Sınıflandırma Problemlerinin Karşılaştırılmasında ANFIS ve Basamak Korelasyon Sinir Ağının Kullanımı
|
|
- Asli Ayvaz
- 6 yıl önce
- İzleme sayısı:
Transkript
1 Süleyman Demrel Ünverstes Süleyman Demrel Unversty Fen Blmler Ensttüsü N. Şengöz, Dergs G. Özdemr / Sınıflandırma Problemlernn Karşılaştırılmasında ANFIS ve Basamak Korelasyon Snr Ağının Kullanımı Journal of Natural and Appled Scences Clt 21, Sayı 1, , 2017 Volume 21, Issue 1, , 2017 DOI: /sdufbed Sınıflandırma Problemlernn Karşılaştırılmasında ANFIS ve Basamak Korelasyon Snr Ağının Kullanımı Nlgün ŞENGÖZ *1, Gültekn ÖZDEMİR 2 1 Mehmet Akf Ersoy Ünverstes, Stratejk İşbrlğ Proje Danışmanlık Eğtm Uygulama ve Araştırma Merkez, 15030, Burdur 2 Süleyman Demrel Ünverstes, Mühendslk Fakültes, Endüstr Mühendslğ Bölümü, 32260, Isparta (Alınış / Receved: , Kabul / Accepted: , Onlne Yayınlanma / Publshed Onlne: ) Anahtar Kelmeler Yapay zeka, Yapay snr ağları, ANFIS, Basamak korelasyon snr ağları, BKSA Özet: Yapılan bu çalışmada, sınıflandırma problemler üzernde durulmuştur. Bu çalışma farklı yapıda olan 3 adet ver kümesnn (Tohum, Araz Uydu Görüntüleme ve Kırmızı Şarap Kalte Değerlendrme) ncelenmes ve aynı algortmaların bu verlere uygulanması tbaryle hem başarı performansı olarak hem de zaman bakımından aralarındak lşky gözler önüne sermektedr. Tohum vers çn yapılan karşılaştırmada Uyarlamalı ağ tabanlı bulanık çıkarım sstem (Adaptve Network Based Fuzzy Inference Systems ANFIS) le Basamak Korelasyon Snr Ağı BKSA (Cascade Correlaton Neural Network CCNN) test performans yüzdeler %86.41 ve %88.06 olup, şlem zamanı yönünden bakıldığında se BKSA 0.59 sanye gb kısa br süre çersnde sınıflandırma yapmıştır. Araz Uydu Görüntüleme ver kümesnde se test performans yüzdeler ANFIS de %100, BKSA da se %99.92 olmaktadır. Vernn algortma çersnde yaptığı şlem süreler se ANFIS 800 sanye, BKSA 72 sanyede tüm sınıflandırma şlemn tamamlamıştır. Son ver kümemz se Kırmızı Şarap Kalte değerlendrmedr ve test performans olarak bakıldığında ANFIS %99.975, BKSA se % gb brbrler arasında çokta anlamlı br fark oluşturmadığı açıkça görünmektedr. İşlem zamanı bakımından ANFIS sanye le BKSA metoduna göre çok hantal kalmaktadır. Comparson of ANFIS and Cascade Correlaton Neural Network Methods for Classfcaton Problems Keywords Artfcal ntellgence, Neural network, ANFIS, Cascade correlaton neural network, CCNN Abstract: In ths study, t focused on classfcaton problems. Ths thess dfferent structure wth 3 data set (Seed, Terran Satellte Imagng and Red Wne Qualt examnaton and the same algorthms appled to these data as the relatonshp as well as the performance achevements and tme n terms between the eyes reveals. Seed data s for the comparson wth the ANFIS and CCNN test performance of 86.41% and 88.06% percent, n the classfcaton process has always CCNN less tme when vewed from the sde. In the dataset Terran Satellte Imagng performance ANFIS percentage of 100%, n the CCNN s 99.92%. The duraton of the transactons made n the algorthm's data ANFIS 800 seconds, t completed the classfcaton process CCNN all n 72 seconds. Our last data set s red wne qualty evaluaton and performance when vewed as ANFIS% , the CCNN s clearly not consttute a very sgnfcant dfference between each other lke %. Accordng to the terms of processng tme wth the BKS method ANFIS 85, 271 seconds s far too cumbersome. 1. Grş Örüntü tanıma, sayıca fazla kategorlere veya sınıflara ayırma şlemler amacını güden br dspln olarak yer almaktadır. Uygulamaya bağlı olarak araştırıcı tarafından verlen nesneler; resm, snyal dalgacıkları * İlgl yazar: nlgunsengoz@mehmetakf.edu.tr 125 veya sınıflandırılablecek herhang br ver kümes olablr. Endüstrde gerçekleşen otomasyon le yen blglern dare edlmes ve verlerden anlamlı blg çıkarılma durumu daha öneml hale gelmes mühendslern bu alana doğru araştırma yapmaya zorlamış ve karar vermede çoğu makne zekâsı
2 N. Şengöz, G. Özdemr / Sınıflandırma Problemlernn Karşılaştırılmasında ANFIS ve Basamak Korelasyon Snr Ağının Kullanımı sstemler örüntü tanıma da ayrılmaz br parça halne dönüşmüştür. Uygulayıcı metotlar üzernde hangsnn en optmal, hızlı ve hata payı en düşük olanı bulmasıyla ssteme grlen ver kümeler üzernden en uygun algortmanın seçlmesdr.. Sadece tek algortma bazlı ncelemeler gerçekç sonuçlar elde etme olanağını büyük ölçüde kısıtlayacağı çn, farklı tarzlarda yapılan uygulamalar da hem sonuç bazlı hem de uygulama dernlğ açısından karşılaştırma olanağı bulunmaktadır. Farklı algortmaların karşılaştırılacağı ver kümeler brbrnden farklı tarzda olması önem arz etmektedr. Ayrıca uygulayıcının çıktı sonuçlarından hem eğtm hem de test performanslar yüzdeler ve sstem üzernde uygulama üzernde geçen süre de br o kadar önem arz etmektedr. Çalışmada kullanılacak olan algortmalardan br tanes Basamak Korelasyon Snr Ağı (BKSA) dır. İlk defa Fahlman ve Lebere (1990) tarafından gelştrlen BKSA, yapay snr ağları çersnde öğretcl/denetml öğrenme algortmasıdır [1]. Augustejn ve Clemens (1994) görüntü sınıflandırma ve segmentlere ayırmada [2], McKenna vd (1991) Cervcal Hücrelern sınıflara ayrılmasında [3], Augustejn ve Skujca (1993) doku tabanlı unsur tanımada bu algortmayı kullanmışlardır [4]. Daha sonrak yıllarda BKSA farklı metodlar le karşılaştırılmaya başlanmıştır. Burke vd (1997) tıbb sonuç tahmn çn lojstk regresyon, ger yayılımlı snr ağı, eşlenk gradyan nş snr ağı, regresyon ağacı gb metodlar le karşılaştırılmıştır [5]. Ayrıca, Prampero ve Carvalho (1999) araç slütler sınıflandırılmasında Çok Katmanlı Perseptron (MLP) ağ le Radyal Tabanlı Fonksyonu ( RTF ) kullanarak karşılaştırma gerçekleştrmşlerdr [6]. Çalışmada karşılaştırma yapılacak olan br knc algortma se Bulanık Snr Ağ Yapısı yan ANFIS yöntemdr. Bu model, Jang (1997) gelştrmş ve doğrusal olmayan fonksyonların modellenmesnde, kaotk zaman serlernn tahmnnde kullanmıştır [7]. Şenol ve Yıldırım (2009) trot hastalıklarının teşhs çn, ANFIS, Fuzzy MLP, MLP, Fuzzy RBF, RBF, Fuzzy CSFNN, CSFNN gb uzman sstemlern başarılarını karşılaştırmıştır [8]. Sharma ve Mukharjee (2013) beyn tümör bulma problem çn ANFIS metodu le brlkte bulanık C ortalama (FCM) ve K en yakın komşu algortmaları kullanmıştır [9]. Zasabounch ve Askerzade (2014) kalp krz tahmn çn ANFIS metodunu kullanmışlardır [10]. Horlama le lgl seslern büyük lyapunov üstel ve entrop kullanarak sınıflandırma problem çn Ankışhan ve Yılmaz (2013) ANFIS metodu le Destek Vektör Maknasını brlkte kullanmış ve karşılaştırma yapmışlardır [11]. Tüm bu tahmn ve sınıflandırma karşılaştırmaları çersnde basamak korelasyon snr ağı le bulanık snr ağ algortmalarının aynı makale çersnde görülmedğ tespt edlmş olup, lteratürdek boşluğu doldurmak üzere çalışma konusunun bu araştırma olableceğ düşünüldü. Yapılan kapsamlı lteratür çalışmasından da anlaşıldığı üzere sınıflandırma, tahmn, görüntü şleme vb. problemlerde genellkle brbrne yakın metodlar karşılaştırılmış ve çalışmalar bu şeklde lerlemştr. Çalışmanın amacı ortaya konmak stenen br sınıflandırma problem çn k farklı metodun (Basamak Korelasyon Snr Ağı le Bulanık Snr Ağı) karşılaştırılması ve hang metodun daha y sınıflandırma yapacağına dar hesapların ortaya konmasıdır. Bu k farklı türde metodun aynı ver kümes üzernde kullanılması lteratür açısından yen br bakış açısı kazandıracaktır.. 2. Materyal ve Metot Çalışmanın amacına yönelk olarak, örüntü sınıflandırma çn UCI Machne Learnng ( nternet stesnden güncel olan 3 adet brbrnden farklı ver kümeler (Tohum, Araz Uydu Görüntüleme ve Kırmızı Şarap Kalte Değerlendrme) üzernde Basamak korelasyon snr ağı le Bulanık snr ağ metodları uygulanmıştır Basamak korelasyon snr ağı (BKSA) Basamak Korelasyon öğrenme algortması ger yayılım öğrenme algortmasının getrdğ problemler ve kısıtlamalar yüzünden gelştrlmştr [12]. Br ağın çndek sabt topoloj de ağırlıkları ayarlamak yerne, Basamak Korelasyon lk önce mnmum ağ le başlar, sonra otomatk olarak eğtr ve yen gzl katmanları tek tek ekleyerek çok katmanlı br yapı oluşturur. Eğer yen gzl katman ağa eklenrse, grş tarafındak ağırlıklar dondurulur. Eklenmş olan bu katman kalıcı br hal alarak ağda özellk seznleyc (feature detector) olur k bu durum daha karmaşık özellk seznleycler çn yen çıkışlar üretme veya yen yaratımlar çn, olanak sağlar. Basamak Korelasyon yapısı var olan dğer algortmalara nazaran bazı avantajlara sahptr: çabuk öğrenr, ağ boyutuna ve topolojsne kend karar verr, eğtm kümes değşse dah kurulmuş olan yapı kendn korur ve ağın bağlantıları aracılığıyla hata snyallernn hçbr ger yayılım gerektrmez. Fahlman ve Lebere (1990) tarafından bulunan bu algortmanın 11 temel adımları aşağıda sunulmuştur: Adım 1: Problem tarafından verlen tüm grş ve çıkışlar brbryle bağlantılı olacak şeklde başlanır. Adım 2: Tüm bağlantılar karesel hata değer (Es) anlamlı ölçüde düşmeyecek şeklde blnen br öğrenme algortması le eğtlr. 126
3 N. Şengöz, G. Özdemr / Sınıflandırma Problemlernn Karşılaştırılmasında ANFIS ve Basamak Korelasyon Snr Ağının Kullanımı (Fahlman ve Lebere, 1990) (1) m çıkış sayısını, Np eğtm set büyüklüğünü, y,p snr ağından nnc çıkışı, t,p se lgl hedef belrtr. Adım 3: Tüm ağın dış grşlernden ve eğer varsa var olan öncek gzl katmanlarından aday br katman oluşturulur. Bu aday katman henüz aktf olan ağın çıkışına bağlı değldr. Adım 4: Sc olarak gösterlen (Denklem 2 korelasyonu maksmze edecek şeklde katman (ağırlıkları) eğtlr. Öğrenme, sıradan br algortma le çok fazla zaman alır; korelasyon daha fazla lerleyemedğ zaman eğtm durur ve bunun denklem se aşağıda belrtlmştr; kullanılmaktadır. Bulanık mantık le modellemede en öneml adım grş/çıkış değşkenlernn üyelk derecelernn belrlenmes olarak gösterlmektedr. ANFIS, YSA nın öğrenme yeteneğn kullanarak, eğtm ver kümesnden bulanık set ve kuralları belrlemekte ve kural tabanlı br modelleme gerçekleştrmektedr. ANFIS, üç katmanlı ler beslemel br YSA şeklnde değerlendrleblr. Bu ağ yapısında, brnc katman, grş değşkenlernn uygulandığı ve YSA yardımıyla üyelk fonksyonlarının belrlendğ katman, knc katman bulanık kuralların oluşturulduğu ve çıkarım şlemnn gerçekleştrldğ katman ve en son katman se çıkarım sstem sonucunun elde edldğ katmandır [7]. x A 1 (Fahlman ve Lebere, 1990) (2) A 2 B 1 f(x, zo,p aday gzl katmanın çıkışını, E,p se adım 2 de hesaplanan (E,p=y,p t,p) çıkışların artık