Karaciğer mikrodizi kanser verisinin sınıflandırılması için genetik algoritma kullanarak ANFIS in eğitilmesi
|
|
- Gonca Özkul
- 6 yıl önce
- İzleme sayısı:
Transkript
1 Karacğer mkrodz kanser versnn sınıflandırılması çn genetk algortma kullanarak ANFIS n eğtlmes Bülent Haznedar 1*, Mustafa Turan Arslan 2, Adem Kalınlı 3 ÖZ Gelş/Receved, Kabul/Accepted do: /saufenblder Sınıflandırma, verlern analz edlmes çn öneml br ver madenclğ teknğ olup tıp, genetk ve byomedkal mühendslğ başta olmak üzere brçok alanda kullanılmaktadır. Özellkle tıp alanında DNA mkrodz gen ekspresyon verlern sınıflandırmaya yönelk yapılan çalışmalarda artış görülmektedr. Ancak, mkrodz gen ekspresyon (fade) verlernde bulunan gen sayılarının çokluğu ve bu verler arasında doğrusal olmayan bağıntılar bulunması gb problemlerden dolayı geleneksel sınıflandırma algortmalarının başarımları sınırlı kalablmektedr. Bu sebeplerden dolayı son yıllarda sınıflandırma problemnn çözümü çn yapay zekâ teknklerne dayalı sınıflandırma yöntemlerne olan lg gderek artmaya başlamıştır. Bu çalışmada, karacğer mkrodz kanser ver setnn sınıflandırılması çn Uyarlamalı Ağ Tabanlı Bulanık Mantık Çıkarım Sstem (ANFIS) ve Genetk Algortmaya (GA) dayalı hbrd br yaklaşım önerlmştr. Smülasyon sonuçları, dğer bazı yöntemlere at sonuçlarla karşılaştırılmıştır. Elde edlen sonuçlardan, önerlen yöntemn dğer yöntemlere göre daha başarılı olduğu görülmüştür. Anahtar Kelmeler: Neuro-fuzzy, ANFIS, genetk algortma, sınıflandırma, mkrodz gen fade ABSTRACT Tranng ANFIS structure usng genetc algorthm for lver cancer classfcaton based on mcroarray gene expresson data Classfcaton s an mportant data mnng technque, whch s used n many felds mostly exemplfed as medcne, genetcs and bomedcal engneerng. The number of studes about classfcaton of the datum on DNA mcroarray gene expresson s specfcally ncreased n recent years. However, because of the reasons as the abundance of gene numbers n the datum as mcroarray gene expressons and the nonlnear relatons mostly across those datum, the success of conventonal classfcaton algorthms can be lmted. Because of these reasons, the nterest on classfcaton methods whch are based on artfcal ntellgence to solve the problem on classfcaton has been gradually ncreased n recent tmes. In ths study, a hybrd approach whch s based on Adaptve Neuro-Fuzzy Inference System (ANFIS) and Genetc Algorthm (GA) are suggested n order to classfy lver mcroarray cancer data set. Smulaton results are compared wth the results of other methods. Accordng to the results obtaned, t s seen that the recommended method s better than the other methods. Keywords: Neuro-fuzzy, ANFIS, genetc algorthm, classfcaton, mcroarray gene expresson * Sorumlu Yazar / Correspondng Author 1 Hasan Kalyoncu Ünverstes, Mühendslk Fakültes, Blgsayar Mühendslğ, Gazantep bulent.haznedar@hku.edu.tr 2 Mustafa Kemal Ünverstes, Kırıkhan Meslek Yüksekokulu, Blgsayar Teknolojler Bölümü, Hatay - mtarslan@mku.edu.tr 3 Ercyes Ünverstes, Mühendslk Fakültes, Blgsayar Mühendslğ, Kayser - kalnla@ercyes.edu.tr
2 Sakarya Ünverstes Fen Blmler Ensttüsü Dergs, 21(1), 2017, B. Hazedar, M.T. Arslan, A. Kalınlı / Karacğer mkrodz kanser versnn sınıflandırılması çn genetk algortma kullanarak ANFIS n eğtlmes 1. GİRİŞ (INTRDUCTIN) Günümüzde teknolojk gelşmeler ve gelşmş donanımlar sayesnde artık yüksek boyutlu verler depolamak mümkün hale gelmştr. Bu yüzden yüksek boyutlu verlerden anlamlı blgler çıkarmak çn ver madenclğ fonksyonlarının kullanımında son yıllarda artış görülmüştür. Yüksek boyutlu verlere genel olarak genetk çalışmalar sonucu elde edlen byolojk verler gösterleblr. İnsan yapısındak dokuların heps aynı genetk materyal çermektedr. Fakat her hücrede aynı genler aktf değldr. Hang genlern aktf olup hanglernn aktf olmadığı blgs, hücrelern nasıl br fonksyona sahp olduğu ve bazı genler normal şeklde çalışmadığında hücrenn bu olaydan nasıl etkleneceğ blgsn vermektedr. Hücrenn gen fades şte bu aktflk blgsne eşttr [1]. Bütün organlarımız aynı genetk materyal çermesne rağmen genlern farklı hücrelerde farklı fade edlmelernden dolayı böbrek, beyn, karacğer gb hücreler brbrnden farklı fonksyonlara sahptr [2]. Blgsayar teknolojsnn moleküler byoloj le brlkte gelşmes sonucunda byoteknolojnn kavramsal olarak ulaşableceğ noktalardan br olan mkrodz çpler (gen çp) ortaya çıkmıştır [3]. Mkrodz çp teknolojs sayesnde aynı anda brden fazla genn ncelenmes ve genlern brlkte araştırılması fırsatı doğmuştur [4]. DNA mkrodz teknolojs sayesnde yüzlerce genn fade düzeyler eş zamanlı olarak nceleneblmektedr [5]. Bu teknoloj sayesnde hasta ve sağlıklı hücrelern gen fadelernn karşılaştırılması netcesnde hastalığa neden olan genlern belrlenmes mümkün olablmektedr [6]. Mkrodz yöntem kullanarak gen fade verlernn analz sayesnde pskolojk, kalp ve bulaşıcı hastalıklar gb brçok hastalık hakkında blg vermektedr. Elde edlen bu blgler sayesnde hastalıkların önlemes yönünde tedbrler alınablmektedr. Bu teknk sayesnde ayrıca gen üzernde taşınan kalıtsal hastalıklar, alt türlerne kadar nceleneblmektedr [7]. DNA mkrodz teknolojs le br çalışmada çok fazla ver analz yapıldığından sonuçlar çn çok fazla zaman gerekmektedr. Elde edlen sonuçlar se yüzlerce genn fadesn barındırdığından dolayı sonuçları yorumlamanın br hayl zor olduğu ve çok pahalı br yöntem olduğundan dolayı çok fazla deneylern tekrarlanamaması se dezavantajlarını oluşturur [7]. Mkrodz gen fade verlern sınıflandırmak çn lteratürde Bayes Ağları, Destek Vektör Makneler ve Karar Ağaçları gb statstksel yöntemler sıklıkla kullanılmaktadır. Daz-Urarte ve Andres [8], rastgele orman algortmasını kullanarak 9 farklı mkrodz ver set üzernde hem gen seçm hem de sınıflandırma yapmışlardır. Dudot ve arkadaşları [9], gen fade vers kullanarak tümör sınıflandırması çn fsher lneer dskrmnant analz, k-en yakın komşu