Support vector machines
57 theses under this subject heading
OECD ülkelerinin yenilenebilir enerji tüketim oranlarının makine öğrenmesi yöntemleriyle tahmin edilmesi
Enerji artan nüfus, üretim ve teknoloji gelişimi ile en önemli problemlerden biri olmaya devam etmektedir. Enerji üretiminde kullanılan kaynakların yenilenebilir olmayan kısmının kıt kaynak oluşu, bazı güçler tarafından kontrol edilebilir oluşu, iklim değişimine sebep olması, insan sağlığına zararlı etkilere sahip oluşu gibi olumsuz etkileri nedeniyle yenilenebilir kaynaklara yönelim devam etmektedir. Enerji kaynakları arasındaki geçiş eskisi kadar yavaş olmasa da hala tam geçiş sağlanabilmiş değildir. Ekonomik, doğal ve teknolojik nedenlerle yenilenebilir enerjiye tam geçişte problemler yaşansa da bu anlamda gösterilen çabalar kayda değer niteliktedir. Yenilenebilir enerji tüketiminin toplam enerji tüketimindeki payının tahmin edilmesi, hem gelecekte kullanılacak kaynakların planlanması hem de halihazırda kullanılan kaynakların etkin yönetimi için önemlidir. Bu tez çalışmasında OECD ülkelerinin toplam enerji tüketimindeki yenilenebilir enerji tüketiminin payının makine öğrenmesi yöntemleri ile tahmin edilmesi, bu tahmine yönelik önemli değişkenlerin belirlenmesi ve optimum değişken sayısının belirlenmesi amaçlanmıştır. Makine öğrenmesi yöntemlerinden YSA, DVM, XGBoost ve MARS yöntemlerinin kullanıldığı bu çalışmada elde edilen öngörü değerlerine yönelik RRMSE, R2 , VK, MSE, ve MAPE istatistiki performans ölçütleri kullanılarak LOPCOW, PROMETHEE II, MAIRCA ve VIKOR ÇKKV yöntemleri ile en başarılı algoritmanın tespit edilmesi amaçlanmıştır. Sonuç olarak XGBoost algoritmasının kullanılan algoritmalar arasında en başarılı tahmini gerçekleştirdiği anlaşılmıştır. Ayrıca başarılı modellerin incelenmesi sonucunda yenilenebilir enerji tüketiminin toplam enerji tüketimindeki payının tahmin edilmesi aşamasında düzenleyici kalite, hizmetlerin katma değeri, askeri harcamalar, mal ticareti, CO2 emisyonu, enerji kullanımı ve ülke yüzey alanı değişkenlerinin modellere katkı sağladığı anlaşılmıştır. Bu anlamda tüm modellerde kullanılan ve tahminler için önemli olan değişkenlerin CO2 emisyonu ve ülke yüzey alanı olduğu belirlenmiştir. Çalışmanın sonuçlarında ilgili değişkenlerin kullanıldığı çalışmalardan örnekler sunulmuş ve yenilenebilir enerji tüketiminin artırılmasına yönelik olarak gerçekleştirilebileceklere değinilmiştir. Ayrıca elde edilen bulgular ve literatür araştırması sonucunda gelecekte araştırılabilecek çalışma alanlarına dair öneriler sunulmuştur.