hata değern belrtmektedr. Br ncelğn üstündek çzg eğtm set üzerndek ortalamayı gösterr. y f(x, B 2 Tabaka 1 Tabaka 2 Tabaka 3 Tabaka 4 Tabaka 5 Adım 5: Aday katmanı çıkışlara bağlanır ve grş değerler dondurulur. Bu sayede aday katman fazladan grş katman olarak hareket eder. Adım 6: Adım 2 de de belrtldğ üzere, grş çıkış bağlantıları tekrardan karesel hata değer (Es) n mnmze edecek şeklde eğtlr. Adım 7 ve Adım 10: Adım 3 ten Adım 6 ya kadar olan kısmı br seferde gzl katman ekleyerek tekrar edlr. Adım 11: E, net hatası verlen br değern, ɛ, altına düştüğü zaman eğtm durdurulur. Tek br aday katman yerne, aday katmanların olduğu br havuzdan her br farklı başlangıç ağırlık kümes kullanmak daha ydr. Heps aynı grş snyallern alır ve her br eğtm model çn aynı artık hata görülür. Çünkü onlar brbrleryle etkleşme geçmez veya aktf ağı etklemez, aynı anda eğtlmş olablrler. Sadece adaylardan hangsnn korelasyon skoru yyse o yüklenr. Aday havuz sstemn kullanımı eğtm kötü yönde etkleyecek ve onu durdurablecek br katmanın yüklenmes rskn ortadan kaldırıyor. Fahlman ve Lebere (1990), her br havuzun çersnde dört veya sekz aday katmanın olma durumunun yeterl olacağını belrtmştr [13] Snrsel bulanık mantık çıkarım sstem (ANFIS) YSA ve Bulanık Mantık yöntemlernn brleşmnden oluşan Snrsel Bulanık Mantık Çıkarım Sstem (ANFIS) br modelleme yöntem önerlmekte ve Şekl 1. İk grşl br Sugeno Bulanık Çıkarım Sstem Yapısı (Jang, 1997) Katman 1: Bu katmanda her br düğüm, grş değşkenlernn üyelk fonksyonları düğüm fonksyonlarını oluşturur. Her br düğüm çıkışı Denklem 3 ve 4 gb hesaplanır; O1, A ( x) 1,2 (3) O1, B 3,4 (4) ( 2 Denklem (5)'de verlen Genelleştrlmş çan tp üyelk fonksyonu kullanılarak, düğüm çıkışı hesaplanmıştır. Burada, bulanık çıkarım sstemnn lneer olmayan grş parametrelerdr. ( ) 1 x c 1 a 1 OP A x 2b (5) Katman 2: Bu katmandak her br nöron AND/OR operatörler kullanılarak grş snyaller le çarpılır. Düğüm çıkışı çn ateşleme kuvvet denklem (6) yardımıyla hesaplanır; O w ( x) (, 1,2 j 1,2 k 1,... 4 (6) 2, k k A Bj Katman 3: Bu katmanda ateşleme kuvvet normalze th edlr. düğüm çn normalze edlmş ateşleme kuvvet aşağıdak gb hesaplanır. 127
4 N. Şengöz, G. Özdemr / Sınıflandırma Problemlernn Karşılaştırılmasında ANFIS ve Basamak Korelasyon Snr Ağının Kullanımı w O3, w, 1,... 4 w w 1 2 (7) etmektr. Ver kümes çersnde pksellern sınıfı sayı olarak verlmştr. (Jang, 1997) Katman 4: Bu katmanda, her br düğümün model çıktısı üzerndek katkısı hesaplanır. O4, w. f w.( p xq yr ) 1,... 4 (8) (Jang, 1997) Burada, w katman 3 ün çıkışı; p, q, r bulanık çıkarım sstemnn çıkış parametrelerdr. Katman 5: Bu katman çıkış katmansı olarak adlandırılır ve ANFIS n genel çıkışı hesaplanarak durulaştırma şlem le bulanık değerden kesn değere dönüştürülür. f ( x, w ( x, f ( x, w ( x, f ( x, w f w f (9) w1 ( x, w2 ( x, w1 w2 5, f ( x, w. f w f w Q f 2 (Jang, 1997) 3. Bulgular w f w (10) Bu çalışmada örüntü sınıflandırma çn UCI Machne Learnng nternet stesnden güncel olan 3 adet brbrnden farklı ver kümeler üzernde BKSA le ANFIS metodları uygulanmıştır. Bu çalışma yapılırken gerekl görülen Blgsayar Programlama dller kullanılmıştır. Oluşturulan tüm tablolar yapılan şlemler sonuçlarını göstermektedr. İlk ncelenen ver kümes Tohum ver kümes olup, geometrk şekllerne göre ölçülmüş 7 parametre mevcuttur. Bunlar; kernel buğdayının alanı, çevres, uzunluğu, genşlğ, oyuğu, yoğunluğu ve asmetrk katsayısına göre 207 tane örnek mevcuttur. Buradak öneml ayrıntı se, lk 69 ver Kama, sonrak 69 ver Rosa ve son 69 ver se Canadan olan 3 sınıf mevcuttur. Tablo 1. Tohum adlı ver kümesnn sonuç değerler Model Eğtm Test Zaman (sanye) ANFIS BKSA Araz uydu görüntü ver kümes, br uydu görüntüsünde 3x3 lük komşu pksellern oluşturduğu çoklu spektral değerlern çermekte olup, her br komşusunda merkez pksel le sınıflandırma oluşturmaktadır. Amacı se verlen çoklu spectral değerler üzernde bu sınıflandırmayı tahmn Bu ver kümesnde 6 adet sınıf vardır, bunlar; kırmızı toprak, pamuk mahsulü, gr toprak, neml gr toprak, btk anızı le toprak ve son olarak da çok neml gr topraktır. Bunların her brne sayı verlmş olup sırasıyla 1 den 6 ya kadar gtmektedr. Toplamda 6435 ver olup, her br sınıfın 37 adet özntelğ bulunmaktadır. Tablo 2. Araz Uydu Görüntüsü adlı ver kümesnn sonuç değerler Model Eğtm Test Zaman (sanye) ANFIS BKSA En son olarak ncelenen ver kümes se Kırmızı Şarap Kalte Değerlendrmedr. UCI Machne Learnng stesnden en y 10 versnden br tanes olup, Mayıs/2004 le Şubat/2007 tarhler arasında 1600 adet ver toplanmıştır. Grd değşkenler (fzkokmyasal deneylerne dayanmaktadır) olarak sırasıyla; sabt astlk, uçucu astlk, strk ast, artık şeker, klorürler, kükürt dokstsz, toplam kükürt dokst, yoğunluk, ph, sülfatlar ve alkoldür. Çıktı değşken (duyusal verlere dayalı) se kırmızı şarabın kaltesn gösteren 0 le 10 arasında puanlamadır. Tablo 3. Kırmızı Şarap Kalte Değerlendrme ver kümesnn sonuç değerler Model Eğtm Test Zaman (sanye) ANFIS BKSA Tartışma ve Sonuç Yapay zeka çalışmaları gün geçtkçe günümüz dünyasında daha fazla önem kazanmakta olup neredeyse tüm sstemlere uygulanablrlğ üzernde çalışmalar yapılmaktadır. Büyük ver kümeler çersnde stenlen blgye ulaşmak önem arz etmektedr. Bu yüzden bu tür çalışmalara örnek oluşturma açısından elde olan verlern sınıflandırılma şlem yapay zeka metodları le rdelenmş ve çalışılmıştır. UCI Machne Learnng nternet stesnden elde edlen verlern normalzasyon şlemlerne tab tutulması gerekmştr. Normalzasyon teknklern seçm ver çn önem arz etmekte olup, ağın performans yüzdelern drekt olarak etklemektedr. Bunun neden se normalzasyon şlem ssteme grlen verlern transfer durumunda fonksyonun en aktf olan alanından aktarılmasını sağlar. Böylelkle yüksek değerlenen kümülatf toplamların yaratacağı olumsuzlukların engellenmes sağlanır. Log Sgmod normalzasyonunun seçlme neden yapılan lteratür taramasında da görüldüğü üzere (Yavuz ve Devec, 128