algortması ve torbalama yöntemlern kullanmışlardır. Furey ve arkadaşları [10], mkrodz fade verlern kullanarak kanser dokusu örneklern sınıflandırmak çn destek vektör maknelern kullanmışlardır. Lee ve arkadaşı [11], kan kanser gen fade versn kullanarak destek vektör makneler yardımıyla çok sınıflı sınıflandırma yapmışlardır. Lu ve arkadaşları [12], gen fade profllern kullanarak k-en yakın komşu, nave bayes, destek vektör makneler ve C4.5 karar ağacı gb sınıflandırma yöntemlernn karşılaştırmalı br performans analzn yapmışlardır. Statnkov ve arkadaşları [13] se mkrodz gen fade kanser teşhsnde destek vektör makneler, k-en yakın komşu ve yapay snr ağları gb çok sınıflı yöntemler kullanılarak bu sınıflandırma yöntemlernn karşılaştırmalı br değerlendrmesn yapmışlardır. Mkrodz verlernde yüzlerce gen bulunması ve bu genler arasında doğrusal olmayan lşkler bulunması sebebyle geleneksel yöntemlern başarımları sınırlı kalablmektedr. Bu zorluklar blm adamlarını daha güçlü ve modern yöntemler keşfetmeye yöneltmştr. Bu amaçla, araştırmacıların lgs zor problemlern çözümünde yapay zekâ tabanlı yöntemlern kullanılmasına yönelk olarak artmaya başlamıştır. Khan ve arkadaşları [14], yapay snr ağları ve gen fade profllern kullanarak kanser hastalıkların tahmn edlmes ve sınıflandırılması üzerne br çalışma yapmışlardır. Rngner ve Peterson [15], yapay snr ağları yardımıyla mkrodz tabanlı kanser teşhs üzerne br çalışma gerçekleştrmşlerdr. Son yıllarda yüksek boyutlu problemlern çözümünde yapay zekâ tabanlı yöntemlern kullanılması yaygınlaşmış ve özntelk seçme ve sınıflandırma problemlerne karşılık algortmalar gelştrlmştr. Proozna ve arkadaşları [16], mkrodz gen fade (ekspresyon) verlern kullanarak sınıflandırma çalışması yapmışlardır. Bu çalışmada statstksel yöntemler le yapay zekâ yöntemler karşılaştırılmış ve yapay zekâ yöntemlernn daha y sonuçlar verdğ görülmüştür. Loganathan ve Grja [17], ANFIS ağırlık parametrelern Runge Kutta Learnng algortması le eğtmşler ve oluşturulan modeln performansını, mkrodz gen ekspresyon kanser verlern sınıflandırarak ölçmüşlerdr. Kumar ve Punthavall [18], ANFIS le kanser verlern sınıflandırmış ve elde edlen sonuçları statstksel yöntemler le karşılaştırmışlardır. Bu çalışmada karacğer kanser mkrodz gen ekspresyon verlern doğru sınıflara atayablmek çn popülasyon tabanlı br algortma olan genetk algortma kullanılarak ANFIS modelnn parametrelernn
3 Sakarya Ünverstes Fen Blmler Ensttüsü Dergs, 21(1), 2017, B. Hazedar, M.T. Arslan, A. Kalınlı / Karacğer mkrodz kanser versnn sınıflandırılması çn genetk algortma kullanarak ANFIS n eğtlmes eğtlmesne yönelk br yaklaşım önerlmştr. Önerlen yaklaşımın performansı k-katlı çapraz doğrulama yöntem le test edlmş ve k parametres 5 seçlmştr. Önerlen yöntem le bulunan sonuçların performansı dğer yöntemlern performansları le karşılaştırılmıştır. Br sonrak bölümde se kullanılan yöntemler hakkında blg verlmş, 3. bölümde algortmanın eğtldğ karacğer kanser ver set tanıtılmıştır. 4. Bölümde se önerlen yöntem hakkında blg verlmş ve elde edlen sonuçlar se bölüm 5 te sunulmuştur. 2. METTLAR (METHDS) Br sınıflandırma fonksyonu temelde k bölümden oluşur. Bunlar, özntelk seçm ve verlern doğru sınıflara atanmasıdır. Bu çalışmada kullanılan sstem bleşenler aşağıda açıklanmaktadır Özntelk Seçme (Feature Selecton) Özntelk seçme olayı, özntelk uzayı çersnden optmal br özntelk alt kümesnn bulunmasıdır. Ayrıca optmal özntelk alt kümesnn bulunması le problemn boyutunun ndrgenmes ve özntelk kümesn en uygun alt kümenn temsl etmesdr. Mkrodz verler yüksek boyutlu verler olduklarından dolayı sınıflandırma yöntemlernn performanslarını arttırmak çn özntelk seçme yöntemnn kullanılmasının br gerekllk olduğundan söz edleblr Korelasyon Tabanlı Özntelk Seçm (KTÖS- Correlaton Based Feature Selecton) KTÖS, Sınıf le yüksek korelasyona sahp ve brbryle düşük korelasyona sahp özntelklern br arada bulunduğu alt kümeler oluşturur. G S k r c k k( k 1) r ' (1) Eştlk (1) de yer alan k parametres ver alt kümesnn özntelk sayısı, rc parametres ortalama özntelk korelasyonu ve r' parametres se ortalama özntelk ç korelasyonudur [19] ANFIS le Sınıflandırma (Classfcaton wth ANFIS) Sınıflandırma şlem, ağ tabanlı bulanık mantık çıkarım sstemnde (ANFIS) bulunan başlangıç ve sonuç parametrelernn genetk algortması (GA) le optmze edlmes le oluşan model kullanılarak yapılmıştır Adaptf Ağ Tabanlı Bulanık Mantık Çıkarım Sstem (Adaptve Neuro-Fuzzy Inference System, ANFIS) Adaptf ağ tabanlı bulanık mantık çıkarım sstem (ANFIS), Takag Sugeno bulanık model dkkate alınarak gelştrlmş br yapay sstemdr [20]. Snr ağlarının gerye yayılımlı öğrenme yeteneğ le bulanık mantığın sonuç çıkarma özellkler ANFIS yapısında brleştrlmştr. Üyelk fonksyonları le bulanıklaştırdığı grş verlern bulanık kurallar le ağ üzernde dağıtarak çıkış hesaplamaktadır. Bu süreç ANFIS modelne çıkarım yeteneğ sağladığı çn tahmn problemlernde başarımı oldukça yüksektr. ANFIS başlangıç ve sonuç parametreler olmak üzere k tür parametreye sahptr. Bu k parametre türü bulanık kuralları brbrne bağlar. Modeln eğtm se bu parametrelern optmzasyonu le sağlanır. ANFIS temel olarak beş katmandan oluşmaktadır. Şekl 1 de k grş ve br çıkıştan oluşan temel br ANFIS yapısı verlmştr [21]. Şekl 1. Temel br ANFIS yapısı [22] (A basc structure of ANFIS) 1.Katman Bulanıklaştırma katmanı olarak adlandırılan bu katmandak her düğümden alınan snyal dğer katmana aktarılır. Her düğümden alınan snyal grş değerlerne ve kullanılan üyelk fonksyonunun türüne bağlı olarak oluşmaktadır. Bu katmandak düğümlern çıkışları( 1 ) çn Eştlk (2) ve Eştlk (3) aşağıda verlmştr [23]. A ( ) 1, 2 1 x B ( ) 3, x Burada A ve fonksyonu olup (2) (3) B grşlere at herhang br üyelk A ve B se bu fonksyon çn hesaplanmış üyelk derecelerdr. Çan eğrs türünde üyelk fonksyonu çn A aşağıdak eştlk le hesaplanmaktadır.