Makine öğrenmesi algoritmaları ile kredi temerrüt riskini tahmin etme
Bankalar ve çeşitli finans kuruluşları tarafından karşılanan kredilerin, müşteri tarafından geri ödenememesi hem kredi veren kuruluşun sermaye kaybını hem de genel ekonomide oluşabilecek çeşitli risk faktörlerini beraberinde getirmektedir. Bu süreçte, oldukça kritik öneme sahip olan kredi riskinin doğru yönetilebilmesi ve uluslararası finans istikrarının sağlanması için Basel Komitesi ve BDDK (Bankacılık Düzenleme ve Denetleme Kurumu) gibi finans denetimi kuruluşları, kredi veren kurumların kredi verme karar aşamasında çeşitli regülasyon politikaları belirlemektedir. Ayrıca, kredi veren kurumlar analitik risk birimleri aracılığıyla kredi değerlendirme modelleri geliştirerek, müşterilere ait kredi risk skorunu hesaplamaktadır. Bu araştırmada, makine öğrenmesi yöntemiyle kredi skorlama sistemlerinde kullanılabilecek en başarılı tahmini gerçekleştiren algoritmanın belirlenmesi amaçlanmıştır. Bu kapsamda, Gradyan Artırma, Yapay Sinir Ağları, Lojistik Regresyon, Rassal Orman, Karar Ağacı, Destek Vektör Makineleri, K-En Yakın Komşu ve WOE dönüşümleriyle Lojistik Regresyon algoritmaları için modeller kurulmuş ve temerrüde düşen ve temerrüde düşmeyen müşteriler için en iyi sınıflandırma performansı gösteren Gradyan Artırma algoritması olmuştur. Analitik veri kalitesi ve model geliştirme süreçlerinde SAS Enterprise Guide ve SAS Enterprise Miner yazılım programları kullanılmıştır. Anahtar Sözcükler: Kredi Riski, Makine Öğrenmesi, Gradyan Artırma, Yapay Sinir Ağları, Lojistik Regresyon, Rassal Orman, Karar Ağacı, Destek Vektör Makineleri, K-En Yakın Komşu
Tekerlek-yol etkileşimine dayalı PVDF sensörleriyle uluslararası düzgünsüzlük indeksinin belirlenmesi
Bu tez çalışmasında, yol kaplamasının konfor göstergelerinden biri olan Uluslararası Düzgünsüzlük İndeksi (IRI) ilk kez tekerlek-yol etkileşimine dayalı yeni bir yöntem ile tespit edilmeye çalışılmıştır. Bunun için test aracı olarak bir dağ bisikleti seçilmiştir. Bu bisikletin ön tekerleğine 6 adet poliviniliden florür (PVDF) tabanlı piezoelektrik sensörler yerleştirilmiştir. PVDF sensörlerinin verileri ve GPS ile elde edilen konumlar eş zamanlı olarak test aracının üzerinde tasarlanan veri toplama sisteminde (VTS) kaydedilmiştir. Bursa Uludağ Üniversitesi yerleşkesinde bulunan 660 m uzunluğundaki bölünmüş yolun her iki yöndeki (gidiş-geliş toplam 1320m) düzgünsüzlük bilgisi, referans IRI verisi olarak değerlendirilen lazer profilometre cihazı ile ölçülmüştür. Yeni oluşturulan test aracı ile aynı yol farklı zamanlarda 13 kez test edilmiştir. Elde edilen sensör verileri ile test yolunun IRI değerini tahmin etmek için Destek Vektör Regresyon (DVR) algoritması kullanılmıştır. Bu sensör verilerinden 1320 m uzunluğundaki test yolunun her 10m, 30m, 60m ve 100m'lik bölümlerinde 32 özellik veri seti çıkarılmış ve bu özellik veri setleri DVR algoritmasında girdi verisi olarak kullanılmıştır. Hazırlanan öznitelik alt kümesinin %85'i eğitim verisi ve %15'i de test verisi olacak şekilde algoritmanın performansı test edilmiştir. Aynı zamanda VTS içinde bulunan 3 eksenli bir ivmeölçer ile çeyrek araç modeli gibi geleneksel yöntemler kulanılarak test yolunun IRI değerleri aynı yol üzerinde tahmin edilmeye çalışılmıştır. Böylece geleneksel yöntem ile yeni yöntemin performansı karşılaştırımıştır. Her iki yöntemin performansı, ortalama mutlak yüzdesel hata (MAPE), ortalama mutlak hata (MAE), ortalama karesel hata (MSE), ortalama karesel hatanın karekökü (RMSE) metrikleri ile değerlendirilmiştir. Buna göre, geleneksel yöntem için test yolunun 10m, 30m, 60m ve 100m'lik bölümlerinde en iyi MAPE sonuçları 23.79, 17.58, 17.13 ve 12.65 olarak bulunmuştur. Aynı yol aralıklarında yeni yönteme göre ölçülen MAPE değerleri ise sırasıyla 18.08, 13.64, 10.73 ve 5.34 olarak bulunmuştur. Bu sonuçlar, önerilen yöntemin yolların düzgünsülüğünü belirlemede tatmin edici sonuçlar verdiğini ortaya koymuştur. Böylece bu çalışma, karayollarının IRI değerlerinin belirlenmesinde geleneksel yöntem ve araçlara nispeten karayolu yetkililerine daha ucuz, kolay ve alternatif bir yöntem sunmaktadır.
