Mustafa Budak 1, Bülent Bolat 2

Save this PDF as:
 WORD  PNG  TXT  JPG

Ebat: px
Şu sayfadan göstermeyi başlat:

Download "Mustafa Budak 1, Bülent Bolat 2"

Transkript

1 MÜZİKAL ENSTRÜMAN SESLERİNİN TANINMASI Mustafa Budak 1, Bülent Bolat Multimedya Sinyal Analiz Laboratuarı, Elektronik ve Haberleşme Mühendisliği Bölümü, Elektrik Elektronik Fakültesi Yıldız Teknik Üniversitesi 1 ÖZET Bu çalışmada çeşitli enstrümanlara ait ses verileri yapay sinir ağları ve en yakın k komşuluğu algoritması ile ayırt edilmeye çalışılmıştır. Öznitelik çıkarım yöntemi olarak Mel Frekans Kepstral Katsayıları (MFKK) seçilmiştir. Elde edilen katsayıların ortalamaları ve standart sapmaları birlikte kullanılmıştır. Sınıflayıcı olarak Elman geri yayılımlı sinir ağı, olasılıksal sinir ağı ve k-en yakın komşuluk algoritması seçilmiştir. Olasılıksal sinir ağı ve en yakın k komşuluğu ile başarı oranı olarak iyi sonuçlar elde edilmiştir. Anahtar Kelimeler: Müzikal enstrümanların ayırt edilmesi, Mel Frekans Kepstral Katsayıları, Elman geri yayılımlı ağ, Olasılıksal sinir ağı, k en yakın komşuluğu algoritması 1. GİRİŞ Ses verisinin hangi enstrümana ait olduğunun belirlenmesi, son yıllarda sayısı ve büyüklüğü hızla artan medya veri bankaları ve medya kütüphaneleri için önemli uygulama alanlarından birisidir. Enstrüman tanıma uygulamaları monofonik sesler üzerinde yapılabileceği gibi, son yıllarda polifonik sesler üzerinde yapılmış çalışmalar da mevcuttur. Essid ve diğerleri [1] temporal, kepstral, spektral, AM modülasyon indeksi gibi geleneksel yöntemlerin yanı sıra oktav bant sinyal yoğunluğu adını verdikleri yeni bir özniteliğin de aralarında bulunduğu bir grup öznitelikten hangilerinin başarıma en fazla katkıyı verdiğini tespit etmek için yaptıkları çalışmada Destek Vektör Makinaları (DVM) ile 10 farklı enstrümanı %93 ortalama başarım ile sınıflandırabilmiştir. Bolat a ait bir çalışmada [], 3 farklı enstrüman aktif öğrenmeli bir olasılıksal sinir ağı ile %81,4 başarımla sınıflandırılmıştır. Bu çalışmada öznitelik olarak 6. derece Mel Frekans Kepstral Katsayıları (MFKK) kullanılmıştır. Barbedo ve Tzanetakis [3], 011 tarihli bir çalışmalarında %99 başarıma ulaşmışlardır. 010 [4] tarihli bir başka çalışmada ise bu çalışmada ise 7 farklı enstrüman %81,57 (± 3.16) oranında doğru sınıflandırılmıştır. Bu çalışmada OverCs ve SparCs adı verilen, MFKK lardan türetilmiş öznitelikler kullanılmıştır. Bu çalışmada, Mel Frekans Kepstral Katsayıları kullanılarak bir grup enstrümana ait ses sinyallerinin tanınması üzerinde durulmuştur. Çalışmanın ilk aşamasında ses işaretlerine ait öznitelikler çıkarılmış ve ikinci aşamada bu öznitelikler yardımıyla ses işaretleri tanınmaya çalışılmıştır. Öznitelik çıkarımı [5] sese ait akustik bilgiyi indirgeyerek, sayısal formda ifade etmek olarak nitelendirilebilir. Sınıflandırma işlemi ise bilinen öznitelik gruplarından yararlanarak bilinmeyen bir örneğe ait öznitelikler yardımıyla bu örneğin sınıfının tespit edilmesidir. Çalışmada kullanılan özniteliklerin nasıl hesaplandığı. Bölümde, kullanılan sınıflandırıcılar 3. Bölümde, uygulama detayları ise 4. Bölümde anlatılmıştır. Çalışmada elde edilen sonuçlar 5. Bölümde değerlendirilmiştir.. MEL FREKANS KEPSTRAL KATSAYILARI Mel Frekans Kepstral Katsayıları (MFKK) ses tanıma işlemlerinde sıkılıkla kullanılan özniteliklerdir. MFKK, temel olarak ses işaretinin log-spektrumunun ters Fourier dönüşümü alınarak hesaplanabilen homomorfik bir dönüşümdür. MFKK ların hesaplanmasına ilişkin işlem basamakları aşağıda özetlenmiştir..1. Pencereleme Ses sinyalinin istatistiksel özellikleri yeteri kadar küçük bir zaman aralığında kararlığını korumaktadır [6]. Ses sinyalleri, genellikle 10 ile 0 ms arasında durağan kabul edilebilirler. Bu nedenle MFKK lar özgün sinyal kısa süreli çerçevelere bölündükten sonra her bir çerçeve için ayrı ayrı hesaplanır. Birbirini takip eden çerçevelerin örtüşmesi, yani (n). çerçevenin (n-1). çerçeveyi, (n+1). çerçevenin de (n). çerçeveyi kısmen kapsaması sağlanır. Böylelikle hesaplanan özniteliklerdeki değişimlerin daha yumuşak olması sağlanır. Matematiksel olarak çerçeveleme işlemi özgün sinyali bir dikdörtgen pencere ile çarpmaya denktir. Bu işlem pencereleme olarak adlandırılır. Sinyalin dikdörtgen pencereler ile çerçevelere bölünmesi pencerelenmiş sinyalin spektrumunda istenmeyen bozulmalara neden olmaktadır. Bu nedenle pencereleme için Hamming, Bartlett, Hann, Blackman, Gauss ve Kaiser pencereleri gibi pencereler tercih edilir [7, 8, 9]. Bu çalışmada Hamming penceresi kullanılmıştır. Hamming penceresi (1) eşitliği ile hesaplanır [10]: p( n) { ( π ) 0,54+ 0,46cos n N N / n N / 0 diğer = (1) Burada N pencere süresidir. Örtüşmeli çerçeveleme işlemi sayesinde pencereleme birbiri ardınca değil, kaydırılarak gerçekleştirilmektedir. Bu sayede çerçeveden çerçeveye geçişlerdeki süreksizlikler önlenmektedir... Hızlı Fourier Dönüşümü Hızlı Fourier dönüşümü Ayrık Fourier dönüşümünün özel bir şeklidir. Pencerelemeden sonra elde edilen işaretin Hızlı Fourier dönüşümü alınarak zaman domeninden frekans domenine geçilir. Burada hızlı dönüşüm algoritmaları kullanılmasındaki amaç işlemsel karmaşayı olabildiğince azaltmaktır [10]. 115