4 Sakarya Ünverstes Fen Blmler Ensttüsü Dergs, 21(1), 2017, B. Hazedar, M.T. Arslan, A. Kalınlı / Karacğer mkrodz kanser versnn sınıflandırılması çn genetk algortma kullanarak ANFIS n eğtlmes 1 x c ( ) 2 a 2 A e 1, 2 (4) Burada a ve c sırasıyla, üyelk fonksyonunun sgma ve merkez parametrelerdr. 2.Katman Kural katmanı olarak adlandırılan bu katmanda br öncek katmandan gelen üyelk dereceler kullanılarak her kuralın ateşleme sevyes hesaplanmaktadır. w A ( x). B ( ) 1, 2 2 y 3.Katman (5) Normalzasyon katmanı olarak adlandırılmaktadır. Bu katmanda her kuralın normalleştrlmş ateşleme sevyes hesaplanmaktadır. 3 w w 1, 2 w w 4.Katman 1 2 (6) Durulaştırma katmanı olarak adlandırılan bu katmanda her br kural çn çıkış değer hesaplanmaktadır. Kuralların çıkışı, br öncek katmandan gelen normalze edlmş ateşleme sevyes değernn, brnc dereceden polnom le çarpılmasıyla elde edlmektedr. w. f w.( p x q y r ) 1, 2 (7) 4 5.Katman Çıkış katmanıdır. Durulaştırma katmanında elde edlen her kurala at çıkış değerler toplanarak ANFIS'n çıkışı elde edlr. 5 f w. f w. f w 1,2 (8) Bulanık sstemlern, öğrenme ve adaptasyon sürecn kolaylaştırması, snrsel ağların se kontrol parametrelern ağ üzernde dağıtarak doğrusal olmayan problemlerde başarılı olması, snrsel bulanık br ağ model olan ANFIS mmarsne büyük üstünlük kazandırmaktadır. ANFIS modelnn eğtlmesndek amaç grş ve çıkış değerlerne bağlı olarak ağırlık değerler çn optmal değerlern üretlmesdr. ANFIS n ağırlık parametrelernn eğtmnde türeve dayalı algortmalar yaygın olarak kullanılmaktadır. Ancak türev tabanlı algortmalarda eğm hesaplaması gb zorluklar bulunmasının yanında yerel mnmuma takılma gb problemlere sebep olmaktadır. Bu sebepledr k türev tabanlı algortmalar le ANFIS n eğtlmes ve parametrelern güncellenmes temel sorunlardan brdr. Araştırmalar ANFIS n parametrelern eğtmek çn son zamanlarda farklı algortmalar önermştr. Bu algortmalardan bazıları se türeve dayalı olmayan Genetk algortma, PS ve Dferansyel Gelşm Algortması gb sezgsel algortmalardır [24] Genetk Algortma (Genetc Algorthm) 1970 l yıllarda temel lkeler John Holland tarafından ortaya konulan Genetk Algortma (GA) pek çok problem türünde başarı le uygulanmaktadır [25]. GA, optmzasyon veya arama problemnde tam yada yaklaşık sonuçlar bulablmek çn kullanılan sezgsel br algortmadır. Bu algortma kalıtım, mutasyon, seçm ve çaprazlama gb evrmsel byolojdek teknklerden esnlenerek gelştrlmştr. GA arama uzayı büyük olan ve ayrıca değşken sayısı çok fazla olan, çok boyutlu problemlere ble oldukça rahat uygulanablmektedr. Problemlern arama uzaylarında, uzayın tamamını aramak yerne daha y olablecek değerler deneme eğlm sonucu makul sayılablecek süreler çersnde optmal sonuçlar üreteblme kablyetne sahptr. GA nın temel adımları Şekl 2 de verlmştr. Adım 1. Rastgele değerlerden başlangıç popülasyonunu üret Adım 2. Kromozomların uygunluk değerlern hesapla Adım 3. Şartlar sağlanıncaya kadar devam et (Uygunluk değer, şlem süres vb) () Popülasyonda kötü uygunluk değerne sahp kromozomları belrle () Çocuk kromozomlar çn ebeveyn kromozomları tayn et () Çaprazlama şlem le ebeveyn kromozomlardan çocuk kromozomlar üret (v) Çocuk kromozomları mutasyona uğrat. (v) Popülasyona yen dahl olan kromozomların uygunluk değerlern hesapla Şekl 2. Genetk Algortmanın Temel Adımları (Man steps of the basc GA algorthm) GA, popülasyon temell br optmzasyon algortmasıdır. Popülasyonu oluşturan aday çözümlern algortmadak karşılığı kromozomlardır. Bu kromozomlar çeştl evrm şlemler sayesnde daha y sonuçları temsl eden çözüm
5 Sakarya Ünverstes Fen Blmler Ensttüsü Dergs, 21(1), 2017, B. Hazedar, M.T. Arslan, A. Kalınlı / Karacğer mkrodz kanser versnn sınıflandırılması çn genetk algortma kullanarak ANFIS n eğtlmes adaylarına dönüşürler. Bu şlem kabul edleblr br uygunluk değerne ulaşıncaya kadar veya önceden belrlenen br şlem süres veya nesl sayısı gb krterler karşılanıncaya kadar sürdürülür. lk ebeveyn kromozomdan alınırken söz konusu noktadan sonrak genler se knc ebeveynden alınarak yapılır. Farklı şekllerde çaprazlama yapılablmektedr. Tek noktadan çaprazlama Şekl 3 de görülmektedr. GA da kromozomlar (aday çözümler) temsl ettğ çözüme at ayrık veya sürekl değerlere sahp değşkenler tutan katarlardır. Uygunluk fonksyonu se kromozomların kaltesn ölçen amaç fonksyonudur. a) Başlangıç Popülasyonunun luşturulması (Creatng Intal Populatons) Başlangıç popülasyonu rastgele aday çözümlerden oluşur. Popülasyonun büyüklüğü çn belrl br krter yoktur. Ancak popülasyondak brey sayısının çok fazla olmasının problemn çözüm zamanına veya elde edlecek çözümün ylğne etks olmadığı değerlendrlmektedr. Bu yüzden genellkle popülasyon arasında alınır [26]. b) Uygunluk Değernn Hesaplanması (Determnaton of Elgblty Value) Uygunluk fonksyonu yardımıyla hesaplanablen br değerdr. Uygunluk değer, her br kromozomun uyguluk fonksyonuna tab tutulması le elde edlr. Uygunluk fonksyonu değer breyn çözüm kaltesn gösterr. Br sonrak nesle