ARAŞTIRMA MAKALESİ/RESEARCH ARTICLE TEK ÇARPIMSAL SİNİR HÜCRELİ YAPAY SİNİR AĞI MODELİNİN EĞİTİMİ İÇİN ABC VE BP YÖNTEMLERİNİN KARŞILAŞTIRILMASI ÖZ

Ebat: px
Şu sayfadan göstermeyi başlat:

Download "ARAŞTIRMA MAKALESİ/RESEARCH ARTICLE TEK ÇARPIMSAL SİNİR HÜCRELİ YAPAY SİNİR AĞI MODELİNİN EĞİTİMİ İÇİN ABC VE BP YÖNTEMLERİNİN KARŞILAŞTIRILMASI ÖZ"

Transkript

1 ANADOLU ÜNİVERSİTESİ Blm ve Teknoloj Dergs A-Uygulamalı Blmler ve Mühendslk Clt: 14 Sayı: Sayfa: ARAŞTIRMA MAKALESİ/RESEARCH ARTICLE Faruk ALPASLAN 1, Erol EĞRİOĞLU 1, Çağdaş Hakan ALADAĞ, Damla İLTER 1, Al Zafer DALAR 3 TEK ÇARPIMSAL SİNİR HÜCRELİ YAPAY SİNİR AĞI MODELİNİN EĞİTİMİ İÇİN ABC VE BP YÖNTEMLERİNİN KARŞILAŞTIRILMASI ÖZ Yapay snr ağları lteratürde zaman sers öngörü problem çn sıklıkla kullanılmaktadır. Yapay snr ağlarının, zaman sers öngörüsü çn kullanılan brçok türü vardır. Lteratürde lk kez Yadav vd. (007) tarafından tek çarpımsal snr hücres model önerlmştr. Tek çarpımsal snr hücres model, dğer yapay snr hücres modellernden farklı olarak tek çarpımsal br brleştrme fonksyonu kullanmaktadır. Tek çarpımsal snr hücres modeln kullanan tek snr hücresnn, yapay snr ağının zaman sers öngörü problemnde başarılı sonuçlar verdğ lteratürde y blnen bazı zaman serler kullanılarak Yadav vd. (007) de gösterlmştr. Tek çarpımsal snr hücres modelne dayalı tek hücrel ve ler beslemel br yapay snr ağının zaman serlern tahmn etmede oldukça başarılı sonuçlar ürettğ blnmektedr. Bu çalışmada İstanbul Altın Borsası ve İMKB 100 endeks zaman serler tek çarpımsal snr hücres model yapay snr ağı le çözümlenmştr. Çözümlemede tek çarpımsal snr hücresnn eğtm çn yapay arı kolons algortması ve ger yayılım öğrenme algortması yöntemler kullanılarak, elde edlen sonuçlar karşılaştırılmıştır. Anahtar Kelmeler: Yapay arı kolons, Ger yayılım algortması, Öngörü, Tek çarpımsal snr hücres model, Eğtm algortması COMPARISON OF SINGLE MULTIPLICATIVE NEURON ARTIFICIAL NEURAL NETWORK MODELS USING ABC AND BP TRAINING ALGORITHMS ABSTRACT In the lterature, artfcal neural networks have been frequently used for the problem of tme seres forecastng. There are many types of artfcal neural networks n predcton of tme seres. Sngle multplcatve neuron model s frstly proposed n lterature by Yadav et al. (007). Sngle multplcatve neuron model uses sngle multplcatve aggregaton functon unlke the other artfcal neuron models. Sngle neuron whch uses sngle multplcatve neuron model was shown that n Yadav et al. (007) successful results were obtaned n tme seres forecastng problem of artfcal neural network by usng well-known tme seres n lterature. It has known that sngle neuron and feed forward neural networks based on sngle multplcatve neuron model obtaned qute successful results n tme seres predcton. In ths study, Istanbul gold exchange and Index 100 for the stocks and bonds 1, Ondokuz Mayıs Ünverstes, Fen Edebyat Fakültes, İstatstk Bölümü, Kurupelt Kampüsü, Atakum, Samsun E-posta: E-mal: Hacettepe Ünverstes, Fen Fakültes, İstatstk Bölümü, Beytepe, Ankara E-posta: 3, Gresun Ünverstes, Fen Edebyat Fakültes, İstatstk Bölümü, Gazpaşa Yerleşkes, Debboy Mevk, Gresun E-posta: Gelş: 8 Kasım 013 Düzeltme: 17 Hazran 013 Kabul: 10 Ekm 013

2 Blm ve Teknoloj Dergs - A - Uygulamalı Blmler ve Mühendslk14 (3) Journal of Scence and Technology - A - Appled Scence and Engeerng 14 (3) exchange market of Istanbul tme seres are analyzed by usng sngle multplcatve neuron model artfcal neural networks. In analyze, artfcal bee colony algorthm and back propagaton algorthm methods are used for the tranng of sngle multplcatve neuron, and obtaned results are compared. Keywords: Artfcal bee colony, Back propagaton algorthm, Forecastng, Sngle multplcatve neuron model, Tranng algorthm 1. GİRİŞ Zaman serlernn öngörülmesnde kullanılan yapay snr ağları (YSA), belrszlğe olasılıksal ya da bulanık türde br yaklaşımı olmayan yöntemlerdr. YSA nın belrszlğe yaklaşım çermemes ve olasılıksal modellerde olduğu gb sağlanması zor varsayımlara htyaç duymaması en öneml avantajlarıdır. Gerçek hayat zaman serler genellkle doğrusal olmayan yapıları çerdğnden ARIMA, SARIMA gb doğrusal modeller le çözümlenmes zor olablmektedr. YSA aktvasyon fonksyonu sayesnde doğrusal olmayan zaman serlern çözümlenmesne olanak sağlamaktadır. Zaman serlernn çözümlenmesnde kullanılan YSA türler; çok katmanlı algılayıcı, Elman tp ger beslemel snr ağları, radyal temell yapay snr ağları ve son yıllarda kullanılan tek çarpımsal snr hücres model YSA dır. YSA le zaman serlernn öngörülmes üzerne lteratürde Zhang vd. (1998) çalışmasında detaylı br şeklde verlmştr. Tek çarpımsal snr hücres modelnn en öneml avantajlarından br, dğer YSA modellernn aksne gzl tabaka brm sayısının belrlenmesne htyaç duymamasıdır. Ayrıca tek çarpımsal snr hücres model YSA tek snr hücresnden oluştuğundan, dğer YSA türlerne göre daha bast ağ yapısına sahptr. Tek çarpımsal snr hücres model, dğer YSA lardan daha y öngörü sonuçları ürettğ, Yadav vd. (007) de gösterlmştr. Tek çarpımsal snr hücres model YSA, bast yapısı ve y öngörü performansı nedenyle lteratürde sıkça kullanılmaya başlanmıştır. Tek çarpımsal snr hücres modelnde, öngörü performansını etkleyen öneml br faktör eğtm algortmasıdır. Tek çarpımsal snr hücres model eğtm çn lteratürde farklı yöntemler kullanılmaktadır. Yadav vd. (007) de tek çarpımsal snr hücres model YSA nın eğtm çn ger yayılım öğrenme (BP) algortmasını önerrken, Zhao ve Yang (009) ve Samanta (011) çalışmalarında parçacık sürü optmzasyonu algortmasını kullanmıştır. Çok katmanlı algılayıcının eğtm çn yapay arı kolons (ABC) algortması Karaboğa ve Akay (007), Karaboğa vd. (007), Kumbhar ve Krshnan (011) ve Öztürk ve Karaboğa (011) çalışmalarında kullanılmıştır. Mammadov ve Taş (006) ve Mammadov vd. (008) çalışmalarında se ler beslemel snr ağlarının eğtm çn farklı eğtm algortmaları önerlmştr. Lteratürde lk kez İlter (01) çalışmasında tek çarpımsal snr hücres YSA model eğtm çn ABC algortması kullanılmıştır. Bu çalışmada, İstanbul Altın Borsası ve İMKB 100 endeks zaman serler tek çarpımsal snr hücres model YSA le çözümlenmştr. Çözümlemede tek çarpımsal snr hücres model eğtm çn ABC algortması ve BP algortması yöntemler kullanılarak, elde edlen sonuçlar karşılaştırılmıştır. Çalışmanın knc bölümünde YSA lar le nasıl öngörü elde edleceğ algortma yardımıyla verlmştr. Üçüncü bölümde tek çarpımsal snr hücres model ve bu modeln eğtmnde kullanılan ABC ve BP algortması yöntemler özetlenmştr. Dördüncü bölümde se İstanbul Altın Borsası ve İMKB 100 Endeks zaman serler çn uygulamadan elde edlen sonuçlar, tablolar ve şekller yardımıyla verlmştr. Son bölümde se elde edlen sonuçlar tartışılmıştır.. YAPAY SİNİR AĞLARI İLE ÖNGÖRÜ YSA le zaman sers öngörüsü elde etmek çn uygulanması gereken şlemler adımlar halnde br algortma halne getrleblr. YSA yöntemyle zaman serlernde öngörü elde etmey, Günay vd. (007) de verldğ gb 7 adımda özetlemek mümkündür. Algortma 1. YSA le Öngörü Adım 1. Vernn ön şlenmes İlk olarak verlern küçük aralığa dönüştürülmes gerçekleştrlr. x, grd değerlern göstermek üzere lojstk aktvasyon fonksyonu kullanılacaksa, grd değerler. 316