5 N. Şengöz, G. Özdemr / Sınıflandırma Problemlernn Karşılaştırılmasında ANFIS ve Basamak Korelasyon Snr Ağının Kullanımı 2012) elmzdek verler poztf olduklarından dolayı bu metod seçlmştr. Bu çalışma farklı yapıda 3 adet ver kümesnn ncelenmes ve aynı algortmaların bu verlere uygulanması tbaryle hem başarı performansı olarak hem de zaman bakımından aralarındak lşky gözler önüne sermektedr. Tohum vers 207 adet her br 69 sınıftan oluşan 3 sınıflı br yapıya hazdr. Test ve eğtm kısmı 104 ve 103 adet olup kullanılan blgsayar programlama dlnde tesadüf olarak atanmıştır. Elde edlen sonuçlara bakılacak olursa ANFIS le BKSA test performans yüzdeler (%86.41, %88.06) anlamlı br fark oluşturmamıştır. Eğtm performans yüzdelerne bakılacak olursa eğer ANFIS %98.07, BKSA se %98.36 olarak gerçekleşmştr. Test performans değerler gb eğtm performans yüzdeler arasında da anlamlı br fark yoktur. Bu nedenle dğer br karşılaştırma krter olan şlem zamanlarına bakmakta fayda görülmüştür. İşlem zamanı açısından BKSA sanye le sanye olan ANFIS şlem zamanından daha kısa sürede gerçekleştrmştr. Hem daha kısa sürede hem de performans açısında neredeyse %3 lük br başarısı olan BKSA yne de elde olan verlern eğtm kısmı sayıca az olduğundan %95 ve üstü aralığına grememştr. Dğer br ver kümes StatLog yan Uydu görüntüleme le elde edlen br ver kümesdr adet ver olup, her br 6 sınıfın 37 tane özntelğ vardır. Br öncek ver kümesne nazaran daha fazla eğtm ve test kümes ayrıldığından test performans yüzdeler ANFIS de %100, BKSA da se %99.92 olmaktadır. Eğtm performansları yüzdelerne bakılacak olursa eğer ANFIS yne %100 lük br başarı sağlamış, BKSA se %99.97 lk rakamla aralarında öneml ölçüde fark olmadığını ortaya koymuştur. Bu bağlamda şlem süres açısından bakılacak olursa eğer; ANFIS 800 sanye ken BKSA 72 sanyede tüm sınıflandırma şlemn tamamlamıştır. Buradan da açıkça görüleceğ üzere ANFIS her ne kadar %100 lük br başarı serglemş olsa da BKSA %99.92 le hem zaman açısından hem de performans başarı yüzdes olarak ANFIS algortmasından çok daha y br örüntü tanıma serglemştr. Bu durumdan da anlaşılacağı üzere eğer ssteme eğtm ve test bakımından daha fazla sayıda ver yüklenrse sstem çok daha y br performans serglemekte ve araştırmacılara daha y sonuçlar vermektedr. Son olarak ncelenen ver kümes se 10 adet sınıftan oluşan 11 özntelğe sahp Kırmızı Şarap Kalte değerlendrme ver kümesdr. Aynı nternet stenn en y ve eksksz olan verlernden br tanes olan bu küme üzernde yne aynı metodlar denenmş hem performans hem de şlem zamanı açısından değerlendrlmeye tab tutulmuştur. Bu ver kümesnn seçm neden se öncek kümelern sınıfları 3 ve 6 ken bunda 10 adet sınıf olması algortmayı zorlayıcı etkenlerden br tanesdr. Dğer kısıtlardan br se özntelk sayısı (11 adet) StatLog ver kümes kadar (37 adet) olmasa da Tohum ver kümesnden (7 adet) fazla olması sebebyetyle başka br zorlayıcı etken olarak karşımıza çıkmaktadır. Sonuç tbaryle performans yüzdeler bakımından ANFIS eğtmde %100 lük, BKSA se % le başarı sağlamıştır. Test performansları bağlamında ANFIS %99.975, BKSA se % gb brbrler arasında çokta anlamlı br fark oluşturmadığı açıkça görünmektedr. Performans yüzdeler bakımından karşılaştırmanın anlamlı olmadığı görüldüğünden her br algortmanın şlem zamanlarına bakılması gerekmekte ve bununla br sonuca varılableceğ düşünülmektedr. ANFIS hem bulanık hem de snr ağlarının brleşmyle oluşan br algortma olduğu çn denenen dğer 2 ver kümesnde olduğu gb şlem zamanında çok fazla süre harcamaktadır. Her br sınıfın özntelğne bağlı kalarak oluşturulan kural tabanlı br sstem olan ANFIS sanye le BKSA ya nazaran ç hantal kalmaktadır. Bu durum zaman öncelkl çalışılan sstemlerde br dezavantaj halne geleblmektedr. BKSA se 4 sanye gb kısa br sürede performans bakımından ANFIS metodundan ger kalmayarak hızlı br şeklde örüntü sınıflandırma şlemn sorunsuzca halledeblmştr. Bu da bu sstemn kullanımının ne kadar doğru br yaklaşım olduğunu açıkça göstermektedr. Yapılan çalışmalar netcesnde Basamak Korelasyon Snr Ağı her açıdan karşılaştırılan metodlara göre daha y sonuçlar vermektedr. Burada öneml olan bu algortmalar üzernden başka araştırmacılar çalışma yapacağı zaman öneml br hususu dkkate almalıdırlar. Buda şudur k; elde edlen ver kümes sayısal anlamda ne kadar fazla olursa hem eğtm çn hem de test performansları br o kadar y sonuçlar vermektedr. Tohum ver kümesnde 