler Dergs Afyon Kocatepe Unversty Journal of Scence and Engneerng AKÜ FEMÜBİD 16 (2016) 035505 (674-678) DOI: 10.5578/fmbd.40384 AKU J. Sc. Eng. 16 (2016) 035505
Detaylıİki Durumlu Karışımlı Lojistik Regresyona İlişkin Bir Uygulama. An Application for Binary Mixture Logistic Regression
BİLİŞİM TENOLOJİLERİ DERGİSİ, CİLT: 4, SAYI: 3, EYLÜL 2011 53 İ Durumlu arışımlı Lojst Regresyona İlşn Br Uygulama Yılmaz AYA 1, Abdullah YEŞİLOVA 2 1 Blgsayar Mühendslğ Bölümü, Srt Ünverstes, Srt, Türye
DetaylıPolynomial Approach to the Response Surfaces
D.Ü.Zya Göalp Eğtm Faültes Dergs 7 79-94 (6) TEPKİ YÜZEYLERİNE POLİNOMAL YAKLAŞIM Polynomal Approach to the Response Surfaces Azz HARMAN Özet Bu çalışmada deneyc veya araştırmacıların ontrolünde vetörü
DetaylıMerkezi Eğilim (Yer) Ölçüleri
Merkez Eğlm (Yer) Ölçüler Ver setn tanımlamak üzere kullanılan ve genellkle tüm elemanları dkkate alarak ver setn özetlemek çn kullanılan ölçülerdr. Ver setndek tüm elemanları temsl edeblecek merkez noktasına
DetaylıUÇAK ÇİZELGELEME PROBLEMİNİN KARINCA KOLONİLERİ OPTİMİZASYONU İLE ÇÖZÜMÜ
Uça Çzelgeleme roblemnn Karınca Kolonler Optmzasyonu le Çözümü HAVACILIK VE UZAY TEKNOLOJİLERİ DERGİSİ OCAK 2005 CİLT 2 SAYI 1 (87-95) UÇAK ÇİZELGELEME ROBLEMİNİN KARINCA KOLONİLERİ OTİMİZASYONU İLE ÇÖZÜMÜ
DetaylıKorelasyon ve Regresyon
Korelasyon ve Regresyon 1 Korelasyon Analz İk değşken arasında lşk olup olmadığını belrlemek çn yapılan analze korelasyon analz denr. Korelasyon; doğrusal yada doğrusal olmayan dye kye ayrılır. Korelasyon
DetaylıBulanık Mantık ile Hesaplanan Geoid Yüksekliğine Nokta Yüksekliklerinin Etkisi
Harta Teknolojler Elektronk Dergs Clt: 5, No: 1, 2013 (61-67) Electronc Journal of Map Technologes Vol: 5, No: 1, 2013 (61-67) TEKNOLOJİK ARAŞTIRMALAR www.teknolojkarastrmalar.com e-issn: 1309-3983 Makale
DetaylıŞiddet-Süre-Frekans Bağıntısının Genetik Algoritma ile Belirlenmesi: GAP Örneği *
İMO Teknk Derg, 28 4393-447, Yazı 29 Şddet-Süre-Frekans Bağıntısının Genetk Algortma le Belrlenmes: GAP Örneğ * Hall KARAHAN* M. Tamer AYVAZ** Gürhan GÜRARSLAN*** ÖZ Bu çalışmada, Genetk Algortma (GA)
Detaylı4.5. SOĞUTMA KULELERİNİN BOYUTLANDIRILMASI İÇİN BİR ANALIZ
Ünsal M.; Varol, A.: Soğutma Kulelernn Boyutlandırılması İçn Br Kuramsal 8 Mayıs 990, S: 8-85, Adana 4.5. SOĞUTMA KULELERİNİN BOYUTLANDIRILMASI İÇİN BİR ANALIZ Asaf Varol Fırat Ünverstes, Teknk Eğtm Fakültes,
DetaylıYÖNETİM VE EKONOMİ Yıl:2006 Cilt:13 Sayı:1 Celal Bayar Üniversitesi İ.İ.B.F. MANİSA
YÖNETİM VE EKONOMİ Yıl:2006 Clt:3 Sayı: Celal Bayar Ünverstes İ.İ.B.F. MANİSA Bulanık Araç Rotalama Problemlerne Br Model Öners ve Br Uygulama Doç. Dr. İbrahm GÜNGÖR Süleyman Demrel Ünverstes, İ.İ.B.F.,
DetaylıÇOKLU REGRESYON MODELİ, ANOVA TABLOSU, MATRİSLERLE REGRESYON ÇÖZÜMLEMESİ,REGRES-YON KATSAYILARININ YORUMU
6.07.0 ÇOKLU REGRESON MODELİ, ANOVA TABLOSU, MATRİSLERLE REGRESON ÇÖZÜMLEMESİ,REGRES-ON KATSAILARININ ORUMU ÇOKLU REGRESON MODELİ Ekonom ve şletmeclk alanlarında herhang br bağımlı değşken tek br bağımsız
DetaylıBÖLÜM CROSS METODU (HARDY CROSS-1932)
Bölüm Cross Yöntem 5.1. CROSS ETODU (HARDY CROSS-193) BÖÜ 5 Hperstat sstemlern çözümünde ullanılan cross yöntem açı yöntemnn özel br hal olup moment dağıtma (terasyon) metodu olara da ullanılmatadır. Açı
DetaylıDEÜ MÜHENDİSLİK FAKÜLTESİ FEN ve MÜHENDİSLİK DERGİSİ Cilt: 7 Sayı: 1 s Ocak 2005
