Yapay Sinir Ağı Tabanlı Modülasyon Tanıma Sistemlerinde Kullanılan Eğitim Algoritmalarının Karşılaştırmalı Başarım Analizi

Ebat: px
Şu sayfadan göstermeyi başlat:

Download "Yapay Sinir Ağı Tabanlı Modülasyon Tanıma Sistemlerinde Kullanılan Eğitim Algoritmalarının Karşılaştırmalı Başarım Analizi"

Transkript

1 Yapay Sinir Ağı Tabanlı Modülasyon Tanıma Sistemlerinde Kullanılan Eğitim Algoritmalarının Karşılaştırmalı Başarım Analizi Büşra ÜLGERLİ, Gökay YÜCEL, Ahmet ALTUN, Engin ÖKSÜZ, Ali ÖZEN Nuh Naci Yazgan Üniversitesi HARGEM Elektrik-Elektronik Mühendisliği Bölümü KAYSERİ Özet Bu bildiride, toplanır beyaz Gauss gürültülü (Additive White Gaussian Noise, AWGN) ve frekans seçici Rayleigh sönümlemeli kanala maruz kalmış taban bant sinyallerinin sınıflandırılması için kullanılan Yapay Sinir Ağları (Artificial Neural Networks, ANN) nda eğitim algoritmalarının başarımları analiz edilmektedir. ANN sınıflayıcıda alınan sinyallerin yüksek dereceli logaritmik momentlerinden yararlanılmaktadır. Yapay sinir ağlarının nı doğrudan etkileyen optimum ağırlık kümesinin bulunmasında farklı eğitim algoritmaları kullanılmaktadır. Yapılan çalışmada, ANN nın eğitilmesinde en çok kullanılan Levenberg Marquardt (LM) algoritması ile Ölçeklenmiş Eşlenik Bayır (Scaled Conjugate Gradient, SCG) algoritmasının başarımları karşılaştırılmaktadır. Bilgisayar benzetim sonuçları düşük eğitim adımlarında bile sınıflandırıcının sınıflandırıcıdan daha iyi sınıflama doğruluğuna ulaştığını göstermektedir. Anahtar Kelimeler Modülasyon tanıma; ; ; yüksek dereceli logaritmik moment. 1. GİRİŞ Sivil ve askeri haberleşme sistemlerinde, alınan sinyalin modülasyon tipinin otomatik olarak belirlenmesi çok önemlidir. Özellikle elektronik saldırı ve savunma yöntemleri olarak hedef yakalama, dinleme ve boğma işlemlerinde modülasyon tanıma çok büyük bir öneme sahiptir. Çeşitli tipteki yayılma kanalları ve gürültü içindeki sayısal modülasyon tiplerini sınıflamak için ilgili sinyallerin değişik özniteliklerini kullanan girişimler 1960 ların başından bu yana yapılmaktadır. Bugüne kadar geliştirilen modülasyon sınıflandırıcılar temel olarak iki gruba ayrılır. Sinyalin olabilirlik işlevi üzerine geliştirilen olabilirlik tabanlı sınıflandırıcılar en iyi çözümü sunarlar ancak işlem karmaşıklıkları yüksektir. Bu nedenle daha düşük işlem karmaşıklığı ve en iyiye yakın çözüm sunan öznitelik tabanlı sınıflandırıcı yöntemleri geliştirilmiştir. Öznitelik tabanlı modülasyon tanıma, öznitelik çıkarma ve karar verme aşamalarını içerir. Sinyalin karmaşık zarfının ve anlık bileşenlerinin istatistikleri, sinyalin dalgacık dönüşümü, sinyalin Fourier dönüşümü genellikle kullanılan özniteliklere örnek gösterilebilir. Karar verme aşamasında ise karar ağacı, sinir ağları, destek vektör makinaları tercih edilen karar yapılarıdır [1]. Haberleşme sistemlerinde kullanılan sinyaller, modülasyon tipleri ve frekansları bakımından çok geniş bir alana yayılmıştır. Sinyal doğrulama, girişim tanıma, spektrum yönetimi, yazılım tanımlı radyo, bilişsel radyo, akıllı modem gibi sivil amaçlı ve elektronik harp, gözetim, tehdit analizi, hedef yakalama gibi askeri amaçlı birçok işbirlikçi ve işbirlikçi olmayan haberleşme uygulamalarında bu sinyallerin tanımlanması ve gözlenmesi gereklidir [1, 2]. Öznitelik tabanlı otomatik sınıflandırma probleminin çözümünde alınan sinyalden sınıflandırmada kullanılacak özniteliklerin çıkarılmasından sonra karar verici yapı olarak öğrenen makinalar ın kullanımına yönelik bir eğilim vardır. Karar verici yapı olarak çok katmanlı yapay sinir ağları pek çok çalışmada kullanılmıştır [3-7]. [3] te, ilk defa, Ghani ve Lamontagne otomatik modülasyon tanıma için geri yayılım öğrenme algoritması ile çok katmanlı yapay sinir ağlarının kullanımını önerdi. [4] te, Nandi ve Azzouz analog ve sayısal modülasyon tanıma için sinir ağı sınıflandırıcı ve sabit eşik sınıflandırıcı yöntemlerini önerdi. [5] te Sehier analog ve sayısal modülasyon sınıflandırma için sinyallerin çevrimsel spektral özellikleri ile yapay sinir ağlarını kullanan bir yöntem sundu. [7] de, Ebrahimzadeh ve Seyedin özellik çıkarıcı olarak dalgacık paket analizi yöntemi ve sınıflandırıcı olarak da geri yayılım öğrenme algoritması ile çok katmanlı sinir ağlarından oluşan modülasyon tanımlayıcıyı geliştirdi. Bunlara ek olarak, karar verici yapıda destek vektör makinaları da (Support Vector Machine, SVM) pek çok çalışmada kullanılmıştır [8, 9]. Wang ve Ren, yüksek dereceli logaritmik momentleri ve SVM yi birleştirdikleri yeni bir sayısal modülasyon sınıflandırma algoritması geliştirmişlerdir [9]. Bununla birlikte, yukarıdaki sınıflandırıcılar SNR > 5 db için uygun sonuçlar verirken SNR değeri 0 db den daha küçük olduğunda 206

2 sınıflandırıcıların düşmektedir. Literatür, sınıflandırıcı olarak yapay sinir ağlarının (Artificial Neural Networks, ANN) kullanımının alternatiflerinden daha iyi başarımla sonuçlandığını gösterse de [3-7], ANN nın verimliliği ile ilgili bazı sorunlar da tespit edilmiştir; örneğin, ANN nın düşük SNR değerlerinde genelleme yeteneği üzerinde sınırlamalar vardır [7]. Bu sorunlar ANN nin eğitimi aşamasında kullanılan öğretim yöntemine bağlıdır ve bu problemi çözmek için literatürde ANN nın eğitilmesinde pek çok optimizasyon tekniği denenmiş ve sonuçları ortaya konmuştur [10, 11]. Genetik algoritma, parçacık sürü optimizasyon algoritması, evrimsel algoritma v.b. algoritmalar hem tek başlarına hem de hibrid olarak yapay sinir ağlarının eğitilmesinde kullanılmışlardır. Bu bildiride, sayısal haberleşme sinyallerinin tanınması için etkin öznitelikler olarak dördüncü, altıncı ve sekizinci derece logaritmik momentleri kullanan çok katmanlı yapay sinir ağları modülasyon sınıflandırıcı olarak kullanılmaktadır. Eğitim algoritmalarının sınıflandırıcının üzerindeki etkilerini analiz etmek için literatürde en çok kullanılan Levenberg Marquardt (LM) algoritması ile Ölçeklenmiş Eşlenik Bayır (Scaled Conjugate Gradient, SCG) algoritması test edilmiştir. Modülasyon tanıma için sinyal özniteliklerinin çıkarılması 2. bölümde özetlenmektedir. 3. bölümde ANN tabanlı modülasyon tanıma yöntemi ayrıntılı olarak incelenmektedir. 4. bolümde ise bilgisayar benzetim sonuçları ele alınarak elde edilen sonuçlar karşılaştırmalı olarak verilmektedir. 2. Sınıflandırıcı İçin Sinyal Özniteliklerinin Çıkarılması Sayısal haberleşme sistemlerinde, bilgi parametrelerinin değişimine göre, Frekans Kaydırmalı Anahtarlama (Frequency Shift Keying, FSK), Genlik Kaydırmalı Anahtarlama (Amplitude Shift Keying, ), Faz Kaydırmalı Anahtarlama (Phase Shift Keying, ) ve Dört Evreli Genlik Modülasyonu (Quadrature Amplitude Modulation, ) olmak üzere dört ana sayısal sinyal tipi vardır. Bunların çoğunluğu da m-seviyeli biçimde kullanılır [12]. Farklı tipteki sayısal sinyaller farklı özniteliklere sahiptir. Bu yüzden, modülasyon tanıma için uygun öznitelikleri bulmak, özellikle de yüksek seviyeli ya da karesel olmayan tipler olması durumunda, ciddi bir problemdir. Kötü öznitelikler seçildiğinde, basit bir işlemi gerçeklemek ileri düzeydeki bir sınıflandırıcı için bile mümkün olmayabilir. Ancak, iyi öznitelikler seçildiğinde, karmaşık problemleri çözmek basit bir sınıflandırıcı için mümkün olabilir [1, 13]. Bu çalışmada, İkili Faz Kaydırmalı Anahtarlama (Binary Phase Shift Keying, B),,,,,, ve modüleli sayısal sinyal tipleri değerlendirmeye alınarak benzetimler yapıldı. Yüksek dereceli istatistikler otomatik modülasyon tanıma probleminin öznitelik tabanlı çözümünde oldukça ilgi çeken özniteliklerdendir. Logaritmik momentler sinyalin olasılık yoğunluk fonksiyonunun biçimini tanımlamak için iyi bir yol sağlayabilir. Ayrıca, logaritmik momentler bir takım özellikleri ile Gauss gürültülü ortamda M- ve M- sinyallerinin sınıflandırılmasında kullanılmaktadır. Gauss dağılımlı rastgele değişkenlerin üçüncü ve daha yüksek dereceli logaritmik momentlerinin sıfır olması ve bağımsız rastgele değişkenlerin toplamlarının logaritmik momentlerinin logaritmik momentleri toplamına eşit olması en çok kullanılan özelliklerindendir. Bu sebepten dolayı logaritmik moment kullanımıyla, AWGN gürültüsünün etkisi azaltılabilmekte ve hiçbir dönüşüm gerektirmeden zaman düzleminde uygulanabilmektedir. Belirtilen avantajlarından dolayı bu çalışmada, yukarıda bahsedilen sayısal sinyal tiplerinin sınıflandırılması için alınan sinyalin karmaşık zarfının dördüncü, altıncı ve sekizinci dereceden logaritmik momentleri kullanılmaktadır. Karar verici yapı olarak da ANN nın kullanımı ön Moment ve logaritmik moment ile ilgili bilgiler ışığında [1], moment ile logaritmik moment arasındaki ilişki kullanılarak dördüncü, altıncı ve sekizinci dereceden logaritmik momentlerin daha sadeleştirilmiş tanımları eşitlik (1), (2) ve (3) ile verilmektedir: C 42 = M 42 M M 21 (1) C 63 = M 63 6M 20 M 41 9M 21 M M 2 20 M M 21 C 80 = M 80 35M M M M 40 (3) Hesaplanan dördüncü, altıncı ve sekizinci dereceden logaritmik momentlerin, bu çalışmada düşünülen sayısal sinyal türleri için teorik değerleri Tablo 1 de gösterilmektedir. Bu değerler, gürültü yokken birim varyansa sahip, teorik sinyal gücü ile normalize edilmiş ve işaretin boyutu sonsuz kabulleri altında hesaplanmıştır. Tablo 1. Çalışmada kullanılan sayısal sinyal türleri için dördüncü, altıncı ve sekizinci dereceden logaritmik momentlerin teorik değerleri. C pq B C C C Yapay Sinir Ağı (ANN) Tabanlı Sınıflandırıcı Bugün yapay sinir ağları olarak isimlendirilen alan, birçok nöronun belirli biçimlerde bir araya getirilip bir işlevin gerçeklenmesi üzerindeki yapısal olduğu kadar matematiksel ve felsefi sorunlara yanıt arayan bir bilim dalı olmuştur. Yapay sinir ağları, karar hızı açısından insan beyni ile yarışabilecek aşamayı henüz katedememiş olmalarına rağmen, karmaşık eşleştirmelerin hassas bir biçimde gerçeklenebilmesi ve yapısal gürbüzlüğe sahip olmaları (2) 207