3 Blm ve Teknoloj Dergs - A - Uygulamalı Blmler ve Mühendslk14 (3) Journal of Scence and Technology - A - Appled Scence and Engeerng 14 (3) x Mn( x ) x (1) Maks( x ) Mn( x ) şeklnde [0,1] aralığına dönüştürüleblr. Adım. Ver organzasyonu Eğtm ve test kümelernn büyüklüğünün ver kümesnn yüzde kaçı olacağına karar verlr. Genelde vernn % 10 veya % 0 s, test kümes olarak kullanılmaktadır. Adım 3. Modelleme Grd sayısı, gzl tabaka sayısı, gzl tabakadak brm sayısı ve çıktı tabakasındak brm sayısı, bu brmlerde kullanılacak aktvasyon fonksyonu, öğrenme algortması ve bu algortmanın parametreler ve performans ölçütü belrlenerek, kullanılacak YSA model kurulur. Tek çarpımsal snr hücres YSA model kullanıldığında, gzl tabaka brm sayısının belrlenmes gerekmemektedr. Adım 4. Grd değerlernn oluşturulması YSA nın grd değerler geckmel zaman serlerdr. X t zaman sers çn grd değerler oluşturulurken, grd tabakasındak brm sayısı m le gösterlsn. m tane geckmel zaman sers X t-1, X t-,..., X t-m şeklnde oluşturulur. Adım 5. En y ağırlık değerlernn hesaplanması Eğtm kümes üzernden, seçlen öğrenme algortması le en y ağırlık değerler bulunur. Elde edlen en y ağırlık değerler kullanılarak, kurulan YSA modelnn çıktı değerler hesaplanır. Adım 6. Performans ölçütünün hesaplanması YSA nın test kümes tahmnler elde edlr. Adım 5 te elde edlen çıktı değerlerne ve bu adımda elde edlen değerlere, Adım 1 de uygulanan dönüşümün ters uygulanır. Bu dönüşüm sonucu elde edlen değerler sırasıyla, eğtm kümesnn tahmnlern ve test kümesnn tahmnlern oluşturur. Test kümesnn tahmnler le test kümesndek verlern arasındak farka dayalı olarak, seçlen performans ölçütü hesaplanır. Lteratürde en yaygın kullanılan performans ölçütlernden br aşağıda formülü verlen hata kareler ortalaması karekök (HKOK) değerdr. HKOK n 1 ( x t xˆ ) () t Adım 7. Öngörü Son olarak, Adım 5 te bulunan en y ağırlık değerler kullanılarak, test kümesnden sonrak zamanlar çn yan gelecek çn öngörü değerler, yne teratf öngörü ya da doğrudan öngörü yöntemlernden br kullanılarak elde edlr. 3. TEK ÇARPIMSAL SİNİR HÜCRESİ YSA MODELİ Tek çarpımsal snr hücres model, zaman serlernn tahmn ve fonksyon yaklaşımı çn kullanılan br snr ağı modeldr. Model, uzayın farklı boyutlarındak lneer fonksyonların çarpımına dayalı olan çok terml br mmarden meydana gelmektedr (Zhao ve Yang, 009). Yadav vd. (007), tek çarpımsal snr hücres modeln önermştr. Bu modelde, snr hücresnn grd snyal çarpım fonksyonu le hesaplanmaktadır. Modelde tek br snr hücres vardır ve ler beslemel snr ağından farklı olarak snr hücresne gelen snyale toplama şlem değl çarpma şlem uygulanmaktadır. x, fonksyonu ağırlıklandırılmış grdlern çarpımından barettr (Aladağ, 011). Tek çarpımsal snr hücres model mmars Şekl 1 de gösterlmştr. 317

4 Blm ve Teknoloj Dergs - A - Uygulamalı Blmler ve Mühendslk14 (3) Journal of Scence and Technology - A - Appled Scence and Engeerng 14 (3) Burada w w,..., w, b, b,..., Şekl 1. Tek çarpımsal snr hücres model mmars 1, m 1 b m dr. Şekl 1 de verlen m grdl ( x, 1,,..., m ) tek çarpımsal snr hücres model YSA da m adet ağırlık bulunmaktadır. Bunlardan m tanes grdlere w, 1,,..., m, m tanes de bu grdlern yanlarına karşılık b, 1,,..., m gelen ağırlıklardır. Aktvasyon fonksyonunun aşağıda verlen lojstk fonksyon olarak alındığını varsayalım. 1 f ( x) (3) 1 x e bu durumda snr hücres net değer aşağıdak gb elde edlr. net m 1 ( x, ) ( w x b ), 1,,..., n (4) y f ( net ), 1,,..., n (5) böylece ağın çıktısı net değernn aktvasyon fonksyonundan geçmesyle y f (net ) olarak elde edlr. Tek çarpımsal snr hücres model, tüm öğrenme örnekler çn hesaplanan çıktı değerler le hedef değerler arasındak farktan hesaplanan aşağıda verlen kareler toplamı gb br ölçüt olarak alınablr. n HKT ( d y ) (6) 1 burada d ve y sırasıyla. öğrenme örneğne karşılık gelen hedef değer ve ağın çıktısını göstermektedr. Tek çarpımsal snr hücres modelnn eğtmnde kullanılan ABC ve BP algortmaları alt bölümde özetlenmştr. 3.1 ABC Algortması le Tek Çarpımsal Snr Hücres Modelnn Eğtm Doğada var olan, zek davranışlar çeren süreçlern ncelenmes, araştırmacıları yen optmzasyon metotları gelştrmeye sevk etmştr. Karaboğa, arıların yyecek arama davranışını modelleyerek ABC algortmasını gelştrmştr (Karaboğa, 005). ABC algortması, yyecek kaynakları bulmada gerçek arıların davranışlarından esnlenerek ortaya çıkmıştır (Tsa vd., 009). ABC de daha kâşf, gözcü ve şç arılar olmak üzere 3 tp temslc bulunur. Karaboğa ABC algortmasını temel aldığı modelde, bastlk amacıyla bazı kabuller yapmaktadır. Bunlardan lk, her br kaynağın nektarının sadece br görevl arı tarafından alınıyor olmasıdır. Yan görevl arıların sayısı toplam yyecek kaynağı sayısına eşttr. Br dğer de, şç arıların sayısının gözcü arıların sayısına eşt olduğudur. Elbette bu farklı olablr. Nektarı tükenmş kaynağın görevl arısı artık kâşf arı halne dönüşmektedr (Karaboğa, 011). 318

5 Blm ve Teknoloj Dergs - A - Uygulamalı Blmler ve Mühendslk14 (3) Journal of Scence and Technology - A - Appled Scence and Engeerng 14 (3) ABC algortmasının performansı, dğer y blnen modern parçacık algortmalara benzetlmştr. Bunlara genetk algortma ve parçacık sürü optmzasyonu örnek gösterleblr. Anlaşılması kolay ve sonuçları güvenlrdr. Snr ağlarının eğtmnde ABC algortmasının performansı XOR, şfre kodlu, 3 parça eşt krterl problemlerde yüksek derecel gradyent tabanlı optmzasyon algortmalarına karşı örnek sınıflandırmalar tarafından test edlmştr (Karaboğa ve Öztürk, 009). Lteratürde, tek çarpımsal snr hücres modelnn eğtm çn ABC algortması henüz kullanılmamıştır. Bu çalışmada, tek çarpımsal snr hücres modelnn eğtm çn ABC algortması aşağıda verlen adımlar le uygulanmaktadır. ABC dek yyecek kaynaklarının her br, tek çarpımsal snr hücres modeln ağırlıklarını temsl etmektedr. Örneğn; tek çarpımsal snr hücres modelnn k grdsnn olduğu durumda, yanlarla brlkte toplam dört ağırlığın optmum değernn bulunması gerekr. Bu durumda, br yyecek kaynağının dört pozsyonu bulunmaktadır. Tek çarpımsal snr hücres modelnn n adet grds olduğunu varsayalım. Bu durumda n adet ağırlığın optmum değer bulunacaktır. Algortmanın adımları aşağıdak gbdr: Algortma. ABC Algortması Adım 1. Yyecek kaynaklarının sayısı (SN) ve lmt değer belrlenr. Br kaynağın pozsyonlarının sayısı n adettr. j Adım. Başlangıç pozsyonları, ( z mn, j z max ) aralığında sürekl düzgün dağılımdan üretlr. Adım 3. Her br kaynağın uygunluk değer hesaplanır. Uygunluk değer her br kaynağın ağırlıkları le hesaplanan çıktılardan bulunan HKOK değerdr. Adım 4. Görevl arı şlemler uygulanır. Görevl arıların her br çn; v j j j j kj z z z (7) (7) formülünü kullanarak yen v çözüm üret. f değerlern hesapla. Aç gözlü seçm sürecn uygula. Başarısızlık ndeksn güncelle. Başarısızlık ndeks lk terasyonda her kaynak çn sıfırdır. Aç gözlü seçm şlemnn uygulanmasında, eğer üretlen yen kaynak esk kaynaktan y değlse kaynağın başarısızlık ndeks arttırılır. Aks halde se kaynağın başarısızlık ndeks sıfırlanır. Adım 5. Gözcü arı şlemler uygulanır. Her br kaynak çn aşağıda verlen formül le olasılıklar hesaplanır. p SN n1 f t f t n (8) Olasılıklara göre (7) formülünü kullanarak yen v çözüm üret. f değerlern hesapla. Aç gözlü seçm sürecn uygula. Başarısızlık ndeksn güncelle. Adım 6. En y kaynak hafızaya alınır. Adım 7. Kâşf arı şlemler uygulanır. 319

6 Blm ve Teknoloj Dergs - A - Uygulamalı Blmler ve Mühendslk14 (3) Journal of Scence and Technology - A - Appled Scence and Engeerng 14 (3) Eğer br kaynak çn başarısızlık ndeks lmt değernden büyük se (9) formülü le kaynak yenden rastgele olarak üretlr. z j j j j z rand 0,1)( z z ) (9) mn ( max mn Başarısızlık ndeks sıfırlanır. Adım 8. Durdurma koşulları kontrol edlr. Durdurma koşulları sağlanmışsa Adım 9 a geçlr. Sağlanmamışsa Adım 4 e ger dönülür. Adım 9. En y kaynak optmum çözüm olarak alınır. ABC algortmasının uygulanmasının akış dyagramı Şekl de verlmştr. Şekl. ABC algortmasının akış dyagramı (Şen, 004) 30

