STANDART VE HİBRİD YAPILAR KULLANARAK YAPAY SİNİR AĞLARI İLE İMZA TANIMA
|
|
- Esen Koçer
- 8 yıl önce
- İzleme sayısı:
Transkript
1 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 ve Haberleşme Mühendslğ Beşktaş-İstanbul e-posta: e-posta: Anahtar sözcükler: İmza Tanıma, Yapay Snr Ağları, Konk Kest Fonksyonlu Ağlar ABSTRACT Ths paper presents a new approach for off-lne sgnature recognton based on artfcal neural networks (ANNs). ANNs have recently become a very mportant method for classfcaton and recognton problems. In ths work, two well known neural network archtectures (Multlayer Perceptron-MLP and Radal Bass Functon-RBF Networks) and a hybrd neural network (Conc Secton Functon Neural Networks-CSFNN) are proposed for the sgnature recognton. The proposed system was traned and tested on a sgnature database consstng of a total of 56 sgnature mages taken from 8 dfferent persons. A total of 00 samples (5 samples for each person) for tranng and 56 samples (7 samples for each person) for testng are used. The results and comparsons are presented. k bu malyetn fazla olmasından dolayı çok terch edlen br yöntem değldr. Offlne SRVS de se yapılablr [, 6, 8, 9]. Bu sebeple bu alanda yapılmış çalışmaların çoğunda kullanılan sınıflama yöntem offlne SRVS dr. İmza tanıma ve doğrulama üzerne lteratürde yapılmış çalışmalar daha çok mza doğrulamayı çerr. Bu çalışmada mza tanıma üzerne faklı br yaklaşım sunulmuştur. Kullanılan sınıflama yöntem offlne mza tanımadır. Bu amaçla eğtme ve test şlemlernde kullanılmak üzere 8 farklı kşden 3 şer mza olmak üzere toplam 56 mza toplanmıştır. Şekl de toplanan mzalardan bazı örnekler görülmektedr.. GİRİŞ İmza kşye at özel br el yazısı türüdür. Herkesn mzası farklı olduğu gb, br kşnn farklı zamanlarda attığı mzalar da farklılık göstereblr. Br görüntü olarak ele alındığında mza, blgsayar teknolojler ve yapay snr ağı teknkler kullanılarak tanınablr. İmza tanımada amaç; eğtme mzaları le yapay snr ağını eğttkten sonra rastgele seçlen br test mzasının sahbn bulmaktır. Bunun çn mzalar brtakım önşlemlerden geçrldkten sonra eğtme şlem gerçekleştrlr ve test mzaları arasından rastgele br mza seçlerek bu mzanın sahb araştırılır. Eğtmede yöntem ne olursa olsun sınıflama yapmak çn bell başlı yöntem vardır. Bunlar Onlne mza tanıma ve doğrulama (SRVS) ve Offlne SRVS dr. Eğtme şlemne geçlmeden önce sınıflama yöntem belrlenmeldr. Onlne SRVS [, 3, 7] mza atarken ortaya çıkan hız, yön ve basınç blglern ölçüp kaydetmeye yarayan br takım özel donanımlar (djtal kalem, djtal ped, özel baskılı kağıtlar v.b.) gerektrr Şekl. İmza örnekler Çalışmada lk olarak çok blnen ve yaygın olarak kullanılan yapay snr ağı yapılarından olan Çok Katmanlı Algılayıcı (Multlayer Perceptron-MLP) ve Radyal Temell Fonksyonlar (Radal Bass Functon- RBF) le mza tanıma yapılmış daha sonra se hbrd br yapı olan ve lteratürde bu konuya hç uygulanmamış br yöntem olan Konk Kest Fonksyonlu Ağlar (Conc Secton Functon Neural Network-CSFNN) le de mza tanıma yapılarak üç yöntemn karşılaştırmalı sonuçları tablolar halnde verlmştr.