2 Elektrik-Elektronik ve Bilgisayar Sempozyumu Filtre Bankası Literatürde, frekans boyutunda insanın duyma yapısının lineer olmadığı belirtilmiştir. Mel Frekans filtre bankası [11, 1] insanın duyma yapısını simüle etmek amacıyla kullanılmakta olup 1 khz e kadar lineer, 1 khz den sonra logaritmik örtüşen bant-geçiren üçgen filtrelerden oluşmaktadır. Hertz birimindeki frekans skalası ile Mel skalası [13] arasındaki dönüşüm çifti aşağıda verilmiştir. f m = 595. log () m 595 f = (3) F1 ( x) L1P > (5) F ( x) L P 1 eşitsizliği doğru ise 1. sınıfa, değilse. sınıfa aittir. Burada F i (x) x in i. sınıfa ait olma olasılığı, P i i. sınıfın görülme olasılığı, L i ise i. sınıfın önem derecesini belirten bir maliyet katsayısıdır. Olasılık yoğunluk fonksiyonları ise (6) eşitliği ile bulunur: T n 1 ( x xi ) ( x x ) i F ( x) = exp m m (6) ( π ) σ n i= 1 σ Burada x i i. eğitim verisi, n eğitim verisi sayısı, m giriş uzayının boyutu, i örüntü numarası ve σ ise açıklık adı verilen ayarlanabilir bir yumuşatma terimidir [15]. 3.. Elman Geri Yayılımlı Ağ Elman ağı çok katmanlı ağ yapısına sahip olup giriş, gizli ve çıkış katmanları ile gizli katmanla bağlantısı olan içerik elemanlarından oluşur [16]. Gizli katman ile içerik elemanları arasındaki ağırlıklar 1 değerine sahiptir ve sabitlenmiştir. İçerik elemanları gizli katmandaki nöronların bir önceki iterasyon adımına ait çıkışlarını bir sonraki iterasyon adımına girdi olarak iletir (Şekil ). Şekil 1: Mel filtresi bankası.4. Log-Enerji ve Ayrık Kosinüs Dönüşümü Mel filtre bankası uygulaması sonrası elde edilen spektrumun genliğinin logaritması alınır. Daha sonra Ayrık Kosinüs dönüşümü ile frekans domeninden tekrar zaman domenine geçilerek Mel Frekans Kepstral Katsayıları hesaplanır. Ayrık Kosinüs dönüşümü [14] kompleks işlemler gerektirmediğinden işlemsel açıdan daha hızlıdır ve bu nedenle gerçek zamanlı uygulamalarda tercih edilen bir yöntemdir. K π n 1 M FCC ( n) = Y ( i) cos i i = 1 K (4) Y(i) = logx(i) şeklindedir. X(i) i. filtrenin çıktısını, Y(i) i. filtrenin log-enerji çıktısını göstermektedir. K, MFKK sayısını ifade etmektedir. (4) ifadesi Ayrık Kosinüs dönüşümünü gerçekleştirerek MFKK ları hesaplamaktadır Olasılıksal Sinir Ağı 3. SINIFLAYICILAR Olasılıksal Sinir Ağı (PNN, Probabilistic Neural Network) ilk kez D. F. Specht tarafından önerilmiştir. PNN, Bayes karar kuralını kullandığı ve sınıfların olasılıklarını Parzen Penceresi ile kestirdiği için Bayes-Parzen kestirici olarak da adlandırılmaktadır. Bayes kuralına göre bir x vektörü Şekil : Elman geri yayılımlı sinir ağı 3.3. k-en Yakın Komşuluk Algoritması k-en Yakın Komşuluk algoritmasında (k-nn) çeşitli sınıflara ait öznitelikleri çıkarılmış n adet veri kümelenir. Bu n değerinden küçük bir k değeri seçilir. Hangi sınıfa ait olduğu bilinmeyen yeni bir veri ile karşılaşıldığında bu veriye herhangi bir uzaklık ölçütüne göre en yakın k komşusu bulunur ve komşuların sınıflarına bakılır. Komşular arasında en çok hangi sınıf gözlenmişse verinin bu sınıfa ait olduğuna karar verilir [17]. Uzaklık ölçütü olarak en sık kullanılan ölçütler Öklid uzaklığı, kosinüs uzaklığı, korelasyon uzaklığı olarak sayılabilir. 4. UYGULAMALAR Bu çalışmada piyano, trompet, obua, korno, flüt, bas klarnet, alto saksafon, soprano saksafon, kemana ait ses örnekleri kullanılmıştır. Eğitim ve test için kullanılan ses örnekleri Iowa Üniversitesi veri setinden alınmıştır ( Yayla çalınan ve parmakla çalınan keman sesleri farklı enstrümanlara ait sesler olarak değerlendirilmiştir. 116