7 Blm ve Teknoloj Dergs - A - Uygulamalı Blmler ve Mühendslk14 (3) Journal of Scence and Technology - A - Appled Scence and Engeerng 14 (3) 3.. BP Algortması le Tek Çarpımsal Snr Hücres Model YSA nın Eğtm BP algortması gradyent tabanlı br eğtm algortmasıdır. BP algortmasında ağırlıkların değşm, hatanın ağırlıklara göre kısm türevlernden elde edlr. Bu nedenle, tek çarpımsal snr hücres modelnde kullanılan aktvasyon fonksyonunun türevler kolay elde edleblr olmalıdır. Yadav vd. (007) de lojstk aktvasyon fonksyonu kullanıldığı durum çn ağırlık ve yanların değşm çn gerekl formüller türetmştr. Yadav vd. (007) de mnmum yapılmaya çalışılan fonksyon (10) da verlmştr. 1 E n n 1 ( y d ) (10) burada d. öğrenme örneğ çn hedef değerdr. Ağırlıkların değşm se (11) ve (1) dek formüllere göre gerçekleştrlr. E u w y y d 1 y x, w w w (11) w w x b E u b y ( y d) 1 y, b b b (1) b w x b Burada öğrenme parametres ve u n w x b 1 dr. Tek çarpımsal snr hücres model YSA nın eğtm çn ger yayılım algortması aşağıda verlen algortmadak gb uygulanablr. Algortma 3. BP Algortması Adım 1. w w,..., w, b, b,..., parametreler çn rastgele başlangıç değerler üretlr. 1, m 1 b m Adım. Tüm öğrenme örnekler çn (4) formülünden net, 1,,..., n değerler hesaplanır. Adım 3. Tüm öğrenme örnekler çn ağın çıktıları y, 1,,..., n hesaplanır. Adım 4. Bu çıktılara göre (10) dak formülden E değer hesaplanır. Eğer E < ɛ se algortma durdurulur. Aks takdrde Adım 5 e geçlr. Burada ɛ değer 10 gb alınablen hata toleransı değerdr. Adım 5. (11) ve (1) formüllerne göre ağırlık ve yan değerler güncellenr ve Adım ye ger dönülür. 4. UYGULAMA Uygulamada İstanbul Altın Borsası ve İMKB 100 endeks verler (İstanbul Menkul Kıymetler Borsası) kullanılmıştır İstanbul Altın Borsası Zaman Sers çn Uygulama Uygulamada tarhler arasındak İstanbul Altın Borsası verler kullanılmıştır. Zaman sersnn grafğ Şekl 3 te verlmştr. 31

8 Blm ve Teknoloj Dergs - A - Uygulamalı Blmler ve Mühendslk14 (3) Journal of Scence and Technology - A - Appled Scence and Engeerng 14 (3) Şekl tarhler arasındak İstanbul Altın Borsası zaman sers Toplam gözlem sayısının % 0 s alınarak zaman sersnn son 11 gözlem test vers olarak ayrılmış, lk 451 gözlem se eğtm amacıyla kullanılmıştır. Uygulamada grd olarak kullanılan geckmel değşkenler 1.,., 3., 4. ve 5. dereceden olarak alınmıştır. Tek grdl modelde 1. dereceden geckmel değşken bulunurken, üç grdl modelde 1.,. ve 3. dereceden geckmel değşkenler bulunmaktadır. Uygulamada kullanılan parametre seçmlerne göre ortaya çıkan her br durum çn yöntemler 100 farklı rastgele başlangıç le tekrarlanmıştır. Tekrarlar sonucunda eğtm ve test kümeler çn elde edlen HKOK ve HMYO (Hatanın Mutlak Yüzdelk Ortalaması) değerlerne at tanımlayıcı statstkler tablolar halnde verlmştr. Grd sayısı 1 le 5 arasında değştrlerek hem ABC hem de BP algortması çn 100 tekrardan elde edlen HKOK ve HMYO değerler sırasıyla Tablo 1 ve Tablo de verlmştr. Tablo 1. İstanbul Altın Borsası zaman sers çn ABC ve BP algortmalarından elde edlen HKOK değerler HKOKegt HKOKtest m mn mean std mn mean std 1 ABC 16103, ,80 7,6 7486, ,43 481,46 BP 9079, ,7 100,8 999, , ,9 ABC 307, ,04 351,9 866,9 596,15 196,48 BP 1481,4 339,43 103, , , ,96 3 ABC 041,88 37,19 855,78 149, , ,41 BP 14858,0 336, , , , ,03 4 ABC 087, ,11 191, , ,55 357,98 BP 14904, , , , , ,59 5 ABC 48, ,53 459,8 1604, , ,1 BP 14954, , , , , ,06 3

9 Blm ve Teknoloj Dergs - A - Uygulamalı Blmler ve Mühendslk14 (3) Journal of Scence and Technology - A - Appled Scence and Engeerng 14 (3) Tablo 1 ncelenrse, m=1 olduğunda yan grd sayısı 1 olduğunda ABC algortması BP algortmasına göre daha düşük ortalama HKOKegt ve HKOKtest değerne sahptr. Ayrıca hem eğtm hem de test kümes çn ABC algortmasının standart sapma değer de BP ye göre oldukça düşüktür. Ancak m=1 olduğunda eğtm ve test kümes çn BP algortması daha düşük mnmum HKOK değern vermştr. Dğer grd sayıları çn ABC algortması BP ye göre eğtm ve test kümeler çn elde edlen HKOK değerlernden hesaplanan tanımlayıcı statstklerne göre daha düşük ortalama, mnmum ve standart sapma değerne sahptr. ABC yöntem le eğtm yapıldığında en y test sonucu, grd sayısının 3 olduğu durumda elde edlmştr. BP algortmasından se en y test sonucu, grd sayısının 1 olduğu durumda elde edlmştr. Tablo. İstanbul Altın Borsası zaman sers çn ABC ve BP algortmalarından elde edlen HMYO değerler HMYOegt HMYOtest m mn mean std mn mean std 1 ABC 0,1861 0,1914 0,0019 0,784 0,9 0,0049 BP 0,1368 0,3807 0,194 0,0835 0,311 0,1851 ABC 0,0360 0,0407 0,004 0,069 0,0590 0,0133 BP 0,1757 0,4306 0,1935 0,0998 0,3118 0, ABC 0,045 0,0397 0,0111 0,0116 0,088 0,0153 BP 0,1761 0,4303 0,1916 0,1008 0,809 0,184 4 ABC 0,046 0,0581 0,048 0,0138 0,0505 0,0346 BP 0,1766 0,415 0,1969 0,1008 0,3136 0, ABC 0,096 0,0719 0,0306 0,0135 0,068 0,0394 BP 0,177 0,3904 0,186 0,1008 0,876 0,1751 Tablo ncelenrse, m=1 olduğunda ABC algortması BP algortmasına göre daha düşük ortalama HMYOegt ve HMYOtest değerne sahptr. Ayrıca hem eğtm hem de test kümes çn ABC algortmasının standart sapma değer de BP ye göre oldukça düşüktür. Ancak m=1 olduğunda eğtm ve test kümes çn BP algortması daha düşük mnmum HMYO değern vermştr. Dğer grd sayıları çn ABC algortması BP'ye göre eğtm ve test kümeler çn elde edlen HMYO değerlernden hesaplanan tanımlayıcı statstklerne göre daha düşük ortalama, mnmum ve standart sapma değerne sahptr. ABC yöntem le eğtm yapıldığında en y test sonucu, grd sayısının 3 olduğu durumda elde edlmştr. BP algortmasından se en y test sonucu, grd sayısının 1 olduğu durumda elde edlmştr. ABC ve BP yöntemlernn test kümes çn elde edlen HKOK ölçütü değerlerne göre en y durumları çn, test kümesnden elde edlen öngörülern gerçek değerler le brlkte grafğ Şekl 4 te verlmştr. 33

10 Blm ve Teknoloj Dergs - A - Uygulamalı Blmler ve Mühendslk14 (3) Journal of Scence and Technology - A - Appled Scence and Engeerng 14 (3) Şekl 4. İstanbul Altın Borsası zaman sers çn ABC ve BP le eğtlmş tek çarpımsal snr hücres model YSA dan elde edlen öngörülern gerçek değerler le brlkte grafğ Şekl 4 ncelenrse; ABC le eğtlmş tek çarpımsal snr hücres model YSA dan elde edlen öngörülern gerçek değerlerle BP algortmasına göre daha y uyum sağladığı söyleneblr. 4.. İMKB 100 Endeks Zaman Sers çn Uygulama Uygulamada tarhler arasındak İMKB 100 Endeks verler kullanılmıştır. Zaman sersnn grafğ Şekl 5 te verlmştr. Şekl tarhler arasındak İMKB 100 Endeks zaman sers Toplam gözlem sayısının % 0 s alınarak zaman sersnn son 6 gözlem test vers olarak ayrılmış, lk 55 gözlem se eğtm amacıyla kullanılmıştır. Uygulamada grd olarak kullanılan geckmel değşkenler 1.,., 3., 4. ve 5. dereceden olarak alınmıştır. Tek grdl modelde 1. dereceden geckmel değşken bulunurken, üç grdl modelde 1.,. ve 3. dereceden geckmel değşkenler 34

11 Blm ve Teknoloj Dergs - A - Uygulamalı Blmler ve Mühendslk14 (3) Journal of Scence and Technology - A - Appled Scence and Engeerng 14 (3) bulunmaktadır. Uygulamada kullanılan parametre seçmlerne göre ortaya çıkan her br durum çn yöntemler 100 farklı rastgele başlangıç le tekrarlanmıştır. Tekrarlar sonucunda eğtm ve test kümeler çn elde edlen HKOK ve HMYO değerlerne at tanımlayıcı statstkler tablolar halnde verlmştr. Grd sayısı 1 le 5 arasında değştrlerek hem ABC hem de BP algortması çn 100 tekrardan elde edlen HKOK ve HMYO değerler sırasıyla Tablo 3 ve Tablo 4 te verlmştr. Tablo 3. İMKB 100 Endeks zaman sers çn ABC ve BP algortmalarından elde edlen HKOK değerler HKOKegt HKOKtest m mn mean std mn mean std ABC 40,69 653,18 391,05 437, ,09 74,93 BP 1601, ,41 831, , ,98 553,6 ABC 115,14 747,46 611,43 565,39 110,4 615,84 BP 366,8 5458,78 889,37 167, ,89 445, ABC 1470, ,66 37,54 106,18 367,37 3,31 BP 384, ,00 890,15 408,01 516,16 483,3 ABC 305,90 359,41 7,41 408,01 408,01 0,00 BP 344, ,84 984,9 408,01 596,65 419,85 ABC 379,5 379,5 0,00 408,01 408,01 0,00 BP 318, ,94 797,70 408,01 577,08 399,9 Tablo 3 ncelenrse, m=1 olduğunda ABC algortması BP algortmasına göre daha düşük ortalama HKOKegt ve HKOKtest değerne sahptr. Ayrıca hem eğtm hem de test kümes çn ABC algortmasının standart sapma değer de BP ye göre oldukça düşüktür. Ancak m=1 olduğunda eğtm ve test kümes çn BP algortması daha düşük mnmum HKOK değern vermştr. Dğer grd sayıları çn ABC algortması BP ye göre eğtm ve test kümeler çn elde edlen HKOK değerlernden hesaplanan tanımlayıcı statstklerne göre daha düşük ortalama, mnmum ve standart sapma değerne sahptr. ABC yöntem le eğtm yapıldığında en y test sonucu, grd sayısının olduğu durumda elde edlmştr. BP algortmasından se en y test sonucu, grd sayısının 1 olduğu durumda elde edlmştr. Tablo 4. İMKB 100 Endeks zaman sers çn ABC ve BP algortmalarından elde edlen HMYO değerler HMYOegt HMYOtest m mn mean std mn mean std ABC 0,0365 0,040 0,006 0,0461 0,0679 0,0140 BP 0,045 0,0866 0,0143 0,03 0,0894 0,0497 ABC 0,0164 0,0433 0,0105 0,0096 0,0393 0,013 BP 0,058 0,0894 0,0170 0,0380 0,0861 0,0474 ABC 0,001 0,0509 0,0043 0,0147 0,0445 0,005 BP 0,0531 0,091 0,0173 0,0454 0,0993 0,0481 ABC 0,0516 0,058 0,000 0,0454 0,0454 0,0000 BP 0,057 0,096 0,0195 0,0454 0,1003 0,0467 ABC 0,053 0,053 0,0000 0,0454 0,0454 0,0000 BP 0,055 0,0894 0,0155 0,0454 0,0997 0,