207 adet ver le çalıştırılan algortma %90 nın altında br performans yüzdes göstermştr. Fakat hem özntelk hem de eğtm ve test ver sayısı fazla olan ver kümelernde performans yüzdeler %100 lük br başarı sağlamıştır. Eğer az sayıda ver kümes le çalışmak zorunda kalınırsa veya ver toplama le lgl bazı sıkıntılar meydana gelrse, çapraz doğrulama (crossvaldaton) yöntem le eldek verler çoğaltılablr ve performans yüzdeler stenlen sevyeye çıkartılablr. Br başka öneml husus se algortmaların şlem zamanıdır. Eğtm ve Test başarı yüzdeler neredeyse aynı çıkan ver kümelernde karşılaştırma adımının knc aşamasında her br metodun sstem üzernde geçrdğ şlem zamanları dkkate alınmıştır. ANFIS metodunun k öneml yapıyı (Bulanık Mantık Snr Ağı) br arada bulundurması sebebyetyle her ne kadar performans yüzdelernde başarılı br sevye gösterse de Basamak Korelasyon Snr Ağına (BKSA) göre çok hantal ve ağır şlemektedr. İşte bu yüzdendr k; BKSA metodu ANFIS yapısından daha hızlı ve etkn çalışarak ver kümeler üzerndek başarılarını gözler önüne sereblmektedr. Çalışmanın amacına yönelk olan her br farklı ver kümelern hem performans hem de şlem zamanları açısından ncelenp ortaya koyulması bu konu üzernde 129
6 N. Şengöz, G. Özdemr / Sınıflandırma Problemlernn Karşılaştırılmasında ANFIS ve Basamak Korelasyon Snr Ağının Kullanımı araştırma yapacak olan kşlere ışık tutması açısından büyük önem arz etmektedr. Bu çalışma konusu le BKSA metodunun daha lerk aşamalarda yüz tanıma, zaman sers tahmnlernde, üretm sstem kurma aşamalarında, hat dengeleme problemlernde ve byo teknolojk sstemlern uygulanma ve kurulma aşamalarında br yol çzlebleceğ düşünülmektedr. Kaynakça [1] Fahlman, S.E., Lebere, C., The Cascade Correlaton Learnng Archtecture; Report CMU CS ; Carnege Mellon Unversty: Pttsburgh, PA, USA, s [2] Augustejn, M.F., Clemens, L.E., 1994, A performance evaluaton of texture measures for mage classfcaton and segmentaton usng cascadecorrelaton archtecture, IEEE Inter. Conf. Neural Networks IEEE World Congress Comput. Intell. 7, s [3] McKenna, S.J., 1991 A Comparson of Neural Network Archtectures for Cervcal Cell Classfcaton, IEEE, s [4] Augustejn, M., Skujca, T., 1993, Identfcaton of human faces through texture based feature recognton and neural network technology, In Proceedngs of the IEEE Internatonal Conference on Conf. Neural Networks, s [5] Burke HB, Goodman PH, Rosen DB, vd., 1997, Artfcal neural networks mprove the accuracy of cancer survval predcton., Cancer, s [6] Prampero, P., Carvalho, A., 1999, Classfer Combnaton for Vehcle Slhouettes Recognton, Seventh Internatonal Conference on Image Processng and ts Applcatons, IPA 99, s [7] Jang, J.S.R, Sun, C.T., Mzutan, E., 1997, Neurofuzzy and soft computng, Prentce Hall, Upper Saddle Rver [8] Şenol, C., Yldrm T., 2009, Thyrod and Breast Cancer Dsease Dagnoss usng FuzzyNeural Networks, 6th Internatonal Conference on Electrcal and Electroncs Engneerng (ELECO 2009) [9] Sharma, M., Mukharjee, S., 2013, Bran Tumor Segmentaton Usng Genetc Algorthm and Artfcal Neural Network Fuzzy Inference System (ANFIS), Advances n Computng and Informaton, Sprnger Verlag Berln Hedelberg, s [10] Zasabounch N., Askerzade I., 2014, ANFIS Based Classfcaton Model for Heart Dsease Predcton, Intenatonal Journal of Electrcal and Computer Scences. IJECS Ijens [11] Ankışhan, H. ve Yılmaz, D., 2013, Comparson of SVM and ANFIS for snore related sounds classfcaton by usng the largest Lyapunov exponent and entropy, Computatonal and Mathematcal Methods n Medcne [12] Rumelhart, D. E., Hnton, G. E., Wllams, R. J. 1986, Learnng Internal Representatons by Error Propagaton, Rumelhart, D. E. ve McClelland, J. L.JParallel Dstrbuted Processng: Exploratons n the Mcrostructure of Cognton, MIT Press [13] Schmtz, A., Courouble, F., Hefaz, H., Besnard, E., 2010, Modfed Cascade Correlaton Neural Network and ts Applcatons to Multdscplnary Analyss Desgn and Optmzaton n Shp Desgn, Machne Learnng [14] Augustejn, M.F., Clemens, L.E., 1994, A performance evaluaton of texture measures for mage classfcaton and segmentaton usng cascadecorrelaton archtecture, IEEE Inter. Conf. Neural Networks IEEE World Congress Comput. Intell. 7, s [15] McKenna, S.J., 1991 A Comparson of Neural Network Archtectures for Cervcal Cell Classfcaton, IEEE, s
ARAŞTIRMA MAKALESİ/RESEARCH ARTICLE TEK ÇARPIMSAL SİNİR HÜCRELİ YAPAY SİNİR AĞI MODELİNİN EĞİTİMİ İÇİN ABC VE BP YÖNTEMLERİNİN KARŞILAŞTIRILMASI ÖZ
ANADOLU ÜNİVERSİTESİ Blm ve Teknoloj Dergs A-Uygulamalı Blmler ve Mühendslk Clt: 14 Sayı: 3 013 Sayfa: 315-38 ARAŞTIRMA MAKALESİ/RESEARCH ARTICLE Faruk ALPASLAN 1, Erol EĞRİOĞLU 1, Çağdaş Hakan ALADAĞ,
DetaylıÇOKLU REGRESYON MODELİ, ANOVA TABLOSU, MATRİSLERLE REGRESYON ÇÖZÜMLEMESİ,REGRES-YON KATSAYILARININ YORUMU
6.07.0 ÇOKLU REGRESON MODELİ, ANOVA TABLOSU, MATRİSLERLE REGRESON ÇÖZÜMLEMESİ,REGRES-ON KATSAILARININ ORUMU ÇOKLU REGRESON MODELİ Ekonom ve şletmeclk alanlarında herhang br bağımlı değşken tek br bağımsız
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
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
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.