DEÜ MÜHENDİSİK FAKÜTESİ FEN ve MÜHENDİSİK DERGİSİ Clt: 7 Sayı: s. 7-85 Oca 5 ÜÇ BOYUTU BİR ÇERÇEVENİN UZAYSA VE DÜZEMSE STATİK YAPISA DAVRANIŞARININ KIYASANMASI (THE COMPARISON BETWEEN THE SPACE AND PANAR
DetaylıHİDROJEN-METAN KARIŞIM YANMASINDA YANMA MODEL SABİTİNİN DEĞERLENDİRİLMESİ
Isı Blm ve Tenğ Dergs, 3, 1, 45-57, 21 J. of Thermal Scence and Technology 21 TIBTD Prnted n Turey ISSN 13-3615 HİDROJEN-METAN KARIŞIM YANMASINDA YANMA MODEL SABİTİNİN DEĞERLENDİRİLMESİ İler YILMAZ *,
DetaylıPamukkale Üniversitesi Mühendislik Bilimleri Dergisi Pamukkale University Journal of Engineering Sciences
Pamuale Ünverstes Mühendsl Blmler Dergs Pamuale Unversty Journal of Engneerng Scences Kabul Edlmş Araştırma Maales (Düzenlenmemş Sürüm) Accepted Research Artcle (Uncorrected Verson) Maale Başlığı / Ttle
DetaylıSistemde kullanılan baralar, klasik anlamda üç ana grupta toplanabilir :
5 9. BÖLÜM YÜK AKIŞI (GÜÇ AKIŞI) 9.. Grş İletm sstemlernn analzlernde, bara sayısı arttıkça artan karmaşıklıkları yenmek çn sstemn matematksel modellenmesnde kolaylık getrc bazı yöntemler gelştrlmştr.
DetaylıVERİ MADENCİLİĞİ Farklı Demetleme Yöntemleri
Çzge VERİ ADENCİLİĞİ Farlı Demetleme Yöntemler Yrd. Doç. Dr. Şule Gündüz Öğüdücü Ver ümes D{,,..., K } Ver ümes ağırlılı, yönsüz, bağlı br çzge le temsl edlr: G(V,E) V{ } ver ümesnde nesnelerden oluşan
DetaylıGüvenlik Stokları. Tedarik Zincirlerinde Belirsizlik Yönetimi: Güvenlik Stokları. Güvenlik Stokları Belirlenirken Sorulması gereken sorular
Güvenl Stoları Tedar Zncrlernde Belrszl Yönetm: Güvenl Stoları Güvenl Stoğu: Herhang br dönemde, talebn tahmn edlen mtarın üzernde gerçeleşen mtarını arşılama çn elde bulundurulan sto mtarıdır Q Çevrm
DetaylıSİLİS DUMANI KATKILI BETONLARIN ÇARPMA DAYANIMININ YAPAY SİNİR AĞI İLE BELİRLENMESİ
ISSN:1306-3111 e-journal of New World Scences Academy 2008, Volume: 3, Number: 1 Artcle Number: A0046 NATURAL AND APPLIED SCIENCES CIVIL ENGINEERING Receved: June 2007 Accepted: December 2007 2008 www.newwsa.com
DetaylıSoğutucu Akışkan Karışımlarının Kullanıldığı Soğutma Sistemlerinin Termoekonomik Optimizasyonu
Soğutucu Akışkan arışımlarının ullanıldığı Soğutma Sstemlernn ermoekonomk Optmzasyonu * 1 Hüseyn aya, 2 ehmet Özkaymak ve 3 rol Arcaklıoğlu 1 Bartın Ünverstes akne ühendslğ Bölümü, Bartın, ürkye 2 arabük
DetaylıELM201 ELEKTRONİK-I DERSİ LABORATUAR FÖYÜ
T SAKAYA ÜNİESİTESİ TEKNOLOJİ FAKÜLTESİ ELEKTİK-ELEKTONİK MÜHENDİSLİĞİ ELM201 ELEKTONİK- DESİ LAOATUA FÖYÜ DENEYİ YAPTAN: DENEYİN AD: DENEY NO: DENEYİ YAPANN AD ve SOYAD: SNF: OKUL NO: DENEY GUP NO: DENEY
DetaylıBasel II Geçiş Süreci Sıkça Sorulan Sorular
Basel II Geçş Sürec Sıkça Sorulan Sorular Soru No: 71 Cevaplanma Tarh: 06.03.2012 İlgl Hüküm: --- Konu: Gayrmenkul İpoteğyle Temnatlandırılmış Alacaklar İçn KR510AS Formunun Doldurulmasına İlşkn Örnek
DetaylıYapay Sinir Ağı ve Bulanık-Yapay Sinir Ağı Yöntemleri Kullanılarak Tava Buharlaşma Tahmini
Tarım Blmler Araştırma Dergs 3 (): 45-5, 00 ISSN: 308-3945, E-ISSN: 308-07X, www.nobel.gen.tr Yapay Snr Ağı ve Bulanık-Yapay Snr Ağı Yöntemler Kullanılarak Tava Buharlaşma Tahmn Özgür KIŞI Selcan AFŞA
DetaylıUYUM ĐYĐLĐĞĐ TESTĐ. 2 -n olup. nin dağılımı χ dir ve sd = (k-1-p) dir. Burada k = sınıf sayısı, p = tahmin edilen parametre sayısıdır.