12 Blm ve Teknoloj Dergs - A - Uygulamalı Blmler ve Mühendslk14 (3) Journal of Scence and Technology - A - Appled Scence and Engeerng 14 (3) Tablo 4 ncelenrse, m=1 olduğunda ABC algortması BP algortmasına göre daha düşük ortalama HMYOegt ve HMYOtest değerne sahptr. Ayrıca hem eğtm hem de test kümes çn ABC algortmasının standart sapma değer de BP ye göre oldukça düşüktür. Ancak m=1 olduğunda eğtm ve test kümes çn BP algortması daha düşük mnmum HKOK değern vermştr. Dğer grd sayıları çn ABC algortması BP ye göre eğtm ve test kümeler çn elde edlen HKOK değerlernden hesaplanan tanımlayıcı statstklerne göre daha düşük ortalama, mnmum ve standart sapma değerne sahptr. ABC yöntem le eğtm yapıldığında en y test sonucu, grd sayısının olduğu durumda elde edlmştr. BP algortmasından se en y test sonucu, grd sayısının 1 olduğu durumda elde edlmştr. ABC ve BP yöntemlernn test kümes çn elde edlen HKOK ölçütü değerlerne göre en y durumları çn, test kümesnden elde edlen öngörülern gerçek değerler le brlkte grafğ Şekl 6 da verlmştr. Şekl 6. İMKB 100 Endeks zaman sers çn ABC ve BP le eğtlmş tek çarpımsal snr hücres model YSA dan elde edlen öngörülern gerçek değerler le brlkte grafğ Şekl 6 ncelendğnde; ABC le eğtlmş tek çarpımsal snr hücres model YSA dan elde edlen öngörülern gerçek değerlerle BP algortmasına göre daha y uyum sağladığı görülmektedr. 5. SONUÇ ve TARTIŞMA Lteratürde tek çarpımsal snr hücres YSA eğtmnde, BP ve dğer bazı algortmalar başarıyla uygulanmıştır. Bu çalışmada lk kez, tek çarpımsal snr hücres model eğtmnde ABC algortması uygulanmıştır. ABC algortmasının tek çarpımsal snr hücres modele uygulanması çn kullanılacak algortma verlmştr. Ayrıca k farklı gerçek hayat zaman sers kullanılarak tek çarpımsal snr hücres model YSA nın eğtm çn ABC ve BP yöntemler karşılaştırılmıştır. Elde edlen sonuçlardan ABC yöntemnn farklı rastgele başlangıç ağırlıkları kullanıldığında grd sayısı ne olursa olsun BP yöntemne göre daha düşük standart sapmalar ürettğ görülmüştür. Bu durum ABC yöntemnn rastgele başlangıç değernden BP ye göre daha az etklendğn ve yerel mnmum tuzağına takılma olasılığının BP ye göre daha az olduğunu göstermektedr. ABC yöntemnde elde edlen ortalama HKOK ve HMYO değerler se hem eğtm hem de test kümes çn BP den daha düşüktür. Bu durum ABC algortmasının BP den daha y öngörü sonuçları üreteceğn göstermektedr. Grd sayısının 1 olduğu durum harç, dğer tüm durumlarda mnmum hatalı model de yne ABC den elde edlmektedr. Ancak, bu çalışmada elde edlen sonuçların kullanılan verye özel olduğu göz ardı edlmemeldr. ABC ve BP algortmalarının karşılaştırılması çn daha fazla zaman sers kullanılarak Alpaslan vd. (01) çalışmasına benzer olarak, hpotez testlerne dayalı sonuçlar üretleblr. Ayrıca ABC algortmasının dğer yöntemler le karşılaştırılması se gelecek çalışmaların konusu olarak seçleblr. 36

13 KAYNAKLAR Blm ve Teknoloj Dergs - A - Uygulamalı Blmler ve Mühendslk14 (3) Journal of Scence and Technology - A - Appled Scence and Engeerng 14 (3) Aladağ, C.H. (011). Defnng Fuzzy Relatons wth Multplcatve Neuron Model. The Second Internatonal Fuzzy Systems Symposum (FUZZYSS 11) Proceedngs, Alpaslan, F., Eğroglu, E., Aladağ, C.H. ve Trng, E. (01). A Statstcal Research on Feed Forward Neural Networks for Forecastng Tme Seres. Amercan Journal of Intellgence Systems (3), 1-5. Avcı, G. (011). Gerçek Zamanlı Uygulamalar çn ABC Algortmasının FPGA üzernde Gerçeklenmes. Yüksek Lsans Tez, Nğde Ünverstes, Nğde. Gunay, S., Eğroglu, E. ve Aladag, C.H. (007). Introducton to Sngle Varable Tme Seres Analyss. Hacettepe Unversty Press. İlter, D. (01). Tek Çarpımsal Snr Hücres Modelnn Eğtmnde Yapay Arı Kolons Algortmasının Performansının Değerlendrlmes. Yüksek Lsans Tez, Ondokuz Mayıs Ünverstes, Samsun, İ.M.K.B. (01). Fyat Endeks. ( ). İstanbul Altın Borsası, (01). Altın Verler. ( ). Karaboğa, D. (005). An Idea Based on Honey bee Swarm for Numercal Optmzaton. Techncal Report-TR06, Ercyes Unversty, Engneerng Faculty, Computer Engneerng Department. Karaboğa, D. (011). Yapay Zeka Optmzasyon Algortmaları. Nobel Yayın Dağıtım, Ankara, 31s. Karaboğa, D. ve Akay, B. (007). Yapay Arı Kolon (Artfcal Bee Colony, ABC) Algortması le Yapay Snr Ağlarının Eğtlmes. Snyal İşleme ve İletşm Uygulamaları (SIU 007). IEEE 15th, 1 4. Karaboğa, D., Akay B., Öztürk, C. (007). Artfcal Bee Colony (ABC) Optmzaton Algorthm for Tranng Feed-Forward Neural Networks, LNCS: Modelng Decsons for Artfcal Intellgence, 4617, Karaboğa, D. ve Öztürk, C. (009). Neural Networks Tranng by Artfcal Bee Colony Algorthm on Pattern Classfcaton. Neural Network World 19(3), Kumbhar, P.Y. ve Krshnan, S. (011). Use of Artfcal Bee Colony (ABC) Algorthm n Artfcal Neural Network Synthess. Internatıonal Journal of Advanced Engneerng Scences And Technologes 11(1), Mammadov, M. ve Taş, E. (006). An Improved Verson of Backpropagaton Algorthm wth Effectve Dynamc Learnng Rate and Momentum. WSEAS Transactons on Mathematcs 7(5), Mammadov, M., Taş, E., Omay, R.E. (008). Acceleratng Backpropagaton usng Effectve Parameters at Each Step and An Expermental Evaluaton. Journal of Statstcal Computaton and Smulaton 78(11), Öztürk, C. ve Karaboğa, D. (011). Hybrd Artfcal Bee Colony Algorthm for Neural Network Tranng. Evolutonary Computaton (CEC), 011 IEEE Congress on, 5-8 June 011, Samanta, B. (011). Predcton of Chaotc Tme Seres usng Computatonal Intellgence. Expert Systems wth Applcatons 38(9),

14 Blm ve Teknoloj Dergs - A - Uygulamalı Blmler ve Mühendslk14 (3) Journal of Scence and Technology - A - Appled Scence and Engeerng 14 (3) Şen, Z. (004). Yapay Snr Ağları İlkeler. Su Vakfı Yayınları, İstanbul, 183. Tsa, P-W., Pan, J-S., Lao, B-Y. ve Chu, S-C. (009). Enhanced Artfcal Bee Colony Optmzaton. Internatonal Journal of Innovatve Computng, Informaton and Control 5(1), Yadav, R.N., Kalra, P.K. ve John, J. (007). Tme Seres Predcton wth Sngle Multplcatve Neuron Model. Appled Soft Computng 7, Zhang, G., Patuwo, B.E. ve Hy, Y.M. (1998). Forecastng wth Artfcal Neural Networks: The State of The Art. Internatonal Journal of Forecastng 14, Zhao, L. ve Yang, Y. (009). PSO-based Sngle Multplcatve Neuron Model for Tme Seres Predcton. Expert Systems wth Applcatons 36,

a IIR süzgeç katsayıları ve N ( M) de = s 1 (3) 3. GÜRÜLTÜ GİDERİMİ UYGULAMASI

a 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

Detaylı

Bulanık Mantık ile Hesaplanan Geoid Yüksekliğine Nokta Yüksekliklerinin Etkisi

Bulanık 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

Detaylı

YÖNETİM VE EKONOMİ Yıl:2006 Cilt:13 Sayı:1 Celal Bayar Üniversitesi İ.İ.B.F. MANİSA

YÖNETİM 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.,

Detaylı

DEÜ MÜHENDİSLİK FAKÜLTESİ MÜHENDİSLİK BİLİMLERİ DERGİSİ Cilt: 16 Sayı: 48 sh. 61-75 Eylül 2014 KRİL SÜRÜSÜ ALGORİTMASI İLE ATÖLYE ÇİZELGELEME