3 nedeniyle gün geçtikçe uygulama alanları genişlemektedir. Bu anlamda yapay sinir ağları konusu üzerinde çalışırken, bir ağ yapısının çözebileceği problem uzayının, insan beyninin çözebildiği problem uzayının oldukça kısıtlanmış bir alt kümesi olacağı gözden kaçırılmamalıdır. Günümüzde yapay sinir ağları örüntü tanıma, işaret işleme, sistem tanılama ve non-lineer denetim alanlarında yapay sinir ağlarının değişik modelleri ve değişik öğrenme stratejileri başarı ile kullanılmıştır [14, 15]. Bu çalışmada kullanılan yapay sinir ağı tabanlı otomatik modülasyon sınıflandırıcının blok diyagramı Şekil 1 de verilmektedir. Gönderilen Sinyal AWGN + + Alınan Sinyal Öznitelik Çıkarma Şekil 1. Yapay sinir ağı tabanlı modülasyon sınıflandırıcı. Şekil 1 deki öznitelik çıkarma bloğunda, alınan sinyalin yüksek dereceli istatistikleri hesaplanır. Bu çalışmada dördüncü, altıncı ve sekizinci dereceden logaritmik momentler hesaplanmaktadır. Sınıflandırıcı bloğunda çıkarılan öznitelikleri kullanan çok katmanlı yapay sinir ağları kullanılmaktadır. Yapay sinir ağlarının eğitilmesinde optimum ağırlık kümesinin bulunması için LM ile SCG eğitim algoritmaları kullanılmaktadır. Yapay Sinir Ağlarının Eğitilmesi İleri beslemeli ANN mimarisi nöronlardan çıkan bütün bağlantıların bir sonraki katmandaki nöronlara gittiği, geriye doğru ya da aynı katmanlar arasında bağlantıların bulunmadığı çok katmanlı ANN yapılardır. Tipik olarak çok katmanlı, ileri beslemeli ANN, girdi katmanı, gizli katman ve çıktı katmanından oluşur. İleri beslemeli ANN nın eğitilme problemi kısıtlı bir doğrusal olmayan problem olarak görülebilir [16]. ANN eğitim yöntemi, verilen bir girdi vektör seti ve onlara karşılık gelen çıktı değerine karşılık, hesaplanan çıktı değerleri ve beklenen çıktı değerlerinin birbirine yakınlaşmasını sağlayacak olan nöronlar arası optimum bağlantı ağırlıklarının hesaplanmasıdır. İterasyonlar arası optimum bağlantı ağırlıkları belirli bir beklenen çıktı ve hesaplanan çıktı fark duyarlılığında birbirlerine yaklaştıklarında (<=%0.01), ANN nın öğrendiği sonucuna varılmaktadır. Hesaplanan çıktının formülü eşitlik (4) te, minimize (optimize) edilecek hata fonksiyonu da eşitlik (5) te verilmektedir. n Y i = f i ( w ij x j + θ i ) (4) j=1 Sınıflandırıcı Modülasyon Tipi Belirlenen Sinyal Eşitlik (4) teki Y i nöronun çıkış değerini, x j j nci nöronun giriş değerini, w ij nöron ve x j girişleri arasındaki bağlantı ağırlığını, q i nöronun bias değerini ve f i ise nöronun transfer fonksiyonunu göstermektedir. Bu çalışmada transfer fonksiyonu olarak sigmoid fonksiyonu ve eğitim aşamasında amaç fonksiyonu olarak MSE (Mean Square Error) kullanılmıştır. N MSE = 1 N (d k o k ) 2 K j=1 k=1 Eşitlik (5) te MSE hata değeri hesaplanırken N toplam örnek sayısını, K sınıf (nöron çıkışı) sayısını, d k k ncı nöronun beklenen çıkış değerini ve o k da hesaplanan k ncı çıkış değerini göstermektedir. Test aşamasında ise hatalı olarak sınıflandırılmış örneklerin yüzdesi (Classification Error Percentage, CEP) eşitlik (6) daki gibi hesaplanarak sınıflandırma başarımları ölçülmüştür. Hatalı Sınıflandırılmış Örnekler CEP = 100 Test Örnekleri Sınıflandırma nın hesaplanmasında kazanan hepsini alır (Winner Takes All, WTA) metodu ile çıktı nöronlarından bir sınıf tayin edilerek örnekler sınıflandırılmıştır. Elde edilen yeni çıktı istenen çıktıyla karşılaştırıldıktan sonra eğer aynı değillerse örnek yanlış sınıflandırılmış sayılmaktadır. Bu, tüm test verileri için hesaplanmakta ve toplamda hatalı sınıflandırılmış örnek sayısı, test veri setine bölünerek hatanın yüzdesi hesaplanmaktadır [17]. 4. Bilgisayar Benzetim Sonuçları Bilgisayar benzetimleri iki evreden oluşmaktadır. Birinci evrede AWGN kanal benzetimleri ikinci evrede ise frekans seçici Rayleigh sönümlemeli kanallar üzerinden benzetimler yapılarak sınıflandırıcıların başarımları analiz edilmektedir AWGN Kanal Benzetim Sonuçları Birinci evrede, ANN tabanlı modülasyon tanıma yönteminin nı değerlendirmek için Şekil 1 de verilen sınıflandırıcı bilgisayar ortamında gerçeklenmiştir. Modülasyon sınıflandırıcı girişindeki alınan işaretin AWGN li olduğu varsayılmıştır. Yedi farklı SNR seviyesinde her bir modülasyon tipi için 1000 örnek olmak üzere toplam rasgele temel bant sinyal üretilmiştir. Örnekleme frekansı 1 MHz, simge hızı 25 khz, simge sayısı 8000 ve darbe şekli dikdörtgen olarak seçilmiştir. Taşıyıcı frekanslarının doğru olarak kestirildiği ve sembol eş zamanlamasının doğru yapıldığı kabul edilmektedir. Böylece, sadece temel bant sinyalleri dikkate alınmaktadır. ANN sınıflandırıcı, 3 özniteliğin kullanıldığı giriş katmanı, 25 nörondan oluşan gizli katman ve 8 farklı modülasyon tipinin ayırt edildiği 8 nöronlu çıkış katmanından oluşturulmuştur. ANN temelli sınıflandırıcı eğitimi sırasında öğrenme algoritması olarak LM ve SCG algoritması kullanılan ve sınıflandırıcıları ile test edilmiştir. Sınıflandırıcıların eğitimi aşamasında, her bir (5) (6) 208

4 modülasyon tipi için 1000 simgeden oluşan toplam 8000 sinyal kullanılmış ve 10 ar koşma (run time) ile benzetim sonuçları kaydedilmiştir. ve modelinin eğitiminde eğitim veri kümesinin devri sonunda eğitimler durdurulmuştur. ile sınıflandırıcılarının başarımları 1000 test datası kullanılarak karıştırma matrisleri ile gösterilmiştir. -5 db SNR değeri için Tablo 2 de ve Tablo 3 te yöntemi kullanılarak B,,,,,, ve modüleli sinyallerin doğru sınıflandırma oranları karıştırma matrisleri ile Tablo db SNR değeri için sınıflandırıcının B B %15.32 %17.50 % %8.10 %4.65 %40.92 %0.31 %4.38 %5.01 %8.48 %2.87 %12.41 %25.29 %41.25 %1.26 %11.52 %5.63 %2.48 %1.55 %8.43 %32.06 %37.07 %7.18 %2.79 %0.31 %11.30 %0.31 %3.12 %23.84 % %10.95 %4.35 %22.67 %4.42 %3.74 %22.50 % %6.52 %4.40 %12.10 %5.33 %8.75 %39.50 % % % %5.78 %25.84 %49.35 %0.31 %1.24 %2.19 %13.16 %0.62 %15.01 %59.08 %8.39 Tablo db SNR değeri için sınıflandırıcının B B %11.87 %12.83 % %28.48 %7.13 % %3.42 %0.62 %13.19 %3.19 %13.68 %35.25 %30.65 %0.32 %9.64 %0.93 %3.41 %0.31 %18.15 %25.13 % %0.31 %0.62 %16.93 %1.24 %9.98 %28.53 % %6.23 %3.11 %18.63 %8.18 %14.95 %16.57 % %6.20 %3.15 %12.09 %7.23 %11.57 %38.55 % %0.62 %0.62 %9.96 %0.31 %9.65 %33.29 % % %11.55 %55.33 %9.01 yönteminin B, ve modülasyon türleri dışında diğer modülasyon türleri için daha doğru karar verdiği açıkça ve modüleli sinyallerin diğer sinyallerle en çok karıştığı ve ANN sınıflandırıcı ile en zor ayırt edilebildiği Tablo 2 ve 3 ten 0 db SNR değeri için Tablo 4 te ve Tablo 5 te yöntemi kullanılarak aynı sinyallerin Tablo 4. 0dB SNR değeri için sınıflandırıcının B B % % % % % %0.64 %8.46 %39.37 %12.77 %17.54 %0.31 %0.93 % % %0.32 %0.32 %1.25 %2.50 %38.80 %8.42 %22.15 %12.79 % % % %1.24 %0.95 %26.93 %7.23 %43.41 %18.38 % % %1.55 %33.68 % % %1.55 %50.50 %32.19 Tablo 5. 0dB SNR değeri için sınıflandırıcının B B % % %4.08 % % % %0.32 %6.91 %29.38 %14.98 %20.68 % % %78.89 % % %0.31 %31.65 %8.43 %18.11 %25.91 % % %0.96 %13.29 %6.56 %47.52 %27.30 % %0.62 %6.85 %0.31 %4.05 %37.71 % %10.09 %0.32 %3.13 %49.22 %37.24 yönteminin ve modülasyon türleri dışında diğer modülasyon türleri için daha doğru karar verdiği açıkça ve modüleli sinyallerin diğer sinyallerle en çok karıştığı ve ANN sınıflandırıcı ile en zor ayırt edilebildiği Tablo 4 ve 5 ten 5 db SNR değeri için Tablo 6 da ve Tablo 7 de yöntemi kullanılarak aynı sinyallerin Tablo 6. 5dB SNR değeri için sınıflandırıcının B B % % % %64.33 % % %16.87 % % %11.23 % % % %32.56 %0.64 % % %10.00 %1.55 % % %2.19 %0.94 %11.59 %1.24 %79.33 %0.95 %3.76 %3.76 % %2.19 %25.30 %67.81 % % %4.05 %28.48 %59.96 Tablo 7. 5 db SNR değeri için sınıflandırıcının B B % % % %6.31 %2.51 % % %7.77 % % % %36.83 % %0.62 % % % %70.92 % %25.31 % %36.76 %63.24 yönteminin B ve modülasyon türleri dışında 209