UYUM ĐYĐLĐĞĐ TESTĐ Posson: H o: Ver Posson dağılıma sahp br ktleden gelmektedr. H a : Ver Posson dağılıma sahp br ktleden gelmemektedr. Böyle br hpotez test edeblmek çn, önce Posson dağılım parametres
DetaylıCuEEG: EEG Verilerinin Hızlı İşlenmesi için GPU Tabanlı Bir Yaklaşım CuEEG: A GPU-Based Approach for Fast Processing of EEG Data
ELECO '212 Elektrk - Elektronk ve Blgsayar Mühendslğ Sempozyumu, 29 Kasım - 1 Aralık 212, Bursa CuEEG: EEG Verlernn Hızlı İşlenmes çn GPU Tabanlı Br Yaklaşım CuEEG: A GPU-Based Approach for Fast Processng
DetaylıSAYISAL ANALİZ. Doç.Dr. Cüneyt BAYILMIŞ. Sayısal Analiz. Doç.Dr. Cüneyt BAYILMIŞ
SAYISAL ANALİZ Doç.Dr. Cüneyt BAYILMIŞ Doç.Dr. Cüneyt BAYILMIŞ Sayısal Analz SAYISAL ANALİZ SAYISAL TÜREV Numercal Derentaton Doç.Dr. Cüneyt BAYILMIŞ Sayısal Analz İÇİNDEKİLER Sayısal Türev Ger Farklar
DetaylıPamukkale Üniversitesi Mühendislik Bilimleri Dergisi Pamukkale University Journal of Engineering Sciences
Pamukkale Ünverstes Mühendslk Blmler Dergs, Clt 0, Sayı 3, 04, Sayfalar 85-9 Pamukkale Ünverstes Mühendslk Blmler Dergs Pamukkale Unversty Journal of Engneerng Scences PREFABRİK ENDÜSTRİ YAPIARININ ARMONİ
DetaylıEKG İŞARETLERİNİN FARKLI VE BİRLEŞİK ÖZNİTELİKLER İLE ANALİZİ
EKG İŞARETLERİNİN FARKLI VE BİRLEŞİK ÖZNİTELİKLER İLE ANALİZİ Elf Derya ÜBEYLİ TOBB Ekonom ve Teknoloj Ünverstes, Elektrk ve Elektronk Mühendslğ, 06530 Söğütözü, Ankara, e-posta: edubeyl@etu.edu.tr ABSTRACT
DetaylıAJANDA LİTERATÜR TARAMASI
AJANDA İSTANBUL DAKİ HASTANELERDEN TIBBİ ATIKLARIN TOPLANMASI İÇİN ARA TESİSE UĞRAMALI BİR ARAÇ ROTALAMA MODELİ Denz Asen Koç Ünverstes İtsad ve İdar Blmler Faültes Müge Güçlü Koç Ünverstes Endüstr Mühendslğ
DetaylıBÖLÜM 5 İNCE PROFİLLER İÇİN SAYISAL UYGULAMALAR
BÖLÜM 5 İE PROFİLLER İÇİ SAYISAL UYGULAMALAR 5. Grş 5. İne profl teors 5.. Analt çözümler 5.. Kamburlu eğrsne polnom şelnde eğr uydurulması 5.. Fourer ntegrallernn sayısal hesabı 5. Kümelenmş-grdaplar
DetaylıSinirsel Bulanık Sistemler İle Trafik Gürültüsünün Tahmini
Snrsel Bulanık Sstemler İle Trafk Gürültüsünün Tahmn Ahmet Tortum Yrd. Doç. Dr.,Atatürk Ünverstes,Mühendslk Fakültes,İnşaat Bölümü,Erzurum E-posta : atortum@ataun.edu.tr Yasn Çodur Arş.Gör., Atatürk Ünverstes,Mühendslk
DetaylıKaraciğer mikrodizi kanser verisinin sınıflandırılması için genetik algoritma kullanarak ANFIS in eğitilmesi
Karacğer mkrodz kanser versnn sınıflandırılması çn genetk algortma kullanarak ANFIS n eğtlmes Bülent Haznedar 1*, Mustafa Turan Arslan 2, Adem Kalınlı 3 ÖZ 21.06.2016 Gelş/Receved, 30.11.2016 Kabul/Accepted
