CuEEG: EEG Verilerinin Hızlı İşlenmesi için GPU Tabanlı Bir Yaklaşım CuEEG: A GPU-Based Approach for Fast Processing of EEG Data
|
|
- Hakan Isler
- 8 yıl önce
- İzleme sayısı:
Transkript
1 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 of EEG Data Musa PEKER 1, Baha ŞEN 2 1 Blgsayar Mühendslğ Karabük Ünverstes pekermusa@gmal.com 2 Blgsayar Mühendslğ Yıldırım Beyazıt Ünverstes bsen@ybu.edu.tr Özet Bu çalışmada EEG verlernn sınıflandırılmasına yönelk yen br yaklaşım sunulmaktadır. Bu yaklaşımın dkkate aldığı krter hız parametresdr. Şmdye dek gerek epleps teşhs gerekse EEG verlernn sınıflandırılmasına yönelk yapılmış hemen hemen bütün çalışmalar sınıflandırma doğruluğunu yleştrmeye yönelk olarak gerçekleştrlmştr. Bu çalışmada özellkle gerçek zamanlı uygulamalarda br vazgeçlmez olan hız parametres dkkate alınmakta ve EEG verlernn hızlı br şeklde sınıflandırılması çn yen br yaklaşım sunulmaktadır. Bunun çn özellkle son yıllarda popülartes gttkçe artan grafk şlemcler üzernde programlama yapmamızı sağlayan CUDA programlamadan yararlanılmıştır. Grafk şlemclerden sınıflandırma aşamasında yararlanılmıştır. Sınıflandırma algortması olarak EEG verlernn sınıflandırılmasında yüksek doğruluk oranı veren ger yayılımlı snr ağı terch edlmştr. Bu çalışmada epleptk nöbet tespt çn kullanılan br ver tabanı üzernde deneyler gerçekleştrlmştr. Sonuçlar ncelendğnde CUDA programlamanın sonuçlar üzernde olumlu etklernn olduğu görülmüştür. Bu şeklde sadece EEG verlerne yönelk değl dğer byomedkal şaretlern sınıflandırılmasında da grafk şlemcler kullanılarak gerçek zamanlı uygulamalara yönelk hızlı br sstemn altyapısı oluşturulablmektedr. Abstract The study presents a new approach n the classfcaton of EEG data. The basc crteron n ths approach s the parameter of speed. Almost all up to date studes both for the dagnoss of eplepsy and for the classfcaton of EEG data am to mprove classfcaton accuracy. Ths study focuses on the speed parameter whch s an ndspensable part n real tme applcatons and presents a new approach to classfy EEG data n a faster manner. CUDA program has been utlzed that makes t possble to make programs on Graphc Processors whch s hghly popular especally n the last years. Graphc processors have been used n the classfcaton phase. As classfcaton algorthm, back propagaton neural network wth a hgher accuracy rate has been preferred n the classfcaton of EEG data. The study utlzed experments on a data base used for dagnoss of epleptc attacks. Data show that CUDA programmng has postve effects on the results. It s beleved that ths approach can be used for the buldng the nfrastructure for a speedy system for real tme applcatons by usng graphc processors for the classfcaton of not only EEG data but also of other bometrc sgnals. 1. Grş GPU lar (Graphcs Processng Unt Grafk İşleme Brm), esas olarak grafksel şlemlerde CPU (Central Processng Unt Merkez İşlemc Brm) üzerndek yükü azaltmak ve daha y performans sağlamak çn özelleşmş yapılardır. Günümüzde, GPU lar da CPU lar gb çok çekrdekl yapılara sahp hale gelmştr. Paralel çok çekrdekl, genel matematk şlemlern grafk şleme brm üzernde yapmaya olanak sağlayan GPU lar, grafk kartlarının günümüzde özellkle yüksek performans gerektren snyal şleme algortmalarının gerçeklemesnde öneml br yere gelmesn sağlamıştır [1]. Snyal şleme yazılımlarında kullanılan algortmaların karmaşıklığı arttıkça ve verlern boyutları büyüdükçe büyük verler kısa sürelerde şlemeye yönelk br arayış ortaya çıkmaya başlamıştır. GPU ların kablyetlern arttırmaya yönelk olarak 27 yılında serbest br platform olan CUDA nın NVIDIA tarafından pyasaya sürülmesnn ardından, bu alana lg artmış, grafk kartları üzernde de genel amaçlı matematksel şlemlern yapılableceğ görülmüş ve lerleyen süreçlerde bu alanda çalışmalar hızlanmıştır [1]. Bu çalışmada CUDA Programlama le EEG verlernn daha hızlı sınıflandırılması amaçlanmıştır. Sınıflandırma aşamasında, genellkle EEG verlernn sınıflandırılmasında yüksek doğruluk değerler veren ger yayılımlı snr ağı terch edlmştr. Yapay snr ağlarının eğtm, optmal performansa ulaşmak çn gerekl ağırlık güncellemeler ve yüksek terasyon sayısından dolayı zaman alıcı olmaktadır [2]. Hesaplama malyetn azaltmak veya yakınsama hızını yükseltmek çn çaba gösterlen çalışmalar mevcuttur [3, 4]. CUDA üzernde ger yayılımlı snr ağı uygulaması gerçekleştrlrken BLAS kütüphanesnn br CUDA uygulaması olan CUBLAS kullanılarak süreç bastleştrlmştr. Bununla beraber CUBLAS gerekl bütün kütüphanelere sahp olmadığı çn çekrdek (kernel) fonksyon kullanımına htyaç duyulmuştur. 685
2 ELECO '212 Elektrk - Elektronk ve Blgsayar Mühendslğ Sempozyumu, 29 Kasım - 1 Aralık 212, Bursa Uygulama epleps ve sağlıklı nsanların EEG şaretlernden oluşan br ver tabanı üzernde gerçekleştrlmştr. NVIDIA grafk kartı üzernde tek gzl katman le gerçekleştrlen uygulama, performans açısından CPU ya göre daha y br performans vermştr. 2. Ver Set Bu çalışmada Bonn Ünverstes epleptoloj klnğnde hazırlanan EEG ver tabanı kullanılmıştır [5]. Bu ver tabanında A, B, C, D, E olmak üzere, 5 farklı EEG ver kümes bulunmaktadır. Bu çalışmada A ve E ver kümes kullanılmıştır. A kümes, sağlıklı kşlerden, gözler açık bçmde, yüzey elektrotları le kaydedlmş EEG versn çerr. E kümes se hastalıklı kşlerden, epleps krz anında, grşmsel olarak kaydedlmş EEG versn çerr. Snyaller 12 bt analog-sayısal dönüştürücü le dönüştürüldükten sonra blgsayar ortamına Hz örnekleme frekansı le aktarılmıştır. Epleptk özellkler kendn 3-4 Hz altındak frekans bantlarında gösterdğnden spektral aralığı.5-85 Hz olan snyallere.53-4 Hz bant geçren fltre uygulanmıştır. Örnek EEG görüntüler Şekl 1 de görülmektedr. Genlk (μv) Genlk (μv) a)sağlıklı kşden alınan EEG kaydı b) Epleps hastasından alınan EEG kaydı Şekl 1: A ve E ver setlernden alınan örnekler 3. Özntelk Çıkarma Bu aşamada EEG snyallernden anlamlı blgnn keşf çn 9 özntelk çıkarma algortması kullanılmıştır. 496 noktadan oluşan her EEG snyal bu özntelk çıkarma aşamasından geçtkten sonra 9 nokta le temsl edlmştr. Bu özntelkler statksel ve enerj tabanlı özntelklerdr. Bu çalışmada terch edlen özntelk algortmaları sırasıyla mnmum değer, maksmum değer, standart sapma, artmetk ortalama, varyans, ortanca, sıfır geçş sayısı, ortalama teager enerjs ve ortalama enerj değerlerdr. 