2 . ÖNİŞLEMLER İmza tanıma problemnde lk olarak mzanın bazı önşlemlerden geçrlmes gerekmektedr. Önşlemlerden sonra mza, eğtme ve test şlemlernde kullanılmaya hazırdır. Bu önşlemler aşağıda kısaca açıklanmıştır... Görüntü İşleme Bu aşamada kşlerden toplanan mzalar br tarayıcı yardımıyla blgsayar ortamında kullanıma hazır hale getrlr... Gürültü İndrgeme Bu aşamada gürültü ndrgeme fltres syah beyaz taranmış resme uygulanır. Bunu yapmaktak amaç; arka plan beyaz se üzerndek syah pkseller, syah se üzerndek beyaz pkseller bularak yok etmektr. Bunu yapablmek çn resme, bast br karar kuralı olan 3x3 lük br maske uygulanır. Merkez pksel, çevresndek brbryle aynı renktek 8 pkseln rengnden farklı se merkez pkseln reng değştrlr. İmza resmndek gürültülern çıkarılmasından sonra yapılacak şlem mza alanının keslp alınmasıdır. Yatay ve düşey zdüşümlü parçalama metodu kullanılarak mza alanı arka plandan keslp alınır. Böylece mzayı çerçeveleyen beyaz boşluk gözden çıkarılmış olur..3. Boyut Normalzasyonu Resmn genşlğnn kabul edlen değere ulaşması çn, genşlk-yükseklk oranının değşmemes şartıyla resmn boyutu ayarlanır..4. İskelet Çıkarma Önşlemlern son aşamasıdır. İmzanın karakterstğn bozmadan gereksz pksellern atılması mantığına dayanır. Daha sonra yapılacak olan bütün şlemlerde kullanılacak olan mza, skelet hale getrlmş mzadır. Şekl de skelet halne getrlmş br mza örneğ görülmektedr. grd blg özellkler olmak üzere k ana başlıkta toplanablr. 3.. Genel Özellkler İmzanın genel özellkler arasında mza yükseklğ, resm alanı, tam genşlk ve tam yükseklk, maksmum yatay ve düşey zdüşüm, yatay ve düşey zdüşüm tepeler, mzanın yatay ve düşey merkez, genel ve yerel meyl açıları, taban çzgs kayması, köşe noktası sayısı, kesşme noktası sayısı ve kapalı çevrm aded sayılablr. Bu makalede genel özellk olarak taban çzgs kayması, mzanın yatay merkez ve mzanın düşey merkez özellkler olmak üzere 3 özellk kullanılmıştır. Dğer özellkler kullanmak kullanıcıya bağlıdır. 3.. Grd Blg Özellkler Grd blgsn elde etmek çn se skelet hale getrlmş resm 96 dkdörtgen parçaya (8 x ) bölünür. Her parça çn alan yan ön plandak pksellern (syah pkseller) aded hesaplanır. Bulunan sonuç, en düşük alan değerne sahp parçanın alanı 0, en yüksek alan değerne sahp parçanın alanı olacak şeklde normalze edlr. Sonuçta; x 8 elemanlı ve her br elemanı 0 le arasında değerler alan br grd matrs elde edlr. Bu da parçalardak syah pksellern yoğunluğunu gösterr. Şekl.3 de br mza örneğne at grd blgs çıkarılmıştır. Şekl.3 Grd çıkarılmış br mza Grd blgsnden de 96 özellk gelr k, bu da yapay snr ağlarına uygulamak üzere toplam olarak 99 tane (96+3) grş sağlar. 4.KULLANILAN AĞ YAPILARI Bu çalışmada Çok Katmanlı Algılayıcı, Radyal Temell Fonksyonlar ve Konk Kest Fonksyonlu Ağlar olmak üzere 3 farklı ağ yapısı le eğtme yapılmıştır. Şekl. İskelet çıkarılmış br mza 3.ÖZELLİK ÇIKARMA İmza tanıma şlem çn öncelkle mzanın çeştl özellkler çıkarılarak bu özellklere göre eğtme yapılmalıdır. İy br özellk çıkarma, eğtme ve test sonucunda başarı yüzdelernn artması açısından çok önemldr. Br mzaya at özellkler genel özellkler ve 4.. Çok katmanlı Algılayıcı (MLP) En genel yapısıyla MLP model, br grş katmanı, br veya daha fazla ara katman, br de çıkış katmanından oluşur. Blg akışı dama ler doğrudur. Bu yüzden ler beslemel ağ model de denr. Grş katmanındak nöron sayısı problemdek grş sayısına bağlıdır. Ara katman sayısı ve ara katmanlardak nöron sayısı deneme-yanılma yolu le bulunur. Çıkış katmanındak nöron sayısı se yne uygulanan probleme dayanılarak
3 belrlenr. Pratkte 3 katmandan fazla katman kullanılmaz. Katman sayısına grş katmanı dahl değldr. Örneğn: tane gzl katman varsa katmanlı ağ, tane gzl katman varsa 3 katmanlı ağ denr. Ara katmandak grş-çıkış lşkler hakkında blg sahb değlz. Ara katmanlarda non-lneer çıkış katmanında se lneer fonksyonlar vardır. katmanlı MLP yapısı Şekl 4 de görülmektedr. uzaklığını, σ de genşlğ göstermek üzere aşağıdak şeklde fade edlr. x c ϕ (r) = exp( ) () σ Şekl 5 de en genel göstermyle br RBF yapısı verlmştr. Şekl.4 katmanlı MLP model 4. Radyal temell Fonksyonlar (RBF) Radyal temell fonksyon ağı tasarımı se çok boyutlu uzayda eğr uydurma yaklaşımıdır ve bu nedenle RBF nn eğtm, çok boyutlu uzayda eğtm verlerne en uygun br yüzey bulma problemne