DetaylıKİ-KARE TESTLERİ A) Kİ-KARE DAĞILIMI VE ÖZELLİKLERİ
Kİ-KAR TSTLRİ A) Kİ-KAR DAĞILIMI V ÖZLLİKLRİ Örnekleme yoluyla elde edlen rakamların, anakütle rakamlarına uygun olup olmadığı; br başka fadeyle gözlenen değerlern teork( beklenen) değerlere uygunluk gösterp
DetaylıDÜŞÜK ÇÖZÜNÜRLÜKLÜ GÖRÜNTÜLERDEN AYKIRI DEĞER AYIKLAMASI KULLANARAK GÜRBÜZ YÜKSEK ÇÖZÜNÜRLÜKLÜ GÖRÜNTÜ ELDE ETME YÖNTEMİ
DÜŞÜK ÇÖZÜNÜRLÜKLÜ GÖRÜNTÜLERDEN AYKIRI DEĞER AYIKLAMASI KULLANARAK GÜRBÜZ YÜKSEK ÇÖZÜNÜRLÜKLÜ GÖRÜNTÜ ELDE ETME YÖNTEMİ Kemal ÖZKAN Erol SEKE e-posta : ozan@ogu.edu.tr e-posta : esee@ogu.edu.tr, Esşehr
DetaylıRayleigh ve Weibull Dağılımları Kullanılarak Osmaniye Bölgesinde Rüzgar Enerjisinin Değerlendirilmesi
Süleyman Demrel Ünverstes Raylegh Fen Blmler ve Webull Ensttüsü Dağılımları Dergs Kullanılara Osmanye Bölgesnde Rüzgar Enerjsnn Değerlendrlmes Clt 20, Sayı 1, 62-71, 2016 Süleyman Demrel Unversty Journal
DetaylıDİK AKIŞA MARUZ BİR SİLİNDİR ÜZERİNDEN OLAN ISI TRANSFERİNİN SAYISAL OLARAK İNCELENMESİ
Uludağ Ünverstes Mühendsl Faültes Dergs, Clt 0, ayı 1, 015 ARAŞTIRMA do: 10.1748/uufe.8436 DİK AKIŞA MARUZ BİR İLİNDİR ÜZERİNDEN OLAN II TRANFERİNİN AYIAL OLARAK İNCELENMEİ Gzem ŞENCAN * Yunus MARAL *
DetaylıAyrık Olay Sistemlerinin kontrolü için bir modelleme ve gerçekleme yöntemi
tüdergs/d mühendsl lt:9 Sayı, - Şubat Ayrı Olay Sstemlernn ontrolü çn br modelleme ve gerçeleme yöntem İbrahm olga HASDEMİR *, Salman KURULAN, Leyla GÖREN İÜ Fen Blmler Ensttüsü, Kontrol ve Otomasyon Mühendslğ
DetaylıMATLAB GUI İLE DA MOTOR İÇİN PID DENETLEYİCİLİ ARAYÜZ TASARIMI INTERFACE DESING WITH PID CONTROLLER FOR DC MOTOR BY MATLAB GUI
İler Teknoloj Blmler Dergs Clt 2, Sayı 3, 10-18, 2013 Journal of Advanced Technology Scences Vol 2, No 3, 10-18, 2013 MATLAB GUI İLE DA MOTOR İÇİN PID DENETLEYİCİLİ ARAYÜZ TASARIMI M. Fath ÖZLÜK 1*, H.
DetaylıKİ KARE ANALİZİ. Doç. Dr. Mehmet AKSARAYLI Ki-Kare Analizleri
Kİ KAR ANALİZİ 1 Doç. Dr. Mehmet AKSARAYLI www.mehmetaksarayl K-Kare Analzler OLAY 1: Genelde br statstk sınıfında, öğrenclern %60 ının devamlı, %30 unun bazen, %10 unun se çok az derse geldkler düşünülmektedr.
DetaylıÜÇ BOYUTLU ÇAPRAZ TABLOLARDA LOGARİTMİK DOĞRUSAL ANALİZ: ÇOCUK İŞGÜCÜ DEĞİŞKENLERİ ARASINDAKİ ETKİLEŞİMLER
Uludağ Ünverstes İtsad ve İdar lmler Faültes Dergs lt XXV, ayı, 006, s. 41-70 ÜÇ OYUTLU ÇPRZ TLOLRD LOGRİTMİK DOĞRUL NLİZ: ÇOUK İŞGÜÜ DEĞİŞKENLERİ RINDKİ ETKİLEŞİMLER erpl ÜLÜL * Özet Kategor verlerde
DetaylıKİ-KARE TESTLERİ. şeklinde karesi alındığında, Z i. değerlerinin dağılımı ki-kare dağılımına dönüşür.