Destek vektör makinesi ile robotik kolların uyarlamalı model öngörülü kontrolü
Robotik kolların dinamiğinin doğru bir şekilde hesaplanması ve denetleyici parametrelerinin uyarlanması için; modelin keskinliği ve hassasiyeti büyük önem taşımaktadır. Doğrusal olmayan sistem dinamiklerinin keskin bir şekilde tanımlanmasında yapay sinir ağları ve destek vektör makinası algoritmaları sıklıkla tercih edilmektedir. Destek vektör makineleri, makine öğrenmesi yöntemleri arasında en etkili regresyon tekniklerinden biridir. Bu tez çalışması kapsamında, robotik kolların destek vektör makinesi tabanlı uyarlamalı model öngörülü kontrolünü sağlayacak yöntem önerilmiştir. İlk olarak, örnek alınan bir manipülatörün verileri kullanılarak destek vektör regresyonu ile dinamik model tahmini yapılmıştır. Dinamik model tahmini yapılırken eğitilen modelin öğrenme parametreleri eğitim verisinin ezberlenmesini bir başka deyişle aşırı öğrenmeyi engellemek amacıyla optimize edilmiştir. Kullanılan manipülatör dört eksenli hafif yapılı bir robot koldur. Tahmin edilen bu model, uyarlama mekanizmasında kullanılarak modelleme hataları ve bozucu etkilerinin minimuma indirildiği görülmüştür. Elde edilen kontrol yapısının farklı yörüngeler üzerinde ve değişken yük koşullarında başarılı bir yörünge takip performansı gösterdiği izlenmiştir. Karmaşık yörüngelerin takibinde de önerilen kontrol yapısının başarılı olduğu yapılan benzetim çalışmaları ile gösterilmiştir. Önerilen denetleyici yörünge takibi başarısını etkileyen özellikle zamanla değişen yükün baskın olduğu anlarda minimum konum hatası ile yörünge takibini sağlanmıştır. Destek vektör regresyonu ile kestirilen model ve uyarlamalı kontrol mekanizmasının birlikte kullanımı, sistemdeki modellenememiş dinamikler, belirsizlikler, dış bozucular ve parametre değişimlerine karşı oldukça etkili olmaktadır.
Derin öğrenmeye dayalı yüz tanıma
Bu araştırma, derin öğrenme tabanlı öznitelik çıkarımı ile klasik makine öğrenmesi sınıflandırıcılarını birleştiren hibrit bir yaklaşımla, yüksek doğruluklu ve gerçek zamanlı bir yüz tanıma sisteminin tasarımını ve uygulamasını sunmaktadır. Sistem, yüz tespiti için Çok Görevli Basamaklı Evrişimli Sinir Ağları (MTCNN), kimliğe özgü 128 boyutlu gömü vektörlerinin üretilmesi için önceden eğitilmiş bir FaceNet (Inception-ResNet-v1) modeli ve bu vektörlerin sınıflandırılması için bir Destek Vektör Makinesi (SVM) kullanmaktadır. Bu modüler mimari, sisteme yeni kişiler eklendiğinde yalnızca hafif ve eğitimi hızlı olan SVM sınıflandırıcısının güncellenmesine olanak tanır. Böylece, tamamen uçtan uca derin öğrenme modellerinin getirdiği yüksek hesaplama maliyeti ve yeniden eğitim zorlukları ortadan kaldırılır. Modelin genelleme kapasitesini, sınırlı sayıda orijinal görüntüyle bile artırmak amacıyla döndürme, parlaklık değişimi ve yansıtma gibi veri artırma teknikleri sistematik olarak uygulanmıştır. Yapılan deneysel testler, sistemin ayrık bir test seti üzerinde %99,90 gibi yüksek bir tanıma doğruluğuna ulaştığını göstermiştir. Ayrıca gerçekleştirilen öğrenme eğrisi analizi, modelin aşırı öğrenme eğilimi göstermeden çapraz doğrulama testlerinde de benzer bir başarıyı (%99,89) koruduğunu ve genelleme yeteneğinin yüksek olduğunu bilimsel olarak kanıtlamıştır. Uygulanan veri artırma tekniklerinin, modelin Kesinlik (Precision) ölçütünde +%77,9'luk bir artış sağlayarak sistemin başarısı için temel bir gereklilik olduğu niceliksel olarak kanıtlanmıştır. Boyut indirgeme analizleri (t-SNE, UMAP) ise FaceNet tarafından üretilen öznitelik uzayının, doğrusal bir SVM'nin bile etkili bir şekilde çalışabileceği, belirgin ve ayrık kümeler oluşturduğunu görsel olarak doğrulamıştır. Geliştirilen prototip, standart bir donanım üzerinde akıcı bir gerçek zamanlı performans sergileyerek, önerilen hibrit mimarinin hem yüksek doğruluk hem de pratik uygulanabilirlik açısından güçlü bir sinerji oluşturduğunu göstermektedir.