dönüşür. RBF nn genellemes se eğtm sırasında bulunan çok boyutlu yüzeyn kullanılmasına eşdeğerdr. Radyal temell fonksyonlar, sayısal analzde çok değşkenl problemlern çözümünde kullanılmış ve YSA nın gelşmes le brlkte bu fonksyonlardan YSA tasarımında yararlanılmıştır. RBF, ler beslemel YSA yapılarına benzer şeklde grş, saklı ve çıkış katmanından oluşur ancak, grş katmanından saklı katmana dönüşüm, radyal tabanlı aktvasyon fonksyonları le doğrusal olmayan sabt br dönüşümdür. Saklı katmandan çıkış katmanına se doğrusal br dönüşüm gerçekleştrlr. RBF de uyarlanablecek serbest parametreler; merkez vektörler, radyal fonksyonların genşlğ ve çıkış katman ağırlıklarıdır. RBF n matematksel fades aşağıdak şekldedr: N G(x) = W (x) () = jϕ Burada W j gzl katmandak. nörondan çıkış katmanındak j. nöron arasındak ağırlığı, ϕ (x) se aktvasyon fonksyonunu gösterr. RBF de gzl katman aktvasyon fonksyonu olarak genellkle Gauss Fonksyonu kullanılır. Gauss Fonksyonu x grş vektörünü, c merkez, x c standart ökld Şekl.5 RBF model 4.3. Konk Kest Fonksyonlu Ağlar (CSFNN) Konk Kest Fonksyonlu Ağların anafkr, MLP ve RBF ağlarının brarada kullanılmasıdır. Yen yayılım kuralı, (MLP ve RBF yayılım kurallarını çeryor) br konnn analtk denklemler kullanılarak elde edleblr. Şekl 6 bu ağların yapısını göstermektedr. Burada x, sağ daresel konnn üzernde herhang br nokta, ω [-π/,π/] aralığında herhang br değer, v konnn tepe noktası ve a konnn eksenn tanımlayan brm vektör olsun. Böylece daresel konnn denklem r r r r r ( x v) a = cosω ( x v) (3) olmaktadır. Konk Kest Fonksyonlu Ağların yayılım kuralını n-boyutlu grş uzayı çn genellersek (4) denklemn elde ederz. = ( x v ) a = cosω ( x v ) (4) = Açılma açısı (ω) 90 derece olduğunda x noktaları ve v arasındak uzaklık darenn yarıçapına eşt olduğundan darenn merkez koordnatı c, v nn yerne kullanılablr. (4) denklemnn sağ tarafı sol tarafından çıkarıldığında Konk Kest Fonksyonlu Ağların yayılım kuralı aşağıdak gb elde edlr:
4 = y j = ( x cj ) aj cosω j ( x cj ) (5) = burada a j MLP dek grş le gzl katman arasındak ağırlıkları, c j RBF dek merkez koordnatlarını, ve j grş ve gzl katmanı gösteren ndslerdr. Bu durumda y j Konk Kest Fonksyonlu Ağların aktvasyon değerdr. Kolayca görüldüğü üzere bu denklem MLP ve RBF gb temel kısımdan oluşur. ω açısı π/ olduğu zaman denklem sadece MLP kısmına dönüşür. Denklemn knc kısmı da RBF nn grşler le merkezler arasındak ökld uzaklığıdır. Grş Gzl Katman Çıkış Katmanı RBF le yapılan eğtmeden sonra gzl katmanda 75 nörona ulaşılmıştır. Genşlk değer olarak 0 seçlmştr. CSFNN le yapılan eğtmede se ağ, nörondan oluşan gzl katman ve 8 nörondan oluşan çıkış katmanı olacak şeklde tasarlanmıştır. Genşlk değer olarak seçlmştr. Sonuçlar aşağıdak tablolarda sunulmuştur: Tablo-. Doğru sınıflanan eğtme mzaları sayısı MLP Eğtme İmzaları A B C D E F G H 5 5 6,7 5 0,8,5 5 4,8.çıkış RBF çıkış CSFNN k.çıkış Yukarıdak tablodan da anlaşıldığı gb eğtme mzalarının doğru sınıflanma yüzdeler MLP le yapılan eğtmede %87.4, RBF de %00, CSFNN de %96 dır. Şekl.6 CSFNN model Tablo-. Doğru sınıflanan test mzaları sayısı 5. BENZETİM SONUÇLARI İmza tanıma şlemnde eğtme ve test şlemlernde kullanılmak üzere A, B, C, D, E, F, G ve H olarak smlendrlen 8 farklı kşden 3 şer mza olmak üzere toplam 56 mza toplandı. Bunların 00 tanes eğtmede (br kşden 5 mza), 56 (br kşden 7 mza) tanes de testte kullanıldı. İmzalar.bölümde anlatılan önşlemlerden geçrldkten sonra bu mzalara at özellkler çıkartıldı ve 99*56 boyutunda grş vektörü oluşturuldu. Grş vektörünün boyutu çok yüksek olduğundan dolayı temel bleşen analz yöntem kullanılarak bu boyut 0*00 e düşürüldü. MLP RBF CSFNN Test İmzaları A B C D E F G H 7 6,3 5, ,6 7 6,4 6, MLP le yapılan eğtmede.gzl katmanda 60,.gzl katmanda 4 ve çıkış katmanında 8 nörondan oluşan br ağ yapısı tasarlanmıştır. Momentum ve adaptf öğrenme oranının ayarlanabldğ gerye yayılım algortması kullanılmıştır. Eğtmede öğrenme oranı 0.05 ve momentum 0.09 seçlerek en y sonuçlar alınmıştır. Ağırlıklar rastgele seçldğ çn ağ 0 defa eğtlerek sonuçların ortalaması alınmıştır. Egtme yaklaşık olarak 00 adımda tamamlanmıştır. Test mzaları çn oluşturulmuş Tablo de se ağın başarısı MLP çn %9.43, RBF çn %98, ve CSFNN çn %96,43 dür. Bu sonuçlar tek br tablo halnde Tablo 3 de sunulmuştur.
