SİSMİK VERİ ANALİZİNDE YAPAY SİNİR AĞI TABANLI ANA BİLEŞENLER ANALİZİ MODELİ
|
|
- Yeter Akşit
- 6 yıl önce
- İzleme sayısı:
Transkript
1 SİSMİK VERİ ANALİZİNDE YAPAY SİNİR AĞI ABANLI ANA BİLEŞENLER ANALİZİ MODELİ ARIFICIAL NEURAL NEWORK BASED PRINCIPAL COMPONEN ANALYSIS MEHOD FOR SEISMIC DAA ANALYSIS Ozan Arslan Posta Adres : KOÜ Vezroğlu Yerleşkes, Mühendslk Fakültes, KOCAELİ E-posta : ozan60@yahoo.com Anahtar Kelmeler: Ssmk ver, yapay snr ağı, öğrenme algortması, ana bleşenler ÖZ: Ssmk verler büyük boyutlara sahp hacml ver gruplarıdır ve ssmk yorumlamanın gelştrlmes çn orjnal ver grubu çnde bulunan blglern çoğunu elde etmek sterz. Büyük boyutlu verler sözkonusu olduğunda çok değşkenl analz teknklernn kullanılması gözlenen verlern değerlendrlmesnde daha bast ve kolay yorumlanablr sonuçlar elde etmemz sağlar. Ana Bleşenler Analz (ABA) yaygın olarak brçok uygulama alanında kullanılmaktadır (ssmk ver kümelerne de uygulanmaktadır). Ancak mevcut ABA yöntemler yüksek boyutlu, gürültü (bozucu etk) ve kayıp verlern söz konusu olduğu durumlarda uygun olmayablr. Parametrk olmayan yapısı ve gürültülü verler şleyeblme kapastes nedenyle Yapay Snr Ağları (YSA), statstk analz problemlernn çözümünde yen br seçenek olarak düşünülmektedr. Bu yüzden ABA yöntem çn bazı snr ağı algortmaları önerlmştr. Bu çalışmanın amacı ssmk ver analznde mevcut ABA yöntemnn gelştrlmes amacıyla YSA kullanan etkn br ver analz yöntem önermek ve bu yöntem mevcut algortmalarla karşılaştırmaktır. ABSRAC Sesmc data always have a large data set wth large dmenson and we want to extract most of the nformaton n the orgnal set to mprove the sesmc nterpretatons. Consderng the large amount of data wth hgh dmensonalty, employment of multvarate analyss technques gves smpler and more easly nterpretable results for the evaluaton of observed data. he prncpal components analyss (PCA) has been wdely used n many applcatons and appled to sesmc data set as well. It can be vewed as a classcal method of multvarate statstcal analyss for achevng a dmensonalty reducton. he PCA also provdes a sgnfcant sesmc data compresson. However current PCA methods may not be approprate for dealng wth hgh-dmensonal data, nosy data, and mssng data. Due to ther unque advantages of a non-parametrc nature and ablty to handle nosy data artfcal neural networks (ANN) have been consdered as a new alternatve to overcome the statstcal analyss problems. herefore some neural networks algorthms have been proposed for prncpal components analyss (PCA). he objectve of ths paper s propose an effectve data analyss methodology usng an ANN and compare wth the exstng algorthms to mprove current PCA methods n sesmc data analyss. GİRİŞ Genel olarak çok boyutlu ve yüksek hacml olan ssmk verlern analz ve yorumlanması çn çok değşkenl statstk analz teknklernden yararlanılmaktadır. Çokbleşenl ssmk verlern şlenmes ve analznde, ana bleşenler analz (ABA) genellkle boyut ndrgeme(azaltma) ve sınıflandırma amaçları çn kullanılmaktadır (Guterrez, 2000; Hagen, 982; Savage, 995). Ssmk olarak aktf olan bölgelerde ölçülen jeoelektrk snyallern (depremle lgl gerlm değşmler vb. belrlenmes çn) analznde, çokbleşenl ssmk ver şleme ve fltrelemede, ssmk özellklern (attrbute) statstk analznde ve ssmk örüntü tanıma yöntem olarak bu yöntemden yararlanılmaktadır. Ssmk verler genelde gürültü (bozucu etk) taşır ve blnmeyen ssmk dalgacıkların varlığı yüzünden karmaşık br yapıya sahptrler. Yüksek (hacml) verler çeren, bozucu etklere sahp ve kayıp verlern oluşabldğ bu tür problemlerde ABA en uygun çözümü 545
2 sağlamayablr. Bu tür statstk analz problemlernn çözümünde Yapay Snr Ağları (YSA), çokdeğşkenl statstk analz teknklerne br alternatf olarak düşünüleblr (Bshop, 995; Haykn, 984). YSA örüntü tanıma, kestrm, şlem kontrolü ve sınıflandırma gb brbrnden farklı brçok uygulama alanında başarıyla uygulanan, doğrusal olmayan hesaplama model sstemlerdr. YSA nın doğrusal olmayan fonksyon yaklaşımı, ver sınıflandırması, non-parametrk regresyon ve karar süreçlerndek yetenekler; ver dağılımlarına lşkn öncül blglern olmadığı uygulamalarda çok önemldr. YSA nın, eksk veya gürültülü verlere sahp karmaşık problemlern çözümündek etknlğ kanıtlanmıştır YSA genel jeofzk uygulamarda (dalga şekl tanıma, ssmk tersnme, kuyu-kayıt analz, z düzeltme/düzenleme, ssmk dekonvolüsyon ) sıklıkla kullanılan br yöntemdr( Dowla, 990; Roth, 994; Poulton, 992; Huang, 996, Calderon, 997;Baan, 2000). Öte yandan YSA topluluğu çnde ABA algortmasından yararlanılan snr ağı modeller de mevcuttur. Br ssmk olayın doğasında tahmn edlemezlk olduğu söylenr ve gerçek verler üzernde hassas kestrm yapmayı zorlaştıran brçok etken vardır. Bunlar arasında, zayıf snyal- görüntü oranı, başka kaynak ve aktvtelerden oluşan gürültüler, snyallern ortam çnde geznrken saçılma nedenyle oluşan büyüklük ve fazındak değşmler,vb. sayılablr. Bu yüzden ssmk olayların tanınmasında doğrusal olmayan kestrm yöntemler terch edleblmektedr. ANA BİLEŞENLER ANALİZİ (ABA) Çok değşkenl statstk analz yöntemler k veya daha çok boyutlu rastlantısal değşkenler br bütün olarak ele alan ve değşkenler arasındak lşkler göz önünde bulundurarak bütüncül br sonuç üreten statstksel teknklerden meydana gelmektedr. Bu statstksel teknklere örnek olarak korelasyon ve regresyon analz verleblr. Bununla brlkte, çok değşkenl verlern analznde, bütüncül statstksel sonuçlar üretmenn yanısıra, çok değşkenl ver kümesnn yapısını tanımlamaya yönelk ver analz teknkler de vardır. Faktör analz, gruplandırma (clusterng) analz, dskrmnant analz ve ana bleşenler analz bu tür analz teknklerdr. ABA yöntem br değşken kümesn, değşkenlern orjnal grubu çndek blgnn çoğunu temsl eden daha küçük boyutta korelasyonsuz ver kümesne doğrusal olarak dönüştüren br statstk analz teknğdr. (Hotellng veya Karhunen-Loéve dönüşümü olarak da blnr.) Aralarında yüksek korelasyon bulunan çok değşkenl verler aralarında korelasyon olmayan yen br ssteme doğrusal olarak dönüştürerek, dönüşüm sonrası verler arasındak korelasyon ortadan kaldırılmaktadır.küçük boyutlardak korelasyonsuz ver kümesnn yorumlanması çok daha kolay olduğu çn bu ver sıkıştırma yöntem yaygın olarak brçok uygulama alanında (mühendslk, tıp, byoloj, kmya, meteoroloj, jeoloj,vb) kullanılmaktadır. ABA yöntemnn farklı ntelkte problemler çn gelştrlmş versyonları (bağımsız bleşenler analz, ana bleşen regresyon analz, kompleks bleşenler analz vb.) olduğu da blnmektedr. x. xn Çokdeğşkenl grş ver setn X = [ x ] =. x N şeklnde tanımlarsak; x M x MN sözgelş N: ssmk örnekler ve M : grş özellk sayısını temsl eder. Buradak yaklaşım ; X grş matrsn doğrusal olarak yen br C matrsne dönüştürecek şeklde br U dönüşüm matrs tasarlamaktır. Burada C ana bleşen matrsdr ve C = U X 546
3 C = [ c c ] N c = c M c c N MN = Q q = q M q = q M q q N NM Bu eştlkte C matrsnn evrğne farklı br sm(q) verlmesnn neden C le grş matrs (X) arasındak bre-br lşky göstermek çndr. c j vektörlern, x j örnek verlernn dönüşmüş bçm olarak ve q vektörlern se ana bleşenler olarak göreblrz. U dönüşüm matrs u um U = [ u ] = um olarak yazılır. Bu matrsn optmum değerlern bulmak u M umm çn q vektörlern aşağıdak bçmde yazablrz. q q = M = u X u X Böylece dönüştürülmüş özellk vektörler elde edlmş olur. σ = u. Σ. u ve 2 q le k q vektörlernn kovaryansı, σ k M = u Σ. u bçmnde yazılablr. Burada Σ :kovaryans matrsn göstermektedr. Buradan ana bleşenlern her brnn ( q ) varyansını enbüyük yapan k q vektörünün varyansı, u vektörler bulunur ve vektörlern ortonormal (dk) olma koşuluyla kovaryans değerlern -0- yapar. (Dönüşümden sonra eksenler arasında dklk koşulu korunacağından dönüşüm matrs ortogonal olacaktır.) Bunu u u k, = k = δ k = bçmnde göstereblrz. 0, k Böylelkle en büyük yapılan varyanslar X matrsnn özdeğerlerne eşdeğer olur. İlk ana bleşen, enbüyük varyansa lşkn özvektör kullanılarak hesaplanır ve bu bçmde devam ettrlr. Ana bleşen dönüşümü hesaplandığında boyut azaltma şlem gerçekleşmş olur. Kovaryans matrs aşağıdak bçmde yenden yapılandırılablr. λ Λ = λ M Σ = UΛU ana köşegen boyunca özdeğerler çeren br matrstr. Dönüşümden sonra ana bleşenlern varyanslarının büyüklüklerne göre sıralanablmes çn, özdeğerler büyüklüklerne göre sıralanır. 547