Oto kodlayıcılar ve görüntü işleme teknikleri ile beyin tümörlerinin MR görüntülerinin sınıflandırılması
Makine öğrenmenin alt dallarından biri olan derin öğrenme görüntü tanımlama ve sınıflandırma başarısı ile ön plana çıkmakta ve kanser teşhisi için sağlık alanında yaygın olarak kullanılmaktadır. Bu çalışma, hastalıkların tanı ve tedavisi alanında uzman kişilere yardımcı olması açısından önemlidir. Çalışmanın amacı, segmentasyon ve oto-kodlayıcı kulanarak, yeni uygulama geliştirilmesi ve kagle veri setinde elde edilen MR görüntüleri üzerinde sistemi doğrulamaktır. Bu çalışmanın bu alanda literatüre katkı sağlayacağı düşünülmektedir.
Design of a soil texture analysis device based on ultrasound sensors and machine learning methods
In this thesis, a digital soil texture analysis system is designed and introduced, which can be an alternative to the traditional hydrometer method used to find the proportional distributions of sand, silt and clay minerals in the soil. Traditional methods have many disadvantages such as being completely mechanical, needing expert control and laboratory. Considering today's advanced technologies and innovations, it has become inevitable to design a computerized forecasting system. The system has been redesigned using a 3D-printed container with ultrasound sensors. The system makes predictions by interpreting the changes in the intensity of the sound signals passed through the soil-water mixture placed in a closed container with machine learning methods. The changes in these signals, which are obtained by utilizing the sedimentation properties of sand, silt and clay particles in the soil-water mixture at different rates, were recorded on the computer, and computerized estimation steps were applied to the data. By using Support Vector Regression and Multi-Layer Perceptron architectures, the success of machine learning methods have been compared against traditional hydrometer results of the sample soils. Considering the 10% margin of error accepted in the standard hydrometer method, it has been seen that the proposed machine learning supported automated texture analyzer produced acceptable results. Thus, a computerized soil texture analyzer, which can predict the percentages of sand, silt and clay in the soil-water mixture in a closed container, using machine learning methods, is independent of expert supervision and laboratory environment, has a high portability, and can work with less material, has been presented in detail.
Geliştirilen yeni filtrelerin ve temel frekans tespit yönteminin derin öğrenme ile konuşma duygu analizinde uygulanması
Bu tez çalışmasında konuşma duygu tanıma uygulamaları için yeni filtre bankaları ve insan sesi temel frekans tespiti için yeni bir metot önerilmektedir. Yeni filtre bankalarının konuşma duygu tanıma uygulamalarında büyük gelişmelerin önünü açması beklenmektedir. Günümüze kadar pek çok farklı filtre bankası konuşma tanıma uygulamaları için önerilmiştir. Ancak bu modeller genellikle çok fazla parametre içermekte veya karmaşık bazı matematiksel işlemlere gereksinim duymaktadırlar. MFCC (Mel Frequency Cepstral Coefficients) katsayıları Mel filtre bankalarından türetilirken DCT (Discrete Cosine Transform) uygulanmaktadır. Ayrıca MFCC katsayılarını akustik olarak yorumlamak hemen hemen imkansızdır. Mel filtre bankaları daha kolay yorumlanabilmesine rağmen çok fazla sayıda parametre içermektedir. Önerilen EFB (Emotional Filter Banks) filtre bankaları daha kolay yorumlanabildiği gibi hesaplama yönünden de daha hızlıdırlar. Bu çalışmada bu filtre bankalarını SVM-SMO (Support Vector Machine-Sequential Minimal Optimization) ve Derin Yapay Sinir Ağı modelleri ile uygulayıp MFCC ve Mel filtre bankaları ile EmoSTAR, EmoDB (Berlin Emotional Database), IEMOCAP (Interactive Emotional Dyadic Motion Capture Database) ve MELD (Multimodal EmotionLines Dataset) verisetleri üzerinde uygulayıp karşılaştıracağız. Özellik seçme ve veri türetme uygulamaları da ayrıca incelenecektir. Temel frekans tespiti için HDM (Harmonic Differences Method) metodu önerilecek olup genişbant ve darbant (telefon) konuşma için araştırılacaktır. HDM harmonikler arasındaki farkı temel alarak çalışmaktadır. Temel frekans için Hillenbrand ve Texas Sesli verisetleri ile TIMIT (Texas Instruments Massachusetts Institute of Technology) verisetinin sesli kısmının tamamı kullanılacaktır. HDM algoritması otokorelasyon, kepstrum, YIN, YAAPT (Yet Another Algorithm for Pitch Tracking), CREPE (Convolutional Representation for Pitch Estimation) ve FCN (Fully Convolutional Network) metotları ile karşılaştırılacaktır. Sonuçlar harmonikler arasındaki farkların temel frekans için iyi bir seçim olduğunu ve HDM metodunun diğerlerine göre çoğunlukla daha başarılı sonuçlar üretebildiğini göstermektedir.