Kİ-KARE TESTLERİ A) Kİ-KARE DAĞILIMI VE ÖZELLİKLERİ Örnekleme yoluyla elde edlen rakamların, anakütle rakamlarına uygun olup olmadığı; br başka fadeyle gözlenen değerlern teork( beklenen) değerlere uygunluk
DetaylıPÜRÜZLÜ AÇIK KANAL AKIMLARINDA DEBİ HESABI İÇİN ENTROPY YÖNTEMİNİN KULLANILMASI
PÜRÜZLÜ AÇIK KANAL AKIMLARINDA DEBİ HESABI İÇİN ENTROPY YÖNTEMİNİN KULLANILMASI Mehmet ARDIÇLIOĞLU *, Galp Seçkn ** ve Özgür Öztürk * * Ercyes Ünverstes, Mühendslk Fakültes, İnşaat Mühendslğ Bölümü Kayser
DetaylıG.1. : Y.Kutlu, M.Kuntalp, D.Kuntalp. : Öz Düzenleyici Haritalar Kullanilarak Diken Dalgalarin Analizi. Yay nlanan Kitapç k.
G.1 Yazarlar : Y.Kutlu, M.Kuntalp, D.Kuntalp Ba l k : Öz Düzenley Hartalar Kullanlarak Dken Dalgalarn Analz Yay nlanan Ktapç k : Genç Blm nsanlar le Beyn Byofz II. Çal tay, Izmr / Turkey, 21-23 ubat2008
DetaylıYaklaşık İdeal Talep Analizi Yöntemi. ve Fiyat Esnekliklerinin Tahmini
Yalaşı İdeal Talep Analz Yöntem le Harcama ve Fyat Esnellernn Tahmn Mehmet Arf ŞAHİNLİ İstatstç, Türye İstatst Kurumu, Ulusal Hesaplar ve Eonom Göstergeler Dare Başanlığı arfsahnl@tu.gov.tr Yalaşı İdeal
DetaylıTürk Dilinin Biçimbilim Yapısından Yararlanarak Türkçe Metinlerin Farklı İmgelere Ayrılarak Kodlanması ve Sıkıştırılması
Türk Dlnn Bçmblm Yapısından Yararlanarak Türkçe Metnlern Farklı İmgelere Ayrılarak Kodlanması ve Sıkıştırılması Banu DİRİ, M.Yahya KARSLIGİL Yıldız Teknk Ünverstes Elektrk Elektronk Fakültes - Blgsayar
DetaylıTEKNOLOJİ, PİYASA REKABETİ VE REFAH
TEKNOLOJİ, PİYASA REKABETİ VE REFAH Dr Türkmen Göksel Ankara Ünverstes Syasal Blgler Fakültes Özet Bu makalede teknoloj sevyesnn pyasa rekabet ve refah sevyes üzerndek etkler matematksel br model le ncelenecektr
DetaylıÇEV 314 Yağmursuyu ve Kanalizasyon. Nüfus Projeksiyonları
ÇEV 34 Yağmursuyu ve Kanalzasyon üfus Projesyonları Yrd. oç. r. Özgür ZEYA hp://cevre.beun.edu.r/zeydan/ üfus Projesyonları Tasarımı yapılaca olan alyapı projesnn (analzasyon, yağmursuyu analları vb.),
Detaylıa IIR süzgeç katsayıları ve N ( M) de = s 1 (3) 3. GÜRÜLTÜ GİDERİMİ UYGULAMASI
Fırat Ünverstes-Elazığ MİTRAL KAPAK İŞARETİ ÜZERİNDEKİ ANATOMİK VE ELEKTRONİK GÜRÜLTÜLERİN ABC ALGORİTMASI İLE TASARLANAN IIR SÜZGEÇLERLE SÜZÜLMESİ N. Karaboğa 1, E. Uzunhsarcıklı, F.Latfoğlu 3, T. Koza
Detaylı5.3. Tekne Yüzeylerinin Matematiksel Temsili
5.3. Tekne Yüzeylernn atematksel Temsl atematksel yüzey temslnde lk öneml çalışmalar Coons (53) tarafından gerçekleştrlmştr. Ferguson yüzeylernn gelştrlmş hal olan Coons yüzeylernde tüm sınır eğrler çn
DetaylıDEĞİŞKENLİK (YAYIKLIK) ÖLÇÜLERİ
SAÜ 6. BÖLÜM DEĞİŞKELİK (YAYIKLIK) ÖLÇÜLERİ PROF. DR. MUSTAFA AKAL İÇİDEKİLER 1. DEĞİŞKELİĞİ TAIMI VE ÇEŞİTLERİ. AALATİK OLMAYA DEĞİŞKELİK ÖLÇÜLERİ 3. ORTALAMA MUTLAK SAPMA 3.1. Bast Serde Ortalama Mutla
DetaylıSEK Tahmincilerinin Arzulanan Özellikleri. SEK Tahmincilerinin Arzulanan Özellikleri. Ekonometri 1 Konu 9 Sürüm 2,0 (Ekim 2011)