4 Grş verlernn ana bleşenlern altuzayına projeksyonuna yükleme denlmektedr ve ana bleşenlerle orjnal verler arasındak korelasyonun derecesn gösterr. ABA nın anlamlı ndrgeme yapıp yapmadığı statstk olarak da test edleblr. YAPAY SİNİR AĞLARI (YSA) Çok boyutlu ver uzayında doğrusal olmayan verler şleyeblme kapastesne sahp Yapay Snr Ağları parametrk olmayan yapısı nedenyle çok çeştl blmsel dsplnlerde (fonksyon tahmn, regresyon, örüntü tanıma, sınıflandırma, şlem kontrolu, robot teknolojs, vb) başarıyla kullanılmaktadır. YSA, nsan beynnn çalışma tarzına benzer bçmde, byolojk nöron hücresnn yapısı ve öğrenme karakterstklernden esnlenerek gelştrlmş, brlkte şleyen çok sayıda şleme elemanından oluşan br blgsayar şleme ve hesaplama sstem olarak tanımlanablr. ( Haykn, 994; Zurada, 992) İnsan beynnn problem çözme, hatırlama, blg elde etme, vb. yeteneklern modelleyeblmek çn ler hesaplama kapastesne sahp yapay sstemler üretme steğ yapay snr ağlarına esn kaynağı olmuştur. Parametrk olmayan yapısı, standart yöntemlere lgnç br alternatf oluşturan öğrenme yeteneğ, olasılık model lgl herhang br varsayım yapmaması, özellk uzayında yüksek dereceden doğrusal olmayan karar sınırları oluşturablme yeteneğ, gürültü (nosy) verlern şleyeblme ve farklı ver türlerne uyum yeteneğ öneml özellklerndendr (Rchard, 99). Olumsuz yönler olarak; eğtm çn uzun zaman gerektrmes, probleme özgün ağ yapısının belrlenmes gereğ, başlangıç koşullarına bağlı olması ve verlere bağlı br model olması söyleneblr. Br snr ağı her br az mktarda lokal hafızaya sahp brçok şleme elemanından (nöron ) oluşur; her br nöronun grş vers ya dış uzaydan alınır ya da bu verler dğer nöronların çıkış vers olablr. Bütün nöronların çıkış snyaller gderek etksn tüm ağ boyunca gösterr ve sonuç katmana kadar yayar; sonuçları da gerçek dünyanın sonucu olur. Br YSA grş vektörünü aldığında çıkış vektörü formunda br yanıt üretr. Grş şleme elemanları çıkış brmlerne gzl elemanlarla bağlıdır. Gzl brmler (gzl katmanlar) grş ve çıkış blgler arasındak doğrusal olmayan lşkler temsl etmektedr. Şekl 3. de tek br doğal ve yapay nöronun model le şek. 3.2 de çok katmanlı YSA yapısı görülmektedr. Şekl 3.: Nöron model Şekl3.2 Çok katmanlı YSA yapısı Snr ağları katmanlar halnde organze edlrler. Br YSA da katmanları oluşturan şleme elemanlarının (nöron) yapısını ncelemek gerekr. Herhang br snr ağı çndek her nöron Şekl 3. dek gb modelleneblr. Burada nöronun grş verler (x), ağırlıklandırılarak (w) elde edlen toplam grş br etknleştrme fonksyonundan (f) geçrlerek nöronun çıkışı (sonuç) üretlmektedr. Genel olarak br nöron brden fazla grş değerne sahptr. 548
5 Etknleştrme fonksyonu (transfer fonksyonu) nöron ya da ağ sonucunu üretmekte ve şekllendrmektedr (Şekl 3.3). Doğrusal İkl (Bnary) Şekl 3.3: Genel etknleştrme fonksyonları Snr ağı kullanıcıları arasında en çok kullanılan etknleştrme fonksyonu sgmod fonksyondur ve grş fonksyonunun büyük değerlern [0,] aralığına sıkıştırmaktadır. f ( n) n + e Snr ağları örneklerden öğrenr ve örnekleme verler (eğtm set) üzernde genelleştrme yeteneğn kullanır. Genelleştrme, snr ağının örnekleme ver set çnde yer almayan yen verler kestreblme yeteneğdr. Br snr ağının gücü, örnekleme verlernden ne kadar y genelleştrme yapabldğne bağlıdır. Öğrenme algortması; stenen (hedef) çıkış vektörü le gerçekleşen çıkış vektörü arasındak fark cnsnden br ölçü değer olan hata fonksyonunu kullanarak; deneme (eğtm) set üzerndek ortalama hatayı azaltacak şeklde, ağ çndek ağırlıkları dengelemektedr. Bu doğru olarak gerçekleştrldğnde snr ağı, yen grş verler çn stenen sonuçları doğru olarak tahmn edecektr (Hertz, 99). Genel olarak YSA kullanımı, tasarım ve uygulama sırasında karşılaşılan sorunlar nedenyle karmaşık ve zaman alıcı br süreçtr. Farklı ntelktek problemler (verler) çn kurulacak ağ topolojs (katman ve nöron sayısı, bağlantı lşkler) de aynı olmayacaktır. asarım açısından gzl katmanların sayısı ve büyüklüğünün (nöron sayısı) belrlenmes, ağın öğrenme ve genelleştrme kapastesn etkledğ çn son derece önemldr. Öğrenme algortması br YSA uygulamasının temel bleşen olup çok sayıda öğrenme stratejs (kontrollü, kontrolsüz ve zorlamalı) gelştrlmştr. En çok kullanılan ve blnen geryayılma (backpropagaton) olup, bazı sakıncaları blnmektedr. Br dğer öneml konu, öğrenme algortmasının performansını etkleyen uygun parametre seçm konusundadır. Geryayılma algortması çn bu parametreler; başlangıç ağırlıklar dzs (aralık), öğrenme oranı, momentum term, yneleme sayısı ve durdurma ölçütü parametrelerdr. Doğal olarak farklı algortmalar çn bu parametreler de değşmektedr. Uygun parametrelern belrlenmes konusunda genelde br deneme-yanılma stratejsnn uygulandığı söyleneblr. Eğtm (çalıştırma) esnasında bu parametreler dnamk olarak değştrleblr ve öğrenmenn sağlanıp sağlanmadığı sorgulanablr. Ağ topolojsnn belrlenmesnde, farklı ntelktek problemler çn her zaman geçerl olablecek ntelkte, tek ve en uygun br mmar yoktur. Bu nedenle probleme özgün ağ mmars tasarlamak gerekr. Bununla brlkte bell kategorlerdek problemler çn hang ağ yapısının seçlmes gerektğ konusunda bazı ön blglere de sahbz. ( Sözgelş tek gzl katmana sahp br MLP ağı, yeternce eğtldğnde hemen hemen her fonksyona yaklaşablr. Benzer bçmde gzl katmanı olmayan ler beslemel ağlar, genelleştrlmş doğrusal modellere özdeştr. Genel olarak ler beslemel snr ağlarını, doğrusal olmayan çok değşkenl regresyon modeller le lşklendrmek mümkündürvb.) YSA dğer doğrusal olmayan modellerle karşılaştırıldığında, YSA nın daha çok başlangıç koşullarına ve doğal olarak öğrenme sürecne bağlı olduğu söyleneblr. Bu nedenle eğtm aşamasında başlangıç ağırlıklarının seçm de önemldr. Br YSA farklı ağırlık dzler çn çalıştırılıp uygun başlangıç değerler belrlenmeldr. Bazı uygulamalar çn başlangıçta verler üzernde br ön şleme yapılması 549
6 (önşleme; kodlama, homojenleştrme, normlandırma vb.) belrgn br yleşme sağlamaktadır. YSA- ABA MODELİ Aslında son yıllarda YSA, jeofzk ve jeoteknk uygulama alanlarında sıklıkla kullanılmaktadır. Bunlar arasında ssmk snyal şleme, snyal sınıflandırma, gürültülü ssmk verlern düzeltlmes, ssmk ayırma (dskrmnasyon), ssmk örüntü tanıma, çok bleşenl ssmk ver fltreleme, ssmk olayların otomatk olarak tanınması, kayıp ssmk verlern yenden kazanılması, ssmk görüntülern ver sıkıştırması,örnekler sayılablr. ABA çn YSA yaklaşımında kovaryans matrsnden ana özvektörlern bulunması çn genellkle kontrolsuz öğrenme algortmaları (genellkle Hebban, RBF,vb) terch edlmektedr(sanger, 989;Openshaw, 996; Penn, 2005). ABA nın YSA versyonunda, ana bleşenler çevrmç olarak hesaplanır. Ana bleşenlern öğrenlmes çn uygun br öğrenme kuralı seçlmeldr. Aşağıda şematk olarak m grş nöronlu ve tek çıkış nöronlu br YSA yapısı gösterlmektedr. Ana bleşen Şekl. YSA-ABA Model Grş katmanındak x verler ağırlıklandırılarak (w ), sonuç vektörü (y) elde edlmektedr. Ağırlıkların güncellenmes problemn yapısına uygun olarak seçlen br YSA öğrenme kuralına göre yapılır. Hebb öğrenme kuralı genel olarak bu tür problemler çn uygun br kontrolsüz öğrenme algortmasıdır. Bu kurala göre hem grş hem de çıkış nöronu aynı anda etknlk gösterrse, bu k nöron arasındak ağırlık arttırılmalıdır. Başka br deyşle, yazılablr, burada n küçük br skalar değerdr. Algortmanın bu bçm yakınsamayan özellktedr, bu nedenle ağırlıklar çn br normalleştrme term kullanılır. İlg çekc nokta buradadır :Hebb n bu öğrenme kuralının ver kümesnn lk ana bleşenn hesapladığı kanıtlanmıştır(oja, 982). (Yan y(t) lk ana bleşene yakınsar.) YSA-ABA yöntem tek br ağ olarak eğtlr fakat kavramsal olarak k ağ yapısı olarak ele alınablr. İlk ağ ver vektörlern ana bleşenlere dönüştürürken dğer bu bleşenler orjnal ver boyutuna genşleterek ağ sonuçlarını üretmektedr. 550