Autism detection from facial Images using deep learning methods
Autism spectrum disorder (ASD) refers to a collection of behavioral and developmental issues and difficulties. The cognitive, communication, and play skills of a child with autism spectrum disorder are all affected. The description "spectrum" in autism spectrum disorder refers to the fact that each child is special and has their own set of characteristics different from other children. These come together to give him a unique social bond as well as his own understanding of his own actions. Medical image classification is a significant research field that is gaining traction among researchers and clinicians alike to detect and diagnose diseases. It addresses the issue of medical diagnosis, experiment purposes and analysis in the field of medicine. Several deep learning-based medical imaging applications have been proposed and developed to understand and learn about how diseases develop in patients, to help doctors in early diagnosis of pathology. Not only is achieving good accuracy in classifying medical images the main purpose alone. We used pre- trained CNN and transfer learning in this study. These CNNs pre-trained architectures are used to train the network and to classify medical images. The experimental results of this study show that the model based on transfer learning (Support Vector Machine + MobileNet) can detect Autism Spectrum Disorder at the best rate with 98.83% accuracy. The architectures that were tested in this study are ready to be tested with additional data and can be used to prescreen individuals with ASD. The use of deep learning methods for feature selection and classification in this study could greatly support future autism studies.
İkili sınıflandırma problemlerinde çok katmanlı algılayıcı ve destek vektör makineleri sınıflandırıcılarının hiperparametrelerinin en iyilenmesi
Makine öğreniminde genellikle sağlam çalışan ve doğru tahminler yapan bir model oluşturulması hedeflenir. Parametre değerlerinin en iyilenmesi bu amaç doğrultusunda iyi bir çözüm sunar. Bu tez çalışmasının amacı, Destek Vektör Makineleri ve Çok Katmanlı Algılayıcı makine öğrenmesi algoritmalarının ikili sınıflandırma problemlerindeki başarılarını arttırmak için parametre en iyilemesi gerçekleştirmektir. Bunun için Rastgele Arama, Bayesian Arama ve Optuna en iyileme yöntemlerinin bu sınıflandırıcılara katkıları ele alınmıştır. Bu çerçevede, üç veri seti üzerinde deneysel çalışmalar gerçekleştirilmiştir. Hem Destek Vektör Makineleri hem de Çok Katmanlı Algılayıcı için Rastgele Arama ve Bayesian Arama metotları çoğunlukla Optuna metodundan daha iyi performans sunmuşlardır. Dahası, deneysel çalışmalar ele alınan probleme bağlı olarak en iyileme yöntemlerinin bu sınıflandırıcılar üzerinde olumlu etkisinin olabileceğini bize göstermiştir. ANAHTAR KELİMELER: Destek vektör makineleri, çok katmanlı algılayıcı, ikili sınıflandırma, en iyileme, hiperparametre ayarlama. Haziran 2022, 55 Sayfa,