5 diğer modülasyon türleri için daha doğru karar verdiği açıkça ve modüleli sinyallerin diğer sinyallerle en çok karıştığı ve ile sınıflandırıcıları ile en zor ayırt edilebildiği Tablo 6 ve 7 den 10 db SNR değeri için Tablo 8 de ve Tablo 9 da yöntemi kullanılarak aynı sinyallerin Tablo db SNR değeri için sınıflandırıcının B B % % %4.06 %0.31 % % % % % % % %1.86 % %0.93 % % % % %1.87 %50.65 %46.84 % % %0.62 %13.04 %71.94 yönteminin ve modülasyon türleri dışında diğer modülasyon türleri için daha doğru karar verdiği açıkça ve modüleli sinyallerin diğer sinyallerle en çok karıştığı ve ile sınıflandırıcıları ile en zor ayırt edilebildiği Tablo 8 ve 9 dan Tablo db SNR değeri için sınıflandırıcının B B % % % % % % % % % % % % %43.49 % %11.16 % db SNR değeri için Tablo 10 da ve Tablo 11 de yöntemi kullanılarak aynı sinyallerin Tablo db SNR değeri için sınıflandırıcının B B % % %0.31 %89.68 % % %0.32 % % % % % % % % % % % % % %80.00 %20.00 % %7.76 %85.04 Tablo db SNR değeri için sınıflandırıcının B B % % % % % % % % % % %84.71 % %3.72 %96.28 yönteminin bütün modülasyon türleri için yüksek doğrulukla karar verdiği açıkça modüleli sinyalin diğer sinyallerle en çok karıştığı ve sınıflandırıcısı ile en zor ayırt edilebildiği Tablo 10 dan 20 db SNR değeri için Tablo 12 de ve Tablo 13 te yöntemi kullanılarak aynı sinyallerin Tablo db SNR değeri için sınıflandırıcının B B % % %70.00 % % %22.80 % % % % % % % % % % % % %87.44 %12.56 % %2.81 %90.00 Tablo db SNR değeri için sınıflandırıcının B B % % % % % % % %96.80 % %100 yönteminin bütün modülasyon türleri için yüksek doğrulukla karar verdiği açıkça modüleli sinyalin diğer sinyallerle en çok karıştığı ve sınıflandırıcısı ile en zor ayırt edilebildiği Tablo 12 den 25 db SNR değeri için Tablo 14 te ve Tablo 15 te yöntemi kullanılarak aynı sinyallerin 210

6 Tablo dB SNR değeri için sınıflandırıcının B B % % %10.00 % % %15.94 % % % % % % % % % % % %5.32 %88.08 %6.60 % % %6.57 %80.00 Tablo dB SNR değeri için sınıflandırıcının B B % % % % % % % % %100 yönteminin bütün modülasyon türleri için hatasız karar verdiği Tablo 15 ten açıkça modüleli sinyalin diğer sinyallerle en çok karıştığı ve sınıflandırıcısı ile en zor ayırt edilebildiği Tablo 14 ten ile sınıflandırıcısının yukarıdaki tablolarda verilen, ve modülasyonlu sinyalleri doğru sınıflandırma olasılığı (Probability of Correct Classification, PCC) başarımları da Şekil 2 de gösterilmektedir Frekans Seçici Rayleigh Sönümlemeli Kanal Benzetim Sonuçları İkinci evrede, ANN tabanlı modülasyon tanıma yönteminin nı değerlendirmek için modülasyon sınıflandırıcı girişindeki alınan işaretin AWGN ye ek olarak frekans seçici Rayleigh sönümlemeli kanal tarafından bozulduğu varsayılmıştır. Frekans seçici kanal benzetim çalışmalarında, Proakis kanal profili [19], ortalama dal ağırlık katsayıları (0.407, 0.815, 0.407) olan, 3 dallı Rayleigh sönümlemeli kanal modeli kullanılmıştır. Aynı SNR seviyelerinde aynı modülasyon türleri aynı ANN modeli kullanılarak değerlendirilmiştir. Taşıyıcı frekanslarının doğru olarak kestirildiği ve sembol eş zamanlamasının doğru yapıldığı kabul edilmektedir. 0 db SNR değeri için Tablo 16 da ve Tablo 17 de yöntemi kullanılarak B,,,,,, ve modüleli sinyallerin doğru sınıflandırma oranları karıştırma matrisleri ile yönteminin B,, ve modülasyon türleri dışında diğer modülasyon türleri için daha doğru karar verdiği açıkça B, ve modüleli sinyallerin diğer sinyallerle en çok karıştığı ve ANN sınıflandırıcı ile en zor ayırt edilebildiği Tablo 16 ve 17 de Tablo 16. 0dB SNR değeri için sınıflandırıcının B B %10.65 %1.57 %20.66 %0.31 %39.30 % %26.27 %4.99 %10.06 %1.24 %10.91 %9.03 %10.91 %21.23 %31.63 %6.56 %11.56 %5.30 %18.16 %13.48 %14.94 %8.98 %21.02 %6.85 %9.39 %1.88 %19.10 %11.49 %4.41 %12.16 % LM - ANN Sınıflayıcı %3.42 %6.66 %0.96 %22.48 %12.75 %11.22 %16.02 % %5.02 %7.19 %4.36 %18.13 %8.72 %7.75 %12.88 %35.95 PCC SCG - ANN Sınıflayıcı SNR (db) %2.50 %3.14 %0.64 %22.46 %3.13 %5.30 %43.98 %18.85 %1.55 %2.81 %0.62 %20.02 %4.06 %9.65 %22.76 %38.53 Tablo 17. 0dB SNR değeri için sınıflandırıcının B B %0.00 %0.31 %26.34 %0.62 %41.48 % %21.28 Şekil 2. ve sınıflandırıcıların sınıflandırma başarımları. Şekil 2 den de açıkça görüldüğü gibi ile karşılaştırıldığında yöntemin tüm SNR değerleri için daha yüksek doğrulukla sinyalleri ayırt edebildiği açıkça - %5.33 %0.62 %20.29 %5.89 %17.45 %33.75 % %11.25 %5.28 %38.47 %3.17 %13.40 %3.95 % %10.02 %0.93 %38.45 %4.03 %4.41 %34.39 % % %37.18 %8.99 %8.10 %9.24 % %8.10 %1.24 %32.23 %0.93 %9.96 %20.74 %

7 - % % %4.38 %52.72 % % % %9.35 %13.67 % db SNR değeri için Tablo 18 de ve Tablo 19 da yöntemi kullanılarak aynı sinyallerin Tablo 18. 5dB SNR değeri için sınıflandırıcının B B % % %51.60 % % %41.87 %5.61 %0.31 % %48.49 Tablo dB SNR değeri için sınıflandırıcının B B % % % %39.05 %0.62 %41.57 % % %10.00 %41.25 % %9.06 %9.68 %0.62 %1.58 %12.50 %19.73 %34.33 % % %10.00 %45.64 % %11.54 % %8.75 %18.75 %0.31 %0.93 % % %10.00 %46.89 % %3.44 %4.39 %0.31 %10.04 %9.05 %22.54 %15.29 %15.85 %1.28 % %11.86 %0.32 %1.55 %0.31 %0.31 %0.00 %85.65 %0.31 %8.73 %0.62 %0.64 %1.26 % % %10.00 %42.19 %27.21 %0.62 %8.39 % %11.89 %9.96 %11.89 %7.81 % % %10.97 %1.24 %15.31 %3.73 %3.73 %15.51 %51.05 %0.93 %9.06 %2.83 %11.30 %0.93 %0.93 %13.42 %58.09 Tablo 19. 5dB SNR değeri için sınıflandırıcının B B % % %47.83 % % %31.91 % %0.93 % % %0.00 %62.81 % %14.37 % %1.55 %0.93 %33.86 %10.25 %5.26 %6.30 % %65.01 %9.47 %0.62 %15.86 % %5.32 %0.93 %12.83 %7.82 % % % % %1.24 %27.98 % % % %0.95 %17.80 %70.29 yönteminin B,, ve modülasyon türleri dışında diğer modülasyon türleri için daha doğru karar verdiği açıkça B ve modüleli sinyallerin diğer sinyallerle en çok karıştığı ve ANN sınıflandırıcı ile en zor ayırt edilebildiği Tablo 18 ve 19 da 10 db SNR değeri için Tablo 20 de ve Tablo 21 de yöntemi kullanılarak aynı sinyallerin Tablo db SNR değeri için sınıflandırıcının B B % % %44.08 % % % % %0.00 %82.81 % % %0.95 %3.11 %19.44 %30.00 % % %75.34 % % %4.06 % %2.17 % % % % %1.25 %3.11 % % % %0.98 %1.68 %96.54 yönteminin B,, ve modülasyon türleri dışında diğer modülasyon türleri için daha doğru karar verdiği açıkça B, ve modüleli sinyallerin diğer sinyallerle en çok karıştığı ve ile sınıflandırıcıları ile en zor ayırt edilebildiği Tablo 20 ve 21 de 15 db SNR değeri için Tablo 22 de ve Tablo 23 de yöntemi kullanılarak aynı sinyallerin Tablo db SNR değeri için sınıflandırıcının B B % % %51.57 % %40.32 %14.05 %27.19 % % %39.38 % %0.00 %50.00 % %10.00 %16.24 % %3.10 %9.69 %66.60 % %10.29 % %37.21 % %13.10 %

8 %9.06 %14.38 % %0.31 % %60.29 %9.38 % %0.00 %80.00 %8.13 % %81.87 Tablo db SNR değeri için sınıflandırıcının B B % % % % % % %0.00 % % %0.31 %1.55 %13.77 %50.65 % % %68.74 % % %3.43 % %0.31 % % % %0.31 %2.50 % % %1.88 %96.24 yönteminin B ve modülasyon türleri dışında diğer modülasyon türleri için daha doğru karar verdiği açıkça B, ve modüleli sinyallerin diğer sinyallerle en çok karıştığı ve ile sınıflandırıcıları ile en zor ayırt edilebildiği Tablo 22 ve 23 de 20 db SNR değeri için Tablo 24 te ve Tablo 25 te yöntemi kullanılarak aynı sinyallerin Tablo db SNR değeri için sınıflandırıcının B B % % %47.50 %4.69 %36.24 % %50.32 % %0.00 %40.27 % %8.15 %20.32 % %2.79 %15.33 %44.13 % %19.30 % %31.55 % %22.82 % %11.87 % % %65.90 %0.94 % %0.00 %87.19 %0.63 %10.31 % %88.75 Tablo db SNR değeri için sınıflandırıcının B B % % % % % % %0.00 % % %0.62 %0.93 %13.77 %56.32 % % %63.11 % % %2.81 % %0.31 % % % %2.19 % % %1.56 %96.88 yönteminin B,, ve modülasyon türleri dışında diğer modülasyon türleri için daha doğru karar verdiği açıkça B ve modüleli sinyallerin diğer sinyallerle en çok karıştığı ve ile sınıflandırıcıları ile en zor ayırt edilebildiği Tablo 24 ve 25 te 25 db SNR değeri için Tablo 26 da ve Tablo 27 de yöntemi kullanılarak aynı sinyallerin Tablo db SNR değeri için sınıflandırıcının B B % % %36.55 %13.75 %37.19 % % %0.00 %41.88 % %28.43 %20.0 % %10.93 %15.01 %50.35 % % %40.0 % %30.0 %16.88 %10.0 %6.88 % %0.94 % %53.41 %10.0 % %0.00 %78.44 %10.0 % %79.38 Tablo db SNR değeri için sınıflandırıcının B B % % % % % % %0.00 % % %1.24 %13.14 %56.30 % % %67.80 % % %2.81 % % % % %2.19 % % %0.31 %1.25 %