7 Bu çalışmada seçlen br uygulama örneğ üzernde çözüm çn standart ABA ve YSA-ABA algortması kullanılarak elde edlen sonuçlar karşılaştırmalı olarak rdelenp algortma çn önerler yapılacaktır. Önerlen snr ağı model, standart ABA yöntemnn gelştrlmes amacıyla örnek br ssmk ver grubu üzernde kullanılıp elde edlen sonuç ve bulgular karşılaştırılacaktır. UYGULAMA Ssmk ver analznde YSA uygulamaları, sınıflandırma ve regresyon olmak üzere k ana kategorde ele alınablr. Bu çalışmada havza parametrelernn tahmn çn ssmk özellklern (attrbute) optmum bçmde kombne edlmesyle lgl analzler üzerne durulacaktır. Uygulama çn benzer çalışmalarda örnek olarak seçlen Blackfoot ver kümes kullanılmıştır (3-boyutlu ssmk ölçmeler, Ekm 995 tarhnde kaydedlmştr, Manvlle grup, Kanada. Havza 550m dernlkl, kum ve şstle kaplı.) Şekl 4. de ssmk ölçmelern yapıldığı kuyu katmanı hartası görülmektedr. Şekl 4.. Blackfoot ver kümes, kuyular Şekl 4.2. Sentetk ssmogram Şekl 4.2 de verset çnden kuyusundan elde edlen (crosslne 42) br sentetk ssmogram görülmektedr(russell, 2004). Havza parametrelernn (örn. P-dalgası hızı, porozte, su doygunluğu, vb) belrlenmes çn ssmk özellkler kullanılacaktır. Ssmk özellk, br ssmk zn doğrusal (veya doğrusal olmayan) br dönüşümü olarak tanımlanablr. Ssmk özellğe örnek olarak anlık özellkler, pencerelenmş frekans özellkler, tekrarlı özellkler, ssmk zlern fltre dlmler, çoklu- z özellkler,vb. verleblr. Uygulamada havza parametreler le ssmk özellkler arasındak lşk üzernde durulacağından, problem açıklamak üzere, örneğn şekl 4.3 tek havza kayıt grafğn ele alalım. 55
8 Şekl 4.3. Hedef havza kayıt grafğ Bu grafkte solda (kırmızı) hedef P-dalgası sonk kayıt ve sağda 3 adet ssmk özellk (.tersnmş ssmk dreşm, 2.ssmk zn zamana göre türev, 3.zn zamanla ntegrasyonu) gösterlmektedr. Noktalar ssmk özellklere lşkn zaman örneklern temsl etmektedr. Hedef kayıt le ssmk özellklere at özet statstk değerler ablo. de verlmektedr. Şeklde tek br örnek gösterlmektedr; kutu çndek ssmk özellkler çeren noktalar M boyutlu x j vektörünü oluşturur (M=3). Hedef kayıtı çeren kutu çndek nokta se t j skalar değerdr. a se özellk vektörüdür.( x = ) Penceredek N adet örnek j a (N=69) çn özellk vektörlernden hedef değer (br havza parametres) hesaplanablmeldr. Genel anlamda problem; belrl kuyu konumlarında br havza parametres le ssmk özellkler grubu arasındak lşknn belrlenmes ve hedef kaydı kestreblmek çn ssmk özellklern optmum bçmde kombne edlmes üzernedr. ablo. Değşkenlern statstk özet YSA-ABA modeln benzer br örnek br verset üzernde uygulamak üzere yukarda açıklanan yaklaşım kullanılacaktır. Burada tek fark; şeklde 3 yerne 7 adet ssmk özellğn yer almasıdır. Şekl 4.4 te solda kestrlecek br kuyu kayıt eğrs ve sağda 7 adet ssmk özellk gösterlmektedr. 552
9 Şekl 4.4. Uygulama örneğ çn seçlen kuyu kayıtları Seçlen örnek çn YSA-ABA modelyle hesaplanan özdeğer ve özvektörlerden yararlanarak öncek bölümlerde kullanılan notasyona da uygun olarak aşağıdak sonuç değerler (matrs formunda) elde edlmştr. Özdeğerler büyükten küçüğe doğru sıralanmış ve enbüyük özdeğer olacak şeklde ölçeklendrlmştr. Şekl 4.4 te ana bleşenler soldan sağa büyükten küçüğe doğru sıralanmıştır. Sonuçta en soldak kuyu kayıt eğrsn yenden nşa etmek çn bu ana bleşenlern altkümes (ssmk özellkler) kullanılablr. 553
10 YSA-ABA model sonuçları le standart ABA yöntem le bu örnek çn elde edlen sonuç değerler karşılaştırıldığında aynı ana bleşenlern hesaplandığı görülmüştür. Ancak dönüşüm matrsler ncelendğnde se YSA-ABA modelnn sonuç değerlernde belrgn br gelşme görülmüştür. Bununla brlkte her k model (standart ABA ve YSA-ABA) le dğer çok değşkenl analz teknkler, lerdek çalışmalarda yüksek hacml ssmk verler üzernde de çalıştırılarak elde edlecek sonuçlar tartışılmalıdır. SONUÇ YSA-ABA modelnn, ssmk ver analznde kullanılmakta olan çokdeğşkenl statstk analz yöntemlerne alternatf olarak kullanılableceğ gösterlmştr. Bu çalışma klask ABA yöntemne yapay snr ağlarının katkısı veya ABA algortmasının gelştrlmes anlamında da değerlendrleblr. YSA-ABA model blnen standart ABA yöntemne göre aynı ana bleşenler üretmesne rağmen sonuç değerlerde belrgn br yleşme sağlamıştır. Bu yöntemn yüksek hacml verler üzerndek kullanımının ek yararlar sağlayacağı öngörülmektedr. Ayrıca YSA-ABA modeln le dğer çokdeğşkenl statstk analz yöntemleryle karşılaştırmak lgnç olacaktır. KAYNAKLAR Baan, M., Jutten, C., 2000, Neural networks n geophyscal applcatons, Geophyscs, 65(4), Bshop, C.M., 995, Neural Networks for Pattern Recognton, Oxford Unversty Press. Calderon Macas, C., Sen, M. K., and Stoffa, P. L., 997, Hopfeld neural networks, and mean feld annealng for sesmc deconvoluton and multple attenuaton, Geophyscs, 62, Dowla, F. U., S. R. aylor, and R. W. Anderson,990. Sesmc Dscrmnaton wth Artfcal Neural Networks: Prelmnary Results wth Regonal Spectral Data, Bull. Sesm. Soc. Am. 80, Haykn, S., 994, Neural networks: A comprehensve foundaton. Upper Saddle Rver, NJ: Prentce Hall. Hagen, D. C.,982, he applcaton of prncpal components analyss to sesmc data sets, Geoexploraton, 20, 93-. Hertz J., Krogh A. and Palmer, R., 99, Introducton to the heory of Neural Networks, Addson Wesley. Huang, Z., Shmeld, J., Wllamson, M., and Katsube, J., 996, Permeablty predcton wth artfcal neural network modelng n the Ventura gas feld, offshore eastern Canada, Geophyscs, 6, Guterrez E, Zaldvar J.M., 2000, he applcaton of Karhunen-Loeve, or prncpal component analyss method, to study the non-lnear sesmc response of structures. Earthquake Engneerng and Structural Dynamcs, 29: Oja, Erkk.,982, A Smplfed Neuron Model as a Prncpal Component Analyzer. Journal of Mathematcal Bology, 5: Openshaw, S. and urton, I. 996, A parallel Kohonen algorthm for the classfcaton of large spatal datasets, Computers and Geoscences, 22(9), Penn, B. S., 2005, Usng self-organzng maps to vsualze hghdmensonal data, Computers and Geoscences, 3(5),
11 Poulton, M. M., Sternberg, B. K., and Glass, C. E., 992, Locaton of subsurface targets n geophyscal data usng neural networks, Geophys.,57(2), Roth, G., and arantola, A., 994, Neural networks and nverson of sesmc data: J. Geophys. Res., 99, Russell, B. H.,2004, he applcaton of multvarate statstcs and neural networks to the predcton of reservor parameters usng sesmc attrbutes, PhD. hess, Unversty of Calgary. Savage, J.C., 995, Prncpal component analyss of ntersesmc deformaton n outhern Calforna. J. Geophys. Res.,00, Sanger,.D., 989, Optmal unsupervsed learnng n a sngle layer lnear feedforward neural network, Neural Networks, 2, Sanger,. D., 989, An optmalty prncple for unsupervsed learnng, Advances n Neural Informaton Processng Systems,,
ÇOKLU REGRESYON MODELİ, ANOVA TABLOSU, MATRİSLERLE REGRESYON ÇÖZÜMLEMESİ,REGRES-YON KATSAYILARININ YORUMU
6.07.0 ÇOKLU REGRESON MODELİ, ANOVA TABLOSU, MATRİSLERLE REGRESON ÇÖZÜMLEMESİ,REGRES-ON KATSAILARININ ORUMU ÇOKLU REGRESON MODELİ Ekonom ve şletmeclk alanlarında herhang br bağımlı değşken tek br bağımsız
DetaylıSıklık Tabloları ve Tek Değişkenli Grafikler
Sıklık Tabloları ve Tek Değşkenl Grafkler Sıklık Tablosu Ver dzsnde yer alan değerlern tekrarlama sayılarını çeren tabloya sıklık tablosu denr. Sıklık Tabloları tek değşken çn marjnal tablo olarak adlandırılır.