5 Tablo-3. CSFNN, MLP ve RBF kullanarak yapılan mza tanıma sonuçları Yöntem Eğtme İmzaları Test İmzaları MLP %87,4 %9,43 RBF %00 %98, CSFNN %96,43 %96,43 6. SONUÇLAR VE YORUMLAR İmza tanıma çn MLP, RBF ve CSFNN le eğtme yapılarak eğtme ve test örneklernn sınıflanma sayıları ve ağların başarı yüzdeler verlmştr. Bulunan sonuçlar daha önce yapılan çalışmalarla kıyaslandığında oldukça tatmn edcdr. Bu tablolardan görüldüğü gb mza tanıma kısmında RBF le yapılan eğtme ve test başarı yüzdelernn %00 bulunması bakımından önemldr. Ayrıca CSFNN le yapılan eğtme şlem MLP ve RBF e göre çok daha hızlıdır. Dkkat çekc sonuçlardan br de CSFNN le yapılan eğtmede kullanılan nöron sayısının azlığıdır. CSFNN le 0 nöron kullanılırken MLP de 9, RBF de se 83 nöron kullanılmıştır k bu da pratkte uygulanması açısından CSFNN lern üstün olduğunun spatıdır. KAYNAKLAR [] Bajaj, R., Chaudhury, S., : Sgnature Verfcaton Usng Multple Neural Classfers, PATTERN RECOGNITION SOCIETY, (996), 30:-7. [] Baltzaks, H., Papamarkos,N.,:A new sgnature verfcaton technque based on a two-stage neural network classfer, ENGINEERING APPLICATIONS OF ARTIFICIAL INTELLIGENCE, (00), 4: [3] Brault, J., Plamondon, R., : Segmentng handwrtten sgnatures at ther perceptually mportant ponts, IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELIGENCE, Vol. 5. (993) [4] Hanmandlu, M., Madasu, V.K., Madasu, S., : Neuro-Fuzzy Approaches to Sgnature Verfcaton, ND NATIONAL CONF. ON DOCUMENT ANALYSİS AND RECOGNITION (NCDAR-003), - July 003, Mandya, Inda, (003). [5] Haykn, S., Neural Networks: A COMPREHENSİVE FOUNDATION, MACMILLAN COLLEGE PUBLISHING, New York, (994). [6] Huang, K., Yan, H., : Off-lne Sgnature Verfcaton Based on Geometrc Feature Extracton and Neural Network Classfcaton, PATTERN RECOGNITION SOCIETY, (996), 30:9-7. [7] Ket, T.H., Palanappan, R., Raveendran, P., Takeda, F., : Sgnature Verfcaton System usng Pen Pressure for Internet and E- Commerce Applcaton, ISSRE00 INTERNATIONAL SYMPOSIUM ON SOFTWARE RELIABILITY ENGINEERING, 7-30 November, Hong Kong, (00). [8] Murshed, N.A. Bortolozz, F., Sabourn, R., : Off-Lne Sgnature Verfcaton usng Fuzzy ARTMAP Neural Network, IEEE INTERNATIONAL CONFERENCE ON NEURAL NETWORKS, 7 November-st December 995, Perth, Australa, (995). [9] Öz, C., Ercal, F., Demr, Z., : Sgnature Recognton and Verfcaton wth ANN, ELECO 003 INTERNATIONAL CONFERENCE ON ELECTRICAL AND ELECTRONICS ENGİNEERING, 3-7 December 003, Bursa, (003). [0] Parzeu, M., Plamondon, R., : A Comparatve analyss of regonal correlatng dynamc tme warpng and skeletal tree matchng for sgnature verfcaton, IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELIGENCE, Vol.. (990) [0] Yıldırım, T., Özyılmaz, L., : Dmensonalty reducton n Conc Secton Functon Neural Network, SADHANA-ACADEMY PROCEEDINGS IN ENGINEERING SCIENCES, Vol 7, Part 6, (00), [] Yıldırım,T., : Development of Conc Secton Functon Neural Networks n Software and Analogue Hardware, PH.D. THESIS, Lverpool Unversty, UK, May (997).
Bulanık-Sinir Ağı Yapısı İçin Yeni Bir Karma Yaklaşım
Bulanık-Snr Ağı Yapısı İçn Yen Br Karma Yaklaşım Canan ŞENOL, Tülay YILDIRIM Mühendslk Fakültes, Elektronk Mühendslğ Bölümü Kadr Has Ünverstes canan@khas.edu.tr Elektrk-Elektronk Fakültes, Elektronk ve
DetaylıVEKTÖRLER VE VEKTÖREL IŞLEMLER
VEKTÖRLER VE VEKTÖREL IŞLEMLER 1 2.1 Tanımlar Skaler büyüklük: Sadece şddet bulunan büyüklükler (örn: uzunluk, zaman, kütle, hacm, enerj, yoğunluk) Br harf le sembolze edleblr. (örn: kütle: m) Şddet :
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
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
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
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)
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,
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
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
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
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.