SEK Tahmnclernn Arzulanan Özellkler İk Değşkenl Bağlanım Model SEK Tahmnclernn Arzulanan Özellkler Ekonometr 1 Konu 9 Sürüm 2,0 (Ekm 2011) http://www.ackders.org.tr SEK Tahmnclernn Arzulanan Özellkler
DetaylıSTANDART VE HİBRİD YAPILAR KULLANARAK YAPAY SİNİR AĞLARI İLE İMZA TANIMA
STANDART VE HİBRİD YAPILAR KULLANARAK YAPAY SİNİR AĞLARI İLE İMZA TANIMA Canan ŞENOL Tülay YILDIRIM Kadr Has Ünverstes, Elektronk Mühendslğ Bölümü, 3430, Cbal, Fath-İstanbul Yıldız Teknk Ünverstes, Elektronk
DetaylıBulanık Mantık ve Yapay Sinir Ağları ile bir 3-3 Stewart Platformu nun Pozisyon Kontrolü
Bulanık Mantık ve Yapay Snr Ağları le br 3-3 Stewart Platformu nun Pozsyon Kontrolü İbrahm Yıldız 1, V.Emre Ömürlü 2, Ş.Nac Engn 3 1 Makne Mühendslğ Bölümü Yıldız Teknk Ünverstes, Beşktaş yldz@yldz.edu.tr
DetaylıKOCAELİ ÜNİVERSİTESİ Mühendislik Fakültesi Makina Mühendisliği Bölümü Mukavemet I Vize Sınavı (2A)
KOCELİ ÜNİVERSİTESİ Mühendslk akültes Makna Mühendslğ Bölümü Mukavemet I Vze Sınavı () dı Soyadı : 18 Kasım 013 Sınıfı : No : SORU 1: Şeklde verlen levhalar aralarında açısı 10 o la 0 o arasında olacak
DetaylıMakine Öğrenmesi 10. hafta
Makne Öğrenmes 0. hafta Lagrange Optmzasonu Destek Vektör Maknes (SVM) Karesel (Quadratc) Programlama Optmzason Blmsel term olarak dlmze geçmş olsa da bazen en leme termle karşılık bulur. Matematktek en
DetaylıBiyomedikal Amaçlı Basınç Ölçüm Cihazı Tasarımı
Byomedkal Amaçlı Basınç Ölçüm Chazı Tasarımı Barış Çoruh 1 Onur Koçak 2 Arf Koçoğlu 3 İ. Cengz Koçum 4 1 Ayra Medkal Yatırımlar Ltd. Şt, Ankara 2,4 Byomedkal Mühendslğ Bölümü, Başkent Ünverstes, Ankara,
DetaylıT. C. GÜMÜŞHANE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ MAKİNE MÜHENDİSLİĞİ BÖLÜMÜ MAKİNE MÜHENDİSLİĞİ DENEYLER 1 ÇOKLU ISI DEĞİŞTİRİCİSİ DENEYİ
T. C. GÜMÜŞHANE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ MAKİNE MÜHENDİSLİĞİ BÖLÜMÜ MAKİNE MÜHENDİSLİĞİ DENEYLER ÇOKLU ISI DEĞİŞTİRİCİSİ DENEYİ ÖĞRENCİ NO: ADI SOYADI: DENEY SORUMLUSU: YRD. DOÇ. DR. BİROL ŞAHİN
DetaylıHİD 473 Yeraltısuyu Modelleri
HİD 7 Yeraltısuyu Modeller Sayısal Analz Sonlu Farlar Yalaşımı Levent Tezcan - Güz Dönem Modelleme Problemn Tanımlanması Kavramsal Modeln Gelştrlmes Matematsel Modeln Gelştrlmes Hdroeolo Süreçler Sınır
DetaylıMETA ANALİZİNDE HETEROJENLİĞİN SAPTANMASINDA KULLANILAN YÖNTEMLERİN SİMÜLASYON TEKNİĞİ İLE KARŞILAŞTIRILMASI
T.C. MERSİN ÜNİVERSİTESİ SAĞLIK BİLİMLERİ ENSTİTÜSÜ BİYOİSTATİSTİK VE TIBBİ BİLİŞİM ANABİLİM DALI META ANALİZİNDE HETEROJENLİĞİN SAPTANMASINDA KULLANILAN YÖNTEMLERİN SİMÜLASYON TEKNİĞİ İLE KARŞILAŞTIRILMASI
DetaylıPARABOLİK KISMİ DİFERANSİYEL DENKLEMLER İÇİN İKİ ZAMAN ADIMLI YAKLAŞIMLAR ÜZERİNE BİR ÇALIŞMA. Gamze YÜKSEL 1, Mustafa GÜLSU 1, *
Ercyes Ünverses Fen Blmler Ensüsü Dergs 5 - - 45 9 p://fbe.ercyes.ed.r/ ISS -54 PARABOLİK KISMİ DİFERASİYEL DEKLEMLER İÇİ İKİ ZAMA ADIMLI YAKLAŞIMLAR ÜZERİE BİR ÇALIŞMA Gamze YÜKSEL Msafa GÜLS * Mğla Ünverses