9 yönteminin B,, ve modülasyon türleri dışında diğer modülasyon türleri için daha doğru karar verdiği açıkça B ve modüleli sinyallerin diğer sinyallerle en çok karıştığı ve ile sınıflandırıcıları ile en zor ayırt edilebildiği Tablo 26 ve 27 de 30 db SNR değeri için Tablo 28 de ve Tablo 29 da yöntemi kullanılarak aynı sinyallerin Tablo db SNR değeri için sınıflandırıcının B B % % % %14.06 %36.88 % % %0.00 %41.88 % %28.43 %20.0 % %10.62 %13.14 % % % %40.0 % %30.0 %16.88 %9.68 %6.87 % %1.57 % %52.47 %10.0 % %0.00 %78.44 %10.0 % %79.38 Tablo db SNR değeri için sınıflandırıcının B B % % % % % % %0.00 % % %0.93 %12.52 %61.92 % % %67.49 % % %3.12 % % % % %1.88 % % %0.31 %1.57 %95.94 yönteminin B,, ve modülasyon türleri dışında diğer modülasyon türleri için daha doğru karar verdiği açıkça B ve modüleli sinyallerin diğer sinyallerle en çok karıştığı ve ile sınıflandırıcıları ile en zor ayırt edilebildiği Tablo 28 ve 29 da AWGN kanal ve frekans seçici Rayleigh sönümlemeli kanallara maruz kalan sinyallerin ile sınıflandırıcısının yukarıdaki tablolarda verilen, ve modülasyonlu sinyalleri doğru sınıflandırma olasılığı başarımları da Şekil 3 te gösterilmektedir. PCC AWGN Kanal Sonuçları SNR (db) Şekil 3. AWGN ve frekans seçici Rayleigh sönümlemeli kanallarda ile sınıflandırıcıların sınıflandırma başarımları. Şekil 3 ten de açıkça görüldüğü gibi ile karşılaştırıldığında yöntemin tüm SNR değerleri için daha yüksek doğrulukla sinyalleri ayırt edebildiği açıkça Ayrıca, AWGN kanal sonuçlarının frekans seçici Rayleigh sönümlemeli kanal sonuçlarından daha iyi olduğu 5. Sonuçlar Otomatik modülasyon tanıma, özellikle askeri haberleşme sistemlerinde oldukça büyük bir öneme sahiptir. Sınıflandırılacak modülasyon türlerinin sayısı ve çok yollu sönümlemeli kanal etkisiyle bu işlem oldukça zorlaşmaktadır. Taban bant sinyalin yüksek dereceli logaritmik momentlerinden elde edilen öznitelikler ile doğru sınıflandırma yapılabildiğinden bu çalışmada öncelikle öznitelik olarak kullanılabilecek üç yüksek dereceli istatistik seçilmiştir. Çalışmada bu öznitelikleri kullanan çok katmanlı yapay sinir ağları modülasyon sınıflandırıcı olarak kullanılmıştır. Sınıflandırıcının nı test etmek için eğitim aşamasında SCG ve LM algoritması ile eğitilmiş sınıflandırıcıların karşılaştırılmıştır. Özellikle gibi düşük eğitim adımlarında incelenen sınıflandırıcılar ile M- ve M- sinyallerin sınıflandırılmasında başarılı sonuçlar alınmıştır. Bilgisayar benzetim sonuçları SNR değeri arttıkça her iki sınıflandırıcının daha iyi sınıflandırma doğruluğuna ulaştığını göstermiştir. 7. Kaynaklar AWGN Kanal Rayleigh Kanal Frekans Seçici Rayleigh Sönümlemeli Kanal Sonuçları [1] Çoban, Z., Haberleşme Sistemlerinde Sayısal Kiplenim Yöntemlerinin Otomatik Sınıflandırılması, Yüksek Lisans Tezi, Hacettepe Üniversitesi, Fen Bil. Ens., Elektrik-Elektronik Mühendisliği ABD, Ankara, [2] Azzouz E. E. and Nandi A. K., Automatic Modulation Recognition of Communication Signals, Kluwer Academic Publishers, [3] Ghani N. and Lamontagne R., Neural Networks Applied to the Classification of Spectral Features for Automatic Modulation Recognition, Proc. MILCOM, pp , [4] Nandi A. K. and Azzouz E. E., Algorithms for 214

10 Automatic Modulation Recognition of Communication Signals, IEEE Trans. Commun., 46, pp , [5] Sehier C. L. P., Automatic Modulation Recognition with a Hierarchical Neural Network, Proc. MILCOM, pp , [6] Mingquan L., Xianci X., and Leming L., Cyclic Spectral Features Based Modulation Recognition, Proc. ICCT, pp , [7] Ebrahimzadeh A. and Seyedin S. A., A New Method for Automatic Digital Signal Type Identification, Proc. CIS, [8] Shermeh A. E. and Movahedy D., Automatic Identification of 2 and 4 Using SVM, ICIS, [9] Wang L. and Ren Y., Recognition of digital modulation signals based on high order cumulants and support vector machines, ISECS International Colloquium on Computing, Communication, Control and Management, pp , [10] Jones, A. J., Genetic algorithms and their applications to the design of neural networks. Neural Computing & Applications, 32 45, [11] Verma, B., Ghosh, R., A novel evolutionary neural learning algorithm, Evolutionary Computation, CEC 02. Proceedings of the 2002 Congress on, 2, , [12] Proakis J. G., Digital Communications, N.Y., USA: McGraw-Hill, [13] Swami A. and Sadler B. M., Hierarchical Digital Modul. Classification Using Cumulants, IEEE Trans. Comm. 48, pp. 4429, [14] Narendra, K. S. ve K. Parthasarathy, Identification and Control of Dynamical Systems Using Neural Networks, IEEE Transactions on Neural Networks, cilt 1, no 1, sayfa 27,1990. [15] Efe, M. Ö., E. Abadoğlu ve O. Kaynak, Analysis and Design of a Neural Network Assisted Nonlinear Controller for a Bioreactor, International Journal of Robust and Nonlinear Control, cilt.9, no.11, sayfa , [16] Haykin, S., Neural Networks: A Comprehensive Foundation, MacMillan Publishing Company, N.Y., [17] Ozturk, C., Yapay Sinir Ağlarının Yapay Arı Kolonisi Algoritması ile Eğitilmesi, Doktora Tezi, Erciyes Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği ABD, Kayseri, [18] YÜCEL G., ÜLGERLİ B., Yapay Sinir Ağı ve Parçacık Sürü Optimizasyon Tabanlı Modülasyon Tanıma Sistemlerinde Kullanılan Eğitim Algoritmalarının Karşılaştırmalı Başarım Analizi, Elektronik Tasarım ve Uygulaması Tezi, Nuh Naci Yazgan Üniversitesi, Elektrik Elektronik Mühendisliği Bölümü, Kayseri, Ocak [19] John. G. Proakis, Digital Communications, Fourth Edition, Mc Graw Hill International Editions,

FFT Tabanlı OFDM ile DWT Tabanlı OFDM Sistemlerinin Karşılaştırmalı Başarım Analizi

FFT Tabanlı OFDM ile DWT Tabanlı OFDM Sistemlerinin Karşılaştırmalı Başarım Analizi Tabanlı ile Tabanlı Sistemlerinin Karşılaştırmalı Başarım Analizi Engin Öksüz, Ahmet Altun, Büşra Ülgerli, Gökay Yücel, Ali Özen Nuh Naci Yazgan Üniversitesi HARGEM Elektrik-Elektronik Mühendisliği Bölümü

Detaylı

EEM HABERLEŞME TEORİSİ NİĞDE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ BÖLÜMÜ

EEM HABERLEŞME TEORİSİ NİĞDE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ BÖLÜMÜ EEM3006 - HABERLEŞME TEORİSİ NİĞDE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ BÖLÜMÜ EEM3006 - HABERLEŞME TEORİSİ Dersin Öğretim Elemanı: Yrd. Doç. Dr. Yasin KABALCI Ders Görüşme

Detaylı

KABLOSUZ İLETİŞİM

KABLOSUZ İLETİŞİM KABLOSUZ İLETİŞİM 805540 MODÜLASYON TEKNİKLERİ SAYISAL MODÜLASYON İçerik 3 Sayısal modülasyon Sayısal modülasyon çeşitleri Sayısal modülasyon başarımı Sayısal Modülasyon 4 Analog yerine sayısal modülasyon

Detaylı

Geriye Yayılım ve Levenberg Marquardt Algoritmalarının YSA Eğitimlerindeki Başarımlarının Dinamik Sistemler Üzerindeki Başarımı. Mehmet Ali Çavuşlu

Geriye Yayılım ve Levenberg Marquardt Algoritmalarının YSA Eğitimlerindeki Başarımlarının Dinamik Sistemler Üzerindeki Başarımı. Mehmet Ali Çavuşlu Geriye Yayılım ve Levenberg Marquardt Algoritmalarının YSA Eğitimlerindeki Başarımlarının Dinamik Sistemler Üzerindeki Başarımı Mehmet Ali Çavuşlu Özet Yapay sinir ağlarının eğitiminde genellikle geriye

Detaylı

Yayılı Spektrum Haberleşmesinde Kullanılan Farklı Yayma Dizilerinin Boğucu Sinyallerin Çıkarılması Üzerine Etkilerinin İncelenmesi

Yayılı Spektrum Haberleşmesinde Kullanılan Farklı Yayma Dizilerinin Boğucu Sinyallerin Çıkarılması Üzerine Etkilerinin İncelenmesi Yayılı Spektrum Haberleşmesinde Kullanılan Farklı Yayma Dizilerinin Boğucu Sinyallerin Çıkarılması Üzerine Etkilerinin İncelenmesi Ahmet Altun, Engin Öksüz, Büşra Ülgerli, Gökay Yücel, Ali Özen Nuh Naci

Detaylı

Yapay Sinir Ağları. (Artificial Neural Networks) DOÇ. DR. ERSAN KABALCI

Yapay Sinir Ağları. (Artificial Neural Networks) DOÇ. DR. ERSAN KABALCI Yapay Sinir Ağları (Artificial Neural Networks) J E O L O J İ M Ü H E N D İ S L İ Ğ İ A. B. D. E S N E K H E S A P L A M A Y Ö N T E M L E R İ - I DOÇ. DR. ERSAN KABALCI Yapay Sinir Ağları Tarihçe Biyolojik

Detaylı

YAPAY SİNİR AĞLARI. Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ

YAPAY SİNİR AĞLARI. Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ YAPAY SİNİR AĞLARI Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ İÇERİK Sinir Hücreleri Yapay Sinir Ağları Yapısı Elemanları Çalışması Modelleri Yapılarına Göre Öğrenme Algoritmalarına Göre Avantaj ve

Detaylı

Mobil ve Kablosuz Ağlar (Mobile and Wireless Networks)

Mobil ve Kablosuz Ağlar (Mobile and Wireless Networks) Mobil ve Kablosuz Ağlar (Mobile and Wireless Networks) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Ders konuları 2 1 Kodlama ve modülasyon yöntemleri İletim ortamının özelliğine

Detaylı

İşaret ve Sistemler. Ders 1: Giriş

İşaret ve Sistemler. Ders 1: Giriş İşaret ve Sistemler Ders 1: Giriş Ders 1 Genel Bakış Haberleşme sistemlerinde temel kavramlar İşaretin tanımı ve çeşitleri Spektral Analiz Fazörlerin frekans düzleminde gösterilmesi. Periyodik işaretlerin

Detaylı

Zeki Optimizasyon Teknikleri

Zeki Optimizasyon Teknikleri Zeki Optimizasyon Teknikleri Yapay Sinir Ağları (Artificial Neural Network) Doç.Dr. M. Ali Akcayol Yapay Sinir Ağları Biyolojik sinir sisteminden esinlenerek ortaya çıkmıştır. İnsan beyninin öğrenme, eski

Detaylı

Karaciğerde Oluşan Hastalıkların Tespitinde Makine Öğrenmesi Yöntemlerinin Kullanılması

Karaciğerde Oluşan Hastalıkların Tespitinde Makine Öğrenmesi Yöntemlerinin Kullanılması Karaciğerde Oluşan Hastalıkların Tespitinde Makine Öğrenmesi Yöntemlerinin Kullanılması 1 Emre DANDIL Bilecik Ş. Edebali Üniversitesi emre.dandil@bilecik.edu.tr +90228 214 1613 Sunum İçeriği Özet Giriş

Detaylı

ÇİMENTO BASMA DAYANIMI TAHMİNİ İÇİN YAPAY SİNİR AĞI MODELİ

ÇİMENTO BASMA DAYANIMI TAHMİNİ İÇİN YAPAY SİNİR AĞI MODELİ ÇİMENTO BASMA DAYANIMI TAHMİNİ İÇİN YAPAY SİNİR AĞI MODELİ Ezgi Özkara a, Hatice Yanıkoğlu a, Mehmet Yüceer a, * a* İnönü Üniversitesi Mühendislik Fakültesi Kimya Mühendisliği Bölümü, Malatya, 44280 myuceer@inonu.edu.tr