3 Ses örnekleri Hz örnekleme frekansında ve 16 bit- PCM şeklinde sayısallaştırılarak wav uzantısı ile kaydedilmiştir. Her bir ses örneği 0 ms lik çerçevelere bölünmüş ve çerçeveler arasında %40 lık örtüşme sağlanmıştır. Pencereleme fonksiyonu olarak Hamming penceresi seçilmiştir. N. derece MFKK lar N-1. derece katsayıları da içerdiğinden en uygun MFKK derecesinin belirlenebilmesi amacıyla her bir pencere için 5. dereceden MFKK lar hesaplanarak bu katsayıların ortalaması ve standart sapması alınmış ve öznitelikler elde edilmiştir. Veri kümesi eğitme ve test olarak ikiye ayrılmıştır. Eğitme kümesinde 354 ses örneği, test kümesinde ise 144 ses örneği kullanılmıştır. Her bir enstrümana ait toplam örnek sayısının yaklaşık %70 i eğitim kümesine ayrılmıştır (Tablo 1). Tablo 1: Sınıflandırmada kullanılan enstrümanlara ait verilerin dağılımı Enstrüman Adı Eğitim Kümesindeki Veri Sayısı Test Kümesindeki Veri Sayısı Piyano Trompet 5 10 Obua 5 10 Korno 3 9 Flüt 7 11 Bas Klarnet Alto 3 9 Soprano Elman geri yayılımlı ağı oluşturulurken gizli katmandaki nöron sayısı 0 olarak belirlenmiştir. Transfer fonksiyonu olarak hiperbolik tanjant fonksiyonu, performans fonksiyonu olarak ise normalize karesel beklendik hata seçilmiştir. Tasarlanan ağ çeşitli eğitme yöntemleri için denenmiş ve en başarılı eğitme yöntemi belirlenmeye çalışılmıştır. Elman geriye yayılımlı ağı rastgele ağırlıklarla başlamakta, bu nedenle de eğitme işlemi her denemede farklı bir noktada bitebilmektedir. Bu nedenle her eğitim yöntemi için 3 deneme gerçekleştirilmiş ve gerçekleştirilen 3 denemenin ortalaması alınarak başarı yüzdesi hesaplanmıştır. Uygulama sonucunda en yüksek başarımın Bayescil Düzenleme (trainbr) yöntemi ile elde edildiği gözlenmiştir. Başarımın MFKK derecesine bağlı değişimi Tablo de gösterilmiştir. En yüksek başarımın 15. derece MFKK larla elde edildiği gözlenmiştir. Olasılıksal sinir ağı ve k-en yakın komşuluk algoritması rastgele başlangıç ağırlıkları içermediği gibi, yinelemeli bir eğitme aşaması da içermez. Bu nedenle, bu iki sınıflandırıcı yapısı sabit bir eğitme kümesi için her seferinde aynı sonucu üretirler, yani bu yapılar için ortalama başarım hesaplamak gerekli değildir. Olasılıksal sinir ağının kullanıcı tarafından belirlenen tek parametresi, açıklık değeri σ dır. σ nın en uygun değerinin bulunması için literatürde çeşitli yöntemler tanımlanmış olmakla birlikte, bu yöntemler genellikle işlemsel açıdan son derece karmaşıktır. Bu çalışmada en uygun σ değeri denemeyanılma ile 0.9 olarak bulunmuştur. MFKK derecesinin olasılıksal sinir ağının başarımına etkisi de araştırılmış ve elde edilen sonuçlar Tablo 3 te özetlenmiştir. Elde edilen sonuçlara göre en yüksek genel başarım 10. derece MFKK lar ile %90.3 olarak elde edilmiştir. Tablo : Elman geri yayılımlı ağının başarımının MFKK derecesine göre değişimi (%) MFKK Piyano Trompet Obua Korno Flüt Bas Klarnet Alto Soprano Genel Ort Tablo 3: Olasılıksal sinir ağının başarımının MFKK derecesine göre değişimi (%) MFKK Piyano Trompet Obua Korno Flüt Bas Klarnet Alto Soprano Genel Başarım

4 Elektrik-Elektronik ve Bilgisayar Sempozyumu 011 Çalışmanın son aşamasında k-en yakın komşuluk algoritması değerlendirilmiştir. En uygun komşuluk değeri, k tek sayı olacak şekilde farklı değerler verilerek denemeyanılma yöntemi ile tespit edilmeye çalışılmıştır. Uzaklık ölçütü olarak Öklid uzaklığı kullanılmıştır. Farklı MFKK dereceleri için yapılan denemeler sonucunda k = 3 için en yüksek başarım sağlandığı gözlenmiştir. 1. derece MFKK ların ortalamaları ve standart sapmaları kullanıldığında genel başarım %93.05 olarak elde edilmiştir. k en yakın komşuluk algoritması ile yapılan denemelerde elde edilen sonuçlar Tablo 4 te özet olarak verilmiştir. Tablo 4: k=3 ve Öklid uzaklığı için k-en yakın komşuluk algoritmasının MFKK derecesine bağlı başarımı MFKK Piyano Trompet Obua Korno Flüt Bas Klarnet Alto Soprano Genel Başarım DEĞERLENDİRMELER Bu çalışmada çeşitli enstrümanlara ait ses verileri yapay sinir ağları ve en yakın k komşuluğu algoritması ile ayırt edilmeye çalışılmıştır. Seslerin ayırt edilebilmesi için ses sinyalleri çerçevelere bölünerek her çerçevenin MFKK ları hesaplanmıştır. Hesaplanan MFKK ların ortalamaları ve standart sapmaları öznitelik olarak kullanılmıştır. Hesaplanan öznitelikler yardımıyla 3 farklı sınıflandırıcı eğitilmiş ve daha önceden ayrılmış olan test verileri ile test edilerek sınıflandırıcıların başarımları ölçülmüştür. Elde edilen sonuçlara göre en yüksek başarım 1. derece MFKK lar kullanılarak k = 3 için k-en yakın komşuluk algoritması ile %93.1 olarak elde edilmiştir. Olasılıksal sinir ağı kullanıldığında en yüksek başarım 10. Derece MFKK lar ile %90.3 olarak gerçekleşmiştir. Genel olarak, sınıflandırıcı yapıların başarımları veri kümesindeki sınıf sayısı arttıkça azalma eğilimindedir. Bu çalışmada ele alınan problem için de bu durum geçerliliğini korumaktadır. Çalışma kapsamında kullanılan enstrüman sayısının artımı ile başarımın düşmesi beklenmektedir. Bu nedenle gelecekteki çalışmalarda öznitelik çıkarımında diğer yöntemlerin kullanımı ya da MFKK ile birlikte başka öznitelik gruplarının da değerlendirilmesi düşünülmektedir. Önerilen yöntemde kullanılan MFKK ların hesaplanmasında işlem karmaşasının yüksekliği gelecekteki çalışmalarda ele alınması planlanan konulardan biridir. MFKK derecesinin azaltılması, ya da daha düşük dereceli MFKK lar ile daha yüksek başarım sunabilen farklı sınıflandırıcıların tespit edilmesi ileride gerçekleştirilmesi planlanan çalışmalar arasındadır. 6. KAYNAKLAR [1] Essid, S., Richard, G. ve David, B., Musical Instrument Recognition by Pairwise Classification Strategies, IEEE Transactions on Audio, Speech, and Language Processing, vol. 14 (4), pp , 006. [] Bolat, B., Enstrüman Seslerinin Tanınması ve Sınıflandırılması, Doktora Tezi, Yıldız Teknik Üniversitesi FBE, 006. [3] Barbedo, J.G.A. ve Tzanetakis, G., Musical Instrument Classification using Individual Partials, IEEE Transactions on Audio, Speech, and Language Processing, Vol. 19 (1), PP , 011. [4] Morvidone, M., Sturm, B. L., ve Daudet, L., Incorporating Scale Information with Cepstral Features: Experiments on Musical Instrument Recognition, Pattern Recognition Letters, Vol. 31, Issue 1, pp , 010. [5] Gish, H. ve Schmit, M., Text-Independent Speaker Identification, IEEE Signal Processing Magazine, vol. 11, pp. 18-3, [6] Schroeder, M. R. ve Atal, B. S., Generalised Short-time Power Spectra and Autocorrelation Functions, J. Acoust. Soc. Amer., vol. 34, pp , 196. [7] Davis, S. ve Mermelstein, P., "Comparison of Parametric Representations for Monosyllabic word Recognition in Continuously Spoken Sentences," IEEE Acoustics, Speech, and Signal Processing, vol. 8, no. 4, pp , [8] Fan, N. ve Rosca, J. P., "Enhanced VQ-Based Algorithms for Speech Independent Speaker Identification," Audio and Video based Biometric Person Authentication, pp , 003. [9] Molau, S. et al., "Computing Mel-frequency Cepstral Coefficients on the Power spectrum," IEEE Int. Conf. Acoustics, Speech, and Signal Processing,vol. 1, pp , 001. [10] Cooley, J.W., ve Tukey, J.W., An Algorithm for the Machine Computation of Complex Fourier Series, Mathematics of Computation, Vol. 19, pp , April [11] Rabiner, L. ve Juang, B. H., Fundamentals of Speech Recognition, Prentice Hall, [1] Davis, S. B. ve Mermelstein, P., Comparison of Parametric Representations for Monosyllabic Word Recognition in Continuously Spoken Sentences, IEEE Trans. Acoustics, Speech Signal Process. 8, pp ,