DetaylıBulanık-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
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
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
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
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.,
DetaylıKaraciğer mikrodizi kanser verisinin sınıflandırılması için genetik algoritma kullanarak ANFIS in eğitilmesi
Karacğer mkrodz kanser versnn sınıflandırılması çn genetk algortma kullanarak ANFIS n eğtlmes Bülent Haznedar 1*, Mustafa Turan Arslan 2, Adem Kalınlı 3 ÖZ 21.06.2016 Gelş/Receved, 30.11.2016 Kabul/Accepted
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
DetaylıTRAFİK İŞARETLERİNİN HOUGH DÖNÜŞÜMÜ VE DVM KULLANILARAK SINIFLANDIRILMASI TRAFFIC SIGN CLASSIFICATION USING HOUGH TRANSFORM AND SVM
TRAFİK İŞARETLERİNİN HOUGH DÖNÜŞÜMÜ VE DVM KULLANILARAK SINIFLANDIRILMASI TRAFFIC SIGN CLASSIFICATION USING HOUGH TRANSFORM AND SVM Emrah ONAT SDT - Space & Defence Technologes A.Ş. emrahonat@yahoo.com
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
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
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
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)
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.
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
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
DetaylıKAFES SİSTEMLERİN UYGULAMAYA YÖNELİK OPTİMUM TASARIMI
PAMUKKALE ÜNİ VERSİ TESİ MÜHENDİ SLİ K FAKÜLTESİ PAMUKKALE UNIVERSITY ENGINEERING COLLEGE MÜHENDİ SLİ K BİLİMLERİ DERGİ S İ JOURNAL OF ENGINEERING SCIENCES YIL CİLT SAYI SAYFA : 1999 : 5 : 1 : 951-957
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,
DetaylıTEKNOLOJĐK ARAŞTIRMALAR
www.teknolojkarastrmalar.com ISSN:134-4141 Makne Teknolojler Elektronk Dergs 28 (1) 61-68 TEKNOLOJĐK ARAŞTIRMALAR Kısa Makale Tabakalı Br Dskn Termal Gerlme Analz Hasan ÇALLIOĞLU 1, Şükrü KARAKAYA 2 1
DetaylıBULANIK AKIŞ TİPİ ÇİZELGELEME PROBLEMİ İÇİN ÇOK AMAÇLI GENETİK ALGORİTMA
Gaz Ünv. Müh. Mm. Fak. Der. J. Fac. Eng. Arch. Gaz Unv. Clt 22, No 4, 855-862, 2007 Vol 22, No 4, 855-862, 2007 BULANIK AKIŞ TİPİ ÇİZELGELEME PROBLEMİ İÇİN ÇOK AMAÇLI GENETİK ALGORİTMA İzzettn TEMİZ ve
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
Detaylı2.4GHz ISM Bandı Alıcı Verici Sistemleri için ANFIS Kullanılarak 280MHz Band Geçiren Aktif Filtre Tasarımı ve Analizi
Fırat Ünverstes-Elazığ 2.4GHz ISM Bandı Alıcı Verc Sstemler çn ANFIS Kullanılarak 280MHz Band Geçren Aktf Fltre Tasarımı ve Analz Mehmet Al BELEN, Adnan KAYA 2.2 Elektronk-Haberleşme Mühendslğ Bölümü Süleyman
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
DetaylıDEÜ MÜHENDİSLİK FAKÜLTESİ MÜHENDİSLİK BİLİMLERİ DERGİSİ Cilt: 16 Sayı: 48 sh. 61-75 Eylül 2014 KRİL SÜRÜSÜ ALGORİTMASI İLE ATÖLYE ÇİZELGELEME
DEÜ MÜHENDİSLİK FAKÜLTESİ MÜHENDİSLİK BİLİMLERİ DERGİSİ Clt: 16 Sayı: 48 sh. 61-75 Eylül 2014 KRİL SÜRÜSÜ ALGORİTMASI İLE ATÖLYE ÇİZELGELEME (JOB SHOP SCHEDULING WITH KRILL HERD ALGORITHM) İlker GÖLCÜK
DetaylıYAYILI YÜK İLE YÜKLENMİŞ YAPI KİRİŞLERİNDE GÖÇME YÜKÜ HESABI. Perihan (Karakulak) EFE
BAÜ Fen Bl. Enst. Dergs (6).8. YAYII YÜK İE YÜKENİŞ YAPI KİRİŞERİNDE GÖÇE YÜKÜ HESABI Perhan (Karakulak) EFE Balıkesr Ünverstes ühendslk marlık Fakültes İnşaat üh. Bölümü Balıkesr, TÜRKİYE ÖZET Yapılar
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
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
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
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
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
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
DetaylıProf. 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
DetaylıTrombofili hastalığı ile genetik bozukluklar arasındaki ilişkinin adaptif ağ tabanlı bulanık mantık çıkarım sistemi (ANFIS) ile tespit edilmesi
SAÜ Fen Bl Der 20. Clt, 1. Sayı, s. 13-21, 2016 Trombofl hastalığı le genetk bozukluklar arasındak lşknn adaptf ağ tabanlı bulanık mantık çıkarım sstem (ANFIS) le tespt edlmes Bülent Haznedar 1*, Adem
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
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,
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
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
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
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,
DetaylıROBİNSON PROJEKSİYONU
ROBİNSON PROJEKSİYONU Cengzhan İPBÜKER ÖZET Tüm yerkürey kapsayan dünya hartalarının yapımı çn, kartografk lteratürde özel br öneme sahp olan Robnson projeksyonu dk koordnatlarının hesabı brçok araştırmacı
DetaylıMESLEK SEÇİMİ PROBLEMİNDE ÇOK ÖZELLİKLİ KARAR VERME VE ÇÖZÜME YÖNELİK GELİŞTİRİLEN BİREYSEL KARİYER PLANLAMA PROGRAMI
MESLEK SEÇİMİ PROBLEMİNDE ÇOK ÖZELLİKLİ KARAR VERME VE ÇÖZÜME YÖNELİK GELİŞTİRİLEN BİREYSEL KARİYER PLANLAMA PROGRAMI Fath ÇİL GAZİ ÜNİVERSİTESİ Mühendslk Mmarlık Fakültes Endüstr Mühendslğ Bölümü 4. Sınıf
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