aktarılacak breyler, uygunluk fonksyonu değerlerne göre belrlenr. c) Seçm (Selecton) Seçm stratejs çn sıklıkla Rulet Tekerlek yöntem ve Turnuva yöntem kullanılmaktadır. Rulet Tekerleğ Yöntem Bu yöntemn temel mantığı uygunluk değer yüksek olan kromozomların ebeveyn kromozom olarak seçleblme olasılığının, uygunluk değer nspeten düşük olan kromozomlardan daha fazla olmasıdır [26]. Turnuva Yöntem Bu yöntemde popülasyondan rastgele seçlecek n adet kromozom çnden en y kromozomlar ebeveyn olarak seçlr [26]. d) Çaprazlama (Crossover) Çaprazlama, genellkle k ebeveyn kromozomdan alınan genlerle oluşturulur. Kromozomların başlangıç noktasından belrlenecek br noktasına kadar olan genler Şekl 3. Tek Noktadan Çaprazlama (ne-pont Crossover) e) Mutasyon (Mutaton) Mutasyon şlem, popülasyondak kromozomların çeştllğn arttırarak yen çözüm adaylarının oluşmasını sağlar. Br breyn br veya brkaç gennn değşerek farklı br brey halne gelmesdr. Mutasyon popülasyonda çeştllğn oluşmasını sağlayan operatörlerden brdr. Mutasyon oranı genellkle %0,5 - %5 arasında br sayıdır. 3. DENEYSEL VERİ SETİ (EXPERIMENTAL DATA SET) Bu çalışmada ver kaynağı olarak Karacğer kanser mkrodz gen fade ver set kullanılmıştır. Bu ver set Rutgers Ünverstesnn Byonformatk Laboratuvarında bulunan ver tabanından elde edlmştr [27]. Karacğer Kanser (Lver Cancer Chen-2002) Chen ve arkadaşları [28] tarafından 2002 yılında çalışılan karacğer kanser ver set, hastalıklı ve normal kşlern karacğer dokularından alınmış 179 adet örnekten oluşmaktadır. Bu ver setndek her örnek 85 mkrodz gen dzlm le temsl edlmektedr. Ver set HCC adında tümörlü doku ve normal doku olmak üzere 2 farklı sınıf le temsl edlmektedr. Toplamda 179 örnek bulunan ver setnde 104 adet tümörlü doku bulunurken 75 adet de sağlıklı karacğer dokusu bulunmaktadır. 4. DENEYSEL ÇALIŞMA (EXPERIMENTAL STUDY) Bu çalışmada karacğer kanser mkrodz gen fade vers kullanılarak sınıflandırma yapılmıştır. Ver set sınıflandırma şlemnden önce [0-1] aralığına normalze
6 Sakarya Ünverstes Fen Blmler Ensttüsü Dergs, 21(1), 2017, B. Hazedar, M.T. Arslan, A. Kalınlı / Karacğer mkrodz kanser versnn sınıflandırılması çn genetk algortma kullanarak ANFIS n eğtlmes edlmş daha sonra ver setlerne özntelk seçme yöntem uygulanmıştır. Bu çalışmada brçok özntelk seçme yöntem ncelenmş ve başarısından dolayı ver setlernn br alt setn oluşturmak çn Korelasyon tabanlı özntelk seçm kullanılmıştır. Böylece yüksek boyutlu ver setler yerne bu ver setlern en y şeklde fade eden alt ver setler le sınıflandırma yöntemlernn performanslarını arttırmak ve sınıflandırmada daha başarılı sonuçlar almak mümkün hale gelmştr. Bu çalışmada, ANFIS modelnn GA kullanılarak eğtlmesne yönelk karacğer kanser mkrodz gen fade vers kullanılarak uygulama gelştrlmştr. Toplamda 179 örnek bulunan karacğer versn sınıflandırmada örneklern az olması sebebyle, modeln genelleştreblme yeteneğn doğru br şeklde değerlendreblmek çn çapraz doğrulama (cross valdaton) yöntemlernden K parçalı yöntem kullanılmıştır. K parçalı çapraz geçerllk yöntemnde amaç br deney bağımsız koşullarda yneleyerek sonuçlarının geçerllğn sınamadır. Örneğn, sınıflandırma problemlernde, br ver kümesn aşağı yukarı eşt k tane kümeye bölüp, her br k çn, sınıflandırıcıyı oluşturmak çn, k-1 kümey kullanıp ve arta kalan k ıncı küme üzernde test şlemn yapmaktır. Bu çalışmada, 5-kat çapraz doğrulama yöntem kullanılmıştır. Kullanılan ver setlerndek parametre sayılarının çokluğundan dolayı, bulanık kural ve üyelk fonksyonu sayılarının az sayıda olduğu ANFIS modeller oluşturablmek çn, ANFIS le FCM kümelemenn entegre olduğu br bulanık kural oluşturma teknğ kullanılmıştır. FCM uygulanarak oluşan ANFIS modellerndek grş sayısı her br ver setndek gen sayısına eşt olup her br grş çn üyelk fonksyonu türü gauss, üyelk fonksyonu sayısı 10 ve bulanık kural sayıları 10 olarak belrlenmştr. Yapılan smülasyon çalışmalarında kullanılan modeln oluşturulmasını ve oluşturulan modeln parametrelernn optmze edlmesn gösteren blok dyagram Şekl 4 de verlmştr. ANFIS n güncellenmes gereken k parametre türü vardır. Bunlar başlangıç parametreler ve sonuç parametrelerdr. Başlangıç parametreler Eştlk (4) de {, } olarak verlen gauss üyelk fonksyonlarına attr. Buradak üyelk fonksyonlarının varyansı, üyelk fonksyonlarının merkezdr. Başlangıç parametrelernn toplam sayısı tüm üyelk fonksyonlarındak parametrelernn toplamına eşttr. Sonuç parametreler se durulaştırma katmanında kullanılan Eştlk (7) de {,, } olarak gösterlen parametrelerdr. Tasarlanan ANFIS modelnn tüm parametrelernn optmze edlmes çn GA algortması kullanılmıştır. Şekl 4. Önerlen yöntemle oluşturulan ANFIS n temel yapısı (Basc Structure of ANFIS wth FCM Clusterng) Bu çalışmada önerlen yöntem karacğer kanser problemne uygulanmıştır. Kanser versnn doğru br şeklde sınıflandırılablmes Şekl 4 de verlen ANFIS modelnn 1. ve 4. katmanındak başlangıç ve sonuç parametrelernn başlangıç değerler çn FCM kümeleme yöntem le br çözüm uzayı