Detaylı

NİĞDE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ BÖLÜMÜ

NİĞDE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ BÖLÜMÜ History in Pictures - On January 5th, 1940, Edwin H. Armstrong transmitted thefirstfmradiosignalfromyonkers, NY to Alpine, NJ to Meriden, CT to Paxton, MA to Mount Washington. 5 January is National FM

Detaylı

İletişim Ağları Communication Networks

İletişim Ağları Communication Networks İletişim Ağları Communication Networks Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Bu dersin sunumları, Behrouz A. Forouzan, Data Communications and Networking 4/E, McGraw-Hill,

Detaylı

RASGELE SÜREÇLER İ.Ü. ELEKTRİK ELEKTRONİK MÜHENDİSLİĞİ İLETİŞİM LABORATUVARI ARALIK, 2007

RASGELE SÜREÇLER İ.Ü. ELEKTRİK ELEKTRONİK MÜHENDİSLİĞİ İLETİŞİM LABORATUVARI ARALIK, 2007 RASGELE SÜREÇLER İ.Ü. ELEKTRİK ELEKTRONİK MÜHENDİSLİĞİ İLETİŞİM LABORATUVARI ARALIK, 007 1 Tekdüze Dağılım Bir X rasgele değişkenin, a ve b arasında tekdüze dağılımlı olabilmesi için olasılık yoğunluk

Detaylı

Esnek Hesaplamaya Giriş

Esnek Hesaplamaya Giriş Esnek Hesaplamaya Giriş J E O L O J İ M Ü H E N D İ S L İ Ğ İ A. B. D. E S N E K H E S A P L A M A Y Ö N T E M L E R İ - I DOÇ. DR. ERSAN KABALCI Esnek Hesaplama Nedir? Esnek hesaplamanın temelinde yatan

Detaylı

Aşağı Link MC-CDMA Sistemlerinde Kullanılan PIC Alıcının EM-MAP Tabanlı Olarak İlklendirilmesi

Aşağı Link MC-CDMA Sistemlerinde Kullanılan PIC Alıcının EM-MAP Tabanlı Olarak İlklendirilmesi IEEE 15. Sinyal İşleme ve İletişim Uygulamaları Kurultayı - 2007 Aşağı Link MC-CDMA Sistemlerinde Kullanılan PIC Alıcının EM-MAP Tabanlı Olarak İlklendirilmesi Hakan Doğan 1,Erdal Panayırcı 2, Hakan Ali

Detaylı

SAYISAL MODÜLASYON TANIMA SİSTEMLERİ İÇİN BAYES KARAR KURALLARI SINIFLANDIRICISININ KULLANIMI

SAYISAL MODÜLASYON TANIMA SİSTEMLERİ İÇİN BAYES KARAR KURALLARI SINIFLANDIRICISININ KULLANIMI ISSN:306-3 e-journal of New World Sciences Academy 008, Volume: 3, Number: Article Number: A0056 NATURAL AND APPLIED SCIENCES ELECTRONIC AND COMPUTER ENGINEERING Received: July 007 Accepted: December 007

Detaylı

VERİ MADENCİLİĞİ (Sınıflandırma Yöntemleri) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr

VERİ MADENCİLİĞİ (Sınıflandırma Yöntemleri) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr VERİ MADENCİLİĞİ (Sınıflandırma Yöntemleri) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr Genel İçerik Veri Madenciliğine Giriş Veri Madenciliğinin Adımları Veri Madenciliği Yöntemleri Sınıflandırma

Detaylı

Yüksek Mobiliteli OFDM Sistemleri için Ortak Veri Sezimleme ve Kanal Kestirimi

Yüksek Mobiliteli OFDM Sistemleri için Ortak Veri Sezimleme ve Kanal Kestirimi Yüksek Mobiliteli OFDM Sistemleri için Ortak Veri Sezimleme ve Kanal Kestirimi Erdal Panayırcı, Habib Şenol ve H. Vincent Poor Elektronik Mühendisliği Kadir Has Üniversitesi, İstanbul, Türkiye Elektrik

Detaylı

DPSK Sistemler için LMS Algoritma ve ML Kriteri Temelli, Gözü Kapalı Kanal Kestiriminin ve Turbo Denkleştirmenin Birlikte Yapılması

DPSK Sistemler için LMS Algoritma ve ML Kriteri Temelli, Gözü Kapalı Kanal Kestiriminin ve Turbo Denkleştirmenin Birlikte Yapılması BAÜ Fen Bil. Enst. Dergisi Cilt 12(2) 75 84 (2010) DPSK Sistemler için LMS Algoritma ve ML Kriteri Temelli, Gözü Kapalı Kanal Kestiriminin ve Turbo Denkleştirmenin Birlikte Yapılması Serkan YAKUT 1 Balıkesir

Detaylı

BBO Algoritmasının Optimizasyon Başarımının İncelenmesi Optimization Performance Investigation of BBO Algorithm

BBO Algoritmasının Optimizasyon Başarımının İncelenmesi Optimization Performance Investigation of BBO Algorithm BBO Algoritmasının Optimizasyon Başarımının İncelenmesi Optimization Performance Investigation of BBO Algorithm Tufan İNAÇ 1, Cihan KARAKUZU 2 1 Bilgisayar Mühendisliği Anabilim Dalı Bilecik Şeyh Edebali

Detaylı

Frekans Seçici Kanallarda Çalışan Yukarı Link MC-CDMA Sistemleri için EM Tabanlı Birleşik Bilgi Sezim ve Kanal Kestirim Yöntemi

Frekans Seçici Kanallarda Çalışan Yukarı Link MC-CDMA Sistemleri için EM Tabanlı Birleşik Bilgi Sezim ve Kanal Kestirim Yöntemi IEEE 15. Sinyal İşleme ve İletişim Uygulamaları Kurultayı - 2007 Frekans Seçici Kanallarda Çalışan Yukarı Link MC-CDMA Sistemleri için EM Tabanlı Birleşik Bilgi Sezim ve Kanal Kestirim Yöntemi Erdal Panayırcı

Detaylı

OFDM Sisteminin AWGN Kanallardaki Performansının İncelenmesi

OFDM Sisteminin AWGN Kanallardaki Performansının İncelenmesi Akademik Bilişim 09 - XI. Akademik Bilişim Konferansı Bildirileri 11-13 Şubat 2009 Harran Üniversitesi, Şanlıurfa OFDM Sisteminin AWGN Kanallardaki Performansının İncelenmesi Karadeniz Teknik Üniversitesi,

Detaylı

Ders Adı Kodu Yarıyılı T+U Saati Ulusal Kredisi AKTS. Sayısal Haberleşme Sistemleri EEE492 8 3+2 4 5

Ders Adı Kodu Yarıyılı T+U Saati Ulusal Kredisi AKTS. Sayısal Haberleşme Sistemleri EEE492 8 3+2 4 5 DERS BİLGİLERİ Ders Adı Kodu Yarıyılı T+U Saati Ulusal Kredisi AKTS Sayısal Haberleşme Sistemleri EEE492 8 3+2 4 5 Ön Koşul Dersleri Dersin Dili Dersin Seviyesi Dersin Türü İngilizce Lisans Seçmeli / Yüz

Detaylı

YAPAY SĠNĠR AĞLARININ EKONOMĠK TAHMĠNLERDE KULLANILMASI

YAPAY SĠNĠR AĞLARININ EKONOMĠK TAHMĠNLERDE KULLANILMASI P A M U K K A L E Ü N İ V E R S İ T E S İ M Ü H E N D İ S L İ K F A K Ü L T E S İ P A M U K K A L E U N I V E R S I T Y E N G I N E E R I N G C O L L E G E M Ü H E N D ĠS L ĠK B ĠL ĠM L E R ĠD E R G ĠS

Detaylı

Çok katmanlı ileri sürümlü YSA da standart geri yayıyım ve momentum geri yayılım algoritmalarının karşılaştırılması. (Eğitim/Hata geri yayılım)

Çok katmanlı ileri sürümlü YSA da standart geri yayıyım ve momentum geri yayılım algoritmalarının karşılaştırılması. (Eğitim/Hata geri yayılım) Çok katmanlı ileri sürümlü YSA da standart geri yayıyım ve momentum geri yayılım algoritmalarının karşılaştırılması (Eğitim/Hata geri yayılım) Özetçe Bu çalışmada çok katmanlı ve ileri sürümlü bir YSA

Detaylı

Genetik Algoritmalar. Bölüm 1. Optimizasyon. Yrd. Doç. Dr. Adem Tuncer E-posta:

Genetik Algoritmalar. Bölüm 1. Optimizasyon. Yrd. Doç. Dr. Adem Tuncer E-posta: Genetik Algoritmalar Bölüm 1 Optimizasyon Yrd. Doç. Dr. Adem Tuncer E-posta: adem.tuncer@yalova.edu.tr Optimizasyon? Optimizasyon Nedir? Eldeki kısıtlı kaynakları en iyi biçimde kullanmak olarak tanımlanabilir.

Detaylı

Güç Spektral Yoğunluk (PSD) Fonksiyonu

Güç Spektral Yoğunluk (PSD) Fonksiyonu 1 Güç Spektral Yoğunluk (PSD) Fonksiyonu Otokorelasyon fonksiyonunun Fourier dönüşümü j f ( ) FR ((τ) ) = R ( (τ ) ) e j π f τ S f R R e d dτ S ( f ) = F j ( f )e j π f ( ) ( ) f τ R S f e df R (τ ) =

Detaylı

YAPAY AÇIKLIKLI RADAR GÖRÜNTÜLERİNDE YAPAY SİNİR AĞLARI İLE HEDEF TANIMLAMA

YAPAY AÇIKLIKLI RADAR GÖRÜNTÜLERİNDE YAPAY SİNİR AĞLARI İLE HEDEF TANIMLAMA HAVACILIK VE UZAY TEKNOLOJİLERİ DERGİSİ TEMMUZ 2004 CİLT 1 SAYI 4 (55-60) YAPAY AÇIKLIKLI RADAR GÖRÜNTÜLERİNDE YAPAY SİNİR AĞLARI İLE HEDEF TANIMLAMA Okyay KAYNAK Boğaziçi Üniversitesi Mühendislik Fakültesi

Detaylı

Sakarya Üniversitesi Bilgisayar ve Bilişim Bilimleri Fakültesi Bilgisayar Mühendisliği Bölümü

Sakarya Üniversitesi Bilgisayar ve Bilişim Bilimleri Fakültesi Bilgisayar Mühendisliği Bölümü Sakarya Üniversitesi Bilgisayar ve Bilişim Bilimleri Fakültesi Bilgisayar Mühisliği Bölümü KABLOSUZ AĞ TEKNOLOJİLERİ VE UYGULAMALARI LABORATUAR FÖYÜ Sayısal Haberleşme Uygulamaları Deney No:1 Konu: Örnekleme

Detaylı

Uzaktan Algılama Teknolojileri

Uzaktan Algılama Teknolojileri Uzaktan Algılama Teknolojileri Ders 11 Hiperspektral Görüntülerde Kümeleme ve Sınıflandırma Alp Ertürk alp.erturk@kocaeli.edu.tr Sınıflandırma Sınıflandırma işleminin amacı, her piksel vektörüne bir ve

Detaylı

YAPAY SİNİR AĞLARI YÖNTEMİ İLE PAFTALARININ SAYISALLAŞTIRILMASI ARTIFICIAL NEURAL NETWORKS METHOD FOR MAP DIGITIZATION

YAPAY SİNİR AĞLARI YÖNTEMİ İLE PAFTALARININ SAYISALLAŞTIRILMASI ARTIFICIAL NEURAL NETWORKS METHOD FOR MAP DIGITIZATION YAPAY SİNİR AĞLARI YÖNTEMİ İLE PAFTALARININ SAYISALLAŞTIRILMASI Y.ŞİŞMAN 1, H. DEMİRTAŞ 2 1 Ondokuz Mayıs Üniversitesi, Harita Mühendisliği Bölümü, 55139, Samsun/TÜRKİYE ysisman@omu.edu.tr 2 Sağlık Bakanlığı,