Detaylıa IIR süzgeç katsayıları ve N ( M) de = s 1 (3) 3. GÜRÜLTÜ GİDERİMİ UYGULAMASI
Fırat Ünverstes-Elazığ MİTRAL KAPAK İŞARETİ ÜZERİNDEKİ ANATOMİK VE ELEKTRONİK GÜRÜLTÜLERİN ABC ALGORİTMASI İLE TASARLANAN IIR SÜZGEÇLERLE SÜZÜLMESİ N. Karaboğa 1, E. Uzunhsarcıklı, F.Latfoğlu 3, T. Koza
DetaylıDoğrusal Korelasyon ve Regresyon
Doğrusal Korelasyon ve Regresyon En az k değşken arasındak lşknn ncelenmesne korelasyon denr. Kşlern boyları le ağırlıkları, gelr le gder, öğrenclern çalıştıkları süre le aldıkları not, tarlaya atılan
Detaylı5.3. Tekne Yüzeylerinin Matematiksel Temsili
5.3. Tekne Yüzeylernn atematksel Temsl atematksel yüzey temslnde lk öneml çalışmalar Coons (53) tarafından gerçekleştrlmştr. Ferguson yüzeylernn gelştrlmş hal olan Coons yüzeylernde tüm sınır eğrler çn
DetaylıX, R, p, np, c, u ve diğer kontrol diyagramları istatistiksel kalite kontrol diyagramlarının
1 DİĞER ÖZEL İSTATİSTİKSEL KALİTE KONTROL DİYAGRAMLARI X, R, p, np, c, u ve dğer kontrol dyagramları statstksel kalte kontrol dyagramlarının temel teknkler olup en çok kullanılanlarıdır. Bu teknkler ell
DetaylıARAŞTIRMA MAKALESİ/RESEARCH ARTICLE TEK ÇARPIMSAL SİNİR HÜCRELİ YAPAY SİNİR AĞI MODELİNİN EĞİTİMİ İÇİN ABC VE BP YÖNTEMLERİNİN KARŞILAŞTIRILMASI ÖZ
ANADOLU ÜNİVERSİTESİ Blm ve Teknoloj Dergs A-Uygulamalı Blmler ve Mühendslk Clt: 14 Sayı: 3 013 Sayfa: 315-38 ARAŞTIRMA MAKALESİ/RESEARCH ARTICLE Faruk ALPASLAN 1, Erol EĞRİOĞLU 1, Çağdaş Hakan ALADAĞ,
DetaylıMetin Madenciliği ile Soru Cevaplama Sistemi
Metn Madenclğ le Soru Cevaplama Sstem Sevnç İlhan 1, Nevchan Duru 2, Şenol Karagöz 3, Merve Sağır 4 1 Mühendslk Fakültes Blgsayar Mühendslğ Bölümü Kocael Ünverstes slhan@kocael.edu.tr, nduru@kocael.edu.tr,
Detaylıkadar ( i. kaynağın gölge fiyatı kadar) olmalıdır.
KONU : DUAL MODELİN EKONOMİK YORUMU Br prmal-dual model lşks P : max Z cx D: mn Z bv AX b AV c X 0 V 0 bçmnde tanımlı olsun. Prmal modeln en y temel B ve buna lşkn fyat vektörü c B olsun. Z B B BB c X
DetaylıENDÜSTRİNİN DEĞİŞİK İŞ KOLLARINDA İHTİYAÇ DUYULAN ELEMANLARIN YÜKSEK TEKNİK EĞİTİM MEZUNLARINDAN SAĞLANMASINDAKİ BEKLENTİLERİN SINANMASI
V. Ulusal Üretm Araştırmaları Sempozyumu, İstanbul Tcaret Ünverstes, 5-7 Kasım 5 ENDÜSTRİNİN DEĞİŞİK İŞ KOLLARINDA İHTİYAÇ DUYULAN ELEMANLARIN YÜKSEK TEKNİK EĞİTİM MEZUNLARINDAN SAĞLANMASINDAKİ BEKLENTİLERİN
DetaylıPARÇALI DOĞRUSAL REGRESYON
HAFTA 4 PARÇALI DOĞRUSAL REGRESYO Gölge değşkenn br başka kullanımını açıklamak çn varsayımsal br şrketn satış temslclerne nasıl ödeme yaptığı ele alınsın. Satış prmleryle satış hacm Arasındak varsayımsal
DetaylıHAFTA 13. kadın profesörlerin ortalama maaşı E( Y D 1) erkek profesörlerin ortalama maaşı. Kestirim denklemi D : t :
HAFTA 13 GÖLGE EĞİŞKENLERLE REGRESYON (UMMY VARIABLES) Gölge veya kukla (dummy) değşkenler denen ntel değşkenler, cnsyet, dn, ten reng gb hemen sayısallaştırılamayan ama açıklanan değşkenn davranışını
DetaylıYÖNETİM VE EKONOMİ Yıl:2006 Cilt:13 Sayı:1 Celal Bayar Üniversitesi İ.İ.B.F. MANİSA
YÖNETİM VE EKONOMİ Yıl:2006 Clt:3 Sayı: Celal Bayar Ünverstes İ.İ.B.F. MANİSA Bulanık Araç Rotalama Problemlerne Br Model Öners ve Br Uygulama Doç. Dr. İbrahm GÜNGÖR Süleyman Demrel Ünverstes, İ.İ.B.F.,
DetaylıTÜKETİCİ TATMİNİ VERİLERİNİN ANALİZİ: YAPAY SİNİR AĞLARI ve REGRESYON ANALİZİ KARŞILAŞTIRMASI
1 TÜKETİCİ TATMİNİ VERİLERİNİN ANALİZİ: YAPAY SİNİR AĞLARI ve REGRESYON ANALİZİ KARŞILAŞTIRMASI Metehan TOLON Nuray GÜNERİ TOSUNOĞLU Özet Tüketc tatmn araştırmaları özelde pazarlama yönetclernn, genelde
DetaylıPROJE SEÇİMİ VE KAYNAK PLANLAMASI İÇİN BİR ALGORİTMA AN ALGORITHM FOR PROJECT SELECTION AND RESOURCE PLANNING
Dokuz Eylül Ünverstes Sosyal Blmler Ensttüsü Dergs Clt 3, Sayı:2, 2001 PROJE SEÇİMİ VE KAYAK PLALAMASI İÇİ BİR ALGORİTMA lgün MORALI 1 C. Cengz ÇELİKOĞLU 2 ÖZ Kaynak tahss problemler koşullara bağlı olarak
DetaylıBilgisayarla Görüye Giriş
Blgsayarla Görüye Grş Ders 8 Görüntü Eşleme Alp Ertürk alp.erturk@kocael.edu.tr Panorama Oluşturma Görüntüler eşlememz / çakıştırmamız gerekmektedr Panorama Oluşturma İk görüntüden özntelkler çıkar Panorama
DetaylıCalculating the Index of Refraction of Air
Ankara Unversty Faculty o Engneerng Optcs Lab IV Sprng 2009 Calculatng the Index o Reracton o Ar Lab Group: 1 Teoman Soygül Snan Tarakçı Seval Cbcel Muhammed Karakaya March 3, 2009 Havanın Kırılma Đndsnn
DetaylıSoğutucu Akışkan Karışımlarının Kullanıldığı Soğutma Sistemlerinin Termoekonomik Optimizasyonu
Soğutucu Akışkan arışımlarının ullanıldığı Soğutma Sstemlernn ermoekonomk Optmzasyonu * 1 Hüseyn aya, 2 ehmet Özkaymak ve 3 rol Arcaklıoğlu 1 Bartın Ünverstes akne ühendslğ Bölümü, Bartın, ürkye 2 arabük
DetaylıVeri Madenciliğinde Temel Bileşenler Analizi ve Negatifsiz Matris Çarpanlarına Ayırma Tekniklerinin Karşılaştırmalı Analizi
Akademk Blşm 10 - XII. Akademk Blşm Konferansı Bldrler 10-12 Şubat 2010 Muğla Ünverstes Ver Madenclğnde Temel Bleşenler Analz ve Negatfsz Matrs Çarpanlarına Ayırma Teknklernn Karşılaştırmalı Analz Marmara
DetaylıEMG İşaretlerinin K-Ortalama Algoritması Kullanılarak Öbekleştirilmesi. EMG Signal Analysis Using K-Means Clustering
KSÜ Mühendslk Blmler Dergs, (), 9 5 KSU Journal of Engneerng Scences, (), 9 EMG İşaretlernn K-Ortalama Algortması Kullanılarak Öbekleştrlmes Mücahd Günay, Ahmet ALKA, KSÜ Mühendslk-Mmarlık Fakültes Elektrk-Elektronk
DetaylıSistemde kullanılan baralar, klasik anlamda üç ana grupta toplanabilir :
5 9. BÖLÜM YÜK AKIŞI (GÜÇ AKIŞI) 9.. Grş İletm sstemlernn analzlernde, bara sayısı arttıkça artan karmaşıklıkları yenmek çn sstemn matematksel modellenmesnde kolaylık getrc bazı yöntemler gelştrlmştr.