DetaylıENDÜSTRİNİN DEĞİŞİK İŞ KOLLARINDA İHTİYAÇ DUYULAN ELEMANLARIN YÜKSEK TEKNİK EĞİTİM MEZUNLARINDAN SAĞLANMASINDAKİ BEKLENTİLERİN SINANMASI
V. Ulusal Üretm Araştırmaları Sempozyumu, İstanbul Tcaret Ünverstes, 5-7 Kasım 5 ENDÜSTRİNİN DEĞİŞİK İŞ KOLLARINDA İHTİYAÇ DUYULAN ELEMANLARIN YÜKSEK TEKNİK EĞİTİM MEZUNLARINDAN SAĞLANMASINDAKİ BEKLENTİLERİN
Detaylı) ( k = 0,1,2,... ) iterasyon formülü kullanılarak sabit
Karadez Te Üverstes Blgsayar Mühedslğ Bölümü 5-6 Güz Yarıyılı Sayısal Çözümleme Ara Sıav Soruları Tarh: Kasım 5 Perşembe Süre: daa. f ( ( + a e fosyouu sabt otası olmadığı bldğe göre, a 'ı alableceğ e
DetaylıJFM316 Elektrik Yöntemler ( Doğru Akım Özdirenç Yöntemi)
JFM316 Elektrk Yöntemler ( Doğru Akım Özdrenç Yöntem) yeryüzünde oluşturacağı gerlm değerler hesaplanablr. Daha sonra aşağıdak formül kullanılarak görünür özdrenç hesaplanır. a K I K 2 1 1 1 1 AM BM AN
DetaylıMIT Açık Ders Malzemeleri Bu materyallerden alıntı yapmak veya Kullanım Koşulları hakkında bilgi almak için
MIT Açık Ders Malzemeler http://ocm.mt.edu Bu materyallerden alıntı yapmak veya Kullanım Koşulları hakkında blg almak çn http://ocm.mt.edu/terms veya http://tuba.açık ders.org.tr adresn zyaret ednz. 18.102
DetaylıTek yönlü VA için seçenek bir test yöntemi ve geliştirilen bilgisayar yazılımı
www.statstcler.org İstatstçler Dergs (008) 75-8 İstatstçler Dergs Te yönlü VA çn seçene br test yöntem ve gelştrlen blgsayar yazılımı Engn Yıldıztepe Douz Eylül Ünverstes Fen-Edebyat Faültes İstatst Bölümü
DetaylıCilt:11 Sayı: 4 s , 2008 Vol: 11 No: 4 pp , M. Yasin ÖZSAĞLAM, Mehmet ÇUNKAŞ ÖZET
Polteknk Dergs Journal of Polytechnc Clt: Sayı: 4 s.99-305, 008 Vol: No: 4 pp.99-305, 008 Optmzasyon Problemlernn Çözümü çn Parçaçık Sürü Optmzasyonu Algortması M. Yasn ÖZSAĞLAM, Mehmet ÇUNKAŞ ÖZET Optmzasyon
DetaylıPARAMETRİK OLMAYAN HİPOTEZ TESTLERİ Kİ-KARE TESTLERİ
PARAMETRİK OLMAYAN HİPOTEZ TESTLERİ Kİ-KARE TESTLERİ 1 Populasyonun nceledğmz br özellğnn dağılışı blenen dağılışlardan brsne, Normal Dağılış, t Dağılışı, F Dağılışı, gb br dağılışa uygun olduğu durumlarda
Detaylıdir. Bir başka deyişle bir olayın olasılığı, uygun sonuçların sayısının örnek uzaydaki tüm sonuçların sayısına oranıdır.
BÖLÜM 3 OLASILIK HESABI 3.. Br Olayın Olasılığı Tanım 3... Br olayın brbrnden ayrık ve ortaya çıkma şansı eşt n mümkün sonucundan m tanes br A olayına uygun se, A olayının P(A) le gösterlen olasılığı P(A)
DetaylıYAŞAM VERİLERİNİN META ANALİZİ META ANALYSIS OF SURVIVAL DATA
YAŞAM VERİLERİNİN META ANALİZİ META ANALYSIS OF SURVIVAL DATA HATİCE YENİAY PROF. DR. DURDU KARASOY Tez Danışmanı Hacettepe Ünverstes Lsansüstü Eğtm-Öğretm Yönetmelğnn İstatst Anablm Dalı İçn Öngördüğü
DetaylıPARMAKİZİ RESİMLERİNİN YAPAY SİNİR AĞLARI İLE TEMİZLENMESİ VE İYİLEŞTİRİLMESİ
PARMAKİZİ RESİMLERİNİN YAPAY SİNİR AĞLARI İLE TEMİZLENMESİ VE İYİLEŞTİRİLMESİ Necla ÖZKAYA Şeref SAĞIROĞLU Blgsayar Mühendslğ Bölümü, Mühendslk Fakültes, Ercyes Ünverstes, 38039, Talas, Kayser Gaz Ünverstes,
DetaylıDoğrusal Korelasyon ve Regresyon