5 [13] Quatieri, T. F., Discrete-Time Speech Signal Processing: Principles and Practice, Prentice Hall, 00. [14] Gonzalez, R. C. ve Woods R.E., Digital Image Processing, nd Ed., Prentice Hall, NJ, 00. [15] Specht, D. F., "Probabilistic Neural Networks", Neural Networks, Vol. 3 (1), pp , [16] Cruse, H., Neural Networks as Cybernetic Systems nd edition, 006. [17] Grother, P. J., Candela, G. T. ve Blue, J. L., "Fast Implementation of Nearest Neighbor Classifiers," Pattern Recognition, vol. 30 pp ,

Klasik Türk Müziği Makamlarının Tanınması

Klasik Türk Müziği Makamlarının Tanınması Klasik Türk Müziği Makamlarının Tanınması Merve Ayyüce KIZRAK 1 Bülent BOLAT 2 1 Elektrik-Elektronik Mühendisliği Bölümü Mühendislik Fakültesi T.C. Haliç Üniversitesi, Kağıthane, İSTANBUL 2 Elektronik

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

Biyometrik Sistemlerin Örüntü Tanıma Perspektifinden İncelenmesi ve Ses Tanıma Modülü Simülasyonu

Biyometrik Sistemlerin Örüntü Tanıma Perspektifinden İncelenmesi ve Ses Tanıma Modülü Simülasyonu Biyometrik Sistemlerin Örüntü Tanıma Perspektifinden İncelenmesi ve Ses Tanıma Modülü Simülasyonu Gülin Dede 1 Murat Hüsnü Sazlı 2 1 Savunma Bilimleri Enstitüsü, Kara Harp Okulu, Ankara 2 Elektronik Mühendisliği

Detaylı

Görüntü Sınıflandırma

Görüntü Sınıflandırma Görüntü Sınıflandırma Chapter 12 https://www.google.com.tr/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&cad=rja&uact=8&ved=0 CBwQFjAA&url=http%3A%2F%2Ffaculty.une.edu%2Fcas%2Fszeeman%2Frs%2Flect%2FCh%2 52012%2520Image%2520Classification.ppt&ei=0IA7Vd36GYX4Uu2UhNgP&usg=AFQjCNE2wG

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

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

3.2.3. Fourier Dönüşümü (FFT)...XXII. 3.2.4. Mel Frekansı Saptırması (Mel-Frequency Warping)...XXII 3.2.5. Kepstrum...XXIII

3.2.3. Fourier Dönüşümü (FFT)...XXII. 3.2.4. Mel Frekansı Saptırması (Mel-Frequency Warping)...XXII 3.2.5. Kepstrum...XXIII VII ÖZET...IV SUMMARY...V TEŞEKKÜR...VI İÇİNDEKİLER...VII SİMGELER VE KISALTMALAR... IX ŞEKİLLER DİZİNİ...X 1. GİRİŞ...IX 1.1. Biyometrik...IX 1.2. Konuşmacı Tanıma Temelleri...X 1.3. Konu İle İlgili Yayınlar

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

Deney 5 : Ayrık Filtre Tasarımı. Prof. Dr. Aydın Akan Bahattin Karakaya Umut Gündoğdu Yeşim Hekim Tanç

Deney 5 : Ayrık Filtre Tasarımı. Prof. Dr. Aydın Akan Bahattin Karakaya Umut Gündoğdu Yeşim Hekim Tanç İ. Ü. Elektrik&Elektronik Müh. Böl. İŞARET İŞLEME ve UYGULAMALARI Deney 5 : Ayrık Filtre Tasarımı Prof. Dr. Aydın Akan Bahattin Karakaya Umut Gündoğdu Yeşim Hekim Tanç Deney 5 : Ayrık Filtre Tasarımı 1.

Detaylı

Ses Komut Tanıma ile Gezgin Araç Kontrolü. Mobile Vehicle Control With Voice Command Recognition

Ses Komut Tanıma ile Gezgin Araç Kontrolü. Mobile Vehicle Control With Voice Command Recognition Ses Komut Tanıma ile Gezgin Araç Kontrolü * 1 Muharrem ÇELEBİ, 2 Ali BULDU 1 Elektronik ve Haberleşme Mühendisliği, Fen Bilimleri Enstitüsü, Kocaeli Üniversitesi, Türkiye 2 Bilgisayar Mühendisliği, Teknoloji

Detaylı

Ayrık Dalgacık Dönüşümü Bileşenlerine Ait İstatistiksel Veriler ile Epileptik EEG İşaretlerinin Sınıflandırılması

Ayrık Dalgacık Dönüşümü Bileşenlerine Ait İstatistiksel Veriler ile Epileptik EEG İşaretlerinin Sınıflandırılması 214 Spring/Bahar Cilt/Vol: 5 - Sayı/Num: 15 DOI: 1.5824/139-1581.214.2.3.x Ayrık Dalgacık Dönüşümü Bileşenlerine Ait İstatistiksel Veriler ile Epileptik EEG İşaretlerinin Sınıflandırılması Tuğba PALABAŞ,

Detaylı

Elena Battini SÖNMEZ Önder ÖZBEK N. Özge ÖZBEK. 2 Şubat 2007

Elena Battini SÖNMEZ Önder ÖZBEK N. Özge ÖZBEK. 2 Şubat 2007 AVUÇ İZİ VE PARMAK İZİNE DAYALI BİR BİYOMETRİK TANIMA SİSTEMİ Elena Battini SÖNMEZ Önder ÖZBEK N. Özge ÖZBEK İstanbul Bilgi Üniversitesi Bilgisayar Bilimleri 2 Şubat 2007 Biyometrik Biyometrik, kişileri

Detaylı

Geliştirilmiş Fisher Ayraç Kriteri Kullanarak Hiperspektral Görüntülerde Sınıflandırma