4. Sınıflandırma Bu bölümde lk aşamada sınıflandırma aşamasında kullanılan ger yayılım snr ağı hakkında kısa br blg verlmştr. İknc aşamada CUDA programlamadan bahsedlecektr İler Beslemel Ger Yayılımlı Snr Ağı Danışmanlı öğrenen, ler beslemel ger yayılım ağları, adını hatayı yayma bçmnden almıştır. Hata azaltma şlemn hatayı tüm ağa yayarak gerçekleştrdğ çn bu ağa Hatayı Gerye Yayma da denmektedr. Bu algortmada elde edlen çıktı le olması gereken çıktı arasındak fark yan hata değer, tüm ağırlıklara yansıtılarak derecel olarak mnmum düzeye ndrlmeye çalışılır [6]. Ger yayılım algortmasında eğtme rastgele br ağırlık kümes le başlanır, Q katmanlı ler beslemel br ağ çn ger yayılım algortması [7]; q = 1, 2, 3,..., Q katman numarası, X q : q nc katmandak brmnn grds, y q : q nc katmandak brmnn grds, w j q : (q-1) nc katmandak brmn, q ncu katmandak j brmne bağlayan ağırlık olmak üzere aşağıdak adımlarla gerçekleştrlr: 1. Adım: w ye reel değerl küçük rastgele sayıları başlangıç değer olarak atanır. 2. Adım: Rastgele br (grş-hedef) çalışma model seçlr ve q katmanındak her br j brm çn ler yönde çıktı değerler hesaplanır. Böylece çıkış, y q q 1 = f y w q j (1) 3. Adım: Çıkış brmler çn hata termler (δ) hesaplanır: δ Q = y q y p f X Q (2) 4. Adım: q = Q, Q 1,..., 2 katmanlarındak tüm brmler çn gerye yayılımla gzl katman brmler çn hata termler hesaplanır. δ q 1 = f X q 1 δ q q w j (3) 5. Adım: Ağırlık değerler aşağıdak denklemlere göre güncellenr. w yen j = w esk q j + w (4) j Öğrenme katsayısı η kullanılarak, öğrenme aşamasında ağırlıkta yapılan değşm w q j, aşağıdak eştlğe göre olmalıdır. w q j = ηδ q q 1 y (5) 6. Adım: 2. adıma dönüp, toplam hata kabul edleblr br düzeye gelene kadar her br p model çn şlemler tekrarlanır. Bu çalışmada Q=3 çn şlemler yapılmıştır Cuda Programlama CUDA, GPU üzerndek yüzlerce çekrdeğ kullanarak genel amaçlı matematk şlemler yapmaya olanak sağlayan br GPU mmars, yazılımı ve programlama platformudur [1]. CUDA nın başarılı sonuçlar üretmesnn altında yatan neden, CUDA mmarsnn, grafk şleme gb şlem yoğunluğu olan ve yüksek derecelerde paralellk gerektren şlemler çn gelştrlmş olmasından kaynaklanmaktadır. Sekl 2: GPU ver şleme çn daha fazla transstor tahss eder. CUDA programlama le lgl genş br blg [8] numaralı kaynaktan alınablr. 5. Uygulama ve Değerlendrme Bu çalışmada EEG verlernn sınıflandırılması çn önerlen yapıya at blok gösterm Şekl 3 de verlmektedr. Bu yapıda verlern özntelklernn çıkarılablmes çn hem A ver set (sağlıklı), hem de E ver set (epleptk aktvte durumu) çn 1*496 boyutunda k ayrı vektör matrs oluşturulmuştur. Bu vektörlerden, 1*496 boyutundak A ve E ver setnn her br sütunu çn 9 adet özntelk parametres elde edlerek ger yayılımlı snr ağı le sınıflandırılmıştır. 686
3 ELECO '212 Elektrk - Elektronk ve Blgsayar Mühendslğ Sempozyumu, 29 Kasım - 1 Aralık 212, Bursa 1 2. İstatstk ve enerj tabanlı özntelk çıkarma CPU EEG Snyaller 496 Artmetk Ortalama Mnmum Değer Ortanca Değer Maksmum Değer Ortalama Teager Enerjs Varyans Sıfır Geçş Sayısı Ortalama Enerj Standart Sapma GPU İler beslemel ger yayılımlı snr ağı Şekl 3: Epleptk atak tespt çn önerlen yöntem 5.1. CUDA Tabanlı Snr Ağının Gerçekleştrm Epleps Sağlıklı Snr ağı uygulaması CUDA tarafından uygulanan br ser matrs çarpımı ve aktvasyon fonksyonu uygulaması olarak gerçekleştrleblr. CUDA blok başına paylaşılan hafızayı (shared memory) kullanarak matrs çarpımını etkn şeklde şleyeblmektedr. Uygulamalarda paylaşımlı bellek verm öneml oranda artıracaktır. Örnek verlrse; GPU genel şlemlernde global hafızaya erşm çn yaklaşık olarak 4-6 döngü gereklyse, CUDA nın hafıza ortamında paylaşılan hafızaya erşm çn sadece 4 döngü yeterl olmaktadır [9]. Bu nedenle CUDA nın paylaşımlı hafızası şlemlern etkn yürütülmes çn yardımcı olmaktadır. Ayrıca matrsn eleman sayısına eşt sayıda dzn (thread) sağlayarak ve daha sonra da her br dznde (thread) şlemler bağımsız olarak hesaplayarak aktvasyon fonksyonlar da paralel olarak uygulanablr [9]. Şekl 4 de CUDA üzernde gerçekleştrlen snr ağının lerye doğru hesaplama adımlarından br kısmının matrs şlemler sunulmaktadır. Şekl ncelendğnde, snr ağlarının paralel şlemeye müsat br yapısının olduğu görülecektr. Ger yayılımlı snr ağı algortmasının paralel uygulaması, verlern GPU da matrs ve vektör şlemlernn uygulanmasından barettr [1]. Bu çalışmada k tür paralel şlem mevcuttur: vektör-matrs şlemler ve artmetk şlemler. Vektör-matrs şlemlerne örnek olarak grş değerler le grş ve gzl katman değerler arasındak ağırlık değerlernn çarpımı verleblr. Artmetk şlemlere de örnek olarak sgmod fonksyonu ve ağırlık güncellemeler verleblr. Bu çalışmada lk aşamada yan matrs ve vektör şlemler çn CUBLAS kütüphanes terch edlmştr. CUBLAS optmum paralellğe uygun yapılandırılmış br ser algortma sunduğundan, bloklar ve dznlern tanımlanması problem teşkl etmemektedr [1]. İknc aşamada yan artmetk şlemler çn se çekrdek (kernel) tanımlanarak paralellğn gerçekleştrlmes sağlanmıştır. Burada kernel, GPU üzernde çalışan fonksyona verlen smdr. Bu k aşama le lgl bazı örnekler aşağıda sunulmaktadır. Matrs çarpım şlemlernde CUBLAS fonksyonlarından cublassgemm fonksyonu kullanılmıştır. Örnek br kullanım aşağıda sunulmaktadır. cublassgemm (char transa, char transb, nt m, nt n,nt k, float alpha, const float *A, nt lda,const float *B, nt ldb, float beta,float *C, nt ldc) A, B ve C matrs değerlerdr. Alpha ve beta se skaler değerlerdr. Global Bellek (Global Memory) W 11 W 12 W 1n X 11 X 12 X 1n W 21 W 22 W 2n X 21 X 22 X 2n W n1 W n2 W nn X n1 X n2 X nn Grd (Buradak şlemler cublassgemm fonksyonu kullanılarak gerçekleştrld. W 11 W 12.. W 1n x x.. x W 21 W 22 W 2n x x x W n1 W n2 W nn x x x X 11 X 21.. X n1 X 11 X 21 X n1 X 1n X 2n X nn = =.. = = = = = = = Y 11 + Y 12.. Y 1n Y 21 + Y 22 Y 2n Y n1 + Y n2 Y nn Y 11 thread Y 21 thread Y nn thread blok Paylaşımlı Bellek (Shared Memory) (Buradak şlemler çn çekrdek fonksyon yazıldı) Sgmod S 11 S 12 S 1n Fonksyonu Sgmod S 21 S 22 S 2n Fonksyonu S n1 S n2 S nn Şekl 4: CUDA kullanarak ger yayılımlı snr ağının matrs çarpım şlemler (ler hesaplama adımlarından br kest)[9] Bu fonksyona göre A matrs mxk, B matrs kxn ve C matrs de mxn boyutundadır. cublassgemm