DetaylıSaccharomyces 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
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,
Detaylı( ) 3.1 Özet ve Motivasyon. v = G v v Operasyonel Amplifikatör (Op-Amp) Deneyin Amacı. deney 3
Yıldız Teknk Ünverstes Elektrk Mühendslğ Bölümü Deneyn Amacı İşlemsel kuvvetlendrcnn çalışma prensbnn anlaşılması le çeştl OP AMP devrelernn uygulanması ve ncelenmes. Özet ve Motvasyon.. Operasyonel Amplfkatör
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
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,
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
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
DetaylıSera İklimlendirme Kontrolü İçin Etkin Bir Gömülü Sistem Tasarımı
Sera İklmlendrme Kontrolü İçn Etkn Br Gömülü Sstem Tasarımı Nurullah Öztürk, Selçuk Ökdem, Serkan Öztürk Ercyes Ünverstes, Blgsayar Mühendslğ Bölümü, Kayser ozturk.nurullah@yahoo.com.tr,okdem@ercyes.edu.tr,
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
DetaylıZAMAN SERİSİ VERİ MADENCİLİĞİ VE DESTEK VEKTÖR MAKİNALAR KULLANAN YENİ BİR AKILLI ARIZA SINIFLANDIRMA YÖNTEMİ
Gaz Ünv. Müh. Mm. Fak. Der. J. Fac. Eng. Arch. Gaz Unv. Clt 3, No, 431-440, 008 Vol 3, No, 431-440, 008 ZAMAN SERİSİ VERİ MADENCİLİĞİ VE DESTEK VEKTÖR MAKİNALAR KULLANAN YENİ BİR AKILLI ARIZA SINIFLANDIRMA
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
DetaylıKaraciğerde Oluşan Hastalıkların Tespitinde Makine Öğrenmesi Yöntemlerinin Kullanılması
Karaciğerde Oluşan Hastalıkların Tespitinde Makine Öğrenmesi Yöntemlerinin Kullanılması 1 Emre DANDIL Bilecik Ş. Edebali Üniversitesi emre.dandil@bilecik.edu.tr +90228 214 1613 Sunum İçeriği Özet Giriş
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
DetaylıSİLİS DUMANI KATKILI BETONLARIN ÇARPMA DAYANIMININ YAPAY SİNİR AĞI İLE BELİRLENMESİ
ISSN:1306-3111 e-journal of New World Scences Academy 2008, Volume: 3, Number: 1 Artcle Number: A0046 NATURAL AND APPLIED SCIENCES CIVIL ENGINEERING Receved: June 2007 Accepted: December 2007 2008 www.newwsa.com
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
DetaylıSAYISAL ÇÖZÜMLEME. Sayısal Çözümleme
SAYISAL ÇÖZÜMLEME Syısl Çözümleme SAYISAL ÇÖZÜMLEME 7. Hft LİNEER DENKLEM SİSTEMLERİ (Devm) Syısl Çözümleme İÇİNDEKİLER Doğrusl Denklem Sstemlernn Çözümü İtertf Yöntemler Jcob Yöntem Guss-Sedel Yöntem
DetaylıAerodinamik Akışların Modellenmesinde Döngülü Olan ve Olmayan 7 Yaklaşımın Uygulanması
Aerodnamk Akışların Modellenmesnde Döngülü Olan ve Olmayan 7 Yaklaşımın Uygulanması Mehmet Önder Efe, Marco Debas, Peng Yan, Htay Özbay 4, Mohammad Sammy 5 Elektrk ve Elektronk Mühendslğ Bölümü TOBB Ekonom
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)
DetaylıGÜÇ KALİTESİNDEKİ BOZULMA TÜRLERİNİN SINIFLANDIRILMASI İÇİN BİR ÖRÜNTÜ TANIMA YAKLAŞIMI
Gaz Ünv. Müh. Mm. Fak. Der.. Fac. Eng. Arch. Gaz Unv. Clt 6, No 1, 41-56, 011 Vol 6, No 1, 41-56, 011 GÜÇ KALİESİNDEKİ BOZULMA ÜRLERİNİN SINIFLANDIRILMASI İÇİN BİR ÖRÜNÜ ANIMA YAKLAŞIMI Murat UYAR, Selçuk
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
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,
DetaylıToplam Eşdeğer Deprem Yükünün Hesabı Bakımından 1975 Deprem Yönetmeliği İle 2006 Deprem Yönetmeliğinin Karşılaştırılması
Fırat Ünv. Fen ve Müh. Bl. ergs Scence and Eng. J of Fırat Unv. 19 (2, 133-138, 2007 19 (2, 133-138, 2007 Toplam Eşdeğer eprem Yükünün Hesabı Bakımından 1975 eprem Yönetmelğ İle 2006 eprem Yönetmelğnn
DetaylıALGILANAN 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
DetaylıAli 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
DetaylıGenetik Algoritma ile İki Boyutlu Şekil Yerleştirme ÖZET
Genetk Algortma le İk Boyutlu Şekl Yerleştrme Metn Özşahn 1 ve Mustafa Oral 2 1) Çukurova Ünverstes Fen Blmler Ensttüsü Endüstr Mühendslğ Bölümü, Adana, Turkey 2 Çukurova Ünverstes Blgsayar Mühendslğ Bölümü,
DetaylıOTOMATİK PARMAKİZİ TANIMA SİSTEMLERİNDE ÖZELLİK NOKTALARININ TESPİTİNDE YAPAY SİNİR AĞLARININ KULLANILMASI
PAMUKKALE ÜNİ VERSİ TESİ MÜHENDİ SLİ K FAKÜLTESİ PAMUKKALE UNIVERSITY ENGINEERING COLLEGE MÜHENDİ SLİ K B İ L İ MLERİ DERGİ S İ JOURNAL OF ENGINEERING SCIENCES YIL CİLT SAYI SAYFA : 007 : 13 : 1 : 911
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
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
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
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
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
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
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,
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
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
DetaylıÖZET Anahtar Kelimeler: ABSTARCT Keywords: 1. GİRİŞ
olteknk Dergs Journal of olytechnc Clt: Sayı: 3 s67-7, 009 Vol: o: 3 pp67-7, 009 Genetk Algortma Kullanarak Ekonomk Dağıtım Analz: Türkye Uygulaması M Kenan DÖŞOĞU, Serhat DUMA, Al ÖZTÜRK ÖZET Dünyada
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
DetaylıEmrah 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
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.