DEÜ MÜHENDİSLİK FAKÜLTESİ MÜHENDİSLİK BİLİMLERİ DERGİSİ Cilt: 16 Sayı: 48 sh. 61-75 Eylül 2014 KRİL SÜRÜSÜ ALGORİTMASI İLE ATÖLYE ÇİZELGELEME DEÜ MÜHENDİSLİK FAKÜLTESİ MÜHENDİSLİK BİLİMLERİ DERGİSİ Clt: 16 Sayı: 48 sh. 61-75 Eylül 2014 KRİL SÜRÜSÜ ALGORİTMASI İLE ATÖLYE ÇİZELGELEME (JOB SHOP SCHEDULING WITH KRILL HERD ALGORITHM) İlker GÖLCÜK

Detaylı

UYUM 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. 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

Detaylı

KAFES YAPILARIN MODİFİYE EDİLMİŞ YAPAY ARI KOLONİ ALGORİTMASI İLE OPTİMİZASYONU

KAFES YAPILARIN MODİFİYE EDİLMİŞ YAPAY ARI KOLONİ ALGORİTMASI İLE OPTİMİZASYONU XVIII ULUSAL MEKANİK KONGRESİ 26-30 Ağustos 2013, Celal Bayar Ünverstes, Mansa KAFES YAPILARIN MODİFİYE EDİLMİŞ YAPAY ARI KOLONİ ALGORİTMASI İLE OPTİMİZASYONU S Özgür Değertekn 1, Mehmet Ülker 2, M Sedat

Detaylı

X, R, p, np, c, u ve diğer kontrol diyagramları istatistiksel kalite kontrol diyagramlarının

X, 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

Detaylı

ÇOKLU REGRESYON MODELİ, ANOVA TABLOSU, MATRİSLERLE REGRESYON ÇÖZÜMLEMESİ,REGRES-YON KATSAYILARININ YORUMU

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

Detaylı

NİTEL TERCİH MODELLERİ

NİTEL 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:

Detaylı

Tuğla Duvardaki ve Tesisattaki Isı Kaybının Yapay Sinir Ağları İle Belirlenmesi

Tuğla Duvardaki ve Tesisattaki Isı Kaybının Yapay Sinir Ağları İle Belirlenmesi Fırat Ünv. Fen ve Müh. Bl. Der. Scence and Eng. J of Fırat Unv. 18 (1), 133-141, 2006 18 (1), 133-141, 2006 Tuğla Duvardak ve Tessattak Isı Kaybının Yapay Snr Ağları İle Belrlenmes Ömer KELEŞOĞLU ve Adem

Detaylı

EMG İşaretlerinin K-Ortalama Algoritması Kullanılarak Öbekleştirilmesi. EMG Signal Analysis Using K-Means Clustering

EMG 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

Detaylı

Türkiyede ki ĠĢ Kazalarının Yapay Sinir Ağları ile 2025 Yılına Kadar Tahmini

Türkiyede 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

Detaylı

SİLİS DUMANI KATKILI BETONLARIN ÇARPMA DAYANIMININ YAPAY SİNİR AĞI İLE BELİRLENMESİ

SİLİS DUMANI KATKILI BETONLARIN ÇARPMA DAYANIMININ YAPAY SİNİR AĞI İLE BELİRLENMESİ ISSN:1306-3111 e-journal of New World Scences Academy 2008, Volume: 3, Number: 1 Artcle Number: A0046 NATURAL AND APPLIED SCIENCES CIVIL ENGINEERING Receved: June 2007 Accepted: December 2007 2008 www.newwsa.com

Detaylı

Meteorolojik Verilerin Yapay Sinir Ağları Đle Modellenmesi

Meteorolojik 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

Detaylı

Yapay Sinir Ağı ve Bulanık-Yapay Sinir Ağı Yöntemleri Kullanılarak Tava Buharlaşma Tahmini

Yapay 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

Detaylı

ÖZGEÇMİŞ VE ESERLER LİSTESİ

ÖZGEÇMİŞ VE ESERLER LİSTESİ ÖZGEÇMİŞ VE ESERLER LİSTESİ Adı Soyadı E-posta İletişim Adresileri : Özge CAĞCAĞ YOLCU : ozge.cagcag_yolcu@kcl.ac.uk ozgecagcag@yahoo.com : Giresun Üniversitesi, Mühendislik Fakültesi, Endüstri Mühendisliği

Detaylı

Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi Pamukkale University Journal of Engineering Sciences

Pamukkale 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

Detaylı

2005 Gazi Üniversitesi Endüstriyel Sanatlar Eğitim Fakültesi Dergisi Sayı:16, s31-46

2005 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

Detaylı

Şiddet-Süre-Frekans Bağıntısının Genetik Algoritma ile Belirlenmesi: GAP Örneği *

Şiddet-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)

Detaylı

BÖLÜM 5 İKİ VEYA DAHA YÜKSEK BOYUTLU RASGELE DEĞİŞKENLER İki Boyutlu Rasgele Değişkenler

BÖLÜM 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

Detaylı

Calculating the Index of Refraction of Air

Calculating 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

Detaylı

Makine Öğrenmesi 6. hafta

Makine 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,

Detaylı

A. SCI ve SCIE Kapsamındaki Yayınlar

A. SCI ve SCIE Kapsamındaki Yayınlar A. SCI ve SCIE Kapsamındaki Yayınlar A.1. Erilli N.A., Yolcu U., Egrioglu E., Aladag C.H., Öner Y., 2011 Determining the most proper number of cluster in fuzzy clustering by using artificial neural networks.

Detaylı

TÜRKİYE DEKİ 380 kv LUK 14 BARALI GÜÇ SİSTEMİNDE EKONOMİK YÜKLENME ANALİZİ

TÜRKİYE 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

Detaylı

Veride etiket bilgisi yok Denetimsiz öğrenme (unsupervised learning) Neden gereklidir?

Veride 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

Detaylı

Kİ-KARE VE KOLMOGOROV SMİRNOV UYGUNLUK TESTLERİNİN SİMULASYON İLE ELDE EDİLEN VERİLER ÜZERİNDE KARŞILAŞTIRILMASI

Kİ-KARE VE KOLMOGOROV SMİRNOV UYGUNLUK TESTLERİNİN SİMULASYON İLE ELDE EDİLEN VERİLER ÜZERİNDE KARŞILAŞTIRILMASI C.Ü. İktsad ve İdar Blmler Dergs, Clt 4, Sayı 1, 3 6 Kİ-KARE VE KOLMOGOROV SMİRNOV UYGUNLUK TESTLERİNİN SİMULASYON İLE ELDE EDİLEN VERİLER ÜZERİNDE KARŞILAŞTIRILMASI H. BİRCAN, Y. KARAGÖZ ve Y. KASAPOĞLU

Detaylı

PARÇACIK SÜRÜSÜ OPTİMİZASYON ALGORİTMASI VE BENZETİM ÖRNEKLERİ

PARÇACIK SÜRÜSÜ OPTİMİZASYON ALGORİTMASI VE BENZETİM ÖRNEKLERİ PARÇACIK SÜRÜSÜ OPTİMİZASYON ALGORİTMASI VE BENZETİM ÖRNEKLERİ Seçkn TAMER, Chan KARAKUZU seckntamer@gmal.com, chankk@kou.edu.tr Kocael Ünverstes, Müh. Fak., Elektronk ve Haberleşme Mühendslğ Bölümü İzmt/KOCAELİ

Detaylı

YAYILI YÜK İLE YÜKLENMİŞ YAPI KİRİŞLERİNDE GÖÇME YÜKÜ HESABI. Perihan (Karakulak) EFE

YAYILI YÜK İLE YÜKLENMİŞ YAPI KİRİŞLERİNDE GÖÇME YÜKÜ HESABI. Perihan (Karakulak) EFE BAÜ Fen Bl. Enst. Dergs (6).8. YAYII YÜK İE YÜKENİŞ YAPI KİRİŞERİNDE GÖÇE YÜKÜ HESABI Perhan (Karakulak) EFE Balıkesr Ünverstes ühendslk marlık Fakültes İnşaat üh. Bölümü Balıkesr, TÜRKİYE ÖZET Yapılar

Detaylı

Sinirsel Bulanık Sistemler İle Trafik Gürültüsünün Tahmini

Sinirsel 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

Detaylı

Merkezi Eğilim (Yer) Ölçüleri

Merkezi 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

Detaylı

ENDÜSTRİNİN DEĞİŞİK İŞ KOLLARINDA İHTİYAÇ DUYULAN ELEMANLARIN YÜKSEK TEKNİK EĞİTİM MEZUNLARINDAN SAĞLANMASINDAKİ BEKLENTİLERİN SINANMASI

ENDÜSTRİNİN DEĞİŞİK İŞ KOLLARINDA İHTİYAÇ DUYULAN ELEMANLARIN YÜKSEK TEKNİK EĞİTİM MEZUNLARINDAN SAĞLANMASINDAKİ BEKLENTİLERİN SINANMASI V. Ulusal Üretm Araştırmaları Sempozyumu, İstanbul Tcaret Ünverstes, 5-7 Kasım 5 ENDÜSTRİNİN DEĞİŞİK İŞ KOLLARINDA İHTİYAÇ DUYULAN ELEMANLARIN YÜKSEK TEKNİK EĞİTİM MEZUNLARINDAN SAĞLANMASINDAKİ BEKLENTİLERİN

Detaylı

TRANSPORT PROBLEMI için GELIsTIRILMIs VAM YÖNTEMI

TRANSPORT PROBLEMI için GELIsTIRILMIs VAM YÖNTEMI Yönetm, Yl 9, Say 28, Ekm - 1997,5.20-25 TRANSPORT PROBLEMI ÇIN GELIsTIRILMIs VAM YÖNTEMI Dr. Erhan ÖZDEMIR I.Ü. Teknk Blmler M.Y.O. L.GIRIs V AM transport problemlerne en düsük malyetl baslangç çözüm

Detaylı

Bulanık TOPSIS ve Bulanık VIKOR Yöntemleriyle Alışveriş Merkezi Kuruluş Yeri Seçimi ve Bir Uygulama

Bulanık 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

Detaylı

Karaciğer mikrodizi kanser verisinin sınıflandırılması için genetik algoritma kullanarak ANFIS in eğitilmesi