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
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
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,
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
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
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
Detaylı6. NORMAL ALT GRUPLAR
6. ORMAL ALT GRUPLAR G br grup ve olsun. 5. Bölümden çn eştlğnn her zaman doğru olamayacağını blyoruz. Fakat bu özellğ sağlayan gruplar, grup teorsnde öneml rol oynamaktadır. Bu bölümde bu tür grupları
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,
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
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,
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
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
DetaylıKARMAŞIK SAYILAR. Derse giriş için tıklayın...
KARMAŞIK SAYILAR Derse grş çn tıklayın A Tanım B nn Kuvvetler C İk Karmaşık Sayının Eştlğ D Br Karmaşık Sayının Eşlenğ E Karmaşık Sayılarda Dört İşlem Toplama - Çıkarma Çarpma Bölme F Karmaşık Dülem ve
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
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
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
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
DetaylıDenklem Çözümünde Açık Yöntemler
Denklem Çözümünde Bu yöntem, n yalnızca başlangıç değer kullanılan ya da kökü kapsayan br aralık kullanılması gerekmez. Açık yöntemler hızlı sonuç vermesne karşın, başlangıç değer uygun seçlmedğnde ıraksayablr.
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
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
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
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.
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
DetaylıSEK Tahmincilerinin Arzulanan Özellikleri. SEK Tahmincilerinin Arzulanan Özellikleri. Ekonometri 1 Konu 9 Sürüm 2,0 (Ekim 2011)
SEK Tahmnclernn Arzulanan Özellkler İk Değşkenl Bağlanım Model SEK Tahmnclernn Arzulanan Özellkler Ekonometr 1 Konu 9 Sürüm 2,0 (Ekm 2011) http://www.ackders.org.tr SEK Tahmnclernn Arzulanan Özellkler
DetaylıJFM316 Elektrik Yöntemler ( Doğru Akım Özdirenç Yöntemi)
JFM316 Elektrk Yöntemler ( Doğru Akım Özdrenç Yöntem) yeryüzünde oluşturacağı gerlm değerler hesaplanablr. Daha sonra aşağıdak formül kullanılarak görünür özdrenç hesaplanır. a K I K 2 1 1 1 1 AM BM AN
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
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
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,
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
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
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
DetaylıDirect Decomposition of A Finitely-Generated Module Over a Principal Ideal Domain *
BİR ESAS İDEAL BÖLGESİ ÜZERİNDEKİ SONLU DOĞURULMUŞ BİR MODÜLÜN DİREK PARÇALANIŞI * Drec Decompoon of A Fnely-Generaed Module Over a Prncpal Ideal Doman * Zeynep YAPTI Fen Blmler Enüü Maemak Anablm Dalı
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
DetaylıELEKTRİK DEVRE TEMELLERİ
ELEKTRİK DEVRE TEMELLERİ Öğretm üyes: Doç. Dr. S. Özoğuz Tel: 85 36 9 e-posta: serdar@ehb.tu.edu.tr Ders saat: Pazartes,.-3. / D-4 İçndekler. Dere teors, toplu parametrel dereler, Krchhoff un gerlm e akım
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
DetaylıErcan Kahya. Hidrolik. B.M. Sümer, İ.Ünsal, M. Bayazıt, Birsen Yayınevi, 2007, İstanbul
Ercan Kahya 1 Hdrolk. B.M. Sümer, İ.Ünsal, M. Bayazıt, Brsen Yayınev, 007, İstanbul se se da Brm kanal küçük gen kestl br kanalda, 1.14. KANAL EGIMI TANIMLARI Brm kanal genşlğnden geçen deb q se, bu q
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.
Detaylı1. KEYNESÇİ PARA TALEBİ TEORİSİ
DERS NOTU 07 KEYNESÇİ PARA TALEBİ TEORİSİ, LM EĞRİSİ VE PARA TALEBİ FAİZ ESNEKLİĞİ Bugünk dersn çerğ: 1. KEYNESÇİ PARA TALEBİ TEORİSİ... 1 1.1 İŞLEMLER (MUAMELELER) TALEBİ... 2 1.2 ÖNLEM (İHTİYAT) TALEBİ...