DetaylıYAPILARIN ENERJİ ESASLI TASARIMI İÇİN BİR HESAP YÖNTEMİ
YAPILARI EERJİ ESASLI TASARIMI İÇİ BİR HESAP YÖTEMİ Araş. Gör. Onur MERTER Araş. Gör. Özgür BOZDAĞ Prof. Dr. Mustafa DÜZGÜ Dokuz Eylül Ünverstes Dokuz Eylül Ünverstes Dokuz Eylül Ünverstes Fen Blmler Ensttüsü
DetaylıDOĞRUSAL OLMAYAN DİZGELER İÇİN MODEL TEMELLİ ARIZA BULMA-YALITIMI VE ROBOT MANİPÜLATÖRLERE UYGULANMASI
Gaz Ünv. Müh. Mm. Fak. Der. J. Fac. Eng. Arch. Gaz Unv. Clt 4, No, 79-94, 009 Vol 4, No, 79-94, 009 DOĞRUSAL OLMAYAN DİZGELER İÇİN MODEL TEMELLİ ARIZA BULMA-YALITIMI VE ROBOT MANİPÜLATÖRLERE UYGULANMASI
DetaylıJournal of Engineering and Natural Sciences Mühendislik ve Fen Bilimleri Dergisi
Journal of Engneerng and Natural Scences Mühendslk ve Fen Blmler Dergs Sgma 28, 224-234, 2010 PhD Research Artcle / Doktora Çalışması Araştırma Makales APPLICATION OF ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
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
DetaylıTUNING GAIN PARAMETERS OF A PI CONTROLLER USING GENETIC ALGORITHM FOR BOOST DC-DC CONVERTER
5. Uluslararası İler Teknolojler Sempozyumu (IATS 9), 35 Mayıs 29, Karabük, Türkye YÜKSETİİ TİP DADA DÖNÜŞTÜRÜÜDE GENETİK AGORİTMA İE PI DENETEYİİ KAZANÇ PARAMETREERİNİN AYAANMASI TUNING GAIN PARAMETERS
DetaylıPARAMETRİK OLMAYAN HİPOTEZ TESTLERİ Kİ-KARE TESTLERİ
PARAMETRİK OLMAYAN HİPOTEZ TESTLERİ Kİ-KARE TESTLERİ 1 Populasyonun nceledğmz br özellğnn dağılışı blenen dağılışlardan brsne, Normal Dağılış, t Dağılışı, F Dağılışı, gb br dağılışa uygun olduğu durumlarda
DetaylıSabit Varyans. Var(u i X i ) = Var(u i ) = E(u i2 ) = s 2
X Sabt Varyans Y Var(u X ) = Var(u ) = E(u ) = s Eşt Varyans EKKY nn varsayımlarından br anakütle regresyon fonksyonu u lern eşt varyanslı olmasıdır Her hata term varyansı bağımsız değşkenlern verlen değerlerne
DetaylıDETERMINATION OF THE ECONOMIC DISPATCH IN ELECTRIC POWER SYSTEMS USING SIMULATED ANNEALING(SA) ALGORITHM
5 Uluslararası İler Teknolojler Sempozyumu (IATS 09), 3-5 Mayıs 2009, Karabük, Türkye ELEKTRİK GÜÇ SİSTEMİNDE OPTİMAL YAKIT MALİYETİNİN BENZETİM TAVLAMA (BT) ALGORİTMASI İLE BELİRLENMESİ DETERMINATION
DetaylıÇimento Hammadde Sahasının Bulanık Sinir Ağı ile Modellenmesi
Çukurova Ünverstes Mühendslk Mmarlık Fakültes Dergs, 3(4), ss. -30, Aralık 07 Çukurova Unversty Journal of the Faculty of Engneerng and Archtecture, 3(4), pp. -30, December 07 Çmento Hammadde Sahasının
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
DetaylıBulanık 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
DetaylıENDÜSTRİYEL BİR ATIK SUYUN BİYOLOJİK ARITIMI VE ARITIM KİNETİĞİNİN İNCELENMESİ
ENDÜSTRİYEL BİR ATIK SUYUN BİYOLOJİK ARITIMI VE ARITIM KİNETİĞİNİN İNCELENMESİ Emel KOCADAYI EGE ÜNİVERSİTESİ MÜH. FAK., KİMYA MÜH. BÖLÜMÜ, 35100-BORNOVA-İZMİR ÖZET Bu projede, Afyon Alkalot Fabrkasından
DetaylıAsimetri ve Basıklık Ölçüleri Ortalamalara dayanan (Pearson) Kartillere dayanan (Bowley) Momentlere dayanan asimetri ve basıklık ölçüleri
Asmetr ve Basıklık Ölçüler Ortalamalara dayanan (Pearson) Kartllere dayanan (Bowley) omentlere dayanan asmetr ve basıklık ölçüler Yrd. Doç. Dr. Tjen ÖVER ÖZÇELİK tover@sakarya.edu.tr III. Asmetr ve Basıklık
DetaylıEKG İŞARETLERİNİN FARKLI VE BİRLEŞİK ÖZNİTELİKLER İLE ANALİZİ
EKG İŞARETLERİNİN FARKLI VE BİRLEŞİK ÖZNİTELİKLER İLE ANALİZİ Elf Derya ÜBEYLİ TOBB Ekonom ve Teknoloj Ünverstes, Elektrk ve Elektronk Mühendslğ, 06530 Söğütözü, Ankara, e-posta: edubeyl@etu.edu.tr ABSTRACT
DetaylıKARDİOTOKOGRAM VERİSİNDEN FETAL İYİLİK HALİNİN BELİRLENMESİ İÇİN BİR KARAR DESTEK SİSTEMİ
Uludağ Ünverstes Mühendslk Fakültes Dergs, Clt 1, Sayı, 016 ARAŞTIRMA DOI: 10.1748/uumfd.78033 KARDİOTOKOGRAM VERİSİDE FETAL İYİLİK HALİİ BELİRLEMESİ İÇİ BİR KARAR DESTEK SİSTEMİ Ersen YILMAZ * Alınma:
Detaylı