Detaylı

CBS ve Coğrafi Hesaplama

CBS ve Coğrafi Hesaplama Yıldız Teknik Üniversitesi CBS ve Coğrafi Hesaplama 2. Bölüm Yrd. Doç. Dr. Alper ŞEN Harita Mühendisliği Bölümü Kartografya Anabilim Dalı web: http://www.yarbis.yildiz.edu.tr/alpersen/ E mail: alpersen@yildiz.edu.tr

Detaylı

EEM HABERLEŞME TEORİSİ NİĞDE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ BÖLÜMÜ

EEM HABERLEŞME TEORİSİ NİĞDE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ BÖLÜMÜ EEM3006 - HABERLEŞME TEORİSİ NİĞDE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ BÖLÜMÜ EEM3006 - HABERLEŞME TEORİSİ Dersin Öğretim Elemanı: Yrd. Doç. Dr. Yasin KABALCI Ders Görüşme

Detaylı

Sezin Yıldırım, Özgür Ertuğ

Sezin Yıldırım, Özgür Ertuğ ÇOK-YOLLU SÖNÜMLEMELİ KANALLARDA TURBO KODLANMIŞ ALICI ANTEN ÇEŞİTLEMESİ TEK KOD ÇEVRİMSEL KAYDIRMA (TKÇK) ÇOK KULLANICILI SEZİCİNİN PERFORMANS ANALİZİ Sezin Yıldırım, Özgür Ertuğ Telekomünikasyon ve Sinyal

Detaylı

DENEY NO:1 SAYISAL MODÜLASYON VE DEMODÜLASYON

DENEY NO:1 SAYISAL MODÜLASYON VE DEMODÜLASYON DENEY NO:1 SAYISAL MODÜLASYON VE DEMODÜLASYON 1. Amaç Sayısal Modülasyonlu sistemleri tanımak ve sistemlerin nasıl çalıştığını deney ortamında görmektir. Bu Deneyde Genlik Kaydırmalı Anahtarlama (ASK),

Detaylı

ÇİFT EŞİK DEĞERLİ GÖRÜNTÜ NETLEŞTİRME YÖNTEMİ

ÇİFT EŞİK DEĞERLİ GÖRÜNTÜ NETLEŞTİRME YÖNTEMİ ÇİFT EŞİK DEĞERLİ GÖRÜNTÜ NETLEŞTİRME YÖNTEMİ Ali S Awad *, Erhan A İnce* *Doğu Akdeniz Üniversitesi Elektrik ve Elektronik Mühendisliği Mağosa, KKTC İnce@eeneteeemuedutr, Asawad@emuedutr Özetçe Beyaz

Detaylı

2.1 Bir Sınıfı Örneklerinden Öğrenme... 15 2.2 Vapnik-Chervonenkis (VC) Boyutu... 20 2.3 Olası Yaklaşık Doğru Öğrenme... 21

2.1 Bir Sınıfı Örneklerinden Öğrenme... 15 2.2 Vapnik-Chervonenkis (VC) Boyutu... 20 2.3 Olası Yaklaşık Doğru Öğrenme... 21 İçindekiler Önsöz İkinci Basım için Önsöz Türkçe Çeviri için Önsöz Gösterim xiii xv xvii xix 1 Giriş 1 1.1 Yapay Öğrenme Nedir?......................... 1 1.2 Yapay Öğrenme Uygulamalarına Örnekler...............

Detaylı

Şifrebilimde Yapay Sinir Ağları

Şifrebilimde Yapay Sinir Ağları Ege Üniversitesi Bilgisayar Mühendisliği Bölümü Şifrebilimde Yapay Sinir Ağları BİM345 Yapay Sinir Ağları İlker Kalaycı Mayıs,2008 Gündem Şifrebilim Şifrebilim nedir Şifreleme Şifre Çözme Klasik Şifreleme

Detaylı

EEM HABERLEŞME TEORİSİ NİĞDE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ BÖLÜMÜ

EEM HABERLEŞME TEORİSİ NİĞDE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ BÖLÜMÜ EEM3006 - HABERLEŞME TEORİSİ NİĞDE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ BÖLÜMÜ EEM3006 - HABERLEŞME TEORİSİ Dersin Öğretim Elemanı: Yrd. Doç. Dr. Yasin KABALCI Ders Görüşme

Detaylı

DENEY 8: SAYISAL MODÜLASYON VE DEMODÜLASYON

DENEY 8: SAYISAL MODÜLASYON VE DEMODÜLASYON DENEY 8: SAYISAL MODÜLASYON VE DEMODÜLASYON AMAÇ: Sayısal haberleşmenin temel prensiplerini, haberleşme sistemlerinde kullanılan modülasyon çeşitlerini ve sistemlerin nasıl çalıştığını deney ortamında

Detaylı

Türkçe Dokümanlar Ġçin Yazar Tanıma

Türkçe Dokümanlar Ġçin Yazar Tanıma Türkçe Dokümanlar Ġçin Yazar Tanıma Özcan KOLYĠĞĠT, Rıfat AġLIYAN, Korhan GÜNEL Adnan Menderes Üniversitesi, Matematik Bölümü Bölümü, Aydın okolyigit@gmail.com, rasliyan@adu.edu.tr, kgunel@adu.edu.tr Özet:

Detaylı

Sayısal modülasyonlu haberleşme işaretlerinden Wigner- Ville zaman-frekans dağılımlarına dayalı öznitelik çıkarımı

Sayısal modülasyonlu haberleşme işaretlerinden Wigner- Ville zaman-frekans dağılımlarına dayalı öznitelik çıkarımı itüdergisi/d mühendislik Cilt:, Sayı:, 3- Şubat 2 Sayısal modülasyonlu haberleşme işaretlerinden Wigner- Ville zaman-frekans dağılımlarına dayalı öznitelik çıkarımı Abdulkadir ŞEGÜR * Fırat Üniversitesi,

Detaylı

SMI Algoritmasını Kullanan Adaptif Dizi İşaret İşleme Sistemlerinin İncelenmesi

SMI Algoritmasını Kullanan Adaptif Dizi İşaret İşleme Sistemlerinin İncelenmesi SMI Algoritmasını Kullanan Adaptif Dizi İşaret İşleme Sistemlerinin İncelenmesi Halil İ. ŞAHİN, Haydar KAYA 2 Karadeniz Teknik Üniversitesi, İstatistik ve Bilgisayar Bilimleri Bölümü, Elektrik-Elektronik

Detaylı

ERCİYES ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ SİVİL HAVACILIK ANABİLİM DALI YENİ DERS ÖNERİSİ/ DERS GÜNCELLEME

ERCİYES ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ SİVİL HAVACILIK ANABİLİM DALI YENİ DERS ÖNERİSİ/ DERS GÜNCELLEME / DERS GÜNCELLEME Dersin Kodu SHA 615 Dersin Adı İSTATİSTİKSEL SİNYAL İŞLEME Yarıyılı GÜZ Dersin İçeriği: Olasılık ve olasılıksal süreçlerin gözden geçirilmesi. Bayes kestirim kuramı. Büyük olabilirlik

Detaylı

Yapay Sinir Ağları ve Uygulamaları (EE 423) Ders Detayları

Yapay Sinir Ağları ve Uygulamaları (EE 423) Ders Detayları Yapay Sinir Ağları ve Uygulamaları (EE 423) Ders Detayları Ders Adı Ders Dönemi Ders Uygulama Laboratuar Kredi AKTS Kodu Saati Saati Saati Yapay Sinir Ağları ve Uygulamaları EE 423 Her İkisi 3 0 0 3 5

Detaylı

Yapay Sinir Ağları ve Uygulamaları (EE 505) Ders Detayları

Yapay Sinir Ağları ve Uygulamaları (EE 505) Ders Detayları Yapay Sinir Ağları ve Uygulamaları (EE 505) Ders Detayları Ders Adı Ders Dönemi Ders Uygulama Laboratuar Kredi AKTS Kodu Saati Saati Saati Yapay Sinir Ağları ve Uygulamaları EE 505 Her İkisi 3 0 0 3 7.5

Detaylı

Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü. Şekil Tanıma Final Projesi. Selçuk BAŞAK 08501008

Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü. Şekil Tanıma Final Projesi. Selçuk BAŞAK 08501008 Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü Şekil Tanıma Final Projesi Selçuk BAŞAK 08501008 Not: Ödevi hazırlamak için geliştirdiğim uygulama ve kaynak kodları ektedir.

Detaylı

ANALOG HABERLEŞME (GM)

ANALOG HABERLEŞME (GM) ANALOG HABERLEŞME (GM) Taşıyıcı sinyalin sinüsoidal olduğu haberleşme sistemidir. Sinüs işareti formül olarak; V. sin(2 F ) ya da i I. sin(2 F ) dır. Formülde; - Zamana bağlı değişen ani gerilim (Volt)

Detaylı

ELK 318 İLETİŞİM KURAMI-II

ELK 318 İLETİŞİM KURAMI-II ELK 318 İLETİŞİM KURAMI-II Nihat KABAOĞLU Kısım 5 DERSİN İÇERİĞİ Sayısal Haberleşmeye Giriş Giriş Sayısal Haberleşmenin Temelleri Temel Ödünleşimler Örnekleme ve Darbe Modülasyonu Örnekleme İşlemi İdeal

Detaylı

KABLOSUZ İLETİŞİM

KABLOSUZ İLETİŞİM KABLOSUZ İLETİŞİM 805540 DENKLEŞTİRME, ÇEŞİTLEME VE KANAL KODLAMASI İçerik 3 Denkleştirme Çeşitleme Kanal kodlaması Giriş 4 Denkleştirme Semboller arası girişim etkilerini azaltmak için Çeşitleme Sönümleme

Detaylı

Mekatronik Mühendisliği Uygulamalarında Yapay Zekâ. Ders 1- Yapay Zekâya Giriş. Erhan AKDOĞAN, Ph.D.

Mekatronik Mühendisliği Uygulamalarında Yapay Zekâ. Ders 1- Yapay Zekâya Giriş. Erhan AKDOĞAN, Ph.D. Mekatronik Mühendisliği Uygulamalarında Yapay Zekâ Ders 1- Yapay Zekâya Giriş Erhan AKDOĞAN, Ph.D. Yapay Zekâ nedir?! İnsanın düşünme ve karar verme yeteneğini bilgisayarlar aracılığı ile taklit etmeye

Detaylı

İŞARET ve SİSTEMLER (SIGNALS and SYSTEMS) Dr. Akif AKGÜL oda no: 303 (T4 / EEM)

İŞARET ve SİSTEMLER (SIGNALS and SYSTEMS) Dr. Akif AKGÜL oda no: 303 (T4 / EEM) İşaret ve Sistemler İŞARET ve SİSTEMLER (SIGNALS and SYSTEMS) Dr. Akif AKGÜL aakgul@sakarya.edu.tr oda no: 303 (T4 / EEM) Kaynaklar: 1. Signals and Systems, Oppenheim. (Türkçe versiyonu: Akademi Yayıncılık)

Detaylı

BÖLÜM 1 TEMEL KAVRAMLAR

BÖLÜM 1 TEMEL KAVRAMLAR BÖLÜM 1 TEMEL KAVRAMLAR Bölümün Amacı Öğrenci, Analog haberleşmeye kıyasla sayısal iletişimin temel ilkelerini ve sayısal haberleşmede geçen temel kavramları öğrenecek ve örnekleme teoremini anlayabilecektir.