Makine öğrenmesi yöntemleriyle tümör kontrol olasılığının hesaplanması
Çok büyük miktardaki verinin elle işlenmesi ve analizinin yapılması mümkün değildir. Bununla birlikte çoğu zaman geçmişteki veriler kullanılarak gelecek için tahminde, çıkarımda bulunmak mümkündür. Bu çıkarımları yapabilmek için makine öğrenmesi yöntemleri kullanılır. Makine öğrenmesinin kullanıldığı sistemler, karar destek sistemleridir. Karar destek sistemleri kullanım alanına bağlı olarak çeşitlilik göstermektedir. Tıp alanındaki uygulamalarda klinik karar destek sistemleri kullanılmaktadır. Tıbbi verilerin karmaşıklığı karşısında geleneksel veri analiz yöntemleri yetersiz kalabilmektedir. Bu sebeple karmaşık yapıların anlaşılması, çözümlenebilmesi için makine ögrenmesi yöntemlerine başvurulur. Sağlık alanı, makine öğrenmesi yöntemlerinin sınırlı kullanıldığı ancak çok önemli kullanım potansiyeli olan alanlardan biridir. Bu çalışmada küçük hücreli dışı akciğer kanseri hastalarının radyoterapi verileri kullanılmıştır. Radyoterapi de sözü edilen karmaşık verilerin çok sayıda yer aldığı alanlardan biridir. Radyoterapi alacak her hastaya ayrı bir plan çizilir. Tümörün radyoterapiye vereceği yanıt her hasta için farklıdır. Bunun nedenleri arasında radyoterapiyi etkileyen birçok parametre olması ve hastaların her biri kişisel özellikleri bakımdan birbirinden farklı olması sayılabilir. Karmaşık verilerin analiz edilip incelenmesi, radyoterapi sonucunda tümörün radyoterapiye yanıtı hakkında çıkarım yapmak için makine öğrenmesi yöntemleri kullanılabilir. Çalışmada radyasyon onkolojisindeki hasta verilerinin makine öğrenmesi yöntemleriyle sınıflandırılması ve çıkarım yapılması amaçlanmıştır. Çalışma kapsamında Karadeniz Teknik Üniversitesi Tıp Fakültesi Farabi Hastanesi Radyasyon Onkolojisine 2012-2015 yılları arasında gelen hastaların verileri kullanılmıştır. Bu kapsamda, destek vektör makineleri (DVM) ve yapay sinir ağları (YSA) ile tümörün radyoterapiye verdiği yanıtlar sınıflandırılması ve bunların karşılaştırılması ele alınmıştır. Bu çalışmada 30 hasta verisi kullanılarak DVM ve YSA makine öğrenmesi yöntemleri yardımıyla iki farklı karar destek sistemi modeli geliştirilmiştir. DVM modeli için %90 duyarlılık, %100 özgüllük değeri elde edilmiş; YSA modeli için % 80 duyarlılık, % 100 özgüllük değeri elde edilmiştir. Bu çalışmada SVM modelinin %90 duyarlılıkla en başarılı sonucu verdiği görülmüştür. Bu model sayesinde radyoterapi alacak hastanın tedavi sonunda tümöründe ne kadar değişiklik olacağı hakkında bir öngörü oluşacaktır. Bu çalışmada veriler önce ön 2 işlemeye ve elemeye tabi tutulmuştur. Bunun sonucunda ise veri sayısında azalma olmuştur. Daha sonra yapılması planlanan çalışmaların başarısı için bu eksiklikler göz önünde bulundurularak yeni parametreler eklenmeli ve veriler eksiksik bir biçimde elde edilmelidir.