DetaylıMerkezi Eğilim (Yer) Ölçüleri
Merkez Eğlm (Yer) Ölçüler Ver setn tanımlamak üzere kullanılan ve genellkle tüm elemanları dkkate alarak ver setn özetlemek çn kullanılan ölçülerdr. Ver setndek tüm elemanları temsl edeblecek merkez noktasına
DetaylıUYUM ĐYĐLĐĞĐ TESTĐ. 2 -n olup. nin dağılımı χ dir ve sd = (k-1-p) dir. Burada k = sınıf sayısı, p = tahmin edilen parametre sayısıdır.
UYUM ĐYĐLĐĞĐ TESTĐ Posson: H o: Ver Posson dağılıma sahp br ktleden gelmektedr. H a : Ver Posson dağılıma sahp br ktleden gelmemektedr. Böyle br hpotez test edeblmek çn, önce Posson dağılım parametres
DetaylıG.1. : Y.Kutlu, M.Kuntalp, D.Kuntalp. : Öz Düzenleyici Haritalar Kullanilarak Diken Dalgalarin Analizi. Yay nlanan Kitapç k.
G.1 Yazarlar : Y.Kutlu, M.Kuntalp, D.Kuntalp Ba l k : Öz Düzenley Hartalar Kullanlarak Dken Dalgalarn Analz Yay nlanan Ktapç k : Genç Blm nsanlar le Beyn Byofz II. Çal tay, Izmr / Turkey, 21-23 ubat2008
Detaylı2005 Gazi Üniversitesi Endüstriyel Sanatlar Eğitim Fakültesi Dergisi Sayı:16, s31-46
2005 Gaz Ünverstes Endüstryel Sanatlar Eğtm Fakültes Dergs Sayı:16, s31-46 ÖZET BANKALARDA MALİ BAŞARISIZLIĞIN ÖNGÖRÜLMESİ LOJİSTİK REGRESYON VE YAPAY SİNİR AĞI KARŞILAŞTIRMASI 31 Yasemn KESKİN BENLİ 1
DetaylıRasgele Değişken Üretme Teknikleri
Rasgele Değşken Üretme Teknkler Amaç Smülasyon modelnn grdlern oluşturacak örneklern üretlmes Yaygın olarak kullanılan ayrık veya sürekl dağılımların örneklenmes sürecn anlamak Yaygın olarak kullanılan
DetaylıŞiddet-Süre-Frekans Bağıntısının Genetik Algoritma ile Belirlenmesi: GAP Örneği *
İMO Teknk Derg, 28 4393-447, Yazı 29 Şddet-Süre-Frekans Bağıntısının Genetk Algortma le Belrlenmes: GAP Örneğ * Hall KARAHAN* M. Tamer AYVAZ** Gürhan GÜRARSLAN*** ÖZ Bu çalışmada, Genetk Algortma (GA)
DetaylıDeney No: 2. Sıvı Seviye Kontrol Deneyi. SAKARYA ÜNİVERSİTESİ Dijital Kontrol Laboratuvar Deney Föyü Deneyin Amacı
SRY ÜNİVERSİESİ Djtal ontrol Laboratuvar Deney Föyü Deney No: 2 Sıvı Sevye ontrol Deney 2.. Deneyn macı Bu deneyn amacı, doğrusal olmayan sıvı sevye sstemnn belrlenen br çalışma noktası cvarında doğrusallaştırılmış
DetaylıKİ KARE ANALİZİ. Doç. Dr. Mehmet AKSARAYLI Ki-Kare Analizleri
Kİ KAR ANALİZİ 1 Doç. Dr. Mehmet AKSARAYLI www.mehmetaksarayl K-Kare Analzler OLAY 1: Genelde br statstk sınıfında, öğrenclern %60 ının devamlı, %30 unun bazen, %10 unun se çok az derse geldkler düşünülmektedr.
DetaylıKorelasyon ve Regresyon
Korelasyon ve Regresyon 1 Korelasyon Analz İk değşken arasında lşk olup olmadığını belrlemek çn yapılan analze korelasyon analz denr. Korelasyon; doğrusal yada doğrusal olmayan dye kye ayrılır. Korelasyon
DetaylıBulanık Mantık ile Hesaplanan Geoid Yüksekliğine Nokta Yüksekliklerinin Etkisi
Harta Teknolojler Elektronk Dergs Clt: 5, No: 1, 2013 (61-67) Electronc Journal of Map Technologes Vol: 5, No: 1, 2013 (61-67) TEKNOLOJİK ARAŞTIRMALAR www.teknolojkarastrmalar.com e-issn: 1309-3983 Makale
DetaylıTuğla Duvardaki ve Tesisattaki Isı Kaybının Yapay Sinir Ağları İle Belirlenmesi
Fırat Ünv. Fen ve Müh. Bl. Der. Scence and Eng. J of Fırat Unv. 18 (1), 133-141, 2006 18 (1), 133-141, 2006 Tuğla Duvardak ve Tessattak Isı Kaybının Yapay Snr Ağları İle Belrlenmes Ömer KELEŞOĞLU ve Adem
DetaylıJFM316 Elektrik Yöntemler ( Doğru Akım Özdirenç Yöntemi)
JFM316 Elektrk Yöntemler ( Doğru Akım Özdrenç Yöntem) yeryüzünde oluşturacağı gerlm değerler hesaplanablr. Daha sonra aşağıdak formül kullanılarak görünür özdrenç hesaplanır. a K I K 2 1 1 1 1 AM BM AN
DetaylıKİ-KARE TESTLERİ A) Kİ-KARE DAĞILIMI VE ÖZELLİKLERİ
Kİ-KAR TSTLRİ A) Kİ-KAR DAĞILIMI V ÖZLLİKLRİ Örnekleme yoluyla elde edlen rakamların, anakütle rakamlarına uygun olup olmadığı; br başka fadeyle gözlenen değerlern teork( beklenen) değerlere uygunluk gösterp
DetaylıKİ-KARE TESTLERİ. şeklinde karesi alındığında, Z i. değerlerinin dağılımı ki-kare dağılımına dönüşür.
Kİ-KARE TESTLERİ A) Kİ-KARE DAĞILIMI VE ÖZELLİKLERİ Örnekleme yoluyla elde edlen rakamların, anakütle rakamlarına uygun olup olmadığı; br başka fadeyle gözlenen değerlern teork( beklenen) değerlere uygunluk
DetaylıMakine Öğrenmesi 6. hafta
Makne Öğrenmes 6. hafta Yapay Snr Ağlarına Grş Tek katmanlı YSA lar Algılayıcı (Perceptron) Aalne (Aaptve Lnear Elemen Byolojk Snr Hücres Byolojk snrler ört ana bölümen oluşmaktaır. Bunlar: Denrt, Akson,
DetaylıROTASYON ORMAN ALGORİTMASI İLE YÜKSEK ÇÖZÜNÜRLÜKLÜ MULTİSPEKTRAL UYDU GÖRÜNTÜLERİNİN SINIFLANDIRILMASI
ROTASYON ORMAN ALGORİTMASI İLE YÜKSEK ÇÖZÜNÜRLÜKLÜ MULTİSPEKTRAL UYDU GÖRÜNTÜLERİNİN SINIFLANDIRILMASI İsmal ÇÖLKESEN 1, Tahsn YOMRALIOĞLU 2, Taşkın KAVZOĞLU 3 1 Araş. Gör., Gebze Yüksek Teknoloj Ensttüsü,
DetaylıBİRLEŞİK DALGACIK-SİNİR AĞI MODELİ YAKLAŞIMI İLE ELEKTRİK GÜÇ SİSTEMLERİNDE ARIZA SINIFLAMA
BİRLEŞİK DALGACIK-SİNİR AĞI MODELİ YAKLAŞIMI İLE ELEKTRİK GÜÇ SİSTEMLERİNDE ARIZA SINIFLAMA Oben DAĞ Canbolat UÇAK, Elektrk-Elektronk Mühendslğ Bölümü Mühendslk-Mmarlk Fakültes Yedtepe Ünverstes,, Erenköy,
DetaylıTürkiyede ki ĠĢ Kazalarının Yapay Sinir Ağları ile 2025 Yılına Kadar Tahmini
Türkyede k ĠĢ Kazalarının Yapay Snr Ağları le 2025 Yılına Kadar Tahmn Hüseyn Ceylan ve Murat Avan Kırıkkale Meslek Yüksekokulu, Kırıkkale Ünverstes, Kırıkkale, 71450 Türkye. Kaman Meslek Yüksekokulu, Ah
Detaylı4.5. SOĞUTMA KULELERİNİN BOYUTLANDIRILMASI İÇİN BİR ANALIZ
Ünsal M.; Varol, A.: Soğutma Kulelernn Boyutlandırılması İçn Br Kuramsal 8 Mayıs 990, S: 8-85, Adana 4.5. SOĞUTMA KULELERİNİN BOYUTLANDIRILMASI İÇİN BİR ANALIZ Asaf Varol Fırat Ünverstes, Teknk Eğtm Fakültes,
DetaylıEpilepside EEG Tabanlı Entropi Değişimleri
TURKMIA 9 Proceedngs 7 VI. Ulusal Tıp Blşm Kongres Bldrler ENMI Vol V No 1, 9 Eplepsde EEG Tabanlı Entrop Değşmler b c Serap 1 AYDINa,1, H.Melh SARAOĞLU, Sadık KARA a Elektrk-Elektronk Müh Böl, Ondokuz
DetaylıA İSTATİSTİK. 4. X kesikli rasgele (random) değişkenin moment çıkaran. C) 4 9 Buna göre, X in beklenen değeri kaçtır?