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
DetaylıBOYUT ÖLÇÜMÜ VE ANALİZİ
BOYUT ÖLÇÜMÜ VE ANALİZİ.AMAÇ Br csmn uzunluğu, sıcaklığı, ağırlığı veya reng gb çeştl fzksel özellklernn belrlenme şlemler ancak ölçme teknğ le mümkündür. Br ürünün stenlen özellklere sahp olup olmadığı
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
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
DetaylıUZAKTAN ALGILANMIŞ GÖRÜNTÜLERDE SINIFLANDIRMA VE ANALİZ (CLASSIFICATION OF REMOTE SENSING IMAGES AND ANALYSIS)
ÖZET UZAKTAN ALGILANMIŞ GÖRÜNTÜLERDE SINIFLANDIRMA VE ANALİZ (CLASSIFICATION OF REMOTE SENSING IMAGES AND ANALYSIS) Emnnur AYHAN Fevz KARSLI Esra TUNÇ Sınıflandırma; brçok blm dalında kullanılan br karar
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
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,
DetaylıAdi Diferansiyel Denklemler NÜMERİK ANALİZ. Adi Diferansiyel Denklemler. Adi Diferansiyel Denklemler
6.4.7 NÜMERİK ANALİZ Yrd. Doç. Dr. Hatce ÇITAKOĞLU 6 Müendslk sstemlernn analznde ve ugulamalı dsplnlerde türev çeren dferansel denklemlern analtk çözümü büük öneme saptr. Sınır değer ve/vea başlangıç
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
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
DetaylıDeprem Tepkisinin Sayısal Metotlar ile Değerlendirilmesi (Newmark-Beta Metodu) Deprem Mühendisliğine Giriş Dersi Doç. Dr.
Deprem Tepksnn Sayısal Metotlar le Değerlendrlmes (Newmark-Beta Metodu) Sunum Anahat Grş Sayısal Metotlar Motvasyon Tahrk Fonksyonunun Parçalı Lneer Interpolasyonu (Pecewse Lnear Interpolaton of Exctaton
DetaylıT.C. KAHRAMANMARAŞ SÜTÇÜ İMAM ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ ANABİLİM DALI
T.C. KAHRAMANMARAŞ SÜTÇÜ İMAM ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ ANABİLİM DALI ÜÇ FAZLI ASENKRON MOTORLARIN YAPAY SİNİR AĞLARI İLE VEKTÖR ESASLI HIZ KONTROLÜ ZAFER KOCA
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.,
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
DetaylıBasel II Geçiş Süreci Sıkça Sorulan Sorular
Basel II Geçş Sürec Sıkça Sorulan Sorular Soru No: 71 Cevaplanma Tarh: 06.03.2012 İlgl Hüküm: --- Konu: Gayrmenkul İpoteğyle Temnatlandırılmış Alacaklar İçn KR510AS Formunun Doldurulmasına İlşkn Örnek
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
DetaylıBağımsız Model Blok Dengeleme için Model Oluşturma ve Ön Sayısal Bilgi İşlemleri
Bağımsız Model Blok Dengeleme çn Model Oluşturma ve Ön Sayısal Blg İşlemler Emnnur AYHAN* 1. Grş Fotogrametrk nreng çeştl ölçütlere göre sınıflandırılablr. Bu ölçütler dengelemede kullanılan brm, ver toplamada
DetaylıTEKNOLOJĐK ARAŞTIRMALAR
www.teknolojkarastrmalar.com ISSN:305-63X Yapı Teknolojler Elektronk Dergs 008 () - TEKNOLOJĐK ARAŞTIRMALAR Makale Başlığın Boru Hattı Etrafındak Akıma Etks Ahmet Alper ÖNER Aksaray Ünverstes, Mühendslk
DetaylıGeriye Yayılım ve Levenberg Marquardt Algoritmalarının YSA Eğitimlerindeki Başarımlarının Dinamik Sistemler Üzerindeki Başarımı. Mehmet Ali Çavuşlu
Geriye Yayılım ve Levenberg Marquardt Algoritmalarının YSA Eğitimlerindeki Başarımlarının Dinamik Sistemler Üzerindeki Başarımı Mehmet Ali Çavuşlu Özet Yapay sinir ağlarının eğitiminde genellikle geriye
DetaylıTEKNOLOJİ, PİYASA REKABETİ VE REFAH
TEKNOLOJİ, PİYASA REKABETİ VE REFAH Dr Türkmen Göksel Ankara Ünverstes Syasal Blgler Fakültes Özet Bu makalede teknoloj sevyesnn pyasa rekabet ve refah sevyes üzerndek etkler matematksel br model le ncelenecektr