fonksyonu C = (alpha x A x B) + (beta x C) matrs şlemn hesaplar. Alpha=1 ve beta= olarak alındığında şlem C=AxB ye ndrgenr. Lda, ldb ve ldc se sabt değerlerdr. Fonksyondak trans fades matrs transpoze şlemler çn kullanılmaktadır. Genellkle n yapısı terch edlr. Kullanımı aşağıda belrtlmştr. Eğer transa= N veya n, A=A., Eğer transa= T, t, C or c se A=A T dr. transb fades se aynı amaçla B matrs çn kullanılır. CUBLAS kullanırken dkkat edlmes gereken MATLAB' da olduğu gb matrslerde vernn "column major (verler sütun öncelkl olarak bellekte tutulmaktadır)" şeklnde şlendğ ve tutulduğudur. Belrtlen cublassgemm fonksyonunun dışında bu çalışmada GPU bellek ayrımı çn cublasalloc, ayrılan bellek alanını tekrar bırakmak çn cublasfree, CPU dan GPU ya vektör aktarımı çn CublasSetVector, GPU dan CPU ya vektör aktarımı çn CublasGetVector, CPU dan GPU ya matrs aktarımı çn CublasSetMatrx, GPU dan CPU ya matrs aktarımı çn CublasGetMatrx fonksyonlarından yararlanılmıştır. Artmetk şlemlern paralellğ çn kernel tanımlanmıştır. Aktvasyon fonksyonu, hata fonksyonu ve ağırlık güncellemeler çn çekrdek (kernel) fonksyonlar gelştrlmştr. Sgmod aktvasyon fonksyonu le lgl hesaplamalarda şlemlern GPU üzernde gerçekleştrlmesn sağlayan örnek br kernel Şekl 5 de sunulmuştur. global vod sgmod( float *cks1, nt maksmum) { shared float u_shared[32]; //Paylaşımlı bellek ayırma nt sutun = blockidx.x * blockdm.x + threadidx.x; //GPU dznnn (thread) şleyeceğ adres blgs f (sutun<maxmum){ u_shared[sutun] = d_an[sutun]; //Paylaşık hafızaya yazma u_shared[sutun] = (1/(1+ expf(-1*u_shared[sutun]))); //sgmod fonksyon değernn hesaplanması syncthreads(); } // bloktak tüm threadlern bu noktaya erşmesn bekletr (Senkronzasyon amaçlı kullanılır). d_an[sutun]=u_shared[sutun]; //Global hafızaya yazma } 687
4 ELECO '212 Elektrk - Elektronk ve Blgsayar Mühendslğ Sempozyumu, 29 Kasım - 1 Aralık 212, Bursa Şekl 5: CUDA donanımı üzernde çalışacak sgmod fonksyonu çn yazılan kernel fonksyonu Bu çekrdek fonksyonunun çağrımı aşağıdak gb gerçekleştrlmştr. sgmod<<< Grd Sayısı, Blok Sayısı >>>(, ); GPU üzernde gerçekleştrlen snr ağı çn çeştl optmzasyonlar yapılmıştır. Gerçekleştrlen optmzasyon aşamalarından öneml olanlar aşağıda lstelenmştr. Paralel yapılablen kod parçalarının CUDA üzernde, ser olması gereken şlemlern CPU üzernde çalıştırılmasına dkkat edlmştr. CUDA le şlenecek verlern br kerede GPU üzerne alınması ve GPU üzernde tüm şlemler yapıldıktan sonra CPU ya alınmasına dkkat edlmştr. (Şekl 5 de verlen örnekte bu kurala uygun br örnek görülmektedr.) Paylaşımlı bellek kullanımı, hesaplamalar esnasında bellek erşmn çokça kullanan fonksyonlarda öneml derecede performans artışı sağlamıştır Uygulama Sonuçları GPU performansı çn deneyler NVIDIA GeForce GT 525M grafk kartı üzernde yapılmıştır. Bu grafk kartında 96 Cuda çekrdeğ mevcuttur. İşlemc hızı 12 Mhz dr. CPU performansını tespt etmek çn aynı blgsayarın şlemcs terch edlmştr. Bu şlemc Intel (R) Core 7-267QM 2.2 GHz özellklerne sahptr. Blgsayarın belleğ 8 GB kapasteye sahptr. Karşılaştırmaların adl olması çn yazılımlar aynı programlama dlnde kodlanmıştır. Ayrıca kodlamalarda tek duyarlıklı (sngle precson) gösterm terch edlmştr. Gelştrlen yazılımlar Vsual C++ 21 programlama dl le hazırlanmıştır. Uygulamada kullanılan ver set 2 şeklde kullanılmıştır. İlknde ver setnn %5 s eğtm çn, %5 s test çn ayrılmıştır. İknc şeklde ver setnn %7 eğtm çn, %3 u test çn ayrılmıştır. Bu ayrım rastgele br şeklde yapılmaktadır. Deneysel sonuçlarda kolaylık olması açısından brnc dağılım çn, knc dağılım çnse denlecektr Hız Performansı Paralel programlamanın etksn görmek çn 2 aşamada deneyler yapılmıştır. İlk aşamada sonlandırma krter olarak eşt terasyon değer terch edlmştr. Bu aşamada gzl katman nöron sayısının artması durumunda GPU ve CPU nun sonuca ulaşma zamanları karşılaştırılmıştır. Gzl katman nöron sayısı arttıkça ağırlık matrsler de büyüyecek ve problem daha karmaşık br hale gelecektr. İknc aşamada se ağ mmars sabt tutulup terasyon değerler değştrlmştr. Ağ mmars olacak şeklde sabtlenmştr. Burada 9 sayısı grş katmanındak elemanların sayısını, 2 gzl katman nöron sayısını ve 2 se çıkış katmanındak elemanların sayısını vermektedr. Algortmaların çalıştırılmaları sonucu elde edlen sonuçlar Şekl 6 ve Şekl 7 de görülmektedr. Sonuçlar mlsanye (ms) cnsnden hesaplanmıştır. Hesaplama süreler Şekl 3 de görüldüğü gb CPU ortamında elde edlen 9 özntelk değernn GPU ya taşınması, bellek ayrımı, GPU-CPU arası ver aktarımları ve ler beslemel snr ağının uygulanması sonucunda elde edlen sürelern toplamından oluşmaktadır. Her deney 1 defa tekrar edlmş ve bulunan değerlern ortalaması kullanılmıştır. Şekl 6-7 ncelendğnde CUDA Programlamanın sonuçlara etksnn yüksek olduğu görülmektedr. speed-up (CPU/GPU) Gzl Katman Nöron Sayısı Şekl 6: Gzl katman nöron sayısına göre değşen speed-up değerler Şekl 6 da çn ortalama speed-up değernn 71.21, çn ortalama speed-up değernn 7.56 çıktığı görülmektedr. Bu durumda gzl katman nöron sayısının etks göz önüne alındığında CUDA Programlama le ortalama 7x cvarında br başarının sağlandığından bahsedleblr. Grafktek bazı değerler aşağıda tablo halnde sunulmuştur. Çzelge 1 de görüldüğü gb paralel programlamanın etksyle yaklaşık 48 sanye süren br şlemn.69 sanyeye düşürüldüğü görülmektedr. speed-up (CPU/GPU) Çzelge 1: Gzl katman nöron sayılarına göre sınıflandırma süreler(msn) Gzl Katman Nöron Sayısı GPU CPU GPU CPU terasyon değerler Şekl 7: İterasyon sayısına göre değşen speed-up değerler Şekl 7 de çn ortalama speed-up değer 42.1, çn ortalama speed-up değer çıkmıştır. Bu durumda terayon değernn etks göz önüne alındığında CUDA Programlama le ortalama 43x cvarında br başarının sağlandığından bahsedleblr. Grafktek bazı değerler aşağıda tablo halnde sunulmuştur. Çzelge 2 de görüldüğü gb paralel programlamanın etksyle yaklaşık 395 sanye süren br şlemn yaklaşık 9 sanyeye ndğ görülmektedr. Çzelge 2: İterasyon değerlerne göre sınıflandırma süreler(msn) İterasyon Değer GPU CPU GPU CPU Başarı Performansı