Koroner bypass yapılan olgularda postoperatif dönemde gelişen atriyal fibrilasyon gelişme riski için bir tahmin modeli önerisi
Büyük miktarda veri içerisinden, gizli kalmış, değerli, kullanılabilir bilgileri açığa çıkarmak ve stratejik karar destek sağlamak amacıyla veri madenciliği kullanılır. Bunun yanı sıra veri madenciliği, sağlık verilerinin kullanımında yeni bir perspektif yaratmış ve kullanım yaygınlığı hızla artmaya devam eden bir yöntem haline gelmiştir. Atriyal Fibrilasyon (AF), açık kalp cerrahisi sonrasında en fazla rastlanan komplikasyonlardandır. Çalışma ile AF gelişme riski olan hastalara yönelik, preoperatif dönemde önleyici tedbirler alınmasında hekimlere destek olacak bir sistem geliştirilmesi amaçlanmıştır. Çalışmada Ordu Devlet Hastanesinde 01.01.2015 ve 31.06.2016 tarihleri arasında, Kalp ve Damar Cerrahisi Kliniğinde Koroner Arter Bypass Greft (KABG) operasyonu olan hastaların arşiv dosyaları, AF'nin preoperatif, postoperatif risk faktörleri; cinsiyet, hipertansiyon, EKG'de p dalgasında uzama, total drenaj miktarı, kilo, preoperatif EF, kalp kapak hastalıkları, preoperetif metoprolol kullanımı, yaş, greft sayısı, pulmoner hipertansiyon, diyabetes mellitüs, laboratuar değerleri (CRP, üre, kreatin, AST, GGT, HGB, HCT, Ca, K) yönünden retrospektif olarak incelendi. Hastalar, operasyon sonrası AF geçiren ve geçirmeyen olmak üzere iki gruba ayrıldı. Çalışmaya sadece KABG operasyonu geçiren hastalar dahil edilmiştir. Kronik AF'li hastalar, aynı anda başka bir operasyon yapılanlar dahil edilmemiştir. Karar ağaçları, DVM ve YSA ile KABG sonrası AF'nin sınıflandırılması ve bu yöntemlerin karşılaştırılması ele alınmıştır. Çalışma sonunda elde edilen sonuçlarda karar ağaçları ile yapılan analizde, duyarlılık değeri % 100, özgüllük değeri % 94.11; DVM'de duyarlılık değeri % 83.33, özgüllük değeri ise % 94.11; YSA ile yapılan analizlerde, duyarlılık % 100, özgüllük % 94.11 olarak hesaplanmıştır. Uygulanan metotların ROC eğrileri karşılaştırıldığında en iyi sınıflama YSA ve karar ağaçları ile yapılmıştır. Çalışma ile AF olasılığı yüksek bulunan hastalara, preoperatif dönemden itibaren önleyici tedbirlerin alınması konusunda katkı sağlanabileceği ortaya konulmuştur.
Forecasting brent oil futures prices using machine learning
Accurate forecasting is needed to define strategy and profitable future business operations, particularly of price data which leads to highly profitable trades and investments especially for liquid goods or assets. This thesis project researches successful financial and sales univariate data time-series forecasting models, and applies various methods in the forecasting of Brent Crude Oil Futures price while analyzing in a detailed way which proposes a proper data analysis process which involves three main parts: data examination, model evaluation and result analysis. That data analysis process can be applied to any data in order to have detailed information about the underlying commodity of the data, test forecasting models, make decisions, make inferences about related data, etc. The performance of the forecasting methods is then evaluated according to the following error measures: Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), Root Mean Square Error (RMSE) and Tracking Signal. A number of forecasting models are used: Moving Average by Statsmodel library, manually coded Moving Average, Holt's Method, Holt's Winters Method, Long Term Short Memory, Auto-regressive Integrated Moving Average (ARIMA), Seasonal Auto-regressive Integrated Moving Average (SARIMAX), Simple Exponential Smoothing by Statsmodel library, manually coded Simple Exponential Smoothing, Deep Neural Network with 2 hidden layers, Support Vector Regression, Kth Nearest Neighbors regression.
Efficient machine learning models for cancer biology
In the recent past, a variety of multiple kernel learning algorithms has been proposed in machine learning literature. A kernel corresponds to a measure of similarity between the data instances while multiple kernels correspond to multiple different measures of similarity. Learning with multiple kernels, in brief, serves to perform learning while integrating different inputs originated from different feature representations. This thesis contains three main extensions to original multiple kernel learning framework together with their implementations on cancer data sets. Identification of molecular mechanisms that determine tumor progression in cancer patients is a prerequisite for developing new disease treatment guidelines. Even though the predictive performance of current machine learning models is promising, extracting significant and meaningful knowledge from the data simultaneously during the learning process is a difficult task considering the high-dimensional and highly correlated nature of genomic data sets. Thus, there is a need for models that not only predict tumor volume from gene expression data of patients but also use prior information coming from pathways/gene sets during the learning process to distinguish molecular mechanisms that play crucial role in tumor progression and disease prognosis. In this thesis, we demonstrate a novel machine learning algorithm, PrognosiT, that combines optimization and kernel learning. Instead of initially choosing several pathways/gene sets from a candidate set and training a model on this previously chosen subset of features, our proposed algorithm accomplishes both tasks together. We tested our algorithm on thyroid carcinoma patients using gene expression profiles and cancer-specific pathways/gene sets. Predictive performance of our novel multiple kernel learning algorithm was comparable or even better than random forest (RF) and support vector regression (SVR). It is also notable that, to predict tumor volume, PrognosiT used gene expression features less