Detaylı

İş Zekası. Hafta 6 Kestirimci Modelleme Teknikleri. Yrd. Doç. Dr. H. İbrahim CEBECİ

İş Zekası. Hafta 6 Kestirimci Modelleme Teknikleri. Yrd. Doç. Dr. H. İbrahim CEBECİ İş Zekası Hafta 6 Kestirimci Modelleme Teknikleri Business Intelligence and Analytics: Systems for Decision Support 10e isimli eserden adapte edilmiştir Bölüm Amaçları Yapay Sinir Ağları (YSA) kavramını

Detaylı

Data Communications. Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü. 5. Analog veri iletimi

Data Communications. Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü. 5. Analog veri iletimi Veri İletişimi Data Communications Suat ÖZDEMİR Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü 5. Analog veri iletimi Sayısal analog çevirme http://ceng.gazi.edu.tr/~ozdemir/ 2 Sayısal analog çevirme

Detaylı

WEB SAYFALARINA İLİŞKİN YAPAY SİNİR AĞLARI İLE SINIFLANDIRMA YÖNTEMİ

WEB SAYFALARINA İLİŞKİN YAPAY SİNİR AĞLARI İLE SINIFLANDIRMA YÖNTEMİ WEB SAYFALARINA İLİŞKİN YAPAY SİNİR AĞLARI İLE SINIFLANDIRMA YÖNTEMİ Doç.Dr Erhan Akyazı Marmara Üniversitesi Bilişim Bölümü eakyazi@marmara.edu.tr Şafak Kayıkçı Marmara Üniversitesi Bilişim Bölümü safak@safakkayikci.com

Detaylı

İletişim Ağları Communication Networks

İletişim Ağları Communication Networks İletişim Ağları Communication Networks Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Bu dersin sunumları, Behrouz A. Forouzan, Data Communications and Networking 4/E, McGraw-Hill,

Detaylı

Otomatik Doküman Sınıflandırma

Otomatik Doküman Sınıflandırma Otomatik Doküman Sınıflandırma Rumeysa YILMAZ, Rıfat AŞLIYAN, Korhan GÜNEL Adnan Menderes Üniversitesi, Fen Edebiyat Fakültesi Matematik Bölümü, Aydın rumeysa2903@gmailcom, rasliyan@aduedutr, kgunel@aduedutr

Detaylı

Gevşek Hesaplama (COMPE 474) Ders Detayları

Gevşek Hesaplama (COMPE 474) Ders Detayları Gevşek Hesaplama (COMPE 474) Ders Detayları Ders Adı Gevşek Hesaplama Ders Kodu COMPE 474 Dönemi Ders Uygulama Laboratuar Kredi AKTS Saati Saati Saati Bahar 3 0 0 3 5 Ön Koşul Ders(ler)i Dersin Dili Dersin

Detaylı

PSM 11 PEM YAKIT HÜCRELERİNİN YAPAY SİNİR AĞLARI İLE MODELLENMESİ

PSM 11 PEM YAKIT HÜCRELERİNİN YAPAY SİNİR AĞLARI İLE MODELLENMESİ PSM 11 PEM YAKIT HÜCRELERİNİN YAPAY SİNİR AĞLARI İLE MODELLENMESİ U. Özveren 2, S. Dinçer 1 1 Yıldız Teknik Üniversitesi, Kimya Müh. Bölümü, Davutpaşa Kampüsü, 34210 Esenler / İstanbul e-posta: dincer@yildiz.edu.tr

Detaylı

Otomatik Doküman Sınıflandırma

Otomatik Doküman Sınıflandırma Akademik Bilişim 12 - XIV Akademik Bilişim Konferansı Bildirileri Otomatik Doküman Sınıflandırma Adnan Menderes Üniversitesi, Fen Edebiyat Fakültesi Matematik Bölümü, Aydın rumeysa2903@gmailcom, rasliyan@aduedutr,

Detaylı

İSTANBUL TİCARET ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ BİLGİSAYAR SİSTEMLERİ LABORATUARI

İSTANBUL TİCARET ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ BİLGİSAYAR SİSTEMLERİ LABORATUARI İSTANBUL TİCARET ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ BİLGİSAYAR SİSTEMLERİ LABORATUARI Lineer Ayrılabilen Paternlerin Yapay Sinir Ağı ile Sınıflandırılması 1. Biyolojik Sinirin Yapısı Bilgi işleme

Detaylı

KAHKAHA TANIMA İÇİN RASSAL ORMANLAR

KAHKAHA TANIMA İÇİN RASSAL ORMANLAR KAHKAHA TANIMA İÇİN RASSAL ORMANLAR Heysem Kaya, A. Mehdi Erçetin, A. Ali Salah, S. Fikret Gürgen Bilgisayar Mühendisliği Bölümü Boğaziçi Üniversitesi / Istanbul Akademik Bilişim'14, Mersin, 05.02.2014

Detaylı

Tedarik Zinciri Yönetiminde Yapay Zeka Teknikler

Tedarik Zinciri Yönetiminde Yapay Zeka Teknikler Tedarik Zinciri Yönetiminde Yapay Zeka Teknikler Doç.Dr.Mehmet Hakan Satman mhsatman@istanbul.edu.tr İstanbul Üniversitesi 2014.10.22 Doç.Dr.Mehmet Hakan Satmanmhsatman@istanbul.edu.tr Tedarik Zinciri

Detaylı

Büyük Veri İçin İstatistiksel Öğrenme (Statistical Learning for Big Data)

Büyük Veri İçin İstatistiksel Öğrenme (Statistical Learning for Big Data) Büyük Veri İçin İstatistiksel Öğrenme (Statistical Learning for Big Data) M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Bu dersin sunumları, The Elements of Statistical Learning: Data

Detaylı

Muhammet Fatih AKBAŞ, Enis KARAARSLAN, Cengiz GÜNGÖR

Muhammet Fatih AKBAŞ, Enis KARAARSLAN, Cengiz GÜNGÖR Yazılım Tanımlı Ağların Güvenliğinde Yapay Zeka Tabanlı Çözümler: Ön İnceleme Muhammet Fatih AKBAŞ, Enis KARAARSLAN, Cengiz GÜNGÖR İzmir Katip Çelebi Üniversitesi, Muğla Sıtkı Koçman Üniversitesi, Ege

Detaylı

KİNETİK MODEL PARAMETRELERİNİN BELİRLENMESİNDE KULLANILAN OPTİMİZASYON TEKNİKLERİNİN KIYASLANMASI

KİNETİK MODEL PARAMETRELERİNİN BELİRLENMESİNDE KULLANILAN OPTİMİZASYON TEKNİKLERİNİN KIYASLANMASI KİNETİK MODEL PARAMETRELERİNİN BELİRLENMESİNDE KULLANILAN OPTİMİZASYON TEKNİKLERİNİN KIYASLANMASI Hatice YANIKOĞLU a, Ezgi ÖZKARA a, Mehmet YÜCEER a* İnönü Üniversitesi Mühendislik Fakültesi Kimya Mühendisliği

Detaylı

YAPAY SİNİR AĞI KULLANARAK DEPREM EĞİLİMİNİN KESTİRİMİ. Umut FIRAT

YAPAY SİNİR AĞI KULLANARAK DEPREM EĞİLİMİNİN KESTİRİMİ. Umut FIRAT YAPAY SİNİR AĞI KULLANARAK DEPREM EĞİLİMİNİN KESTİRİMİ Umut FIRAT ufirat@yahoo.com Öz: Depremler yeryüzünde en çok yıkıma neden olan doğal afetlerdir. Bu durum, depremlerin önceden tahmin edilmesi fikrini

Detaylı

Doç.Dr. M. Mengüç Öner Işık Üniversitesi Elektrik-Elektronik Mühendisliği Bölümü oner@isikun.edu.tr

Doç.Dr. M. Mengüç Öner Işık Üniversitesi Elektrik-Elektronik Mühendisliği Bölümü oner@isikun.edu.tr Doç.Dr. M. Mengüç Öner Işık Üniversitesi Elektrik-Elektronik Bölümü oner@isikun.edu.tr 1. Adı Soyadı : Mustafa Mengüç ÖNER 2. Doğum Tarihi : 01.02.1977 3. Unvanı : Doçent Dr. 4. Öğrenim Durumu : ÖĞRENİM

Detaylı

Uzaktan Algılama Uygulamaları

Uzaktan Algılama Uygulamaları Aksaray Üniversitesi Uzaktan Algılama Uygulamaları Doç.Dr. Semih EKERCİN Harita Mühendisliği Bölümü sekercin@aksaray.edu.tr 2010-2011 Bahar Yarıyılı Uzaktan Algılama Uygulamaları GÖRÜNTÜ İŞLEME TEKNİKLERİ

Detaylı

SÜREKLİ DOĞAL GERİLİM VERİLERİNİN YAPAY SİNİR AĞLARI İLE DEĞERLENDİRİLMESİ, DEPREM ve YAĞIŞLARLA İLİŞKİSİ

SÜREKLİ DOĞAL GERİLİM VERİLERİNİN YAPAY SİNİR AĞLARI İLE DEĞERLENDİRİLMESİ, DEPREM ve YAĞIŞLARLA İLİŞKİSİ SÜREKLİ DOĞAL GERİLİM VERİLERİNİN YAPAY SİNİR AĞLARI İLE DEĞERLENDİRİLMESİ, DEPREM ve YAĞIŞLARLA İLİŞKİSİ ÖZET: Petek SINDIRGI 1 ve İlknur KAFTAN 2 1 Yardımcı Doçent Dr. Jeofizik Müh. Bölümü, Dokuz Eylül

Detaylı

2011 Third International Conference on Intelligent Human-Machine Systems and Cybernetics

2011 Third International Conference on Intelligent Human-Machine Systems and Cybernetics 2011 Third International Conference on Intelligent Human-Machine Systems and Cybernetics Özet: Bulanık bir denetleyici tasarlanırken karşılaşılan en önemli sıkıntı, bulanık giriş çıkış üyelik fonksiyonlarının

Detaylı

COĞRAFİ BİLGİ SİSTEMLERİ YARDIMIYLA TRAFİK KAZALARININ TESPİTİNDE YENİ BİR VERİ ÖLÇEKLEME YÖNTEMİ: KOMŞU TABANLI ÖZELLİK ÖLÇEKLEME (KTÖÖ)

COĞRAFİ BİLGİ SİSTEMLERİ YARDIMIYLA TRAFİK KAZALARININ TESPİTİNDE YENİ BİR VERİ ÖLÇEKLEME YÖNTEMİ: KOMŞU TABANLI ÖZELLİK ÖLÇEKLEME (KTÖÖ) COĞRAFİ BİLGİ SİSTEMLERİ YARDIMIYLA TRAFİK KAZALARININ TESPİTİNDE YENİ BİR VERİ ÖLÇEKLEME YÖNTEMİ: KOMŞU TABANLI ÖZELLİK ÖLÇEKLEME (KTÖÖ) Kemal Polat 1 1 Elektrik-Elektronik Mühendisliği Bölümü Abant İzzet

Detaylı

Öğretim planındaki AKTS Analog İletişim 523000000001375 3 0 0 3 5. Ders Kodu Teorik Uygulama Lab.