5 ELECO '212 Elektrk - Elektronk ve Blgsayar Mühendslğ Sempozyumu, 29 Kasım - 1 Aralık 212, Bursa Çalışmada en y sonucu veren uygun parametre değerlernn tespt deneme-yanılma metodu le bulunmuştur. Buna göre öğrenme katsayısı.6, momentum katsayısı.5, gzl katman nöron sayısı 5 olarak belrlenmştr. İterasyon değer 5 olarak sabtlenmştr. Bu değerler kullanılarak eğtlen ağın İterasyon-MSE (Ortalama Karesel Hata) grafğ Şekl 8 de sunulmaktadır. Grafk ncelendğnde ver setnn daha büyük br oranını eğtm çn kullanan nn daha başarılı sonuçlar verdğ görülmektedr. MSE İterasyon Şekl 8: İterasyon-MSE grafğ Başarı performansı çn ayrıca statstk analz değerler hesaplanmıştır. Bulunan değerler 1 farklı deneme sonucu elde edlen değerlern ortalamasıdır. Performans değerlendrme krterlerne göre elde edlen sonuçlar Çzelge 3 de sunulmaktadır. Çzelge 3: Performans değerlendrme krterlerne göre elde edlen sonuçlar Performans Krter Doğruluk oranı (DO) % 96.8 % 98.5 Duyarlılık % 96.9 % 98.2 Özgünlük % 96.1 % 98.9 MSE 2.17x x1-7 Bu çalışmada elde edlen doğruluk oranları le aynı ver set üzernde daha önce yapılmış çalışmalar karşılaştırılmıştır. Doğruluk değerler dkkate alınarak yapılan karşılaştırmalı analz Çzelge 4 de sunulmaktadır. Çzelge 4: Lteratürdek çalışmalar le doğruluk değerlernn kıyaslanması Ref. No Metot DO [11] Dalgacık Dönüşümü-Bağıl Dalgacık Enerjs- %95. Snr Ağları (YSA) [12] Lneer olmayan ön şleme fltreler-ysa %97.2 [13] İstatksel özntelkler-dskrmnant Analz %96.9 [14] Zaman ve frekans tabanlı özntelkler-ger %99.6 beslemel snr ağları [15] Entrop tabanlı özntelkler-uyarlamalı snrsel %92.2 bulanık denetm sstem [16] Hızlı Fourer dönüşümü-karar ağaçları %98.7 Sonuçlar ncelendğnde önerlen metodun EEG verlern hızlı br şeklde ve yüksek doğruluk değerlernde sınıflandırdığı görülmektedr. Önerlen metodun epleps hastalığına yönelk olarak da nha karar açısından hekmlere faydalı olacağı öngörülmektedr. 6. Sonuçlar Bu çalışma le CUDA teknolojs sayesnde EEG snyallernn daha kısa zamanda sınıflandırıldığı görülmüştür. Bu çalışmada kullanılan grafk kartı ortalama br performansa sahptr. Pyasada 4-1 arası çekrdek sayısına sahp Ferm, Tesla gb grafk kartları da mevcuttur. Yne karşılaştırma amaçlı kullanılan CPU se şu anda pyasadak en y şlemcler arasında gözükmektedr. Ortalama performansa sahp br ekran kartı le çok y performansa sahp br şlemcnn karşılaştırıldığını düşündüğümüzde CUDA programlamanın önem daha ön plana çıkacaktır. Ayrıca çalışmada önerlen metodun sınıflandırılma doğruluğu ve dğer statstk sonuçları da elde edlmştr. Başarı performansı yönüyle de yüksek doğruluk değerler elde edlmştr. Bu yönüyle de önerlen metodun hem hız hem de performans yönüyle etkl br metot olduğu söyleneblr. İlerk çalışmalarımızda ön şleme aşamasını da GPU üzernde gerçekleştrerek, tamamen GPU üzernde çalışan br sstem hedeflemekteyz. Bu tarz çalışmalarla sadece Byomedkal Snyal İşleme çn değl, gerçek zamanlı çalıştırılması hedeflenen brçok çalışmanın hızlı br şeklde çalıştırılıp, hızlı ve başarılı sonuçların elde edlmes sağlanablr. 7. Kaynaklar [1] Sağel, B., Ceylan, S., Akpulat, M.C., Türken, H. ve Erdoğdu, S., "CUDA Altyapısı Kullanılarak Snyal İsleme Yazılımı Optmzasyonu", 5. UYMS, [2] Şen, B. ve Peker, M., "Novel Approaches for Automated Epleptc Dagnoss usng FCBF Feature Selecton and Classfcaton Algorthms", Turksh Journal of Electrcal Engneerng & Computer Scences, 1.396/elk-123-9, 212. [3] Crstea, A. ve Okamoto, T., A Parallelzaton Method for Neural Networks wth Weak Connecton Desgn, Internatonal Symposum on Hgh Performance Computng, 1997, [4] Seffert, U., Artfcal Neural Networks on Massvely Parallel Computer Hardware, ESANN 12, 22, [5] ng=3&changelang=3 (Erşm Tarh: ) [6] Aydoğmuş, Z. ve Çötel, R., Yapay Snr Ağları Yardımıyla İzolatör Yüzeynde Potansyel Tahmn, F.Ü. Fen ve Müh. Bl. Dergs, 17/2, , 25. [7] Keleşoğlu, Ö. ve Akarsu, E.E., Betonarme Br Bnada Yıllık Isı Kaybı ve Enerj İhtyacının Yapay Snr Ağları le Belrlenmes, e-journal of New World Scences Academy Natural and Appled Scences, 3(2), , 28. [8] CUDA Programmng Gude 4.2, NVIDIA CUDA, 212 [9] Ln, J. ve Ln. J, Acceleratng BP Neural Network-Based Image Compresson by CPU and GPU Cooperaton, Internatonal Conference on Multmeda Technology, 21, [1] Canto, X.S., Ramrez, F.M. ve Cetna, V.U., Parallel Tranng of a Back-Propagaton Neural Network Usng CUDA, ICMLA, 21, [11] Guo, L., Rvero, D., Seoane, J.A. ve Pazos, A., Classfcaton of EEG Sgnals usng Relatve Wavelet Energy and Artfcal Neural Networks, GCE 9, 29, [12] Ngam, V. ve Graupe, D., A Neural-Network-based Detecton of Eplepsy, Neurologcal Research, 26(1), 55 6, 24. [13] Fathma, T., Khan, Y.U., Bedeeuzzaman, M. ve Farooq, O., Dscrmnant Analyss for Epleptc Sezure Detecton, ICDeCom 11, 211, 1-5. [14] Srnvasan, V., Eswaran, C. ve Srraam, N., Artfcal Neural Network based Epleptc Detecton Usng Tme Doman and Frequency Doman Features, Journal of Medcal Systems, 29(6), , 25. [15] Kannathal, N., Choo, M. L., Acharyab, U. R., ve Sadasvana, P. K., Entropes for Detecton of Eplepsy n EEG, Computer Methods and Programs n Bomedcne, 8, , 25. [16] Polat, K. ve Güneş, S., Classfcaton of Epleptform EEG usng a Hybrd System Based on Decson Tree Classfer and Fast Fourer transform, Appled Mathematcs and Computaton, 187(2), ,
Tuğla Duvardaki ve Tesisattaki Isı Kaybının Yapay Sinir Ağları İle Belirlenmesi
Fırat Ünv. Fen ve Müh. Bl. Der. Scence and Eng. J of Fırat Unv. 18 (1), 133-141, 2006 18 (1), 133-141, 2006 Tuğla Duvardak ve Tessattak Isı Kaybının Yapay Snr Ağları İle Belrlenmes Ömer KELEŞOĞLU ve Adem
DetaylıARAŞTIRMA MAKALESİ/RESEARCH ARTICLE TEK ÇARPIMSAL SİNİR HÜCRELİ YAPAY SİNİR AĞI MODELİNİN EĞİTİMİ İÇİN ABC VE BP YÖNTEMLERİNİN KARŞILAŞTIRILMASI ÖZ
ANADOLU ÜNİVERSİTESİ Blm ve Teknoloj Dergs A-Uygulamalı Blmler ve Mühendslk Clt: 14 Sayı: 3 013 Sayfa: 315-38 ARAŞTIRMA MAKALESİ/RESEARCH ARTICLE Faruk ALPASLAN 1, Erol EĞRİOĞLU 1, Çağdaş Hakan ALADAĞ,
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
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
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
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
DetaylıEpilepside EEG Tabanlı Entropi Değişimleri
TURKMIA 9 Proceedngs 7 VI. Ulusal Tıp Blşm Kongres Bldrler ENMI Vol V No 1, 9 Eplepsde EEG Tabanlı Entrop Değşmler b c Serap 1 AYDINa,1, H.Melh SARAOĞLU, Sadık KARA a Elektrk-Elektronk Müh Böl, Ondokuz
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.