Geliştirilmiş Fisher Ayraç Kriteri Kullanarak Hiperspektral Görüntülerde Sınıflandırma Geliştirilmiş Fisher Ayraç Kriteri Kullanarak Hiperspektral Görüntülerde Sınıflandırma Mustafa TEKE, Dr. Ufuk SAKARYA TÜBİTAK UZAY IEEE 21. Sinyal İşleme, İletişim ve Uygulamaları Kurultayı (SİU 2013),

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

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

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

Dijital Sinyal İşleme (COMPE 463) Ders Detayları

Dijital Sinyal İşleme (COMPE 463) Ders Detayları Dijital Sinyal İşleme (COMPE 463) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Saati Uygulama Saati Laboratuar Saati Kredi AKTS Dijital Sinyal İşleme COMPE 463 Bahar 3 0 0 3 5 Ön Koşul Ders(ler)i Dersin

Detaylı

EEM 451 Dijital Sinyal İşleme LAB 3

EEM 451 Dijital Sinyal İşleme LAB 3 EEM 451 Dijital Sinyal İşleme LAB 3 1. AMAÇ Ayrık zamanlı filtrelerin implementasyonu, çeşitleri FIR filtrelerinin incelenmesi FIR filtresi dizayn edilmesi 2. TEMEL BİLGİLER 2.1 FIR(Finite impulse response)

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

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

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

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

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

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

Dijital Görüntü İşleme (COMPE 464) Ders Detayları

Dijital Görüntü İşleme (COMPE 464) Ders Detayları Dijital Görüntü İşleme (COMPE 464) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Saati Uygulama Saati Laboratuar Saati Kredi AKTS Dijital Görüntü İşleme COMPE 464 Her İkisi 3 0 0 3 5 Ön Koşul Ders(ler)i

Detaylı

2.1 Gri Düzey Eş Oluşum Matrisi ( GLCM) Gri düzey eş oluşum matrisi Haralick tarafından öne sürülmüştür [1]. Đstatistiksel doku analizi yöntemidir.

2.1 Gri Düzey Eş Oluşum Matrisi ( GLCM) Gri düzey eş oluşum matrisi Haralick tarafından öne sürülmüştür [1]. Đstatistiksel doku analizi yöntemidir. ÇELĐK YÜZEYLERĐN SINIFLANDIRILMASI * Cem ÜNSALAN ** Aytül ERÇĐL * Ayşın ERTÜZÜN *Boğaziçi Üniversitesi, Elektrik-Elektronik Mühendisliği Bölümü unsalan@boun.edu.tr **Boğaziçi Üniversitesi, Endüstri Mühendisliği

Detaylı

MEL FREKANSI KEPSTRUM KATSAYILARINDAKİ DEĞİŞİMLERİN KONUŞMACI TANIMAYA ETKİSİ

MEL FREKANSI KEPSTRUM KATSAYILARINDAKİ DEĞİŞİMLERİN KONUŞMACI TANIMAYA ETKİSİ Uludağ Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, Cilt 14, Sayı, 009 MEL FREKANSI KEPSTRUM KATSAYILARINDAKİ DEĞİŞİMLERİN KONUŞMACI TANIMAYA ETKİSİ Ömer ESKİDERE Figen ERTAŞ ** Özet: Konuşmacıya

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

VERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN

VERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN VERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr İçerik Sınıflandırma yöntemleri Karar ağaçları ile sınıflandırma Entropi Kavramı ID3 Algoritması C4.5

Detaylı

Alt-bant İşlemeye Dayalı Bir Ses Sınıflandırma Sistemi

Alt-bant İşlemeye Dayalı Bir Ses Sınıflandırma Sistemi 1. Giriş Alt-bant İşlemeye Dayalı Bir Ses Sınıflandırma Sistemi Oytun Türk Ömer Şayli Helin Dutağacı Levent M. Arslan Boğaziçi Üniversitesi Elektrik-Elektronik Mühendisliği Bölümü Bebek, İstanbul

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

Şeklinde ifade edilir. Çift yan bant modülasyonlu işaret ise aşağıdaki biçimdedir. ile çarpılırsa frekans alanında bu sinyal w o kadar kayar.

Şeklinde ifade edilir. Çift yan bant modülasyonlu işaret ise aşağıdaki biçimdedir. ile çarpılırsa frekans alanında bu sinyal w o kadar kayar. GENLİK MODÜLASYONU Mesaj sinyali m(t) nin taşıyıcı sinyal olan c(t) nin genliğini modüle etmesine genlik modülasyonu (GM) denir. Çeşitli genlik modülasyonu türleri vardır, bunlar: Çift yan bant modülasyonu,

Detaylı

Dinamik Zaman Bükmesi Yöntemiyle Hece Tabanlı Konuşma Tanıma Sistemi

Dinamik Zaman Bükmesi Yöntemiyle Hece Tabanlı Konuşma Tanıma Sistemi Akademik Bilişim 2008 Çanakkale Onsekiz Mart Üniversitesi, Çanakkale, 30 Ocak - 01 Şubat 2008 Dinamik Zaman Bükmesi Yöntemiyle Rıfat AŞLIYAN 1, Korhan GÜNEL 2, Tatyana YAKHNO 1 1 Dokuz Eylül Üniversitesi,

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

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

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

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

Detaylı

SÜREKLİ OLASILIK DAĞILIŞLARI

SÜREKLİ OLASILIK DAĞILIŞLARI SÜREKLİ OLASILIK DAĞILIŞLARI Sürekli verilerin göstermiş olduğu dağılışa sürekli olasılık dağılışı denir. Sürekli olasılık dağılışlarının fonksiyonlarına yoğunluk fonksiyonu denilmekte ve bu dağılışlarla

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

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

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

Web Madenciliği (Web Mining)

Web Madenciliği (Web Mining) Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Denetimli Öğrenmenin Temelleri Karar Ağaçları Entropi ID3 Algoritması C4.5 Algoritması Twoing

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

Matematik Ders Notları. Doç. Dr. Murat Donduran

Matematik Ders Notları. Doç. Dr. Murat Donduran Matematik Ders Notları Doç. Dr. Murat Donduran Mart 18, 28 2 İçindekiler 1 Tanımlı Integral Uygulamaları 5 1.1 Olasılık.............................. 5 3 4 İÇINDEKILER Bölüm 1 Tanımlı Integral Uygulamaları

Detaylı

DEÜ MÜHENDİSLİK FAKÜLTESİ MÜHENDİSLİK BİLİMLERİ DERGİSİ Cilt: 13 Sayı: 3 sh Ekim 2011 KESİRLİ FOURIER DÖNÜŞÜMÜNÜN SİMETRİ ÖZELLİKLERİ