Öğretim planındaki AKTS Analog İletişim 523000000001375 3 0 0 3 5. Ders Kodu Teorik Uygulama Lab. Ders Kodu Teorik Uygulama Lab. Ulusal Kredi Öğretim planındaki AKTS Analog İletişim 523000000001375 3 0 0 3 5 Ön Koşullar : Yok Önerilen Dersler : SAYISAL HABERLEŞME Dersin Türü : SİSTEMDEN GELECEK Dersin

Detaylı

METASEZGİSEL YÖNTEMLER

METASEZGİSEL YÖNTEMLER METASEZGİSEL YÖNTEMLER Ara sınav - 30% Ödev (Haftalık) - 20% Final (Proje Sunumu) - 50% - Dönem sonuna kadar bir optimizasyon tekniğiyle uygulama geliştirilecek (Örn: Zaman çizelgeleme, en kısa yol bulunması,

Detaylı

Hafta 09 -Topluluk Yöntemleri - Boyut Azaltma - Anomali Tespiti

Hafta 09 -Topluluk Yöntemleri - Boyut Azaltma - Anomali Tespiti Hafta 09 -Topluluk Yöntemleri - Boyut Azaltma - Anomali Tespiti BGM 565 - Siber Güvenlik için Makine Öğrenme Yöntemleri Bilgi Güvenliği Mühendisliği Yüksek Lisans Programı Dr. Ferhat Özgür Çatak ozgur.catak@tubitak.gov.tr

Detaylı

Doç.Dr.Erkan ÜLKER, Selçuk Üniversitesi Mühendislik F, Bilgisayar Mühendisliği Bölümü

Doç.Dr.Erkan ÜLKER, Selçuk Üniversitesi Mühendislik F, Bilgisayar Mühendisliği Bölümü 17.05.2014 Sayfa 1 Curve Fitting with RBS Functional Networks RBS fonksiyonel ağı ile eğri uygunluğu Andr es Iglesias, Akemi G alvez Department of Applied Mathematics and Computational Sciences, University

Detaylı

Data Communications. Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü. 3. Veri ve Sinyaller

Data Communications. Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü. 3. Veri ve Sinyaller Veri İletişimi Data Communications Suat ÖZDEMİR Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü 3. Veri ve Sinyaller Analog ve sayısal sinyal Fiziksel katmanın önemli işlevlerinden ş birisi iletim ortamında

Detaylı

TUĞLA VE KİREMİT FABRİKALARININ HAVA KİRLİLİĞİNE KATKILARININ YAPAY SİNİR AĞI MODELLEMESİ İLE ARAŞTIRILMASI

TUĞLA VE KİREMİT FABRİKALARININ HAVA KİRLİLİĞİNE KATKILARININ YAPAY SİNİR AĞI MODELLEMESİ İLE ARAŞTIRILMASI TUĞLA VE KİREMİT FABRİKALARININ HAVA KİRLİLİĞİNE KATKILARININ YAPAY SİNİR AĞI MODELLEMESİ İLE ARAŞTIRILMASI Merve ARABACI a, Miray BAYRAM a, Mehmet YÜCEER b, Erdal KARADURMUŞ a a Hitit Üniversitesi, Mühendislik

Detaylı

ERCİYES ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTUSÜ BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİMDALI. I. GENEL BİLGİLER Ders Adı

ERCİYES ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTUSÜ BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİMDALI. I. GENEL BİLGİLER Ders Adı BİM618 Evrimsel Algoritmalar Öğretim Üyesi Prof. Dr. Derviş Karaboğa Görüşme Saatleri 8.00-17.00 E posta: karaboga@erciyes.edu.tr http://abis.erciyes.edu.tr/sorgu.aspx?sorgu=236 Erciyes Üniversitesi, Mühendislik

Detaylı

Evrimsel Çok amaçlı eniyileme. Tahir Emre Kalaycı Ege Üniversitesi Bilgisayar Mühendisliği Bölümü 25 Mart 2010

Evrimsel Çok amaçlı eniyileme. Tahir Emre Kalaycı Ege Üniversitesi Bilgisayar Mühendisliği Bölümü 25 Mart 2010 Evrimsel Çok amaçlı eniyileme Tahir Emre Kalaycı Ege Üniversitesi Bilgisayar Mühendisliği Bölümü 25 Mart 2010 Gündem Çok amaçlı eniyileme Giriş Evrimsel çok amaçlı eniyileme Sonuç Giriş Gerçek dünya problemleri

Detaylı

PARÇACIK SÜRÜ OPTİMİZASYONU BMÜ-579 METASEZGİSEL YÖNTEMLER YRD. DOÇ. DR. İLHAN AYDIN

PARÇACIK SÜRÜ OPTİMİZASYONU BMÜ-579 METASEZGİSEL YÖNTEMLER YRD. DOÇ. DR. İLHAN AYDIN PARÇACIK SÜRÜ OPTİMİZASYONU BMÜ-579 METASEZGİSEL YÖNTEMLER YRD. DOÇ. DR. İLHAN AYDIN 1995 yılında Dr.Eberhart ve Dr.Kennedy tarafından geliştirilmiş popülasyon temelli sezgisel bir optimizasyon tekniğidir.

Detaylı

KABLOSUZ İLETİŞİM

KABLOSUZ İLETİŞİM KABLOSUZ İLETİŞİM 805540 MODÜLASYON TEKNİKLERİ ANALOG MODÜLASYON İçerik 3 Modülasyon Analog Modülasyon Genlik Modülasyonu Modülasyon Kipleme 4 Bilgiyi iletim için uygun hale getirme işi. Temel bant mesaj

Detaylı

SÜREKLİ SAKLI MARKOV MODELLERİ İLE METİNDEN BAĞIMSIZ KONUŞMACI TANIMA PARAMETRELERİNİN İNCELENMESİ

SÜREKLİ SAKLI MARKOV MODELLERİ İLE METİNDEN BAĞIMSIZ KONUŞMACI TANIMA PARAMETRELERİNİN İNCELENMESİ Uludağ Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, Cilt 12, Sayı 1, 2007 SÜREKLİ SAKLI MARKOV MODELLERİ İLE METİNDEN BAĞIMSIZ KONUŞMACI TANIMA PARAMETRELERİNİN İNCELENMESİ Cemal HANİLÇİ Figen

Detaylı

Optik Modülatörlerin Analizi ve Uygulamaları Analysis of the Optical Modulators and Applications

Optik Modülatörlerin Analizi ve Uygulamaları Analysis of the Optical Modulators and Applications Optik Modülatörlerin Analizi ve Uygulamaları Analysis of the Optical Modulators and Applications Gizem Pekküçük, İbrahim Uzar, N. Özlem Ünverdi Elektronik ve Haberleşme Mühendisliği Bölümü Yıldız Teknik

Detaylı

Sayısal Sinyal İşleme (EE 306 ) Ders Detayları

Sayısal Sinyal İşleme (EE 306 ) Ders Detayları Sayısal Sinyal İşleme (EE 306 ) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Saati Uygulama Saati Laboratuar Saati Kredi AKTS Sayısal Sinyal İşleme EE 306 Bahar 3 0 0 3 8 Ön Koşul Ders(ler)i EE 303 (FD)

Detaylı

AYTUĞ ONAN CELAL BAYAR ÜNİVERSİTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ SERDAR KORUKOĞLU EGE ÜNİVERSİTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

AYTUĞ ONAN CELAL BAYAR ÜNİVERSİTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ SERDAR KORUKOĞLU EGE ÜNİVERSİTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ Metin Sınıflandırmada Öznitelik Seçim Yöntemlerinin Değerlendirilmesi AYTUĞ ONAN CELAL BAYAR ÜNİVERSİTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ SERDAR KORUKOĞLU EGE ÜNİVERSİTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

Detaylı

Çırpan Kanat Aerodinamik Kuvvetlerinin Yapay Sinir Ağları ile Modellenmesi

Çırpan Kanat Aerodinamik Kuvvetlerinin Yapay Sinir Ağları ile Modellenmesi Çırpan Kanat Aerodinamik Kuvvetlerinin Yapay Sinir Ağları ile Modellenmesi Dr. Dilek Funda Kurtuluş 1 e-posta: dfunda@ae.metu.edu.tr 1 Orta Doğu Teknik Üniversitesi Havacılık ve Uzay Mühendisliği Bölümü

Detaylı

ENERJİ HATLARI ÜZERİNDEN İLETİŞİM (POWERLINE COMMUNICATION)

ENERJİ HATLARI ÜZERİNDEN İLETİŞİM (POWERLINE COMMUNICATION) ENERJİ HATLARI ÜZERİNDEN İLETİŞİM (POWERLINE COMMUNICATION) PLC - Elektrik Hatları Üzerinden Haberleşme PLC (Power Line Communication) mevcut güç hatları üzerinden sistemler arası veri alış verişini sağlamak

Detaylı

DUMLUPINAR ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ BÖLÜMÜ DERS TANIM VE UYGULAMA BİLGİLERİ

DUMLUPINAR ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ BÖLÜMÜ DERS TANIM VE UYGULAMA BİLGİLERİ DUMLUPINAR ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ BÖLÜMÜ DERS TANIM VE UYGULAMA BİLGİLERİ Dersin Adı Kodu Yarıyılı T+U Saat Kredisi AKTS SAYISAL HABERLEŞME (T.SEÇ.V) 131517600

Detaylı

YZM 5257 YAPAY ZEKA VE UZMAN SİSTEMLER DERS#6: GENETİK ALGORİTMALAR

YZM 5257 YAPAY ZEKA VE UZMAN SİSTEMLER DERS#6: GENETİK ALGORİTMALAR YZM 5257 YAPAY ZEKA VE UZMAN SİSTEMLER DERS#6: GENETİK ALGORİTMALAR Sınıflandırma Yöntemleri: Karar Ağaçları (Decision Trees) Örnek Tabanlı Yöntemler (Instance Based Methods): k en yakın komşu (k nearest

Detaylı

DENEY 3: DTMF İŞARETLERİN ÜRETİLMESİ VE ALGILANMASI

DENEY 3: DTMF İŞARETLERİN ÜRETİLMESİ VE ALGILANMASI DENEY 3: DTMF İŞARETLERİN ÜRETİLMESİ VE ALGILANMASI AMAÇ: DTMF işaretlerin yapısının, üretim ve algılanmasının incelenmesi. MALZEMELER TP5088 ya da KS58015 M8870-01 ya da M8870-02 (diğer eşdeğer entegreler

Detaylı

Kablosuz Sensör Ağlar ve Eniyileme. Tahir Emre KALAYCI. 21 Mart 2008

Kablosuz Sensör Ağlar ve Eniyileme. Tahir Emre KALAYCI. 21 Mart 2008 Kablosuz Sensör Ağlar ve Eniyileme Tahir Emre KALAYCI 21 Mart 2008 Gündem Genel Bilgi Alınan Dersler Üretilen Yayınlar Yapılması Planlanan Doktora Çalışması Kablosuz Sensör Ağlar Yapay Zeka Teknikleri

Detaylı

Web Madenciliği (Web Mining)

Web Madenciliği (Web Mining) Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Sınıflandırıcıların Değerlendirilmesi Skorlar Karışıklık matrisi Accuracy Precision Recall

Detaylı

Kısıtsız Optimizasyon OPTİMİZASYON Kısıtsız Optimizasyon

Kısıtsız Optimizasyon OPTİMİZASYON Kısıtsız Optimizasyon OPTİMİZASYON Bu bölümde çok değişkenli kısıtsız optimizasyon problemlerinin çözüm yöntemleri incelenecektir. Bu bölümde anlatılacak yöntemler, kısıtlı optimizasyon problemlerini de çözebilmektedir. Bunun

Detaylı

Sürekli Dalga (cw) ve frekans modülasyonlu sürekli dalga (FM-CW) radarları

Sürekli Dalga (cw) ve frekans modülasyonlu sürekli dalga (FM-CW) radarları Sürekli Dalga (cw) ve frekans modülasyonlu sürekli dalga (FM-CW) radarları Basit CW Radar Blok Diyagramı Vericiden f 0 frekanslı sürekli dalga gönderilir. Hedefe çarpıp saçılan sinyalin bir kısmı tekrar

Detaylı

BSM 532 KABLOSUZ AĞLARIN MODELLEMESİ VE ANALİZİ OPNET MODELER

BSM 532 KABLOSUZ AĞLARIN MODELLEMESİ VE ANALİZİ OPNET MODELER BSM 532 KABLOSUZ AĞLARIN MODELLEMESİ VE ANALİZİ OPNET MODELER Yazılımı ve Genel Özellikleri Doç.Dr. Cüneyt BAYILMIŞ Kablosuz Ağların Modellemesi ve Analizi 1 OPNET OPNET Modeler, iletişim sistemleri ve

Detaylı

QUANTILE REGRESYON * Quantile Regression

QUANTILE REGRESYON * Quantile Regression QUANTILE REGRESYON * Quantile Regression Fikriye KURTOĞLU İstatistik Anabilim Dalı Olcay ARSLAN İstatistik Anabilim Dalı ÖZET Bu çalışmada, Lineer Regresyon analizinde kullanılan en küçük kareler yöntemine

Detaylı