. Br torbada 6 syah, 4 beyaz top vardır. Bu torbadan yerne koyarak top seçlyor. A İSTATİSTİK KPSS/-AB-PÖ/006. Normal dağılıma sahp br rasgele (random) değşkenn varyansı 00 dür. Seçlen topların ksnn de
DetaylıVEKTÖRLER VE VEKTÖREL IŞLEMLER
VEKTÖRLER VE VEKTÖREL IŞLEMLER 1 2.1 Tanımlar Skaler büyüklük: Sadece şddet bulunan büyüklükler (örn: uzunluk, zaman, kütle, hacm, enerj, yoğunluk) Br harf le sembolze edleblr. (örn: kütle: m) Şddet :
DetaylıK-Ortalamalar Yöntemi ile Yıllık Yağışların Sınıflandırılması ve Homojen Bölgelerin Belirlenmesi *
İMO Teknk Derg, 2012 6037-6050, Yazı 383 K-Ortalamalar Yöntem le Yıllık Yağışların Sınıflandırılması ve Homojen Bölgelern Belrlenmes * Mahmut FIAT* Fath DİKBAŞ** Abdullah Cem KOÇ*** Mahmud GÜGÖ**** ÖZ
DetaylıSEK Tahmincilerinin Arzulanan Özellikleri. SEK Tahmincilerinin Arzulanan Özellikleri. Ekonometri 1 Konu 9 Sürüm 2,0 (Ekim 2011)
SEK Tahmnclernn Arzulanan Özellkler İk Değşkenl Bağlanım Model SEK Tahmnclernn Arzulanan Özellkler Ekonometr 1 Konu 9 Sürüm 2,0 (Ekm 2011) http://www.ackders.org.tr SEK Tahmnclernn Arzulanan Özellkler
DetaylıSTANDART VE HİBRİD YAPILAR KULLANARAK YAPAY SİNİR AĞLARI İLE İMZA TANIMA
STANDART VE HİBRİD YAPILAR KULLANARAK YAPAY SİNİR AĞLARI İLE İMZA TANIMA Canan ŞENOL Tülay YILDIRIM Kadr Has Ünverstes, Elektronk Mühendslğ Bölümü, 3430, Cbal, Fath-İstanbul Yıldız Teknk Ünverstes, Elektronk
DetaylıCuEEG: EEG Verilerinin Hızlı İşlenmesi için GPU Tabanlı Bir Yaklaşım CuEEG: A GPU-Based Approach for Fast Processing of EEG Data
ELECO '212 Elektrk - Elektronk ve Blgsayar Mühendslğ Sempozyumu, 29 Kasım - 1 Aralık 212, Bursa CuEEG: EEG Verlernn Hızlı İşlenmes çn GPU Tabanlı Br Yaklaşım CuEEG: A GPU-Based Approach for Fast Processng
DetaylıPARMAKİZİ RESİMLERİNİN YAPAY SİNİR AĞLARI İLE TEMİZLENMESİ VE İYİLEŞTİRİLMESİ
PARMAKİZİ RESİMLERİNİN YAPAY SİNİR AĞLARI İLE TEMİZLENMESİ VE İYİLEŞTİRİLMESİ Necla ÖZKAYA Şeref SAĞIROĞLU Blgsayar Mühendslğ Bölümü, Mühendslk Fakültes, Ercyes Ünverstes, 38039, Talas, Kayser Gaz Ünverstes,
DetaylıObtaining Classical Reliability Terms from Item Response Theory in Multiple Choice Tests
Ankara Unversty, Journal of Faculty of Educatonal Scences, year: 26, vol: 39, no: 2, 27-44 Obtanng Classcal Relablty Terms from Item Response Theory n Multple Choce Tests Hall Yurdugül * ABSTRACT: The
DetaylıMakine Öğrenmesi 10. hafta
Makne Öğrenmes 0. hafta Lagrange Optmzasonu Destek Vektör Maknes (SVM) Karesel (Quadratc) Programlama Optmzason Blmsel term olarak dlmze geçmş olsa da bazen en leme termle karşılık bulur. Matematktek en
DetaylıMIT Açık Ders Malzemeleri Bu materyallerden alıntı yapmak veya Kullanım Koşulları hakkında bilgi almak için
MIT Açık Ders Malzemeler http://ocm.mt.edu Bu materyallerden alıntı yapmak veya Kullanım Koşulları hakkında blg almak çn http://ocm.mt.edu/terms veya http://tuba.açık ders.org.tr adresn zyaret ednz. 18.102
DetaylıYAPAY ZEKA YÖNTEMLERİYLE BİTKİ YAPRAK İMGELERİNDE PAS HASTALIKLARININ TESPİTİ. Emrullah ACAR
T.C DİCLE ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YAPAY ZEKA YÖNTEMLERİYLE BİTKİ YAPRAK İMGELERİNDE PAS HASTALIKLARININ TESPİTİ Emrullah ACAR YÜKSEK LİSANS TEZİ ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ ANABİLİM DALI
DetaylıÜç Boyutlu Yapı-Zemin Etkileşimi Problemlerinin Kuadratik Sonlu Elemanlar ve Sonsuz Elemanlar Kullanılarak Çözümü
ECAS Uluslararası Yapı ve Deprem Mühendslğ Sempozyumu, Ekm, Orta Doğu Teknk Ünverstes, Ankara, Türkye Üç Boyutlu Yapı-Zemn Etkleşm Problemlernn Kuadratk Sonlu Elemanlar ve Sonsuz Elemanlar Kullanılarak
DetaylıBÖLÜM 5 İKİ VEYA DAHA YÜKSEK BOYUTLU RASGELE DEĞİŞKENLER İki Boyutlu Rasgele Değişkenler
BÖLÜM 5 İKİ VEYA DAHA YÜKSEK BOYUTLU RASGELE DEĞİŞKENLER 5.. İk Boyutlu Rasgele Değşkenler Br deney yapıldığında, aynı deneyle lgl brçok rasgele değşkenn aynı andak durumunu düşünmek gerekeblr. Böyle durumlarda
Detaylıbir yol oluşturmaktadır. Yine i 2 , de bir yol oluşturmaktadır. Şekil.DT.1. Temel terimlerin incelenmesi için örnek devre
Devre Analz Teknkler DEE AAĐZ TEKĐKEĐ Bu zamana kadar kullandığımız Krchoffun kanunları ve Ohm kanunu devre problemlern çözmek çn gerekl ve yeterl olan eştlkler sağladılar. Fakat bu kanunları kullanarak
DetaylıPamukkale Üniversitesi Mühendislik Bilimleri Dergisi Pamukkale University Journal of Engineering Sciences
Pamukkale Ünverstes Mühendslk Blmler Dergs, Clt 0, Sayı 3, 04, Sayfalar 85-9 Pamukkale Ünverstes Mühendslk Blmler Dergs Pamukkale Unversty Journal of Engneerng Scences PREFABRİK ENDÜSTRİ YAPIARININ ARMONİ
Detaylıdir. Bir başka deyişle bir olayın olasılığı, uygun sonuçların sayısının örnek uzaydaki tüm sonuçların sayısına oranıdır.