DEÜ MÜHENDİSLİK FAKÜLTESİ MÜHENDİSLİK BİLİMLERİ DERGİSİ Cilt: 13 Sayı: 3 sh Ekim 2011 KESİRLİ FOURIER DÖNÜŞÜMÜNÜN SİMETRİ ÖZELLİKLERİ DEÜ MÜHENDİSLİK FAKÜLTESİ MÜHENDİSLİK BİLİMLERİ DERGİSİ Cilt: 1 Sayı: sh. 5-61 Ekim 011 KESİRLİ FOURIER DÖNÜŞÜMÜNÜN SİMETRİ ÖZELLİKLERİ (SYMMETRY PROPERTIES OF THE FRACTIONAL FOURIER TRANSFORM) Olcay AKAY

Detaylı

4. BENZETİM ÇALIŞMALARI VE SINIFLANDIRMA BAŞARIMI

4. BENZETİM ÇALIŞMALARI VE SINIFLANDIRMA BAŞARIMI DALGACIK TEPELERİ VE DESTEK VEKTÖR MAKİNELERİ İLE MÜZİK ÇALGISI SINIFLANDIRMA M. Erdal ÖZBEK 1, Nalan ÖZKURT 2 ve F. Acar SAVACI 1 1 Elektrik-Elektronik Mühendisliği Bölümü, İzmir Yüksek Teknoloji Enstitüsü

Detaylı

İÇİNDEKİLER. BÖLÜM 1 Değişkenler ve Grafikler 1. BÖLÜM 2 Frekans Dağılımları 37

İÇİNDEKİLER. BÖLÜM 1 Değişkenler ve Grafikler 1. BÖLÜM 2 Frekans Dağılımları 37 İÇİNDEKİLER BÖLÜM 1 Değişkenler ve Grafikler 1 İstatistik 1 Yığın ve Örnek; Tümevarımcı ve Betimleyici İstatistik 1 Değişkenler: Kesikli ve Sürekli 1 Verilerin Yuvarlanması Bilimsel Gösterim Anlamlı Rakamlar

Detaylı

VERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN

VERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN VERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr İçerik Kümeleme İşlemleri Kümeleme Tanımı Kümeleme Uygulamaları Kümeleme Yöntemleri Kümeleme (Clustering) Kümeleme birbirine

Detaylı

MOCKUS HİDROGRAFI İLE HAVZA & TAŞKIN MODELLENMESİNE BİR ÖRNEK: KIZILCAHAMAM(ANKARA)

MOCKUS HİDROGRAFI İLE HAVZA & TAŞKIN MODELLENMESİNE BİR ÖRNEK: KIZILCAHAMAM(ANKARA) MOCKUS HİDROGRAFI İLE HAVZA & TAŞKIN MODELLENMESİNE BİR ÖRNEK: KIZILCAHAMAM(ANKARA) Tunç Emre TOPTAŞ Teknik Hizmetler ve Eğitim Müdürü, Netcad Yazılım A.Ş. Bilkent, Ankara, Öğretim Görevlisi, Gazi Üniversitesi,

Detaylı

Web Madenciliği (Web Mining)

Web Madenciliği (Web Mining) Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Denetimsiz Öğrenmenin Temelleri Kümeleme Uzaklık Fonksiyonları Öklid Uzaklığı Manhattan

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

T.C. ERCİYES ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ EĞİTİM ÖĞRETİM YILI DERS KATALOĞU

T.C. ERCİYES ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ EĞİTİM ÖĞRETİM YILI DERS KATALOĞU T.C. ERCİYES ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ - EĞİTİM ÖĞRETİM YILI DERS KATALOĞU Ders Kodu Bim Kodu Ders Adı Türkçe Ders Adı İngilizce Dersin Dönemi T Snf Açıl.Dönem P

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

K-En Yakın Komşu Algoritması Parametrelerinin Sınıflandırma Performansı Üzerine Etkisinin İncelenmesi

K-En Yakın Komşu Algoritması Parametrelerinin Sınıflandırma Performansı Üzerine Etkisinin İncelenmesi K-En Yakın Komşu Algoritması Parametrelerinin Sınıflandırma Performansı Üzerine Etkisinin İncelenmesi Erdal TAŞCI* Aytuğ ONAN** *Ege Üniversitesi Bilgisayar Mühendisliği Bölümü **Celal Bayar Üniversitesi

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

DOKUZ EYLÜL ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MÜDÜRLÜĞÜ DERS/MODÜL/BLOK TANITIM FORMU. Dersin Orjinal Adı: Pattern Recognition

DOKUZ EYLÜL ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MÜDÜRLÜĞÜ DERS/MODÜL/BLOK TANITIM FORMU. Dersin Orjinal Adı: Pattern Recognition Dersi Veren Birim: Fen Bilimleri Enstitüsü Dersin Türkçe Adı: Örüntü Tanıma Dersin Orjinal Adı: Pattern Recognition Dersin Düzeyi:(Ön lisans, Lisans, Yüksek Lisans, Doktora) Lisansüstü Dersin Kodu: CSE

Detaylı

Video Dizilerinden Çoğul-Biyometrik Kimlik Doğrulama Combining Face and Voice Modalities for Person Verification from Video Sequences

Video Dizilerinden Çoğul-Biyometrik Kimlik Doğrulama Combining Face and Voice Modalities for Person Verification from Video Sequences Video Dizilerinden Çoğul-Biyometrik Kimlik Doğrulama Combining Face and Voice Modalities for Person Verification from Video Sequences H.K. Ekenel, S.Y. Bilgin, İ. Eden, M. Kirişçi, H. Erdoğan, A. Erçil

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

SİNYALLER ve SİSTEMLER

SİNYALLER ve SİSTEMLER SİNYALLER ve SİSTEMLER 1. Sinyallerin Sınıflandırılması 1.1 Sürekli Zamanlı ve Ayrık Zamanlı Sinyaller 1.2 Analog ve Sayısal Sinyaller Herhangi bir (a,b) reel sayı aralığında bir x(t) sinyali sonsuz değer

Detaylı

Sinyaller ve Sistemler (EE 303) Ders Detayları

Sinyaller ve Sistemler (EE 303) Ders Detayları Sinyaller ve Sistemler (EE 303) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Saati Uygulama Saati Laboratuar Saati Kredi AKTS Sinyaller ve Sistemler EE 303 Güz 3 0 2 4 7 Ön Koşul Ders(ler)i EE 206 (FD),

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

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

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

DEÜ MÜHENDİSLİK FAKÜLTESİ FEN ve MÜHENDİSLİK DERGİSİ Cilt: 7 Sayı: 3 s. 31-36 Ekim 2005

DEÜ MÜHENDİSLİK FAKÜLTESİ FEN ve MÜHENDİSLİK DERGİSİ Cilt: 7 Sayı: 3 s. 31-36 Ekim 2005 DEÜ MÜHENDİSLİK FAKÜLTESİ FEN ve MÜHENDİSLİK DERGİSİ Cilt: 7 Sayı: 3 s. 31-36 Ekim 2005 PROSTAT HÜCRE ÇEKİRDEKLERİNİN SINIFLANDIRILMASINDA İSTATİSTİKSEL YÖNTEMLERİN VE YAPAY SİNİR AĞLARININ BAŞARIMI (PERFORMANCE

Detaylı

DENEY 1: Matlab de Temel Haberleşme Sistemleri Uygulamaları

DENEY 1: Matlab de Temel Haberleşme Sistemleri Uygulamaları DENEY 1: Matlab de Temel Haberleşme Sistemleri Uygulamaları AMAÇ: MATLAB programının temel özelliklerinin öğrenilmesi, analog işaretler ve sistemlerin sayısal bir ortamda benzetiminin yapılması ve incelenmesi.