Karaciğer mikrodizi kanser verisinin sınıflandırılması için genetik algoritma kullanarak ANFIS in eğitilmesi Karacğer mkrodz kanser versnn sınıflandırılması çn genetk algortma kullanarak ANFIS n eğtlmes Bülent Haznedar 1*, Mustafa Turan Arslan 2, Adem Kalınlı 3 ÖZ 21.06.2016 Gelş/Receved, 30.11.2016 Kabul/Accepted

Detaylı

FARKLI VERİ YAPILARINDA KULLANILABİLECEK REGRESYON YÖNTEMLERİ

FARKLI 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

Detaylı

Epilepside EEG Tabanlı Entropi Değişimleri

Epilepside 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

Detaylı

CuEEG: EEG Verilerinin Hızlı İşlenmesi için GPU Tabanlı Bir Yaklaşım CuEEG: A GPU-Based Approach for Fast Processing of EEG Data

CuEEG: 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

Detaylı

AYLIK ORTALAMA GÖL SU SEVİYESİNİN BULANIK-OLASILIK YAKLAŞIMI İLE GÖZLENMİŞ ZAMAN SERİSİNDEN TAHMİNİ

AYLIK ORTALAMA GÖL SU SEVİYESİNİN BULANIK-OLASILIK YAKLAŞIMI İLE GÖZLENMİŞ ZAMAN SERİSİNDEN TAHMİNİ AYLIK ORTALAMA GÖL SU SEVİYESİİ BULAIK-OLASILIK YAKLAŞIMI İLE GÖZLEMİŞ ZAMA SERİSİDE TAHMİİ Veysel GÜLDAL, Hakan TOGAL 2 S.D.Ü.Mühendslk Mmarlık Fakültes İnşaat Müh Böl., Isparta/TÜRKİYE vguldal@mmf.sdu.edu.tr

Detaylı

K-Ortalamalar Yöntemi ile Yıllık Yağışların Sınıflandırılması ve Homojen Bölgelerin Belirlenmesi *

K-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

Detaylı

Bilgisayarla Görüye Giriş

Bilgisayarla 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

Detaylı

ALGILANAN HİZMET KALİTESİ VE LOJİSTİK REGRESYON ANALİZİ İLE HİZMET TERCİHİNE ETKİSİNİN BELİRLENMESİ. Özet

ALGILANAN HİZMET KALİTESİ VE LOJİSTİK REGRESYON ANALİZİ İLE HİZMET TERCİHİNE ETKİSİNİN BELİRLENMESİ. Özet Dokuz Eylül Ünverstes Sosyal Blmler Ensttüsü Dergs Yayın Gelş Tarh: 18.02.2011 Clt: 13, Sayı: 1, Yıl: 2011, Sayfa: 21-37 Yayına Kabul Tarh: 17.03.2011 ISSN: 1302-3284 ALGILANAN HİZMET KALİTESİ VE LOJİSTİK

Detaylı

TEKNOLOJĐK ARAŞTIRMALAR

TEKNOLOJĐK ARAŞTIRMALAR www.teknolojkarastrmalar.com ISSN:134-4141 Makne Teknolojler Elektronk Dergs 28 (1) 61-68 TEKNOLOJĐK ARAŞTIRMALAR Kısa Makale Tabakalı Br Dskn Termal Gerlme Analz Hasan ÇALLIOĞLU 1, Şükrü KARAKAYA 2 1

Detaylı

Obtaining Classical Reliability Terms from Item Response Theory in Multiple Choice Tests

Obtaining 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

Detaylı

Karasal, Hava ve Uzay Tabanlı Haberleşme Sistemleri Arasındaki Girişimin Minimizasyonu İçin Optimizasyon Yaklaşımı

Karasal, Hava ve Uzay Tabanlı Haberleşme Sistemleri Arasındaki Girişimin Minimizasyonu İçin Optimizasyon Yaklaşımı Karasal, Hava ve Uzay Tabanlı Haberleşme stemler Arasındak rşmn nmzasyonu çn Optmzasyon Yaklaşımı Optmzaton Approach to the nmzaton of Interference Between Terrestral, Ar and pace Based Communcaton ystems

Detaylı

Kİ KARE ANALİZİ. Doç. Dr. Mehmet AKSARAYLI Ki-Kare Analizleri

Kİ 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.

Detaylı

TÜRKYE'DE TRAFK KAZALARININ MODELLENMES K. Selçuk ÖÜT A. Faik YNAM ÖZET

TÜRKYE'DE TRAFK KAZALARININ MODELLENMES K. Selçuk ÖÜT A. Faik YNAM ÖZET TÜRKYE'DE TRAFK KAZALARININ MODELLENMES K. Selçuk ÖÜT A. Fak YNAM stanbul Teknk Ünverstes stanbul Teknk Ünverstes ÖZET Trafk kazaları, ülkemz gündemn sürekl olarak gal eden konularıdan brdr. Üzernde çok

Detaylı

MATLAB GUI İLE DA MOTOR İÇİN PID DENETLEYİCİLİ ARAYÜZ TASARIMI INTERFACE DESING WITH PID CONTROLLER FOR DC MOTOR BY MATLAB GUI

MATLAB GUI İLE DA MOTOR İÇİN PID DENETLEYİCİLİ ARAYÜZ TASARIMI INTERFACE DESING WITH PID CONTROLLER FOR DC MOTOR BY MATLAB GUI İler Teknoloj Blmler Dergs Clt 2, Sayı 3, 10-18, 2013 Journal of Advanced Technology Scences Vol 2, No 3, 10-18, 2013 MATLAB GUI İLE DA MOTOR İÇİN PID DENETLEYİCİLİ ARAYÜZ TASARIMI M. Fath ÖZLÜK 1*, H.

Detaylı

DEĞİŞKEN DÖVİZ KURLARI ORTAMINDA GLOBAL BİR ŞİRKETTEKİ ESNEKLİĞİN DEĞERİ VE OPTİMUM KULLANIMI

DEĞİŞKEN DÖVİZ KURLARI ORTAMINDA GLOBAL BİR ŞİRKETTEKİ ESNEKLİĞİN DEĞERİ VE OPTİMUM KULLANIMI DEĞİŞKEN DÖVİZ KURLARI ORTAMINDA GLOBAL BİR ŞİRKETTEKİ ESNEKLİĞİN DEĞERİ VE OPTİMUM KULLANIMI Mehmet Aktan Atatürk Ünverstes, Endüstr Mühendslğ Bölümü, 25240, Erzurum. Özet: Dövz kurlarındak değşmler,

Detaylı

Enerji Sistemlerinde Yapay Arı Kolonisi (YAK) Algoritması Kullanarak Yük Akışı Optimizasyonu

Enerji Sistemlerinde Yapay Arı Kolonisi (YAK) Algoritması Kullanarak Yük Akışı Optimizasyonu Enerj Sstemlernde Yapay Arı Kolons (YAK) Algortması Kullanarak Yük Akışı Optmzasyonu Nhat Pamuk Türkye Elektrk İletm Anonm Şrket (TEİAŞ), 5. İletm Tess ve İşletme Grup Müdürlüğü, Sakarya nhatpamuk@gmal.com.tr

Detaylı

Cilt:11 Sayı: 4 s , 2008 Vol: 11 No: 4 pp , M. Yasin ÖZSAĞLAM, Mehmet ÇUNKAŞ ÖZET

Cilt:11 Sayı: 4 s , 2008 Vol: 11 No: 4 pp , M. Yasin ÖZSAĞLAM, Mehmet ÇUNKAŞ ÖZET Polteknk Dergs Journal of Polytechnc Clt: Sayı: 4 s.99-305, 008 Vol: No: 4 pp.99-305, 008 Optmzasyon Problemlernn Çözümü çn Parçaçık Sürü Optmzasyonu Algortması M. Yasn ÖZSAĞLAM, Mehmet ÇUNKAŞ ÖZET Optmzasyon

Detaylı

KAFES SİSTEMLERİN UYGULAMAYA YÖNELİK OPTİMUM TASARIMI

KAFES SİSTEMLERİN UYGULAMAYA YÖNELİK OPTİMUM TASARIMI PAMUKKALE ÜNİ VERSİ TESİ MÜHENDİ SLİ K FAKÜLTESİ PAMUKKALE UNIVERSITY ENGINEERING COLLEGE MÜHENDİ SLİ K BİLİMLERİ DERGİ S İ JOURNAL OF ENGINEERING SCIENCES YIL CİLT SAYI SAYFA : 1999 : 5 : 1 : 951-957

Detaylı

Enerji Sistemlerinde Yapay Arı Kolonisi (YAK) Algoritması Kullanarak Yük Akışı Optimizasyonu

Enerji Sistemlerinde Yapay Arı Kolonisi (YAK) Algoritması Kullanarak Yük Akışı Optimizasyonu Akademk Blşm 2013 XV. Akademk Blşm Konferansı Bldrler 23-25 Ocak 2013 Akdenz Ünverstes, Antalya Enerj Sstemlernde Yapay Arı Kolons (YAK) Algortması Kullanarak Yük Akışı Optmzasyonu Nhat Pamuk Türkye Elektrk

Detaylı

STANDART VE HİBRİD YAPILAR KULLANARAK YAPAY SİNİR AĞLARI İLE İMZA TANIMA

STANDART 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

Detaylı

JFM316 Elektrik Yöntemler ( Doğru Akım Özdirenç Yöntemi)

JFM316 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

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

DETERMINATION OF THE ECONOMIC DISPATCH IN ELECTRIC POWER SYSTEMS USING SIMULATED ANNEALING(SA) ALGORITHM

DETERMINATION OF THE ECONOMIC DISPATCH IN ELECTRIC POWER SYSTEMS USING SIMULATED ANNEALING(SA) ALGORITHM 5 Uluslararası İler Teknolojler Sempozyumu (IATS 09), 3-5 Mayıs 2009, Karabük, Türkye ELEKTRİK GÜÇ SİSTEMİNDE OPTİMAL YAKIT MALİYETİNİN BENZETİM TAVLAMA (BT) ALGORİTMASI İLE BELİRLENMESİ DETERMINATION

Detaylı

THOMAS-FİERİNG MODELİ İLE SENTETİK AKIŞ SERİLERİNİN HESAPLANMASINDA YENİ BİR YAKLAŞIM

THOMAS-FİERİNG MODELİ İLE SENTETİK AKIŞ SERİLERİNİN HESAPLANMASINDA YENİ BİR YAKLAŞIM Osmangaz Ünverstes Müh.Mm.Fak.Dergs C.XVII, S., 004 Eng.&Arch.Fac.Osmangaz Unversty, Vol.XVII, No :, 004 THOMAS-FİERİNG MODELİ İLE SENTETİK AKIŞ SERİLERİNİN HESAPLANMASINDA YENİ BİR YAKLAŞIM Recep BAKIŞ,

Detaylı

Deprem Tepkisinin Sayısal Metotlar ile Değerlendirilmesi (Newmark-Beta Metodu) Deprem Mühendisliğine Giriş Dersi Doç. Dr.