BÖLÜM 3 OLASILIK HESABI 3.. Br Olayın Olasılığı Tanım 3... Br olayın brbrnden ayrık ve ortaya çıkma şansı eşt n mümkün sonucundan m tanes br A olayına uygun se, A olayının P(A) le gösterlen olasılığı P(A)
DetaylıLOJİSTİK REGRESYON VE CART ANALİZİ TEKNİKLERİYLE SOSYAL GÜVENLİK KURUMU İLAÇ PROVİZYON SİSTEMİ VERİLERİ ÜZERİNDE BİR UYGULAMA. Zeynep Burcu KIRAN
LOJİSTİK REGRESYON VE CART ANALİZİ TEKNİKLERİYLE SOSYAL GÜVENLİK KURUMU İLAÇ PROVİZYON SİSTEMİ VERİLERİ ÜZERİNDE BİR UYGULAMA Zeynep Burcu KIRAN YÜKSEK LİSANS TEZİ İSTATİSTİK GAZİ ÜNİVERSİTESİ FEN BİLİMLERİ
DetaylıBÖLÜM 1 1.GİRİŞ: İSTATİSTİKSEL DOĞRUSAL MODELLER
BÖLÜM 1 1.GİRİŞ: İSTATİSTİKSEL DOĞRUSAL MODELLER Blmn amaçlarından br yaşanılan doğa olaylarını tanımlamak ve olayları önceden tahmnlemektr. Bu amacı başarmanın yollarından br olaylar üzernde etkl olduğu
DetaylıREGRESYONDA ETKİLİ GÖZLEMLERİ BELİRLEME YÖNTEMLERİ VE KARŞILAŞTIRMALARI. Can DARICA YÜKSEK LİSANS TEZİ İSTATİSTİK
REGRESYONDA ETKİLİ GÖZLEMLERİ BELİRLEME YÖNTEMLERİ VE KARŞILAŞTIRMALARI Can DARICA YÜKSEK LİSANS TEZİ İSTATİSTİK GAZİ ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ ŞUBAT 014 ANKARA Can DARICA tarafından hazırlanan
DetaylıNİTEL TERCİH MODELLERİ
NİTEL TERCİH MODELLERİ 2300 gözlem sayısı le verlen değşkenler aşağıdak gbdr: calsma: çocuk çalışıyorsa 1, çalışmıyorsa 0 (bağımlı değşken) Anne_egts: Anne eğtm sevyes Baba_egts: Baba eğtm sevyes Kent:
DetaylıDOĞRUSAL HEDEF PROGRAMLAMA İLE BÜTÇELEME. Hazırlayan: Ozan Kocadağlı Danışman: Prof. Dr. Nalan Cinemre
1 DOĞRUSAL HEDEF PROGRAMLAMA İLE BÜTÇELEME Hazırlayan: Ozan Kocadağlı Danışman: Prof. Dr. Nalan Cnemre 2 BİRİNCİ BÖLÜM HEDEF PROGRAMLAMA 1.1 Grş Karar problemler amaç sayısına göre tek amaçlı ve çok amaçlı
DetaylıSEK Yönteminin Güvenilirliği Sayısal Bir Örnek. Ekonometri 1 Konu 11 Sürüm 2,0 (Ekim 2011)
İk Değşkenl Bağlanım Model SEK Yöntemnn Güvenlrlğ Ekonometr 1 Konu 11 Sürüm,0 (Ekm 011) UADMK Açık Lsans Blgs İşbu belge, Creatve Commons Attrbuton-Non-Commercal ShareAlke 3.0 Unported (CC BY-NC-SA 3.0)
DetaylıKonumsal Enterpolasyon Yöntemleri Uygulamalarında Optimum Parametre Seçimi: Doğu Karadeniz Bölgesi Günlük Ortalama Sıcaklık Verileri Örneği
S. ZENGİN KAZANCI, E. TANIR KAYIKÇI Konumsal Enterpolasyon Yöntemler Uygulamalarında Optmum Parametre Seçm: Doğu Karadenz Bölges Günlük Ortalama Sıcaklık S. ZENGİN KAZANCI 1, E. TANIR KAYIKÇI 1 1 Karadenz
DetaylıYapay Sinir Ağı ve Bulanık-Yapay Sinir Ağı Yöntemleri Kullanılarak Tava Buharlaşma Tahmini
Tarım Blmler Araştırma Dergs 3 (): 45-5, 00 ISSN: 308-3945, E-ISSN: 308-07X, www.nobel.gen.tr Yapay Snr Ağı ve Bulanık-Yapay Snr Ağı Yöntemler Kullanılarak Tava Buharlaşma Tahmn Özgür KIŞI Selcan AFŞA
DetaylıŞehiriçi Karayolu Ağlarının Sezgisel Harmoni Araştırması Optimizasyon Yöntemi ile Ayrık Tasarımı *
İMO Teknk Derg, 2013 6211-6231, Yazı 392 Şehrç Karayolu Ağlarının Sezgsel Harmon Araştırması Optmzasyon Yöntem le Ayrık Tasarımı * Hüseyn CEYLAN* Halm CEYLAN** ÖZ Bu çalışmada, şehrç ulaştırma ağlarının
DetaylıİÇME SUYU ŞEBEKELERİNİN GÜVENİLİRLİĞİ
Türkye İnşaat Mühendslğ, XVII. Teknk Kongre, İstanbul, 2004 İÇME SUYU ŞEBEKELERİNİN GÜVENİLİRLİĞİ Nur MERZİ 1, Metn NOHUTCU, Evren YILDIZ 1 Orta Doğu Teknk Ünverstes, İnşaat Mühendslğ Bölümü, 06531 Ankara
DetaylıPARABOLİK YOĞUNLUK FONKSİYONUNU KULLANARAK SEDİMANTER TEMEL DERİNLİKLERİNİN KESTİRİMİ
Uygulamalı Yerblmler Sayı: (Mayıs-Hazran ) -9 PARABOLİK YOĞUNLUK FONKSİYONUNU KULLANARAK SEDİMANTER TEMEL DERİNLİKLERİNİN KESTİRİMİ Estmaton of Sedmentary Basement Depths By Usng Parabolc Densty Functon
DetaylıMeteorolojik Verilerin Yapay Sinir Ağları Đle Modellenmesi
KSÜ Fen ve Mühendslk Dergs, 10(1), 2007 148 KSU Journal of Scence and Engneerng, 10(1), 2007 Meteorolojk Verlern Yapay Snr Ağları Đle Modellenmes Kemal ATĐK 1, Emrah DENĐZ 1, Enver YILDIZ 2 1 ZKÜ. Karabük
DetaylıFARKLI VERİ YAPILARINDA KULLANILABİLECEK REGRESYON YÖNTEMLERİ
Anadolu Tarım Blm. Derg., 203,28(3):68-74 Anadolu J Agr Sc, 203,28(3):68-74 do: 0.76/anaas.203.28.3.68 URL: htt://dx.do.org/0.76/anaas.203.28.3.68 Derleme Revew FARKLI VERİ YAPILARINDA KULLANILABİLECEK
DetaylıCommunication Theory
Communcaton Theory ENFORMASYON TEORİSİ KODLAMA Doç. Dr. Hakan Doğan ENFORMASYON DEYİMİ NEDEN KULLANILMIŞ? Kaynaklarn, kanalların,alıcıların blg karakterstklern ncelemek. Blgnn letmn optmze etmek çn İletmn
DetaylıYard. Doç. Dr. Oben Dağ 1. İstanbul Arel Üniversitesi obendag@arel.edu.tr. Özet. 1. Giriş. 2. Problemin Tanımı
Elektrk Güç Sstemlernde Mkro Şebeke Uygulamaları ve Harmonk Kaynak Yer Tespt Mcrogrd Applcatons n Electrcal Power Systems and Harmonc Source Locaton Yard. Doç. Dr. Oben Dağ 1 1 Elektrk-Elektronk Mühendslğ
DetaylıTRİSTÖR VE TRİYAK HARMONİKLERİNİN 3 BOYUTLU GÖSTERİMİ VE TOPLAM HARMONİK BOZUNUMA EĞRİ UYDURMA
PAMUKKALE ÜNİ VERSİ TESİ MÜHENDİ SLİ K FAKÜLTESİ PAMUKKALE UNIVERSITY ENGINEERING COLLEGE MÜHENDİ SLİ K BİL İ MLERİ DERGİ S İ JOURNAL OF ENGINEERING SCIENCES YIL CİLT SAYI SAYFA : : : : 5- TRİSTÖR VE TRİYAK
DetaylıSinirsel Bulanık Sistemler İle Trafik Gürültüsünün Tahmini
Snrsel Bulanık Sstemler İle Trafk Gürültüsünün Tahmn Ahmet Tortum Yrd. Doç. Dr.,Atatürk Ünverstes,Mühendslk Fakültes,İnşaat Bölümü,Erzurum E-posta : atortum@ataun.edu.tr Yasn Çodur Arş.Gör., Atatürk Ünverstes,Mühendslk
DetaylıVeride etiket bilgisi yok Denetimsiz öğrenme (unsupervised learning) Neden gereklidir?
MEH535 Örünü Tanıma 7. Kümeleme (Cluserng) Doç.Dr. M. Kemal GÜLLÜ Elekronk ve Haberleşme Mühendslğ Bölümü web: hp://akademkpersonel.kocael.edu.r/kemalg/ E-posa: kemalg@kocael.edu.r Verde eke blgs yok Denemsz
DetaylıT.C. SELÇUK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ
T.C. SELÇUK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ QUANTILE REGRESYON ve BİR UYGULAMA İlkay ALTINDAĞ YÜKSEK LİSANS TEZİ İSTATİSTİK ANABİLİM DALI Ağustos-1 KONYA Her Hakkı Saklıdır ÖZET YÜKSEK LİSANS TEZİ
DetaylıTÜRKİYE DEKİ 380 kv LUK 14 BARALI GÜÇ SİSTEMİNDE EKONOMİK YÜKLENME ANALİZİ
TÜRİYE DEİ 38 kv LU 4 BARALI GÜÇ SİSTEMİDE EOOMİ YÜLEME AALİZİ Mehmet URBA Ümmühan BAŞARA 2,2 Elektrk-Elektronk Mühendslğ Bölümü Mühendslk-Mmarlık Fakültes Anadolu Ünverstes İk Eylül ampüsü, 2647, ESİŞEHİR
DetaylıYARIPARAMETRİK KISMİ DOĞRUSAL PANEL VERİ MODELLERİYLE ULUSLAR ARASI GÖÇ
Özet YARIPARAMETRİK KISMİ DOĞRUSAL PANEL VERİ MODELLERİYLE ULUSLAR ARASI GÖÇ Atıf EVREN *1 Elf TUNA ** Yarı parametrk panel ver modeller parametrk ve parametrk olmayan modeller br araya getren; br kısmı
DetaylıÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ
ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS EN KÜÇÜK KARELER, RİDGE REGRESYON VE ROBUST REGRESYON YÖNTEMLERİNDE ANALİZ SONUÇLARINA AYKIRI DEĞERLERİN ETKİLERİNİN BELİRLENMESİ ZOOTEKNİ ANABİLİM
DetaylıDepreme ilişkin olağan dışı sinyal değişiminin YSA ile saptanması
tüdergs/d mühendslk Clt:2, Sayı:5, 85-95 Ekm 2003 Depreme lşkn olağan dışı snyal değşmnn YSA le saptanması Mehmet Sraç ÖZERDEM *, A.Coşkun SÖNMEZ İTÜ Elektrk Elektronk Fakültes, Blgsayar Mühendslğ Bölümü,
DetaylıDeprem Tepkisinin Sayısal Metotlar ile Değerlendirilmesi (Newmark-Beta Metodu) Deprem Mühendisliğine Giriş Dersi Doç. Dr.