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
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
DetaylıTEKNOLOJĐK ARAŞTIRMALAR
www.teknolojkarastrmalar.com ISSN:134-4141 Makne Teknolojler Elektronk Dergs 28 (1) 61-68 TEKNOLOJĐK ARAŞTIRMALAR Kısa Makale Tabakalı Br Dskn Termal Gerlme Analz Hasan ÇALLIOĞLU 1, Şükrü KARAKAYA 2 1
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
DetaylıTÜRKİYE DEKİ 380 kv LUK 14 BARALI GÜÇ SİSTEMİNDE EKONOMİK YÜKLENME ANALİZİ
TÜRİYE DEİ 38 kv LU 4 BARALI GÜÇ SİSTEMİDE EOOMİ YÜLEME AALİZİ Mehmet URBA Ümmühan BAŞARA 2,2 Elektrk-Elektronk Mühendslğ Bölümü Mühendslk-Mmarlık Fakültes Anadolu Ünverstes İk Eylül ampüsü, 2647, ESİŞEHİR
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
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
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.,
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,
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,
DetaylıPROJE SEÇİMİ VE KAYNAK PLANLAMASI İÇİN BİR ALGORİTMA AN ALGORITHM FOR PROJECT SELECTION AND RESOURCE PLANNING
Dokuz Eylül Ünverstes Sosyal Blmler Ensttüsü Dergs Clt 3, Sayı:2, 2001 PROJE SEÇİMİ VE KAYAK PLALAMASI İÇİ BİR ALGORİTMA lgün MORALI 1 C. Cengz ÇELİKOĞLU 2 ÖZ Kaynak tahss problemler koşullara bağlı olarak
DetaylıTRİSTÖR VE TRİYAK HARMONİKLERİNİN 3 BOYUTLU GÖSTERİMİ VE TOPLAM HARMONİK BOZUNUMA EĞRİ UYDURMA
PAMUKKALE ÜNİ VERSİ TESİ MÜHENDİ SLİ K FAKÜLTESİ PAMUKKALE UNIVERSITY ENGINEERING COLLEGE MÜHENDİ SLİ K BİL İ MLERİ DERGİ S İ JOURNAL OF ENGINEERING SCIENCES YIL CİLT SAYI SAYFA : : : : 5- TRİSTÖR VE TRİYAK
Detaylı2005 Gazi Üniversitesi Endüstriyel Sanatlar Eğitim Fakültesi Dergisi Sayı:16, s31-46
2005 Gaz Ünverstes Endüstryel Sanatlar Eğtm Fakültes Dergs Sayı:16, s31-46 ÖZET BANKALARDA MALİ BAŞARISIZLIĞIN ÖNGÖRÜLMESİ LOJİSTİK REGRESYON VE YAPAY SİNİR AĞI KARŞILAŞTIRMASI 31 Yasemn KESKİN BENLİ 1
DetaylıMeteorolojik Verilerin Yapay Sinir Ağları Đle Modellenmesi
KSÜ Fen ve Mühendslk Dergs, 10(1), 2007 148 KSU Journal of Scence and Engneerng, 10(1), 2007 Meteorolojk Verlern Yapay Snr Ağları Đle Modellenmes Kemal ATĐK 1, Emrah DENĐZ 1, Enver YILDIZ 2 1 ZKÜ. Karabük
DetaylıK-means ve YSA temelli Hibrit Bir Model ile Epileptik EEG İşaretlerinin Sınıflandırılması
K-means ve temell Hbrt Br Model le Epleptk EEG İşaretlernn Sınıflandırılması Ramazan TEKİN 1 Yılmaz KAYA 2 Mehmet Emn TAĞLUK 3 1 Batman Ünverstes, Mühendslk Mmarlık Fakültes, Blgsayar Mühendslğ, Batman,
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
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
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
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)
DetaylıİÇME SUYU ŞEBEKELERİNİN GÜVENİLİRLİĞİ
Türkye İnşaat Mühendslğ, XVII. Teknk Kongre, İstanbul, 2004 İÇME SUYU ŞEBEKELERİNİN GÜVENİLİRLİĞİ Nur MERZİ 1, Metn NOHUTCU, Evren YILDIZ 1 Orta Doğu Teknk Ünverstes, İnşaat Mühendslğ Bölümü, 06531 Ankara
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,
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
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
DetaylıDEÜ MÜHENDİSLİK FAKÜLTESİ MÜHENDİSLİK BİLİMLERİ DERGİSİ Cilt:13 Sayı:2 sh.75-87 Mayıs 2012
DEÜ MÜHENDİSLİK FAKÜLTESİ MÜHENDİSLİK BİLİMLERİ DERGİSİ Clt:13 Sayı:2 sh.75-87 Mayıs 2012 ÇELİK YAPI SİSTEMLERİNDE İKİNCİ MERTEBE ANALİZ YÖNTEMLERİNİN İNCELENMESİ (INVESTIGATION OF SECOND ORDER ANALYSIS
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
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,
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
Detaylıkadar ( i. kaynağın gölge fiyatı kadar) olmalıdır.