oluşturulmuş ve sonrasında parametreler her br terasyonda GA kullanılarak güncellenmştr. Eştlk (9) le tanımlanan RMSE hata fonksyonu çözümün hata değernn hesaplanmasında kullanılmıştır. Bu hata fonksyonunda kullanılan F ve F d parametreler sırasıyla ANFIS tarafından elde edlen çıkış ve ver setnn gerçek çıkışıdır. GA le ANFIS parametrelernn eğtm sürecnde, MATLAB ortamında oluşturulan özgün kodlar kullanılmıştır. RMSE N F F 2 d 1 (9) N Yapay zeka optmzasyon algortmalarının performansı algortmaların kontrol parametrelerne fazlaca bağlıdır ve genellkle kontrol parametreler çn hang değerlern kullanılması gerektğne yönelk kesn kural ve yöntemler bulunmamaktadır. Bu kapsamda, parametreler çn araştırmacıların yaygın olarak önerdğ aralıklarda değerler tayn edlmes veya çok sayıda deneme yapılarak optmal parametre değerlernn belrlenmes yaklaşımı kabul görmektedr. Çalışmada, GA algortmasının parametre değerlerne karar vermek çn brçok deneme gerçekleştrlmş ve denemeler sonucunda GA çn popülasyon sayısı 25, çaprazlama oranı 0,7 ve mutasyon oranı 0,15 olarak alınmıştır. Önerlen yaklaşımın performansının farklı yöntemlerle karşılaştırılması amacıyla ANFIS ağı karacğer mkrodz gen ekspresyon kanser versnn sınıflandırılmak çn BP ve Hbrd algortmalarla da eğtlmştr. Bu amaçla, kullanılan BP algortması çn öğrenme katsayısı 0.2 ve momentum oranı 0.4 olarak seçlmştr. Hbrd algortma olarak da en küçük kareler tahmn ve BP algortmasının brleştrlmesn oluşan br yöntem kullanılmıştır. Ayrıca
7 Sakarya Ünverstes Fen Blmler Ensttüsü Dergs, 21(1), 2017, B. Hazedar, M.T. Arslan, A. Kalınlı / Karacğer mkrodz kanser versnn sınıflandırılması çn genetk algortma kullanarak ANFIS n eğtlmes bu k algortma çn terasyon sayısı 100 olarak belrlenmştr. luşturulan ANFIS modeller BP, Hbrd ve GA algortmaları le eğtlerek sınıflandırmadak performansları karşılaştırılmıştır. Her algortma çn ANFIS 15 kez eğtlmştr. Ayrıca her model çn elde edlen RMSE hata değerlernn ortalaması alınarak, ortalama RMSE ( ) değer bulunmuştur. Şekl 5 te yöntemlere at 100 terasyon çn eğtm hata değerlernn (RMSE) değşm grafğ verlmştr. Şekl 6 da se karacğer versn sınıflandırmak çn farklı algortmalar le eğtlen ANFIS modellerne grş olarak verlen test ver setnn gerçek çıkışı le ANFIS tarafından elde edlen çıkış arasındak farkı gösteren test hata değerler (RMSE) verlmştr. smülasyon çalışmaları netcesnde optmal parametre değerler le elde edlen sınıflandırma performanslarına at blgler Şekl 7 de verlmştr. Görüldüğü üzere en başarılı sınıflandırma performansı ANFIS-GA modelne attr. ANFIS (GA) ANFIS (Hbrd) ANFIS (BP) Algortmaların Performansları (%) 89,9 91,59 92,14 88, , , , ,5 0,25 0,2 BP HB GA Şekl 7. Algortmaların Karacğer Kansern Sınıflandırma Performansları (Classfcaton performance of the algorthms for Lver Cancer) RMSE 0,15 0,1 0, İterasyon Sayısı Şekl 5. ANFIS modellerne at RMSE eğtm hata değerler (Tranng RMSE error values of the ANFIS models) Modellern Test Hata Değerler Şekl 7 de görüldüğü gb ANFIS - GA yöntemnn ortalama % oranıyla karacğer kanser ver setn sınıflandırmada en yüksek performansı serglemektedr. Ayrıca sınıflandırma yöntemlernn ortalama başarımları ve brbrlerne göre gelşm yüzdeler de aşamalı olarak Tablo 1 de verlmştr. ANFIS ağının Hbrd algortma le eğtlmes durumunda geleneksel BP algortmasına göre sınıflandırma başarımının % 1.88 yleştğ, GA le eğtlmes durumunda se Hbrd algortmasına göre % 0.60 daha başarılı olduğu görülmektedr. Gelşm yüzdeler genetk algortmanın sınıflandırma problemnde dğer yöntemlere göre daha başarılı olduğunu göstermektedr. GA 0,28 Tablo 1. Metotların ortalama başarımları ve gelşm yüzdeler (The average performances and the percentages of development of the methods) HB 0,32 BP 0,34 0,24 0,26 0,28 0,3 0,32 0,34 0,36 RMSE Metot Başarım (%) Gelşm Yüzdes (%) ANFIS BP ANFIS Hbrd ANFIS -GA ,60 Şekl 6. ANFIS modellerne at RMSE test hata değerler (Testng RMSE error values of the ANFIS models) Şekl 5 te görüldüğü üzere en az eğtm hata değer Hbrd algortma le bulunmuş olmasına rağmen, Şekl 6 da en az test hata değer GA le elde edlmştr. Eğtm ve test hata değerler arasındak farkın çok olması aşırı öğrenme olduğunu ve eğtlen modeln uygulanablr olmadığını ortaya koymaktadır. Eğtm ve test hata değerlernn se brbrne yakın olması daha güçlü ve başarımı yüksek modeller ortaya koymaktadır. Yapılan 5. SNUÇLAR VE TARTIŞMA (CNCLUSINS AND DISCUSSIN) Bu makalede, karacğer mkrodz gen ekspresyon kanser versnn sınıflandırılması amacıyla ANFIS modelnn BP, Hbrd algortmaları ve GA optmzasyon algortmasıyla eğtlerek performansları karşılaştırılmıştır. Şekl 7 de verlen sonuçlardan, GA algortması kullanılarak ANFIS n eğtlmesne dayalı