Deprem Tepksnn Sayısal Metotlar le Değerlendrlmes (Newmark-Beta Metodu) Sunum Anahat Grş Sayısal Metotlar Motvasyon Tahrk Fonksyonunun Parçalı Lneer Interpolasyonu (Pecewse Lnear Interpolaton of Exctaton
DetaylıT.C. ULUDAĞ ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ KONUŞMACI TANIMA YÖNTEMLERİNİN KARŞILAŞTIRMALI ANALİZİ. Cemal HANİLÇİ
T.C. ULUDAĞ ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ KONUŞMACI TANIMA YÖNTEMLERİNİN KARŞILAŞTIRMALI ANALİZİ Cemal HANİLÇİ YÜKSEK LİSANS TEZİ ELEKTRONİK MÜHENDİSLİĞİ ANABİLİM DALI BURSA-2007 T.C. ULUDAĞ ÜNİVERSİTESİ
DetaylıATATÜRK ÜNİVERSİTESİ SOSYAL BİLİMLER ENSTİTÜSÜ İŞLETME ANA BİLİM DALI. Serhat BURMAOĞLU
ATATÜRK ÜNİVERSİTESİ SOSYAL BİLİMLER ENSTİTÜSÜ İŞLETME ANA BİLİM DALI Serhat BURMAOĞLU BİRLEŞMİŞ MİLLETLER KALKINMA PROGRAMI BEŞERİ KALKINMA ENDEKSİ VERİLERİNİ KULLANARAK DİSKRİMİNANT ANALİZİ, LOJİSTİK
DetaylıHasar sıklıkları için sıfır yığılmalı kesikli modeller
www.statstkcler.org İstatstkçler Dergs 5 (01) 3-31 İstatstkçler Dergs Hasar sıklıkları çn sıfır yığılmalı keskl modeller Sema Tüzel Hacettepe Ünverstes Aktüerya Blmler Bölümü 06800-Beytepe, Ankara, Türkye
DetaylıFırat Üniversitesi, Mühendislik Fakültesi, Makine Bölümü, ELAZIĞ
GENETİK ALGORİTMA İLE PARAMETRELERİ OPTİMİZE EDİLMİŞ AĞ TABANLI BULANIK DENETİM SİSTEMİNİN SİSMİK İZOLASYONA UYGULANMASI VE MATLAB İLE SİMÜLASYONU Doç Dr. Hasan ALLİ ve Arş. Gör. Oğuz YAKUT Fırat Ünverstes,
DetaylıASAL BİLEŞENLER ANALİZİNE BOOTSTRAP YAKLAŞIMI
Ekonometr ve İstatstk Sayı: 2005 5-05 İSTANBUL ÜNİVERSİTESİ İKTİSAT FAKÜLTESİ EKONOMETRİ VE İSTATİSTİK DERGİSİ ASAL BİLEŞENLER ANALİZİNE BOOTSTRAP YAKLAŞIMI Dr. Ayln Aktükün Bu makale 5.2.2004 tarhnde
DetaylıSürekli Olasılık Dağılım (Birikimli- Kümülatif)Fonksiyonu. Yrd. Doç. Dr. Tijen ÖVER ÖZÇELİK
Sürekl Olasılık Dağılım Brkml- KümülatFonksyonu Yrd. Doç. Dr. Tjen ÖVER ÖZÇELİK tover@sakarya.edu.tr Sürekl olasılık onksyonları X değşken - ;+ aralığında tanımlanmış br sürekl rassal değşken olsun. Aşağıdak
DetaylıÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ ÇOKLU İÇ İLİŞKİ VE EKOLOJİK REGRESYON İSTATİSTİK ANABİLİM DALI
ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ Berrn GÜLTAY YÜKSEK LİSANS TEZİ ÇOKLU İÇ İLİŞKİ VE EKOLOJİK REGRESYON İSTATİSTİK ANABİLİM DALI ADANA, 9 ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ ÇOKLU
DetaylıSüleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Y.2008, C.13, S.1 s.111-131.
Süleyman Demrel Ünverstes İktsad ve İdar Blmler Fakültes Y.008, C.3, S. s.-3. BİREYSEL EMEKLİLİK FONLARINDA FON YAPILARININ KARMA DENEMELER YÖNTEMİ İLE İNCELENMESİ EXAMINING THE STRUCTURE OF FUNDS BY MIXTURE
DetaylıBulanık TOPSIS ve Bulanık VIKOR Yöntemleriyle Alışveriş Merkezi Kuruluş Yeri Seçimi ve Bir Uygulama
EGE AKADEMİK BAKIŞ / EGE ACADEMIC REVIEW Clt: 14 Sayı: 3 Temmuz 2014 ss. 463-479 Bulanık TOPSIS ve Bulanık VIKOR Yöntemleryle Alışverş Merkez Kuruluş Yer Seçm ve Br Uygulama Selecton of Shoppng Center
DetaylıKIRMIZI, TAVUK VE BEYAZ ET TALEBİNİN TAM TALEP SİSTEMİ YAKLAŞIMIYLA ANALİZİ
Süleyman Demrel Ünverstes Sosyal Blmler Ensttüsü Dergs Yıl: 2007/2, Sayı: 6 Journal of Suleyman Demrel Unversty Insttue of Socal Scences Year: 2007/2, Number: 6 KIRMIZI, TAVUK VE BEYAZ ET TALEBİNİN TAM
DetaylıMuhasebe ve Finansman Dergisi
Muhasebe ve Fnansman Dergs Ocak/2012 Farklı Muhasebe Düzenlemelerne Göre Hazırlanan Mal Tablolardan Elde Edlen Fnansal Oranlar İle Şrketlern Hsse Sened Getrler Ve Pyasa Değerler Arasındak İlşk Ahmet BÜYÜKŞALVARCI
DetaylıÇOK DURUMLU AĞIRLIKLANDIRILMIŞ BİLEŞENLİ SİSTEMLERİN DİNAMİK GÜVENİLİRLİK ANALİZİ
T.C. KARA HARP OKULU SAVUNMA BİLİMLERİ ENSTİTÜSÜ HAREKÂT ARAŞTIRMASI ANA BİLİM DALI ÇOK DURUMLU AĞIRLIKLANDIRILMIŞ BİLEŞENLİ SİSTEMLERİN DİNAMİK GÜVENİLİRLİK ANALİZİ DOKTORA TEZİ Hazırlayan Al Rıza BOZBULUT
DetaylıGRİ İLİŞKİSEL ANALİZ YÖNTEMİNE GÖRE FARKLI SERTLİKLERDE OPTİMUM TAKIM TUTUCUSUNUN BELİRLENMESİ
2. Ulusal Tasarım İmalat ve Analz Kongres 11-12 Kasım 21- Balıkesr GRİ İLİŞKİSEL ANALİZ YÖNTEMİNE GÖRE FARKLI SERTLİKLERDE OPTİMUM TAKIM TUTUCUSUNUN BELİRLENMESİ Esra YILMAZ*, Ferhat GÜNGÖR** *ylmazesraa@gmal.com
DetaylıDENEY 4: SERİ VE PARALEL DEVRELER,VOLTAJ VE AKIM BÖLÜCÜ KURALLARI, KIRCHOFF KANUNLARI
A. DNYİN AMACI : Bast ser ve bast paralel drenç devrelern analz edp kavramak. Voltaj ve akım bölücü kurallarını kavramak. Krchoff kanunlarını deneysel olarak uygulamak. B. KULLANILACAK AAÇ V MALZML : 1.
DetaylıTürk Dilinin Biçimbilim Yapısından Yararlanarak Türkçe Metinlerin Farklı İmgelere Ayrılarak Kodlanması ve Sıkıştırılması
Türk Dlnn Bçmblm Yapısından Yararlanarak Türkçe Metnlern Farklı İmgelere Ayrılarak Kodlanması ve Sıkıştırılması Banu DİRİ, M.Yahya KARSLIGİL Yıldız Teknk Ünverstes Elektrk Elektronk Fakültes - Blgsayar
DetaylıELM201 ELEKTRONİK-I DERSİ LABORATUAR FÖYÜ
T SAKAYA ÜNİESİTESİ TEKNOLOJİ FAKÜLTESİ ELEKTİK-ELEKTONİK MÜHENDİSLİĞİ ELM201 ELEKTONİK- DESİ LAOATUA FÖYÜ DENEYİ YAPTAN: DENEYİN AD: DENEY NO: DENEYİ YAPANN AD ve SOYAD: SNF: OKUL NO: DENEY GUP NO: DENEY
DetaylıFAKTÖRİYEL TASARIMA ADAPTİF AĞ TABANLI BULANIK MANTIK ÇIKARIM SİSTEMİ İLE FARKLI BİR YAKLAŞIM. Sevil ŞENTÜRK
FAKTÖRİYEL TASARIMA ADAPTİF AĞ TABANLI BULANIK MANTIK ÇIKARIM SİSTEMİ İLE FARKLI BİR YAKLAŞIM Sevl ŞENTÜRK Anadolu Ünverstes, Fen Fakültes, İstatstk Bölümü,26470, ESKİŞEHİR, e-mal:sdelgoz@anadolu.edu.tr
DetaylıDARBELİ RADARLARDA HEDEF SINIFLAMA İÇİN AR MODELİNİN GÜÇ SPEKTRUMU VE YAPAY SİNİR AĞI TEMELLİ ÖZELLİK ÇIKARMA YÖNTEMİ ÖZET
Polteknk Dergs Journal of Polytechnc Clt: Sayı: s. 11-17, Vol: No: pp. 11-17, DARBELİ RADARLARDA HEDEF SINIFLAMA İÇİN AR MODELİNİN GÜÇ SPEKTRUMU VE YAPAY SİNİR AĞI TEMELLİ ÖZELLİK ÇIKARMA YÖNTEMİ İbrahm
Detaylı