KONU : DUAL MODELİN EKONOMİK YORUMU Br prmal-dual model lşks P : max Z cx D: mn Z bv AX b AV c X 0 V 0 bçmnde tanımlı olsun. Prmal modeln en y temel B ve buna lşkn fyat vektörü c B olsun. Z B B BB c X
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
DetaylıFırat Üniversitesi, Mühendislik Fakültesi, Makine Bölümü, ELAZIĞ
GENETİK ALGORİTMA İLE PARAMETRELERİ OPTİMİZE EDİLMİŞ AĞ TABANLI BULANIK DENETİM SİSTEMİNİN SİSMİK İZOLASYONA UYGULANMASI VE MATLAB İLE SİMÜLASYONU Doç Dr. Hasan ALLİ ve Arş. Gör. Oğuz YAKUT Fırat Ünverstes,
DetaylıEMG İşaretlerinin K-Ortalama Algoritması Kullanılarak Öbekleştirilmesi. EMG Signal Analysis Using K-Means Clustering
KSÜ Mühendslk Blmler Dergs, (), 9 5 KSU Journal of Engneerng Scences, (), 9 EMG İşaretlernn K-Ortalama Algortması Kullanılarak Öbekleştrlmes Mücahd Günay, Ahmet ALKA, KSÜ Mühendslk-Mmarlık Fakültes Elektrk-Elektronk
DetaylıROBİNSON PROJEKSİYONU
ROBİNSON PROJEKSİYONU Cengzhan İPBÜKER ÖZET Tüm yerkürey kapsayan dünya hartalarının yapımı çn, kartografk lteratürde özel br öneme sahp olan Robnson projeksyonu dk koordnatlarının hesabı brçok araştırmacı
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
DetaylıŞehiriçi Karayolu Ağlarının Sezgisel Harmoni Araştırması Optimizasyon Yöntemi ile Ayrık Tasarımı *
İMO Teknk Derg, 2013 6211-6231, Yazı 392 Şehrç Karayolu Ağlarının Sezgsel Harmon Araştırması Optmzasyon Yöntem le Ayrık Tasarımı * Hüseyn CEYLAN* Halm CEYLAN** ÖZ Bu çalışmada, şehrç ulaştırma ağlarının
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
DetaylıTÜKETİCİ TATMİNİ VERİLERİNİN ANALİZİ: YAPAY SİNİR AĞLARI ve REGRESYON ANALİZİ KARŞILAŞTIRMASI
1 TÜKETİCİ TATMİNİ VERİLERİNİN ANALİZİ: YAPAY SİNİR AĞLARI ve REGRESYON ANALİZİ KARŞILAŞTIRMASI Metehan TOLON Nuray GÜNERİ TOSUNOĞLU Özet Tüketc tatmn araştırmaları özelde pazarlama yönetclernn, genelde
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
DetaylıROTASYON ORMAN ALGORİTMASI İLE YÜKSEK ÇÖZÜNÜRLÜKLÜ MULTİSPEKTRAL UYDU GÖRÜNTÜLERİNİN SINIFLANDIRILMASI
ROTASYON ORMAN ALGORİTMASI İLE YÜKSEK ÇÖZÜNÜRLÜKLÜ MULTİSPEKTRAL UYDU GÖRÜNTÜLERİNİN SINIFLANDIRILMASI İsmal ÇÖLKESEN 1, Tahsn YOMRALIOĞLU 2, Taşkın KAVZOĞLU 3 1 Araş. Gör., Gebze Yüksek Teknoloj Ensttüsü,
DetaylıYAPILARIN ENERJİ ESASLI TASARIMI İÇİN BİR HESAP YÖNTEMİ
YAPILARI EERJİ ESASLI TASARIMI İÇİ BİR HESAP YÖTEMİ Araş. Gör. Onur MERTER Araş. Gör. Özgür BOZDAĞ Prof. Dr. Mustafa DÜZGÜ Dokuz Eylül Ünverstes Dokuz Eylül Ünverstes Dokuz Eylül Ünverstes Fen Blmler Ensttüsü
DetaylıPARÇALI DOĞRUSAL REGRESYON
HAFTA 4 PARÇALI DOĞRUSAL REGRESYO Gölge değşkenn br başka kullanımını açıklamak çn varsayımsal br şrketn satış temslclerne nasıl ödeme yaptığı ele alınsın. Satış prmleryle satış hacm Arasındak varsayımsal
DetaylıMetin Madenciliği ile Soru Cevaplama Sistemi
Metn Madenclğ le Soru Cevaplama Sstem Sevnç İlhan 1, Nevchan Duru 2, Şenol Karagöz 3, Merve Sağır 4 1 Mühendslk Fakültes Blgsayar Mühendslğ Bölümü Kocael Ünverstes slhan@kocael.edu.tr, nduru@kocael.edu.tr,
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
DetaylıT.C. KEÇiÖREN BELEDİYE BAŞKANLIGI Mali Hizmetler Müdürlüğü BAŞKANLIK MAKAMINA
l!l KEÇÖREN BELEDİYE BAŞKANLIGI KEÇöREN BELeDYES SA YI : M.06.6.KEç.O-31/2009KONU: Yetk Devr bo f.!200fd 6.1. BAŞKANLIK MAKAMINA Blndğ üzere O 1.01.2006 tarhnden tbaren tüm yerel yönetmlerde 31.12.2005
DetaylıANADOLU ÜNivERSiTESi BiliM VE TEKNOLOJi DERGiSi ANADOLU UNIVERSITY JOURNAL OF SCIENCE AND TECHNOLOGY CiltNol.:2 - Sayı/No: 2 : 413-417 (2001)
ANADOLU ÜNvERSTES BlM VE TEKNOLOJ DERGS ANADOLU UNIVERSITY JOURNAL OF SCIENCE AND TECHNOLOGY CltNol.:2 - Sayı/No: 2 : 413-417 (1) TEKNK NOTrrECHNICAL NOTE ELEKTRK ARK FıRıNıNDA TERMODNAMGN KNC YASASıNıN
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
DetaylıSürekli Olasılık Dağılım (Birikimli- Kümülatif)Fonksiyonu. Yrd. Doç. Dr. Tijen ÖVER ÖZÇELİK
Sürekl Olasılık Dağılım Brkml- KümülatFonksyonu Yrd. Doç. Dr. Tjen ÖVER ÖZÇELİK tover@sakarya.edu.tr Sürekl olasılık onksyonları X değşken - ;+ aralığında tanımlanmış br sürekl rassal değşken olsun. Aşağıdak
DetaylıOTOMATİK PARMAKİZİ TANIMA SİSTEMLERİNDE ÖZELLİK NOKTALARININ TESPİTİNDE YAPAY SİNİR AĞLARININ KULLANILMASI
PAMUKKALE ÜNİ VERSİ TESİ MÜHENDİ SLİ K FAKÜLTESİ PAMUKKALE UNIVERSITY ENGINEERING COLLEGE MÜHENDİ SLİ K B İ L İ MLERİ DERGİ S İ JOURNAL OF ENGINEERING SCIENCES YIL CİLT SAYI SAYFA : 007 : 13 : 1 : 911
Detaylıbir yol oluşturmaktadır. Yine i 2 , de bir yol oluşturmaktadır. Şekil.DT.1. Temel terimlerin incelenmesi için örnek devre
Devre Analz Teknkler DEE AAĐZ TEKĐKEĐ Bu zamana kadar kullandığımız Krchoffun kanunları ve Ohm kanunu devre problemlern çözmek çn gerekl ve yeterl olan eştlkler sağladılar. Fakat bu kanunları kullanarak
Detaylı2.4GHz ISM Bandı Alıcı Verici Sistemleri için ANFIS Kullanılarak 280MHz Band Geçiren Aktif Filtre Tasarımı ve Analizi
Fırat Ünverstes-Elazığ 2.4GHz ISM Bandı Alıcı Verc Sstemler çn ANFIS Kullanılarak 280MHz Band Geçren Aktf Fltre Tasarımı ve Analz Mehmet Al BELEN, Adnan KAYA 2.2 Elektronk-Haberleşme Mühendslğ Bölümü Süleyman
DetaylıYAYILI YÜK İLE YÜKLENMİŞ YAPI KİRİŞLERİNDE GÖÇME YÜKÜ HESABI. Perihan (Karakulak) EFE
BAÜ Fen Bl. Enst. Dergs (6).8. YAYII YÜK İE YÜKENİŞ YAPI KİRİŞERİNDE GÖÇE YÜKÜ HESABI Perhan (Karakulak) EFE Balıkesr Ünverstes ühendslk marlık Fakültes İnşaat üh. Bölümü Balıkesr, TÜRKİYE ÖZET Yapılar
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
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,
DetaylıKAFES SİSTEMLERİN UYGULAMAYA YÖNELİK OPTİMUM TASARIMI
PAMUKKALE ÜNİ VERSİ TESİ MÜHENDİ SLİ K FAKÜLTESİ PAMUKKALE UNIVERSITY ENGINEERING COLLEGE MÜHENDİ SLİ K BİLİMLERİ DERGİ S İ JOURNAL OF ENGINEERING SCIENCES YIL CİLT SAYI SAYFA : 1999 : 5 : 1 : 951-957
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
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.