8 Sakarya Ünverstes Fen Blmler Ensttüsü Dergs, 21(1), 2017, B. Hazedar, M.T. Arslan, A. Kalınlı / Karacğer mkrodz kanser versnn sınıflandırılması çn genetk algortma kullanarak ANFIS n eğtlmes yaklaşımın daha başarılı olduğu görülmüştür. Ayrıca, GA algortmasının türeve dayalı algortmalar gb kısıtlamalar çermemes ve problemlere kolaylıkla uygulanablr olması nedenyle, ANFIS ağının farklı problemlere yönelk uygulamalarında da kullanılableceğ değerlendrlmştr. TEŞEKKÜR (ACKNWLEDGEMENT) Bu çalışma Ercyes Ünverstes Blmsel Araştırma Projeler Koordnasyon brm tarafından desteklenmştr. (Proje Numarası: FDK ) Ayrıca, bu çalışmanın sorumlu yazarını Yurt İç Lsansüstü Burs Programı kapsamında yürütülen 2211-A Genel Yurt İç Doktora Bursu le destekleyen TÜBİTAK Blm İnsanı Destekleme Dare Başkanlığı brmne teşekkür ederz. KAYNAKLAR (REFERENCES) [1] G. S. Özcan, Bütünleştrc Modül Ağlarıyla Gen Düzenleme Analz, Başkent Ünverstes, [2] H. Ü. Lüleyap, Moleküler Genetğn Esasları. İzmr: Nobel Ktabev, [3] H. S. BAL and F. Budak, Mkroarray Teknolojs, Uludağ Ünverstes Tıp Fakültes Derg, vol. 38, no. 3, pp , [4] Ö. Şmşek, Mkroarray Teknolojs ve Dş Hekmlğnde Kullanımı, Atatürk Ünverstes Dş Hekm Fakültes Derg, vol. 7, pp , [5] K. Shakya, H. J. Ruskn, G. Kerr, M. Crane, and J. Becker, Comparson of Mcroarray Preprocessng Methods, Sprnger New York, 2010, pp [6] K. Ipekdal, Mcroarray Technology, [nlne]. Avalable: kroarrayandecology.pdf. [Accessed: 05-Jul- 2016]. [7] H. Lu, I. Bebu, and X. L, Mcroarray probes and probe sets., Front Bosc (Elte Ed), vol. 2, pp , [8] R. Díaz-Urarte and S. Alvarez de Andrés, Gene selecton and classfcaton of mcroarray data usng random forest., BMC Bonformatcs, vol. 7, p. 3, [9] S. Dudot, J. Frdlyand, and T. P. Speed, Comparson of Dscrmnaton Methods for the Classfcaton of Tumors Usng Gene Expresson Data Comparson of Dscrmnaton Methods for the Class caton of Tumors Usng Gene Expresson Data, J Am Stat Assoc, vol , no. July, pp , [10] T. S. Furey, N. Crstann, N. Duffy, D. W. Bednarsk, M. Schummer, and D. Haussler, Support vector machne classfcaton and valdaton of cancer tssue samples usng mcroarray expresson data, Bonformatcs, vol. 16, no. 10, pp , ct [11] Y. Lee and C.-K. Lee, Classfcaton of multple cancer types by multcategory support vector machnes usng gene expresson data., Bonformatcs, vol. 19, no. 9, pp , [12] H. Lu, J. L, and L. Wong, Classfcaton and Study on Feature Gene Patterns Selecton Expresson and Profles Methods Usng Proteomc, Genome Informatcs, vol. 13, pp , [13] A. Statnkov, C. F. Alfers, I. Tsamardnos, D. Hardn, and S. Levy, A comprehensve evaluaton of multcategory classfcaton methods for mcroarray gene expresson cancer dagnoss, Bonformatcs, vol. 21, no. 5, pp , [14] J. Khan, J. S. We, M. Rngnér, L. H. Saal, M. Ladany, F. Westermann, F. Berthold, M. Schwab, C. R. Antonescu, C. Peterson, and P. S. Meltzer, Classfcaton and dagnostc predcton of cancers usng gene expresson proflng and artfcal neural networks., Nat Med, vol. 7, no. 6, pp , [15] M. Rngnér and C. Peterson, Mcroarray-based cancer dagnoss wth artfcal neural networks, Botechnques, vol. 34, no. 3 SUPPL., [16] M. Proozna, J. Y. Yang, M. Q. M. Yang, and Y. Deng, A comparatve study of dfferent machne learnng methods on mcroarray gene expresson data., BMC Genomcs, vol. 9 Suppl 1, p. S13, [17] C. Loganathan and K. V Grja, Cancer Classfcaton usng Adaptve Neuro Fuzzy Inference System wth Runge Kutta Learnng, Int J Comput Appl, vol. 79, no. 4, [18] K. Anandakumar and M. Punthavall, Effcent Cancer Classfcaton usng Fast Adaptve Neuro-Fuzzy Inference System (FANFIS) based on Statstcal Technques, IJACSA) Int J Adv Comput Sc Appl Spec Issue Artf Intell, pp , [19] M. a. Hall and L. a. Smth, Practcal feature subset selecton for machne learnng, Comput Sc, vol. 98, pp , [20] J. S. R. Jang, ANFIS: Adaptve-Network-Based Fuzzy Inference System, IEEE Trans Syst Man Cybern, vol. 23, no. 3, pp , [21] D. Karaboga and E. Kaya, Tranng ANFIS usng artfcal bee colony algorthm for nonlnear dynamc systems dentfcaton, n nd Sgnal Processng and
9 Sakarya Ünverstes Fen Blmler Ensttüsü Dergs, 21(1), 2017, B. Hazedar, M.T. Arslan, A. Kalınlı / Karacğer mkrodz kanser versnn sınıflandırılması çn genetk algortma kullanarak ANFIS n eğtlmes Communcatons Applcatons Conference (SIU), 2014, pp [22] S. Uzundurukan, Determnng and modellng of prncpal parameters affectng swellng propertes of sols, Suleyman Demrel, [23] J. S. R. Jang and C. T. Sun, Neuro-Fuzzy Modelng and Control, Proc IEEE, vol. 83, no. 3, pp , [24] D. Smon, Tranng fuzzy systems wth the extended Kalman flter, Fuzzy Sets Syst, vol. 132, no. 2, pp , [25] M. Mtchell, An ntroducton to genetc algorthms. MIT press, [26] M. M. Kervan, Çoklu Sensör Konumlandırma Problemnn Genetk Algortmalar Ve Gen Havuzu Tabanlı Genetk Agortmalar İle Çözülmes, Hava Harp kulu Komutanlığı, [27] Karacğer Kanser Mkroarray Gen İfade Profl Ver Set (Chen-2002). [nlne]. Avalable: ents/compcancer/cdna/chen-2002/chen- 2002_database.txt. [28] X. Chen, S. T. Cheung, S. So, S. T. Fan, C. Barry, J. Hggns, K.-M. La, J. J, S. Dudot, I.. L. Ng, M. van de Rjn, D. Botsten, and P.. Brown, Gene Expresson Patterns n Human Lver Cancers, Mol Bol Cell, vol. 13, no. 6, pp , 2002.