Detaylı

Bilgisayarla Görüye Giriş

Bilgisayarla Görüye Giriş Bilgisayarla Görüye Giriş Ders 7 SIFT ve Öznitelik Eşleme Alp Ertürk alp.erturk@kocaeli.edu.tr Panorama Oluşturma Görüntü mozaikleme, panorama oluşturma gibi tüm uygulamalar için öncelikle ilgili görüntülerin

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

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

Sürekli-zaman İşaretlerin Ayrık İşlenmesi

Sürekli-zaman İşaretlerin Ayrık İşlenmesi Sürekli-zaman İşaretlerin Ayrık İşlenmesi Bir sürekli-zaman işaretin sayısal işlenmesi üç adımdan oluşmaktadır: 1. Sürekli-zaman işaretinin bir ayrık-zaman işaretine dönüştürülmesi 2. Ayrık-zaman işaretin

Detaylı

MEH535 Örüntü Tanıma

MEH535 Örüntü Tanıma MEH535 Örünü Tanıma 4. Paramerik Sınıflandırma Doç.Dr. M. Kemal GÜLLÜ Elekronik ve Haberleşme Mühendisliği Bölümü web: hp://akademikpersonel.kocaeli.edu.r/kemalg/ E-posa: kemalg@kocaeli.edu.r Paramerik

Detaylı

Alman Dili Üzerinde Konuşmacı Cinsiyetinin Otomatik Olarak Belirlenmesi. Automatic Determination of the Speaker on the German Language

Alman Dili Üzerinde Konuşmacı Cinsiyetinin Otomatik Olarak Belirlenmesi. Automatic Determination of the Speaker on the German Language Alman Dili Üzerinde Konuşmacı Cinsiyetinin Otomatik Olarak Belirlenmesi Öz Çiğdem Bakır Yıldız Teknik Üniversitesi, Bilgisayar Mühendisliği Geliş Tarihi: 2016-04-05 Kabul Tarihi: 2016-07-09 Kişi tanıma

Detaylı

Yrd. Doç. Dr. Fatih TOSUNOĞLU Erzurum Teknik Üniversitesi Mühendislik Fakültesi İnşaat Mühendisliği Bölümü

Yrd. Doç. Dr. Fatih TOSUNOĞLU Erzurum Teknik Üniversitesi Mühendislik Fakültesi İnşaat Mühendisliği Bölümü Mühendislikte İstatistiksel Yöntemler Yrd. Doç. Dr. Fatih TOSUNOĞLU Erzurum Teknik Üniversitesi Mühendislik Fakültesi İnşaat Mühendisliği Bölümü 1 Araştırma sonuçlarının açıklanmasında frekans tablosu

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

ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ BÖLÜMÜ İLETİŞİM LABORATUARI SAYISAL FİLTRELER

ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ BÖLÜMÜ İLETİŞİM LABORATUARI SAYISAL FİLTRELER SAYISAL FİLTRELER Deney Amacı Sayısal filtre tasarımının ve kullanılmasının öğrenilmesi. Kapsam Ayrık zamanlı bir sistem transfer fonksiyonunun elde edilmesi. Filtren frekans tepkes elde edilmesi. Direct

Detaylı

GÖRÜNTÜ DÖNÜŞÜMÜNDE YAPAY SİNİR AĞLARI YAKLAŞIMI

GÖRÜNTÜ DÖNÜŞÜMÜNDE YAPAY SİNİR AĞLARI YAKLAŞIMI GÖRÜNTÜ DÖNÜŞÜMÜNDE YAPAY SİNİR AĞLARI YAKLAŞIMI Esra HASALTIN 1 Erkan BEŞDOK 2 1 Bilgisayar Mühendisliği Bölümü, Mühendislik Fakültesi, Erciyes Üniversitesi, 3839, Talas, Kayseri 2 Bilgisayar Anabilim

Detaylı

91-03-01-529 SAYISAL GÖRÜNTÜ İŞLEME (Digital Image Processing)

91-03-01-529 SAYISAL GÖRÜNTÜ İŞLEME (Digital Image Processing) 91-03-01-529 SAYISAL GÖRÜNTÜ İŞLEME (Digital Image Processing) Dersi Veren Öğretim Üyesi Doç. Dr. Aybars UĞUR Ders Web Sayfası : http://yzgrafik.ege.edu.tr/~ugur 1 Amaçlar Öğrencileri Matlab gibi teknik

Detaylı

İçindekiler. Ön Söz... xiii

İçindekiler. Ön Söz... xiii İçindekiler Ön Söz.................................................... xiii Bölüm 1 İstatistiğe Giriş....................................... 1 1.1 Giriş......................................................1

Detaylı

İşaret ve Sistemler. Ders 3: Periyodik İşaretlerin Frekans Spektrumu

İşaret ve Sistemler. Ders 3: Periyodik İşaretlerin Frekans Spektrumu İşaret ve Sistemler Ders 3: Periyodik İşaretlerin Frekans Spektrumu Fourier Serileri Periyodik işaretlerin spektral analizini yapabilmek için periyodik işaretler sinüzoidal işaretlerin toplamına dönüştürülür

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

Kelebek Görüntülerin Sınıflandırılmasında Yeni Yerel İkili Örüntüler

Kelebek Görüntülerin Sınıflandırılmasında Yeni Yerel İkili Örüntüler Kelebek Görüntülerin Sınıflandırılmasında Yeni Yerel İkili Örüntüler Yılmaz KAYA 1, Lokman KAYCİ 2 1 Bilgisayar Mühendisliği Bölümü, Siirt Üniversitesi, 56100 Siirt 2 Biyoloji Bölümü, Siirt Üniversitesi,

Detaylı

ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ DOKTORA YETERLİK SINAVI YÖNETMELİĞİ

ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ DOKTORA YETERLİK SINAVI YÖNETMELİĞİ ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ DOKTORA YETERLİK SINAVI YÖNETMELİĞİ Doktora Yeterlik Sınavı, başvurunun yapıldığı ve Doktora Yeterlik Komitesi nin başvuruyu onayladığı dönemdeki, dönem sonu sınavlarının