Deprem 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

Detaylı

SAYISAL ANALİZ. Doç.Dr. Cüneyt BAYILMIŞ. Sayısal Analiz. Doç.Dr. Cüneyt BAYILMIŞ

SAYISAL ANALİZ. Doç.Dr. Cüneyt BAYILMIŞ. Sayısal Analiz. Doç.Dr. Cüneyt BAYILMIŞ SAYISAL ANALİZ Doç.Dr. Cüneyt BAYILMIŞ Doç.Dr. Cüneyt BAYILMIŞ Sayısal Analz SAYISAL ANALİZ SAYISAL TÜREV Numercal Derentaton Doç.Dr. Cüneyt BAYILMIŞ Sayısal Analz İÇİNDEKİLER Sayısal Türev Ger Farklar

Detaylı

İSTATİSTİK DERS NOTLARI

İSTATİSTİK DERS NOTLARI Balıkesr Ünverstes İnşaat Mühendslğ Bölüü uutokkan@balkesr.edu.tr İSTATİSTİK DERS OTLARI Yrd. Doç. Dr. Uut OKKA Hdrolk Anabl Dalı Balıkesr Ünverstes Balıkesr Ünverstes İnşaat Mühendslğ Bölüü İnşaat Mühendslğ

Detaylı

ENDÜSTRİYEL BİR ATIK SUYUN BİYOLOJİK ARITIMI VE ARITIM KİNETİĞİNİN İNCELENMESİ

ENDÜSTRİYEL BİR ATIK SUYUN BİYOLOJİK ARITIMI VE ARITIM KİNETİĞİNİN İNCELENMESİ ENDÜSTRİYEL BİR ATIK SUYUN BİYOLOJİK ARITIMI VE ARITIM KİNETİĞİNİN İNCELENMESİ Emel KOCADAYI EGE ÜNİVERSİTESİ MÜH. FAK., KİMYA MÜH. BÖLÜMÜ, 35100-BORNOVA-İZMİR ÖZET Bu projede, Afyon Alkalot Fabrkasından

Detaylı

Bulanık-Sinir Ağı Yapısı İçin Yeni Bir Karma Yaklaşım

Bulanık-Sinir Ağı Yapısı İçin Yeni Bir Karma Yaklaşım Bulanık-Snr Ağı Yapısı İçn Yen Br Karma Yaklaşım Canan ŞENOL, Tülay YILDIRIM Mühendslk Fakültes, Elektronk Mühendslğ Bölümü Kadr Has Ünverstes canan@khas.edu.tr Elektrk-Elektronk Fakültes, Elektronk ve

Detaylı

Şehiriçi Karayolu Ağlarının Sezgisel Harmoni Araştırması Optimizasyon Yöntemi ile Ayrık Tasarımı *

Şehiriçi 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

Detaylı

Emrah 70 Ekim 2011. kat edilen mesafenin en. mizasyonu (PSO) sezgisel. (PSO), Genetik Algoritma (GA), Optimizasyon, Meta-Sezgisel

Emrah 70 Ekim 2011. kat edilen mesafenin en. mizasyonu (PSO) sezgisel. (PSO), Genetik Algoritma (GA), Optimizasyon, Meta-Sezgisel METAplam kat edlen mesafenn en mzasyonu (PSO) sezgsel k (PSO), Genetk Algortma (GA), Optmzasyon, Meta-Sezgsel 74 OPTIMIZATION OF MULTI- PROBLEM OF ISTANBUL HALK EKMEK A.S. (IHE) BY USING META-HEURISTIC

Detaylı

TÜKETİCİ TATMİNİ VERİLERİNİN ANALİZİ: YAPAY SİNİR AĞLARI ve REGRESYON ANALİZİ KARŞILAŞTIRMASI

TÜKETİCİ 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

Detaylı

ROBİNSON PROJEKSİYONU

ROBİNSON PROJEKSİYONU ROBİNSON PROJEKSİYONU Cengzhan İPBÜKER ÖZET Tüm yerkürey kapsayan dünya hartalarının yapımı çn, kartografk lteratürde özel br öneme sahp olan Robnson projeksyonu dk koordnatlarının hesabı brçok araştırmacı

Detaylı

FARKLI REGRESYON YÖNTEMLERİ İLE BETA KATSAYISI ANALİZİ

FARKLI REGRESYON YÖNTEMLERİ İLE BETA KATSAYISI ANALİZİ FARKLI REGRESYON YÖNTEMLERİ İLE BETA KATSAYISI ANALİZİ M.Ensar YEŞİLYURT (*) Flz YEŞİLYURT (**) Özet: Özellkle uzak verlere sahp ver setlernn analz edlmesnde en küçük kareler tahmnclernn kullanılması sapmalı

Detaylı

BULANIK AKIŞ TİPİ ÇİZELGELEME PROBLEMİ İÇİN ÇOK AMAÇLI GENETİK ALGORİTMA

BULANIK AKIŞ TİPİ ÇİZELGELEME PROBLEMİ İÇİN ÇOK AMAÇLI GENETİK ALGORİTMA Gaz Ünv. Müh. Mm. Fak. Der. J. Fac. Eng. Arch. Gaz Unv. Clt 22, No 4, 855-862, 2007 Vol 22, No 4, 855-862, 2007 BULANIK AKIŞ TİPİ ÇİZELGELEME PROBLEMİ İÇİN ÇOK AMAÇLI GENETİK ALGORİTMA İzzettn TEMİZ ve

Detaylı

BULANIK HEDEF PROGRAMLAMA VE BİR TEKSTİL FİRMASINDA UYGULAMA ÖRNEĞİ

BULANIK HEDEF PROGRAMLAMA VE BİR TEKSTİL FİRMASINDA UYGULAMA ÖRNEĞİ Eskşehr Osmangaz Ünverstes Sosyal Blmler Dergs Clt: 6 Sayı: 2 Aralık 2005 BULANIK HEDEF PROGRAMLAMA VE BİR TEKSTİL FİRMASINDA UYGULAMA ÖRNEĞİ İrfan ERTUĞRUL Pamukkale Ünverstes İİBF, Denzl ÖZET Günümüzde

Detaylı

TRİSTÖR VE TRİYAK HARMONİKLERİNİN 3 BOYUTLU GÖSTERİMİ VE TOPLAM HARMONİK BOZUNUMA EĞRİ UYDURMA

TRİSTÖR 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

Detaylı

Çarpımsal Ceza Modeli İle Tamsayılı Programlama

Çarpımsal Ceza Modeli İle Tamsayılı Programlama Dokuz Eylül Ünverstes Sosyal Blmler Ensttüsü Dergs Clt: 10, Sayı:3, 2008 Çarpımsal Ceza Model İle Tamsayılı Programlama Sabr Erdem Özet Doğrusal olmayan optmzasyon problemlernn çözüm yöntemlernden brs,

Detaylı

Rasgele Değişken Üretme Teknikleri

Rasgele 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

Detaylı

TÜRKİYE DEKİ 22 BARALI 380 kv LUK GÜÇ SİSTEMİ İÇİN EKONOMİK DAĞITIM VE OPTİMAL GÜÇ AKIŞI YÖNTEMLERİNİN KARŞILAŞTIRMALI ANALİZİ

TÜRKİYE DEKİ 22 BARALI 380 kv LUK GÜÇ SİSTEMİ İÇİN EKONOMİK DAĞITIM VE OPTİMAL GÜÇ AKIŞI YÖNTEMLERİNİN KARŞILAŞTIRMALI ANALİZİ PAMUKKALE ÜNİ VERSİ TESİ MÜHENDİ SLİ K FAKÜLTESİ PAMUKKALE UNIVERSITY ENGINEERING FACULTY MÜHENDİ SLİ K B İ L İ MLERİ DERGİ S İ JOURNAL OF ENGINEERING SCIENCES YIL CİLT SAYI SAYFA : 7 : 3 : 3 : 369-378

Detaylı

Prof. Dr. Nevin Yörük - Yrd. Doç. Dr. S. Serdar Karaca Yrd. Doç. Dr. Mahmut Hekim - Öğr. Grv. İsmail Tuna

Prof. Dr. Nevin Yörük - Yrd. Doç. Dr. S. Serdar Karaca Yrd. Doç. Dr. Mahmut Hekim - Öğr. Grv. İsmail Tuna Anadolu Ünverstes Sosyal Blmler Dergs Anadolu Unversty Journal of Socal Scences Sermaye Yapısını Etkleyen Faktörler ve Fnansal Oranlar le Hsse Getrs Arasındak İlşknn ANFIS Yöntem le İncelenmes: İMKB de

Detaylı

Deney No: 2. Sıvı Seviye Kontrol Deneyi. SAKARYA ÜNİVERSİTESİ Dijital Kontrol Laboratuvar Deney Föyü Deneyin Amacı

Deney 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

Detaylı

Saccharomyces cerevisia Maya Hücresinin Büyüme Eğrisinin ANFIS ile Modellenmesi

Saccharomyces cerevisia Maya Hücresinin Büyüme Eğrisinin ANFIS ile Modellenmesi 06 Publshed n 4th Internatonal Symposum on Innovatve Technologes n Engneerng and Scence 3-5 ovember 06 (ISITES06 Alanya/Antalya - Turkey) Saccharomyces cerevsa Maya Hücresnn Büyüme Eğrsnn AFIS le Modellenmes

Detaylı

PARABOLİK YOĞUNLUK FONKSİYONUNU KULLANARAK SEDİMANTER TEMEL DERİNLİKLERİNİN KESTİRİMİ

PARABOLİK 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

Detaylı

Tek Yönlü Varyans Analizi

Tek Yönlü Varyans Analizi Tek Yönlü Varyan Analz Nedr ve hang durumlarda kullanılır? den fazla grupların karşılaştırılmaı öz konuu e, çok ayıda t-tet nn kullanılmaı, Tp I hatanın artmaına yol açar; Örneğn, eğer 5 grubu kşerl olarak

Detaylı

DOĞRUSAL HEDEF PROGRAMLAMA İLE BÜTÇELEME. Hazırlayan: Ozan Kocadağlı Danışman: Prof. Dr. Nalan Cinemre

DOĞRUSAL 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

Detaylı

bir yol oluşturmaktadır. Yine i 2 , de bir yol oluşturmaktadır. Şekil.DT.1. Temel terimlerin incelenmesi için örnek devre

bir 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

Detaylı

Optimal Güç Akışı Probleminin Çözümü İçin GA, MA ve YAK Algoritmalarının Karşılaştırılması

Optimal Güç Akışı Probleminin Çözümü İçin GA, MA ve YAK Algoritmalarının Karşılaştırılması 6 th Internatonal Advanced echnologes Symposm (IAS 11), 16-18 May 2011, Elazığ, rkey Comparson of GA, MA and ABC Algorthm for Solton of Optmal ower Flow Abstract In ths stdy, tree dfferent herstc methods

Detaylı

DENEY 4: SERİ VE PARALEL DEVRELER,VOLTAJ VE AKIM BÖLÜCÜ KURALLARI, KIRCHOFF KANUNLARI

DENEY 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.