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
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
DetaylıARAŞTIRMA MAKALESİ/RESEARCH ARTICLE TEK ÇARPIMSAL SİNİR HÜCRELİ YAPAY SİNİR AĞI MODELİNİN EĞİTİMİ İÇİN ABC VE BP YÖNTEMLERİNİN KARŞILAŞTIRILMASI ÖZ
ANADOLU ÜNİVERSİTESİ Blm ve Teknoloj Dergs A-Uygulamalı Blmler ve Mühendslk Clt: 14 Sayı: 3 013 Sayfa: 315-38 ARAŞTIRMA MAKALESİ/RESEARCH ARTICLE Faruk ALPASLAN 1, Erol EĞRİOĞLU 1, Çağdaş Hakan ALADAĞ,
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
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
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
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
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)
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
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
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
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.,
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
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
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
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
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
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
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
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
DetaylıCilt: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
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
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
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
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
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
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
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
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
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,
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
DetaylıEVRİMSEL ALGORİTMA İLE SINIRLANDIRMALI DİNAMİK OPTİMİZASYON
EVRİMEL ALGORİTMA İLE INIRLANDIRMALI DİNAMİK OPTİMİZAYON Ş. BALKU, R. BERBER Ankara Ünvetes Mühendslk Fakültes, Kmya Mühendslğ Bölümü Tandoğan, 06100 Ankara ÖZET Aktf çamur proses atıksu arıtımında kullanılan
DetaylıTRANSPORT 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
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
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
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:
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
DetaylıTÜRKİYE DEKİ 380 kv LUK 14 BARALI GÜÇ SİSTEMİNDE EKONOMİK YÜKLENME ANALİZİ
TÜRİYE DEİ 38 kv LU 4 BARALI GÜÇ SİSTEMİDE EOOMİ YÜLEME AALİZİ Mehmet URBA Ümmühan BAŞARA 2,2 Elektrk-Elektronk Mühendslğ Bölümü Mühendslk-Mmarlık Fakültes Anadolu Ünverstes İk Eylül ampüsü, 2647, ESİŞEHİR
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
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,
DetaylıPÜRÜZLÜ 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
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
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,
DetaylıKarasal, 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
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
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.
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
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.
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
DetaylıÇarpımsal 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,
DetaylıHAFTA 13. kadın profesörlerin ortalama maaşı E( Y D 1) erkek profesörlerin ortalama maaşı. Kestirim denklemi D : t :
HAFTA 13 GÖLGE EĞİŞKENLERLE REGRESYON (UMMY VARIABLES) Gölge veya kukla (dummy) değşkenler denen ntel değşkenler, cnsyet, dn, ten reng gb hemen sayısallaştırılamayan ama açıklanan değşkenn davranışını
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
DetaylıŞehiriçi Karayolu Ağlarının Sezgisel Harmoni Araştırması Optimizasyon Yöntemi ile Ayrık Tasarımı *
İMO Teknk Derg, 2013 6211-6231, Yazı 392 Şehrç Karayolu Ağlarının Sezgsel Harmon Araştırması Optmzasyon Yöntem le Ayrık Tasarımı * Hüseyn CEYLAN* Halm CEYLAN** ÖZ Bu çalışmada, şehrç ulaştırma ağlarının
DetaylıBiyomedikal Amaçlı Basınç Ölçüm Cihazı Tasarımı
Byomedkal Amaçlı Basınç Ölçüm Chazı Tasarımı Barış Çoruh 1 Onur Koçak 2 Arf Koçoğlu 3 İ. Cengz Koçum 4 1 Ayra Medkal Yatırımlar Ltd. Şt, Ankara 2,4 Byomedkal Mühendslğ Bölümü, Başkent Ünverstes, Ankara,
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,
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
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
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
DetaylıPOLİNOMLARLA VE BULANIK MANTIK İLKELERİNE GÖRE GEOİT BELİRLEMENİN PRESİZYONA ETKİSİ
TMMOB Harta ve Kadastro Mühendsler Odası 0. Türkye Harta Blmsel ve Teknk Kurultayı 8 Mart - Nsan 00, Ankara POLİNOMLARLA VE BULANIK MANTIK İLKELERİNE GÖRE GEOİT BELİRLEMENİN PRESİZONA ETKİSİ M. ılmaz,
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
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
DetaylıFLYBACK 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,
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
DetaylıPARÇACIK 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
DetaylıÇELİK UZAYSAL ÇERÇEVE YAPILARIN OPTİMUM TASARIMI
ÇELİK UZAYSAL ÇERÇEVE YAPILARIN OPTİMUM TASARIMI M. Sedat HAYALİOĞLU *, S. Özgür DEĞERTEKİN * * Dcle Ünverstes, Müh.-Mm. Fak., İnşaat Müh. Böl., Dyarbakır ÖZET Bu çalışmada çelk uzay çerçevelern, Amerkan