DetaylıALTERNATİF AKIM DEVRE YÖNTEM VE TEOREMLER İLE ÇÖZÜMÜ
BÖLÜM 6 ALTERNATİF AKIM DEVRE ÖNTEM VE TEOREMLER İLE ÇÖZÜMÜ 6. ÇEVRE AKIMLAR ÖNTEMİ 6. SÜPERPOZİSON TEOREMİ 6. DÜĞÜM GERİLİMLER ÖNTEMİ 6.4 THEVENİN TEOREMİ 6.5 NORTON TEOREMİ Tpak GİRİŞ Alternatf akımın
DetaylıCommunication Theory
Communcaton Theory ENFORMASYON TEORİSİ KODLAMA Doç. Dr. Hakan Doğan ENFORMASYON DEYİMİ NEDEN KULLANILMIŞ? Kaynaklarn, kanalların,alıcıların blg karakterstklern ncelemek. Blgnn letmn optmze etmek çn İletmn
DetaylıGRUPLARDA VE YARIGRUPLARDA ETKİNLİK(EFFICIENCY) The Efficiency Of Groups And Semigroups *
GRUPLARDA VE YARIGRUPLARDA ETKİNLİK(EFFICIENCY The Effcency Of Groups And Semgroups * Özer CAN Matematk Ana Blm Dalı Blal VATANSEVER Matematk Ana Blm Dalı ÖZET Bu çalışmada öncelkle gruplarda, yarıgruplarda,
DetaylıTEMEL DEVRE KAVRAMLARI VE KANUNLARI
TDK Temel Devre Kavramları ve Kanunları /0 TEMEL DEVRE KAVRAMLARI VE KANUNLARI GĐRĐŞ: Devre analz gerçek hayatta var olan fzksel elemanların matematksel olarak modellenerek gerçekte olması gereken sonuçların
DetaylıMİKROŞERİT HAT ENDÜKTANS BÜYÜKLÜĞÜNÜN BİLGİ TABANLI YAPAY SİNİR AĞLARI ile MODELLENMESİ
MİKROŞERİT HAT ENDÜKTANS BÜYÜKLÜĞÜNÜN BİLGİ TABANLI YAPAY SİNİR AĞLARI ile MODELLENMESİ Levent AKSOY e-posta: levent@ehb.itu.edu.tr Neslihan Serap ŞENGÖR e-posta: neslihan@ehb.itu.edu.tr Elektronik ve
DetaylıŞekil 3.9 Hopfield ağının yapısı (Ağırlık sayıları siyah nöron sayıları kırmızı ile gösterilmiştir)
Ger dönüşümlü Recrrent ağlar Ger dönüşümlü ağların temel özellğ; ağın grşne yglanan verler, şlendkten sonra blnan çıktıları tekrar ağa yönlendrmes yan ger beslemel olmasıdır. Ger dönüşümlü ağlar, tam ger
Detaylı3. Parçaları Arasında Aralık Bulunan Çok Parçalı Basınç Çubukları
3. Parçaları Arasında Aralık Bulunan Çok Parçalı Basınç Çubukları Basınç çubukları brden fazla profl kullanılarak, bu profller arasında plan düzlemnde bell br mesafe bulunacak şeklde düzenleneblr. Bu teşklde,
DetaylıManyetizma Testlerinin Çözümleri. Test 1 in Çözümü
4 Manyetzma Testlernn Çözümler 1 Test 1 n Çözümü 5. Mıknatısların brbrne uyguladığı kuvvet uzaklığın kares le ters orantılıdır. Buna göre, her br mıknatısa uygulanan kuvvet şekl üzernde gösterelm. 1. G
DetaylıOLASILIĞA GİRİŞ. Biyoistatistik (Ders 7: Olasılık) OLASILIK, TIP ve GÜNLÜK YAŞAMDA KULLANIMI
OLASILIĞA GİRİŞ Yrd. Doç. Dr. Ünal ERKORKMAZ Sakarya Ünverstes Tıp Fakültes Byostatstk Anablm Dalı uerkorkmaz@sakarya.edu.tr OLASILIK, TIP ve GÜNLÜK YAŞAMDA KULLANIMI Br olayındoğal koşullar altında toplumda
DetaylıBÖLÜM 1 1.GİRİŞ: İSTATİSTİKSEL DOĞRUSAL MODELLER
BÖLÜM 1 1.GİRİŞ: İSTATİSTİKSEL DOĞRUSAL MODELLER Blmn amaçlarından br yaşanılan doğa olaylarını tanımlamak ve olayları önceden tahmnlemektr. Bu amacı başarmanın yollarından br olaylar üzernde etkl olduğu
DetaylıVeride etiket bilgisi yok Denetimsiz öğrenme (unsupervised learning) Neden gereklidir?
MEH535 Örünü Tanıma 7. Kümeleme (Cluserng) Doç.Dr. M. Kemal GÜLLÜ Elekronk ve Haberleşme Mühendslğ Bölümü web: hp://akademkpersonel.kocael.edu.r/kemalg/ E-posa: kemalg@kocael.edu.r Verde eke blgs yok Denemsz
DetaylıTEKNOLOJİ BAĞIMLI YAŞAMIN MATEMATİKSEL DESENLERİ-I
TEKNOLOJİ BAĞIMLI YAŞAMIN MATEMATİKSEL DESENLERİ-I Fevz ÜNLÜ *, Esra DALAN YILDIRIM **,Şule AYAR *** ÖZET: Evren her an nano-önces, nano, mkro, normal, makro ve makro-ötes gözler le gözlemlermze açıktır.