DetaylıGenetik Algoritma ile İki Boyutlu Şekil Yerleştirme ÖZET
Genetk Algortma le İk Boyutlu Şekl Yerleştrme Metn Özşahn 1 ve Mustafa Oral 2 1) Çukurova Ünverstes Fen Blmler Ensttüsü Endüstr Mühendslğ Bölümü, Adana, Turkey 2 Çukurova Ünverstes Blgsayar Mühendslğ Bölümü,
DetaylıOtomatik Kontrol Ulusal Toplantısı, TOK2013, 26-28 Eylül 2013, Malatya DOĞRUSAL KONTROL SİSTEMLERİ
DOĞRUSAL KONTROL SİSTEMLERİ 96 Anahtarlamalı Sstemler Kararlı Yapan PI Kontrolör Setnn Hesabı İbrahm Işık, Serdar Ethem Hamamcı Elektrk-Elektronk Mühendslğ Bölümü İnönü Ünverstes, Malatya {İbrahm.sk, serdar.hamamc}@nonu.edu.tr
DetaylıAerodinamik Akışların Modellenmesinde Döngülü Olan ve Olmayan 7 Yaklaşımın Uygulanması
Aerodnamk Akışların Modellenmesnde Döngülü Olan ve Olmayan 7 Yaklaşımın Uygulanması Mehmet Önder Efe, Marco Debas, Peng Yan, Htay Özbay 4, Mohammad Sammy 5 Elektrk ve Elektronk Mühendslğ Bölümü TOBB Ekonom
DetaylıDeprem Tepkisinin Sayısal Metotlar ile Değerlendirilmesi (Newmark-Beta Metodu) Deprem Mühendisliğine Giriş Dersi Doç. Dr.
Deprem Tepksnn Sayısal Metotlar le Değerlendrlmes (Newmark-Beta Metodu) Sunum Anahat Grş Sayısal Metotlar Motvasyon Tahrk Fonksyonunun Parçalı Lneer Interpolasyonu (Pecewse Lnear Interpolaton of Exctaton
DetaylıBÖLÜM 5 İKİ VEYA DAHA YÜKSEK BOYUTLU RASGELE DEĞİŞKENLER İki Boyutlu Rasgele Değişkenler
BÖLÜM 5 İKİ VEYA DAHA YÜKSEK BOYUTLU RASGELE DEĞİŞKENLER 5.. İk Boyutlu Rasgele Değşkenler Br deney yapıldığında, aynı deneyle lgl brçok rasgele değşkenn aynı andak durumunu düşünmek gerekeblr. Böyle durumlarda
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)
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
DetaylıBULANIK AKIŞ TİPİ ÇİZELGELEME PROBLEMİ İÇİN ÇOK AMAÇLI GENETİK ALGORİTMA
Gaz Ünv. Müh. Mm. Fak. Der. J. Fac. Eng. Arch. Gaz Unv. Clt 22, No 4, 855-862, 2007 Vol 22, No 4, 855-862, 2007 BULANIK AKIŞ TİPİ ÇİZELGELEME PROBLEMİ İÇİN ÇOK AMAÇLI GENETİK ALGORİTMA İzzettn TEMİZ ve
DetaylıMİNİMAL SİSTEMLERDE DURUM GERİBESLEMESİ İLE KUTUP ATAMA PROBLEMİNİN NÜMERİK ANALİZİ
MİNİMAL SİSTEMLERDE DURUM GERİBESLEMESİ İLE KUTUP ATAMA PROBLEMİNİN NÜMERİK ANALİZİ Erkam Murat BOZKURT Mehmet Turan SÖYLEMEZ Kontrol ve Otomasyon Mühendslğ Bölümü, Elektrk-Elektronk Fakültes, İstanbul
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
DetaylıVEKTÖRLER VE VEKTÖREL IŞLEMLER
VEKTÖRLER VE VEKTÖREL IŞLEMLER 1 2.1 Tanımlar Skaler büyüklük: Sadece şddet bulunan büyüklükler (örn: uzunluk, zaman, kütle, hacm, enerj, yoğunluk) Br harf le sembolze edleblr. (örn: kütle: m) Şddet :
DetaylıEVRİMSEL ALGORİTMA İLE SINIRLANDIRMALI DİNAMİK OPTİMİZASYON
EVRİMEL ALGORİTMA İLE INIRLANDIRMALI DİNAMİK OPTİMİZAYON Ş. BALKU, R. BERBER Ankara Ünvetes Mühendslk Fakültes, Kmya Mühendslğ Bölümü Tandoğan, 06100 Ankara ÖZET Aktf çamur proses atıksu arıtımında kullanılan
DetaylıENERJİ. Isı Enerjisi. Genel Enerji Denklemi. Yrd. Doç. Dr. Atilla EVCİN Afyon Kocatepe Üniversitesi 2007
Yrd. Doç. Dr. Atlla EVİN Afyon Kocatepe Ünverstes 007 ENERJİ Maddenn fzksel ve kmyasal hal değşm m le brlkte dama enerj değşm m de söz s z konusudur. Enerj değşmler mler lke olarak Termodnamğn Brnc Yasasına
DetaylıTürkiyede ki ĠĢ Kazalarının Yapay Sinir Ağları ile 2025 Yılına Kadar Tahmini
Türkyede k ĠĢ Kazalarının Yapay Snr Ağları le 2025 Yılına Kadar Tahmn Hüseyn Ceylan ve Murat Avan Kırıkkale Meslek Yüksekokulu, Kırıkkale Ünverstes, Kırıkkale, 71450 Türkye. Kaman Meslek Yüksekokulu, Ah
DetaylıOkullarda Coğrafi Bilgi Sistem Destekli Öğrenci Kayıt Otomasyon Sistemi Uygulaması: Trabzon Kenti Örneği
Okullarda Coğraf Blg Sstem Destekl Öğrenc Kayıt Otomasyon Sstem Uygulaması: Trabzon Kent Örneğ Volkan YILDIRIM 1, Recep NİŞANCI 2, Selçuk REİS 3 Özet Ülkemzde öğrenc veller le okul darecler, öğrenc kayıt
DetaylıKIRIKKALE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ENDÜSTRİ MÜHENDİSLİĞİ ÇOK KRİTERLİ KARAR VERME YÖNTEMLERİNDEN AHP VE TOPSIS İLE KAMP YERİ SEÇİMİ
KIRIKKALE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ENDÜSTRİ MÜHENDİSLİĞİ ÇOK KRİTERLİ KARAR VERME YÖNTEMLERİNDEN AHP VE TOPSIS İLE KAMP YERİ SEÇİMİ Burak KARAHAN Burak PEKEL Neşet BEDİR Cavt CAN Kırıkkale -2014-
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
DetaylıHAFTA 13. kadın profesörlerin ortalama maaşı E( Y D 1) erkek profesörlerin ortalama maaşı. Kestirim denklemi D : t :
HAFTA 13 GÖLGE EĞİŞKENLERLE REGRESYON (UMMY VARIABLES) Gölge veya kukla (dummy) değşkenler denen ntel değşkenler, cnsyet, dn, ten reng gb hemen sayısallaştırılamayan ama açıklanan değşkenn davranışını
DetaylıENDÜSTRİYEL BİR ATIK SUYUN BİYOLOJİK ARITIMI VE ARITIM KİNETİĞİNİN İNCELENMESİ
ENDÜSTRİYEL BİR ATIK SUYUN BİYOLOJİK ARITIMI VE ARITIM KİNETİĞİNİN İNCELENMESİ Emel KOCADAYI EGE ÜNİVERSİTESİ MÜH. FAK., KİMYA MÜH. BÖLÜMÜ, 35100-BORNOVA-İZMİR ÖZET Bu projede, Afyon Alkalot Fabrkasından
DetaylıStandart Model (SM) Lagrange Yoğunluğu. u, d, c, s, t, b. e,, Şimdilik nötrinoları kütlesiz Kabul edeceğiz. Kuark çiftlerini gösterelim.