Doğrusal Korelasyon ve Regresyon En az k değşken arasındak lşknn ncelenmesne korelasyon denr. Kşlern boyları le ağırlıkları, gelr le gder, öğrenclern çalıştıkları süre le aldıkları not, tarlaya atılan
DetaylıFLYBACK DÖNÜŞTÜRÜCÜ TASARIMI VE ANALİZİ
FLYBACK DÖNÜŞTÜRÜCÜ TASARIMI VE ANALİZİ 1 Nasır Çoruh, Tarık Erfdan, 3 Satılmış Ürgün, 4 Semra Öztürk 1,,4 Kocael Ünverstes Elektrk Mühendslğ Bölümü 3 Kocael Ünverstes Svl Havacılık Yüksekokulu ncoruh@kocael.edu.tr,
DetaylıYük Yoğunluğu ve Nokta Yük İçeren Elektrik Alan Problemlerinin Sınır Elemanları Yöntemiyle İncelenmesi
Fırat Ünv. Fen ve Müh. Bl. Dergs cence and Eng. J of Fırat Unv. (), 99-, (), 99-, Yü Yoğunluğu ve Nota Yü İçeren Eletr Alan Problemlernn ınır Elemanları Yöntemyle İncelenmes Hüseyn ERİŞTİ ve elçu YILDIRIM
DetaylıSıklık Tabloları ve Tek Değişkenli Grafikler
Sıklık Tabloları ve Tek Değşkenl Grafkler Sıklık Tablosu Ver dzsnde yer alan değerlern tekrarlama sayılarını çeren tabloya sıklık tablosu denr. Sıklık Tabloları tek değşken çn marjnal tablo olarak adlandırılır.
DetaylıToplam Eşdeğer Deprem Yükünün Hesabı Bakımından 1975 Deprem Yönetmeliği İle 2006 Deprem Yönetmeliğinin Karşılaştırılması
Fırat Ünv. Fen ve Müh. Bl. ergs Scence and Eng. J of Fırat Unv. 19 (2, 133-138, 2007 19 (2, 133-138, 2007 Toplam Eşdeğer eprem Yükünün Hesabı Bakımından 1975 eprem Yönetmelğ İle 2006 eprem Yönetmelğnn
DetaylıGÜÇ KALİTESİNDEKİ BOZULMA TÜRLERİNİN SINIFLANDIRILMASI İÇİN BİR ÖRÜNTÜ TANIMA YAKLAŞIMI
Gaz Ünv. Müh. Mm. Fak. Der.. Fac. Eng. Arch. Gaz Unv. Clt 6, No 1, 41-56, 011 Vol 6, No 1, 41-56, 011 GÜÇ KALİESİNDEKİ BOZULMA ÜRLERİNİN SINIFLANDIRILMASI İÇİN BİR ÖRÜNÜ ANIMA YAKLAŞIMI Murat UYAR, Selçuk
DetaylıADJUSTED DURBIN RANK TEST FOR SENSITIVITY ANALYSIS IN BALANCED INCOMPLETE BLOCK DESIGN
SAÜ Fen Edebyat Dergs (2010-I) F.GÖKPINAR v.d. DENGELİ TAMAMLANMAMIŞ BLOK TASARIMINDA, DUYUSAL ANALİZ İÇİN DÜZELTİLMİŞ DURBİN SIRA SAYILARI TESTİ Fkr GÖKPINAR*, Hülya BAYRAK, Dlşad YILDIZ ve Esra YİĞİT
DetaylıK-Ortalamalar Yöntemi ile Yıllık Yağışların Sınıflandırılması ve Homojen Bölgelerin Belirlenmesi *
İMO Teknk Derg, 2012 6037-6050, Yazı 383 K-Ortalamalar Yöntem le Yıllık Yağışların Sınıflandırılması ve Homojen Bölgelern Belrlenmes * Mahmut FIAT* Fath DİKBAŞ** Abdullah Cem KOÇ*** Mahmud GÜGÖ**** ÖZ
DetaylıDOĞRUSAL OLMAYAN DİZGELER İÇİN MODEL TEMELLİ ARIZA BULMA-YALITIMI VE ROBOT MANİPÜLATÖRLERE UYGULANMASI
Gaz Ünv. Müh. Mm. Fak. Der. J. Fac. Eng. Arch. Gaz Unv. Clt 4, No, 79-94, 009 Vol 4, No, 79-94, 009 DOĞRUSAL OLMAYAN DİZGELER İÇİN MODEL TEMELLİ ARIZA BULMA-YALITIMI VE ROBOT MANİPÜLATÖRLERE UYGULANMASI
DetaylıDETERMINATION OF THE ECONOMIC DISPATCH IN ELECTRIC POWER SYSTEMS USING SIMULATED ANNEALING(SA) ALGORITHM
5 Uluslararası İler Teknolojler Sempozyumu (IATS 09), 3-5 Mayıs 2009, Karabük, Türkye ELEKTRİK GÜÇ SİSTEMİNDE OPTİMAL YAKIT MALİYETİNİN BENZETİM TAVLAMA (BT) ALGORİTMASI İLE BELİRLENMESİ DETERMINATION
Detaylı