DetaylıT.C. KEÇiÖREN BELEDİYE BAŞKANLIGI Mali Hizmetler Müdürlüğü BAŞKANLIK MAKAMINA
l!l KEÇÖREN BELEDİYE BAŞKANLIGI KEÇöREN BELeDYES SA YI : M.06.6.KEç.O-31/2009KONU: Yetk Devr bo f.!200fd 6.1. BAŞKANLIK MAKAMINA Blndğ üzere O 1.01.2006 tarhnden tbaren tüm yerel yönetmlerde 31.12.2005
DetaylıBÖLÜM 9 İKİ BOYUTLU PANEL YÖNTEMLERİ
BÖLÜM 9 İKİ BOYUTLU PAEL YÖTEMLERİ 9.. Grş 9.2. Kompleks dülemde poansyel akım problemnn negral formülasyonu 9.3. Doğrusal paneller boyunca sab ekllk dağılımı hal 9.4. Kaynak dağılımını esas alan panel
DetaylıADIYAMAN ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MATEMATİK ANABİLİM DALI YÜKSEK LİSANS TEZİ SOFT KÜMELER VE BAZI SOFT CEBİRSEL YAPILAR.
ADIYAMAN ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MATEMATİK ANABİLİM DALI YÜKSEK LİSANS TEZİ SOFT KÜMELER VE BAZI SOFT CEBİRSEL YAPILAR Ebubekr İNAN DANIŞMAN Yrd. Doç. Dr. Mehmet Al ÖZTÜRK ADIYAMAN 2011 Her
DetaylıStandart Model (SM) Lagrange Yoğunluğu. u, d, c, s, t, b. e,, Şimdilik nötrinoları kütlesiz Kabul edeceğiz. Kuark çiftlerini gösterelim.
SM de yer alacak fermyonlar Standart Model (SM) agrange Yoğunluğu u s t d c b u, d, c, s, t, b e e e,, Şmdlk nötrnoları kütlesz Kabul edeceğz. Kuark çftlern gösterelm. u, c ve t y u (=1,,) olarak gösterelm.
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
DetaylıSAYISAL ANALİZ. Doç.Dr. Cüneyt BAYILMIŞ. Sayısal Analiz. Doç.Dr. Cüneyt BAYILMIŞ
SAYISAL ANALİZ Doç.Dr. Cüneyt BAYILMIŞ Doç.Dr. Cüneyt BAYILMIŞ Sayısal Analz SAYISAL ANALİZ SAYISAL TÜREV Numercal Derentaton Doç.Dr. Cüneyt BAYILMIŞ Sayısal Analz İÇİNDEKİLER Sayısal Türev Ger Farklar
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
DetaylıBÖLÜM II D. YENİ YIĞMA BİNALARIN TASARIM, DEĞERLENDİRME VE GÜÇLENDİRME ÖRNEKLERİ ÖRNEK 20 İKİ KATLI YIĞMA KONUT BİNASININ TASARIMI
BÖLÜM II D ÖRNEK 0 BÖLÜM II D. YENİ YIĞMA BİNALARIN TASARIM, DEĞERLENDİRME VE GÜÇLENDİRME ÖRNEKLERİ ÖRNEK 0 İKİ KATLI YIĞMA KONUT BİNASININ TASARIMI 0.1. BİNANIN GENEL ÖZELLİKLERİ...II.0/ 0.. TAŞIYICI
DetaylıFizik 101: Ders 15 Ajanda
zk 101: Ders 15 Ajanda İk boyutta elastk çarpışma Örnekler (nükleer saçılma, blardo) Impulse ve ortalama kuvvet İk boyutta csmn elastk çarpışması Önces Sonrası m 1 v 1, m 1 v 1, KM KM V KM V KM m v, m
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
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
Detaylı2.7 Bezier eğrileri, B-spline eğrileri
.7 Bezer eğrler, B-splne eğrler Bezer eğrler ve B-splne eğrler blgsaar grafklernde ve Blgsaar Destekl Tasarım (CAD) ugulamalarında çok kullanılmaktadır.. B-splne eğrler sadece br grup ver noktası çn tanımlanan
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)
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
DetaylıCalculating the Index of Refraction of Air
Ankara Unversty Faculty o Engneerng Optcs Lab IV Sprng 2009 Calculatng the Index o Reracton o Ar Lab Group: 1 Teoman Soygül Snan Tarakçı Seval Cbcel Muhammed Karakaya March 3, 2009 Havanın Kırılma Đndsnn
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
DetaylıMADEN DEĞERLENDİRME. Ders Notları
MADEN DEĞERLENDİRME Ders Notları Doç.Dr. Kaan ERARSLAN 008 ĐÇĐNDEKĐLER. GĐRĐŞ... 3. REZERV SINIFLARI VE HESAPLAMALARI... 4. Görünür rezervler...4.. Muhtemel Rezervler...6.3 Mümkün Rezervler...7.4 Belrl
DetaylıADJUSTED DURBIN RANK TEST FOR SENSITIVITY ANALYSIS IN BALANCED INCOMPLETE BLOCK DESIGN
SAÜ Fen Edebyat Dergs (2010-I) F.GÖKPINAR v.d. DENGELİ TAMAMLANMAMIŞ BLOK TASARIMINDA, DUYUSAL ANALİZ İÇİN DÜZELTİLMİŞ DURBİN SIRA SAYILARI TESTİ Fkr GÖKPINAR*, Hülya BAYRAK, Dlşad YILDIZ ve Esra YİĞİT
Detaylı