Detaylı

Pencere Fonksiyonu Aileleri ve Uygulama Alanları

Pencere Fonksiyonu Aileleri ve Uygulama Alanları Pencere Fonksiyonu Aileleri ve Uygulama Alanları Turgay KAYA, Melih Cevdet İNCE Fırat Üniversitesi, Mühendislik Fakültesi, Elektrik-Elektronik Mühendisliği Bölümü, ELAZIĞ ÖZET Anahtar Kelimeler Pencere

Detaylı

Bilgisayarla Görüye Giriş

Bilgisayarla Görüye Giriş Bilgisayarla Görüye Giriş Ders 10 Nesne / Yüz Tespiti ve Tanıma Alp Ertürk alp.erturk@kocaeli.edu.tr Nesne Tespiti Belirli bir nesnenin sahne içindeki konumunun tespitidir Tespit edilecek nesne önceden

Detaylı

DOKU TİPİ İMGELERİN SINIFLANDIRILMASI İÇİN BİR UYARLAMALI ENTROPİ TABANLI DALGACIK-YAPAY SİNİR AĞI SİSTEMİ

DOKU TİPİ İMGELERİN SINIFLANDIRILMASI İÇİN BİR UYARLAMALI ENTROPİ TABANLI DALGACIK-YAPAY SİNİR AĞI SİSTEMİ Gazi Üniv. Müh. Mim. Fak. Der. J. Fac. Eng. Arch. Gazi Univ. Cilt 22, No 1, 27-32, 2007 Vol 22, No 1, 27-32, 2007 DOKU TİPİ İMGELERİN SINIFLANDIRILMASI İÇİN BİR UYARLAMALI ENTROPİ TABANLI DALGACIK-YAPAY

Detaylı

Doküman dili tanıma için ikili örüntüler tabanlı yeni bir yaklaşım

Doküman dili tanıma için ikili örüntüler tabanlı yeni bir yaklaşım Doküman dili tanıma için ikili örüntüler tabanlı yeni bir yaklaşım Yılmaz KAYA 1, Ömer Faruk ERTUĞRUL 2, Ramazan TEKİN 3 1 Siirt Üniversitesi, Bilgisayar Mühendisliği Bölümü 2 Batman Üniversitesi, Elektrik-Elektronik

Detaylı

Analog Alçak Geçiren Filtre Karakteristikleri

Analog Alçak Geçiren Filtre Karakteristikleri Analog Alçak Geçiren Filtre Karakteristikleri Analog alçak geçiren bir filtrenin genlik yanıtı H a (jω) aşağıda gösterildiği gibi verilebilir. Ω p : Geçirme bandı kenar frekansı Ω s : Söndürme bandı kenar

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

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

SAYISAL İŞARET İŞLEME. M. Kemal GÜLLÜ

SAYISAL İŞARET İŞLEME. M. Kemal GÜLLÜ SAYISAL İŞARET İŞLEME M. Kemal GÜLLÜ İçerik Giriş Ayrık Zamanlı İşaretler Ayrık Zamanlı Sistemler İşaret ve Sistemlerin Frekans Uzayı Analizi Sürekli Zaman İşaretlerin Ayrık Zamanlı İşlenmesi İşaret ve

Detaylı

VQ Yöntemiyle Konuşmacı Cinsiyetinin Belirlenmesi

VQ Yöntemiyle Konuşmacı Cinsiyetinin Belirlenmesi Turkish Journal of Computer and Mathematics Education Vol.1 No.1 (2009),35-47 VQ Yöntemiyle Konuşmacı Cinsiyetinin Belirlenmesi Vasif V. Nabiyev 1 Ergün Yücesoy 2 Özet Bu çalışmada konuşmacı cinsiyetinin

Detaylı

Türkçe de Ünlülerin Formant Analizi

Türkçe de Ünlülerin Formant Analizi Türkçe de Ünlülerin Formant Analizi Oytun Türk*, Ömer Şayli**, A. Sumru Özsoy***, Levent M. Arslan* Boğaziçi Üniversitesi *Elektrik-Elektronik Mühendisliği Bölümü **Biyomedikal Mühendisliği Enstitüsü ***Batı

Detaylı

YAPAY SİNİR AĞLARI KULLANILARAK EMG SİNYALLERİNİN SINIFLANDIRILMASI VE NEUROPATHY KAS HASTALIĞININ TEŞHİSİ ÖZET

YAPAY SİNİR AĞLARI KULLANILARAK EMG SİNYALLERİNİN SINIFLANDIRILMASI VE NEUROPATHY KAS HASTALIĞININ TEŞHİSİ ÖZET Politeknik Dergisi Journal of Polytechnic Cilt: 5 Sayı: 1 s. 75-81, 22 Vol: 5 No: 1 pp. 75-81, 22 YAPAY SİNİR AĞLARI KULLANILARAK EMG SİNYALLERİNİN SINIFLANDIRILMASI VE NEUROPATHY KAS HASTALIĞININ TEŞHİSİ

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

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

SÜREKLĠ OLASILIK DAĞILIMLARI

SÜREKLĠ OLASILIK DAĞILIMLARI SÜREKLĠ OLASILIK DAĞILIMLARI Sayı ekseni üzerindeki tüm noktalarda değer alabilen değişkenler, sürekli değişkenler olarak tanımlanmaktadır. Bu bölümde, sürekli değişkenlere uygun olasılık dağılımları üzerinde

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

DENEY 3. Tek Yan Bant Modülasyonu

DENEY 3. Tek Yan Bant Modülasyonu DENEY 3 Tek Yan Bant Modülasyonu Tek Yan Bant (TYB) Modülasyonu En basit genlik modülasyonu, geniş taşıyıcılı çift yan bant genlik modülasyonudur. Her iki yan bant da bilgiyi içerdiğinden, tek yan bandı

Detaylı

ZAMAN SERİLERİNDE REGRESYON ANALİZİ

ZAMAN SERİLERİNDE REGRESYON ANALİZİ ZAMAN SERİLERİNDE REGRESYON ANALİZİ 1 1. GİRİŞ Trent, serinin genelinde yukarıya ya da aşağıya doğru olan hareketlere denmektedir. Bu hareket bazen düz bir doğru şeklinde olmaktadır. Bu tür harekete sahip

Detaylı

T.C. KIRIKKALE ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ YAPAY SİNİR AĞLARI. Doç.Dr. Necaattin BARIŞÇI FİNAL PROJESİ

T.C. KIRIKKALE ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ YAPAY SİNİR AĞLARI. Doç.Dr. Necaattin BARIŞÇI FİNAL PROJESİ T.C. KIRIKKALE ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ YAPAY SİNİR AĞLARI Doç.Dr. Necaattin BARIŞÇI YAPAY SİNİR AĞLARI İLE KORONER ARTER HASTALIĞI RİSK Öğrenci : SİNEM ÖZDER Numarası : 118229001004

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