DetaylıİÇME SUYU ŞEBEKELERİNİN GÜVENİLİRLİĞİ
Türkye İnşaat Mühendslğ, XVII. Teknk Kongre, İstanbul, 2004 İÇME SUYU ŞEBEKELERİNİN GÜVENİLİRLİĞİ Nur MERZİ 1, Metn NOHUTCU, Evren YILDIZ 1 Orta Doğu Teknk Ünverstes, İnşaat Mühendslğ Bölümü, 06531 Ankara
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
DetaylıNİTEL TERCİH MODELLERİ
NİTEL TERCİH MODELLERİ 2300 gözlem sayısı le verlen değşkenler aşağıdak gbdr: calsma: çocuk çalışıyorsa 1, çalışmıyorsa 0 (bağımlı değşken) Anne_egts: Anne eğtm sevyes Baba_egts: Baba eğtm sevyes Kent:
DetaylıSınır özniteliklerinin belirlenmesi ve adaptasyonu algoritması ve konsensüs karar verici yapılarda kullanımı
Sınır özntelklernn belrlenmes ve adaptasyonu algortması ve konsensüs karar verc yapılarda kullanımı N. Gökhan KASAPOĞLU *, Okan K. ERSOY 2 İTÜ Elektronk ve Haberleşme Mühendslğ Bölümü, 34469 Maslak, İstanbul
DetaylıTek Yönlü Varyans Analizi (ANOVA)
VARYANS ANALİZİ İ örne ortalaması arasında farın önem ontrolü, örne büyülüğüne göre z veya testlernden bryle yapılır. Bu testlerle, den fazla örne ortalamasını brlte test etme ve aralarında farın önem
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
DetaylıKAFES 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
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,
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
DetaylıKafes Yapıların Öğretme-Öğrenme Esaslı Optimizasyon Yöntemiyle Boyutlandırılması
Kafes Yapıların Öğretme-Öğrenme Esaslı Optmzasyon Yöntemyle Boyutlandırılması S. Özgür Değertekn, M. Sedat Hayaloğlu Dcle Ünverstes, İnşaat Mühendslğ Bölümü, 21280, Dyarbakır Tel: (412) 241 10 00 E-Posta:
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
DetaylıÖznitelik Seçme Yöntemlerinin Karılatırılması ve Baarı Kriteri
C. Ünsalan and A. Erçl, "Comparson of feature selecton algorthms a new performance crtera for feature selecton", Proceedngs of IEEE SIU'98, pp. 60-65, ay 998, Kzlcahamam, Turkey (n Turksh Özntelk Seçme
DetaylıFARKSAL GELİŞİM ALGORİTMASI İLE KARMA YEM MALİYET OPTİMİZASYONU
Dumlupınar Ünverstes Fen Blmler Ensttüsü Dergs ISSN 1302 3055 FARKSAL GELİŞİM ALGORİTMASI İLE KARMA YEM MALİYET OPTİMİZASYONU *Yaşar YAŞAR 1, Burhanettn DURMUŞ 2 1 Dumlupınar Ünverstes, Mühendslk Fakültes,
DetaylıEpilepside EEG Tabanlı Entropi Değişimleri
TURKMIA 9 Proceedngs 7 VI. Ulusal Tıp Blşm Kongres Bldrler ENMI Vol V No 1, 9 Eplepsde EEG Tabanlı Entrop Değşmler b c Serap 1 AYDINa,1, H.Melh SARAOĞLU, Sadık KARA a Elektrk-Elektronk Müh Böl, Ondokuz
DetaylıÜç Boyutlu Yapı-Zemin Etkileşimi Problemlerinin Kuadratik Sonlu Elemanlar ve Sonsuz Elemanlar Kullanılarak Çözümü
ECAS Uluslararası Yapı ve Deprem Mühendslğ Sempozyumu, Ekm, Orta Doğu Teknk Ünverstes, Ankara, Türkye Üç Boyutlu Yapı-Zemn Etkleşm Problemlernn Kuadratk Sonlu Elemanlar ve Sonsuz Elemanlar Kullanılarak
DetaylıVeri Madenciliğinde Temel Bileşenler Analizi ve Negatifsiz Matris Çarpanlarına Ayırma Tekniklerinin Karşılaştırmalı Analizi
Akademk Blşm 10 - XII. Akademk Blşm Konferansı Bldrler 10-12 Şubat 2010 Muğla Ünverstes Ver Madenclğnde Temel Bleşenler Analz ve Negatfsz Matrs Çarpanlarına Ayırma Teknklernn Karşılaştırmalı Analz Marmara
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,
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,
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
DetaylıSınıflandırma Problemlerinin Karşılaştırılmasında ANFIS ve Basamak Korelasyon Sinir Ağının Kullanımı
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
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
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
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
DetaylıOtomatik Kontrol Ulusal Toplantısı, TOK2013, 26-28 Eylül 2013, Malatya DOĞRUSAL KONTROL SİSTEMLERİ
DOĞRUSAL KONTROL SİSTEMLERİ 96 Anahtarlamalı Sstemler Kararlı Yapan PI Kontrolör Setnn Hesabı İbrahm Işık, Serdar Ethem Hamamcı Elektrk-Elektronk Mühendslğ Bölümü İnönü Ünverstes, Malatya {İbrahm.sk, serdar.hamamc}@nonu.edu.tr
DetaylıANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ DOKTORA TEZİ SWITCHING REGRESYON DA BULANIK SİNİR AĞLARI YAKLAŞIMI İLE PARAMETRE TAHMİNİ
ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ DOKTORA TEZİ SWITCHING REGRESYON DA BULANIK SİNİR AĞLARI YAKLAŞIMI İLE PARAMETRE TAHMİNİ Türkan ERBAY DALKILIÇ İSTATİSTİK ANABİLİM DALI ANKARA 005 Her hakkı
DetaylıYZM 5257 YAPAY ZEKA VE UZMAN SİSTEMLER DERS#6: GENETİK ALGORİTMALAR
YZM 5257 YAPAY ZEKA VE UZMAN SİSTEMLER DERS#6: GENETİK ALGORİTMALAR Sınıflandırma Yöntemleri: Karar Ağaçları (Decision Trees) Örnek Tabanlı Yöntemler (Instance Based Methods): k en yakın komşu (k nearest
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
DetaylıAYLIK 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
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
DetaylıK-means ve YSA temelli Hibrit Bir Model ile Epileptik EEG İşaretlerinin Sınıflandırılması
K-means ve temell Hbrt Br Model le Epleptk EEG İşaretlernn Sınıflandırılması Ramazan TEKİN 1 Yılmaz KAYA 2 Mehmet Emn TAĞLUK 3 1 Batman Ünverstes, Mühendslk Mmarlık Fakültes, Blgsayar Mühendslğ, Batman,
DetaylıKonveks Sınıf Modelleri Kullanarak Dijital İmgelerdeki Nesne Görüntülerinin Konumlarının Bulunması. Proje No: 109E279
Konveks Sınıf Modeller Kullanarak Djtal İmgelerdek Nesne Görüntülernn Konumlarının Bulunması Proje No: 109E279 Doç. Dr. Hakan Çevkalp Hüseyn Gündüz Musa Aydın Güvenç Usanmaz Onur Akyüz ŞUBAT 2013 ESKİŞEHİR
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
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
Detaylı