SM de yer alacak fermyonlar Standart Model (SM) agrange Yoğunluğu u s t d c b u, d, c, s, t, b e e e,, Şmdlk nötrnoları kütlesz Kabul edeceğz. Kuark çftlern gösterelm. u, c ve t y u (=1,,) olarak gösterelm.
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.
DetaylıNİTEL TERCİH MODELLERİ
NİTEL TERCİH MODELLERİ 2300 gözlem sayısı le verlen değşkenler aşağıdak gbdr: calsma: çocuk çalışıyorsa 1, çalışmıyorsa 0 (bağımlı değşken) Anne_egts: Anne eğtm sevyes Baba_egts: Baba eğtm sevyes Kent:
DetaylıİSTATİSTİK DERS NOTLARI
Balıkesr Ünverstes İnşaat Mühendslğ Bölüü uutokkan@balkesr.edu.tr İSTATİSTİK DERS OTLARI Yrd. Doç. Dr. Uut OKKA Hdrolk Anabl Dalı Balıkesr Ünverstes Balıkesr Ünverstes İnşaat Mühendslğ Bölüü İnşaat Mühendslğ
DetaylıKısa Vadeli Sermaye Girişi Modellemesi: Türkiye Örneği
Dokuz Eylül Ünverstes İktsad ve İdar Blmler Fakültes Dergs, Clt:24, Sayı:1, Yıl:2009, ss.105-122. Kısa Vadel Sermaye Grş Modellemes: Türkye Örneğ Mehmet AKSARAYLI 1 Özhan TUNCAY 2 Alınma Tarh: 04-2008,
DetaylıDEÜ MÜHENDİSLİK FAKÜLTESİ MÜHENDİSLİK BİLİMLERİ DERGİSİ Cilt: 16 Sayı: 48 sh. 61-75 Eylül 2014 KRİL SÜRÜSÜ ALGORİTMASI İLE ATÖLYE ÇİZELGELEME
DEÜ MÜHENDİSLİK FAKÜLTESİ MÜHENDİSLİK BİLİMLERİ DERGİSİ Clt: 16 Sayı: 48 sh. 61-75 Eylül 2014 KRİL SÜRÜSÜ ALGORİTMASI İLE ATÖLYE ÇİZELGELEME (JOB SHOP SCHEDULING WITH KRILL HERD ALGORITHM) İlker GÖLCÜK
DetaylıBAŞKENT ÜNİVERSİTESİ MAKİNE MÜHENDİSLİĞİ BÖLÜMÜ MAK MAKİNE MÜHENDİSLİĞİ LABORATUVARI DENEY - 8
BAŞKENT ÜNİVERSİTESİ MAKİNE MÜHENDİSLİĞİ BÖLÜMÜ MAK - 402 MAKİNE MÜHENDİSLİĞİ LABORATUVARI DENEY - 8 FARKLI YÜZEY ÖZELLİKLERİNE SAHİP PLAKALARIN ISIL IŞINIM YAYMA ORANLARININ HESAPLANMASI BAŞKENT ÜNİVERSİTESİ
DetaylıAsimetri ve Basıklık Ölçüleri Ortalamalara dayanan (Pearson) Kartillere dayanan (Bowley) Momentlere dayanan asimetri ve basıklık ölçüleri
Asmetr ve Basıklık Ölçüler Ortalamalara dayanan (Pearson) Kartllere dayanan (Bowley) omentlere dayanan asmetr ve basıklık ölçüler Yrd. Doç. Dr. Tjen ÖVER ÖZÇELİK tover@sakarya.edu.tr III. Asmetr ve Basıklık
DetaylıAĞIR BİR NAKLİYE UÇAĞINA AİT BİR YAPISAL BİLEŞENİN TASARIMI VE ANALİZİ
III. ULUSAL HAVACILIK VE UZAY KONFERANSI 16-18 Eylül 2010, ANADOLU ÜNİVERSİTESİ, Eskşehr AĞIR BİR NAKLİYE UÇAĞINA AİT BİR YAPISAL BİLEŞENİN TASARIMI VE ANALİZİ Davut ÇIKRIKCI * Yavuz YAMAN Murat SORGUÇ
DetaylıTRANSPORT PROBLEMI için GELIsTIRILMIs VAM YÖNTEMI
Yönetm, Yl 9, Say 28, Ekm - 1997,5.20-25 TRANSPORT PROBLEMI ÇIN GELIsTIRILMIs VAM YÖNTEMI Dr. Erhan ÖZDEMIR I.Ü. Teknk Blmler M.Y.O. L.GIRIs V AM transport problemlerne en düsük malyetl baslangç çözüm
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
DetaylıTÜRKİYE DEKİ 22 BARALI 380 kv LUK GÜÇ SİSTEMİ İÇİN EKONOMİK DAĞITIM VE OPTİMAL GÜÇ AKIŞI YÖNTEMLERİNİN KARŞILAŞTIRMALI ANALİZİ
PAMUKKALE ÜNİ VERSİ TESİ MÜHENDİ SLİ K FAKÜLTESİ PAMUKKALE UNIVERSITY ENGINEERING FACULTY MÜHENDİ SLİ K B İ L İ MLERİ DERGİ S İ JOURNAL OF ENGINEERING SCIENCES YIL CİLT SAYI SAYFA : 7 : 3 : 3 : 369-378
DetaylıCommunication Theory
Communcaton Theory ENFORMASYON TEORİSİ KODLAMA Doç. Dr. Hakan Doğan ENFORMASYON DEYİMİ NEDEN KULLANILMIŞ? Kaynaklarn, kanalların,alıcıların blg karakterstklern ncelemek. Blgnn letmn optmze etmek çn İletmn
DetaylıFarklı Varyans. Var(u i X i ) = Var(u i ) = E(u i2 ) = σ i2. Eşit Varyans. Hata. Zaman
Farklı Varyans Var(u X ) = Var(u ) = E(u ) = σ Eşt Varyans Y X Farklı Varyans Hata Var(u X ) = Var(u ) = E(u ) = σ Farklı Varyans Zaman Farklı Varyans le Karşılaşılan Durumlar Kest Verlernde. Kar dağıtım
DetaylıİKİNCİ KUŞAK AKIM TAŞIYICI İLE HABERLEŞME SÜZGEÇLERİNİN TASARIMINDA YENİ OLANAKLAR
İKİNİ KUŞAK AKIM TAŞIYII İLE HABELEŞME SÜGEÇLEİNİN TASAIMINDA YENİ OLANAKLA Murat AKSOY 1 Hakan KUNTMAN Sadr ÖAN Oğuhan ÇİÇEKOĞLU 1 Elektrk-Elektronk Mühendslğ Bölümü Mühendslk Mmarlık Fakültes Çukurova
DetaylıBİRLEŞİK DALGACIK-SİNİR AĞI MODELİ YAKLAŞIMI İLE ELEKTRİK GÜÇ SİSTEMLERİNDE ARIZA SINIFLAMA
BİRLEŞİK DALGACIK-SİNİR AĞI MODELİ YAKLAŞIMI İLE ELEKTRİK GÜÇ SİSTEMLERİNDE ARIZA SINIFLAMA Oben DAĞ Canbolat UÇAK, Elektrk-Elektronk Mühendslğ Bölümü Mühendslk-Mmarlk Fakültes Yedtepe Ünverstes,, Erenköy,
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
Detaylı