Detaylı

Genetik Algoritma ile İki Boyutlu Şekil Yerleştirme ÖZET

Genetik Algoritma ile İki Boyutlu Şekil Yerleştirme ÖZET Genetk Algortma le İk Boyutlu Şekl Yerleştrme Metn Özşahn 1 ve Mustafa Oral 2 1) Çukurova Ünverstes Fen Blmler Ensttüsü Endüstr Mühendslğ Bölümü, Adana, Turkey 2 Çukurova Ünverstes Blgsayar Mühendslğ Bölümü,

Detaylı

REGRESYONDA 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 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

Detaylı

İÇME SUYU ŞEBEKELERİNİN GÜVENİLİRLİĞİ

İÇME 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

Detaylı

Ali Öztürk Accepted: January 2010. ISSN : 1308-7231 serhatduman@duzce.edu.tr 2010 www.newwsa.com Duzce-Turkey

Ali Öztürk Accepted: January 2010. ISSN : 1308-7231 serhatduman@duzce.edu.tr 2010 www.newwsa.com Duzce-Turkey ISS:1306-3111 e-journal of ew World Scences Academy 2010, Volume: 5, umber: 1, Artcle umber: 1A0066 Serhat Duman EGIEERIG SCIECES M. Kenan Döşoğlu Receved: March 2009 Al Öztürk Accepted: January 2010 Pakze

Detaylı

A İSTATİSTİK. 4. X kesikli rasgele (random) değişkenin moment çıkaran. C) 4 9 Buna göre, X in beklenen değeri kaçtır?

A 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

Detaylı

PÜRÜZLÜ AÇIK KANAL AKIMLARINDA DEBİ HESABI İÇİN ENTROPY YÖNTEMİNİN KULLANILMASI

PÜRÜZLÜ AÇIK KANAL AKIMLARINDA DEBİ HESABI İÇİN ENTROPY YÖNTEMİNİN KULLANILMASI PÜRÜZLÜ AÇIK KANAL AKIMLARINDA DEBİ HESABI İÇİN ENTROPY YÖNTEMİNİN KULLANILMASI Mehmet ARDIÇLIOĞLU *, Galp Seçkn ** ve Özgür Öztürk * * Ercyes Ünverstes, Mühendslk Fakültes, İnşaat Mühendslğ Bölümü Kayser

Detaylı

DİNAMİK ANALİZ PROBLEMLERİ İÇİN YENİ BİR ADIM ADIM SAYISAL ÇÖZÜMLEME YÖNTEMİ

DİNAMİK ANALİZ PROBLEMLERİ İÇİN YENİ BİR ADIM ADIM SAYISAL ÇÖZÜMLEME YÖNTEMİ . Türkye Deprem Mühendslğ ve Ssmoloj Konferansı 5-7 Eylül 0 MKÜ HATAY DİNAMİK ANALİZ PROBLEMLERİ İÇİN YENİ BİR ADIM ADIM SAYISAL ÇÖZÜMLEME YÖNTEMİ ÖZET: H. Çlsalar ve K. Aydın Yüksek Lsans Öğrencs, İnşaat

Detaylı

Muhasebe ve Finansman Dergisi

Muhasebe 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

Detaylı

Jenerik Cordic algoritmasının FPGA da donanımsal gerçeklenmesi. Hardware iplementation of generic CORDIC algorithm on FPGA

Jenerik Cordic algoritmasının FPGA da donanımsal gerçeklenmesi. Hardware iplementation of generic CORDIC algorithm on FPGA Jenerk Cordc algortmasının FPGA da donanımsal gerçeklenmes Suhap Şahn *, Burcu Kır Savaş 2 07.05.206Gelş/Receved,06.0.206Kabul/Accepted do: 0.6984/saufenblder.4583 ÖZ Trgonometrk, logartmk, hperbolk vb.

Detaylı

BANKACILIKTA ETKİNLİK VE SERMAYE YAPISININ BANKALARIN ETKİNLİĞİNE ETKİSİ

BANKACILIKTA ETKİNLİK VE SERMAYE YAPISININ BANKALARIN ETKİNLİĞİNE ETKİSİ BANKACILIKTA ETKİNLİK VE SERMAYE YAPISININ BANKALARIN ETKİNLİĞİNE ETKİSİ Yrd. Doç. Dr. Murat ATAN - Araş. Gör. Gaye KARPAT ÇATALBAŞ 2 ÖZET Bu çalışma, Türk bankacılık sstem çnde faalyet gösteren tcar bankaların

Detaylı

3. Parçaları Arasında Aralık Bulunan Çok Parçalı Basınç Çubukları

3. Parçaları Arasında Aralık Bulunan Çok Parçalı Basınç Çubukları 3. Parçaları Arasında Aralık Bulunan Çok Parçalı Basınç Çubukları Basınç çubukları brden fazla profl kullanılarak, bu profller arasında plan düzlemnde bell br mesafe bulunacak şeklde düzenleneblr. Bu teşklde,

Detaylı

Bulanık Mantık ve Yapay Sinir Ağları ile bir 3-3 Stewart Platformu nun Pozisyon Kontrolü

Bulanık Mantık ve Yapay Sinir Ağları ile bir 3-3 Stewart Platformu nun Pozisyon Kontrolü Bulanık Mantık ve Yapay Snr Ağları le br 3-3 Stewart Platformu nun Pozsyon Kontrolü İbrahm Yıldız 1, V.Emre Ömürlü 2, Ş.Nac Engn 3 1 Makne Mühendslğ Bölümü Yıldız Teknk Ünverstes, Beşktaş yldz@yldz.edu.tr

Detaylı

UYGULAMA 2. Bağımlı Kukla Değişkenli Modeller

UYGULAMA 2. Bağımlı Kukla Değişkenli Modeller UYGULAMA 2 Bağımlı Kukla Değşkenl Modeller Br araştırmacı Amerka da yüksek lsans ve doktora programlarını kabul ednlmey etkleyen faktörler ncelemek stemektedr. Bu doğrultuda aşağıdak değşkenler ele almaktadır.

Detaylı

Konumsal Enterpolasyon Yöntemleri Uygulamalarında Optimum Parametre Seçimi: Doğu Karadeniz Bölgesi Günlük Ortalama Sıcaklık Verileri Örneği

Konumsal 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

Detaylı

BALİ KHO BİLİM DERGİSİ CİLT:23 SAYI:2 YIL:2013. BULANIK BOYUT ANALİZİ ve BULANIK VIKOR İLE BİR ÇNKV MODELİ: PERSONEL SEÇİMİ PROBLEMİ.

BALİ KHO BİLİM DERGİSİ CİLT:23 SAYI:2 YIL:2013. BULANIK BOYUT ANALİZİ ve BULANIK VIKOR İLE BİR ÇNKV MODELİ: PERSONEL SEÇİMİ PROBLEMİ. BULANIK BOYUT ANALİZİ ve BULANIK VIKOR İLE BİR ÇNKV MODELİ: PERSONEL SEÇİMİ PROBLEMİ Özkan BALİ ÖZET Personel seçm organzasyonların başarısını etkleyen en öneml problemlerden brdr. Bu seçm, belrszlk çeren

Detaylı

ADIYAMAN ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MATEMATİK ANABİLİM DALI YÜKSEK LİSANS TEZİ SOFT KÜMELER VE BAZI SOFT CEBİRSEL YAPILAR.

ADIYAMAN ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MATEMATİK ANABİLİM DALI YÜKSEK LİSANS TEZİ SOFT KÜMELER VE BAZI SOFT CEBİRSEL YAPILAR. ADIYAMAN ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MATEMATİK ANABİLİM DALI YÜKSEK LİSANS TEZİ SOFT KÜMELER VE BAZI SOFT CEBİRSEL YAPILAR Ebubekr İNAN DANIŞMAN Yrd. Doç. Dr. Mehmet Al ÖZTÜRK ADIYAMAN 2011 Her

Detaylı

YAŞAM ÇÖZÜMLEMESİNDE AYKIRI DEĞERLER OUTLIERS IN SURVIVAL ANALYSIS

YAŞAM ÇÖZÜMLEMESİNDE AYKIRI DEĞERLER OUTLIERS IN SURVIVAL ANALYSIS YAŞAM ÇÖZÜMLEMESİNDE AYKIRI DEĞERLER OUTLIERS IN SURVIVAL ANALYSIS NURAY TUNCER PROF. DR. DURDU KARASOY Tez Danışmanı Hacettepe Ünverstes Lsansüstü Eğtm-Öğretm Yönetmelğnn İstatstk Anablm Dalı İçn Öngördüğü

Detaylı

FLYBACK DÖNÜŞTÜRÜCÜ TASARIMI VE ANALİZİ

FLYBACK DÖNÜŞTÜRÜCÜ TASARIMI VE ANALİZİ FLYBACK DÖNÜŞTÜRÜCÜ TASARIMI VE ANALİZİ 1 Nasır Çoruh, Tarık Erfdan, 3 Satılmış Ürgün, 4 Semra Öztürk 1,,4 Kocael Ünverstes Elektrk Mühendslğ Bölümü 3 Kocael Ünverstes Svl Havacılık Yüksekokulu ncoruh@kocael.edu.tr,

Detaylı