than one-tenth of what RF and SVR algorithms used. We demonstrated that during the learning process, our algorithm managed to extract relevant and meaningful pathway/gene set information related to the studied cancer type, which provides insights about its progression and aggressiveness. We also compared gene expressions of the selected genes by our algorithm in tumor and normal tissues, and we then discussed up- and down-regulated genes selected by our algorithm, which could be beneficial for determining new biomarkers. The thesis also provides a novel multiple approximate kernel learning framework, namely, MAKL, that is fast, scalable and interpretable. Data set sizes in computational biology have been increased drastically with the help of improved data collection tools and increasing size of patient cohorts. Previous kernel-based machine learning algorithms proposed for increased interpretability started to fail with large sample sizes, owing to their lack of scalability. To overcome this problem, we proposed MAKL, a fast and efficient multiple kernel learning algorithm to be particularly used with large-scale data that integrates kernel approximation and group Lasso formulations into a conjoint model. Our method extracts significant and meaningful information from the genomic data while conjointly learning a model for out-of-sample prediction. It is scalable with increasing sample size by approximating instead of calculating distinct kernel matrices. To test MAKL, we demonstrated our experiments on three cancer data sets (i.e., created using multiple cancer cohort data sets from The Cancer Genome Atlas (TCGA) consortium and a melanoma single-cell data set) and showed that MAKL is capable to outperform the baseline algorithm, extreme gradient boosting, while using only a small fraction of the input features. We also reported selection frequencies of low-dimensional approximation matrices associated with feature subsets (i.e., pathways/gene sets), which helps seeing their relevance for the given classification task. Our fast and interpretable MKL algorithm producing sparse solutions is promising for computational biology applications considering its scalability and highly correlated structure of genomic data sets, and it can be used to discover new biomarkers and new therapeutic guidelines. As another contribution, this thesis provides a novel multiple approximate kernel clustering framework. Kernel-based clustering algorithms are essential to genomic data analysis since they provide detection of nonlinear relationships within the data while offering interpretability using one or more prior information sources. With this motivation, we designed a scalable multiple approximate kernel k-means clustering framework that is compatible with large-scale data sets and combines kernel approximation and k-means clustering approach into the same model. To test our algorithm, we combined information from multiple cancer cohorts provided by TCGA consortium. Our algorithm extracts relevant parts of the prior information to the clustering task while maximizing the silhouette score to improve the clustering results. To test the findings of our clustering framework, we performed k-means clustering on the full data set as a baseline method. The silhouette score resulted from the baseline experiment was 35.8% lower than the one resulted from our algorithm which uses information from only four gene sets instead of all 19 814 genes. Results of our proposed algorithm are supported by the existing literature and our approach is promising to be an easy and efficient way to provide sparse and interpretable results while integrating prior information as approximation matrices to k-means algorithm in a novel way, which may give hope to discover new cancer subtypes and insights related to novel cancer treatment options.
Acute appendicitis hybrid decision support system
Acute appendicitis is an inflammation that develops due to occlusion of appendix lumen. It is treated by surgical removal of the inflamed appendix. It can be difficult to diagnose appendicitis. Because its symptoms can also be seen in many other diseases. It is especially difficult to diagnose appendicitis since its location is variable. Unfortunately, some patients with acute appendicitis may be exposed to peritonitis or other complications during their diagnosis process. These patients have higher mortality rates than patients who are diagnosed timely. In this respect, early diagnosis of acute appendicitis is of great importance to the patient. There are various methods for the diagnosis of appendicitis. One such method is machine learning. Machine learning is used in many areas for solving problems that contribute to decision making and prediction by taking advantage of machine learning algorithms, artificial intelligence, mathematics and statistics. Among them, healthcare field is an important sector where machine learning exercise is thought to be beneficial to both physicians and patients when successful results are obtained. In this thesis, it is aimed to develop a decision support system which can help the diagnosis of acute appendicitis. In the development of the system, statistical methods, logistic regression analysis and one of machine learning method, support vector machine (SVM) are used together. The data used in the study includes 220 patients who were admitted to the Emergency Medical Service of KTU Medical Faculty Farabi Hospital with abdominal pain complaint between 2010 and 2016 years and who were or were not diagnosed with appendicitis. This patient data was obtained by examining biochemical laboratory test results and epicrisis reports in a specialist physician consultancy. Logistic regression analysis is used to select qualified data on the parameters of Gender, Age, Leukocyte, thrombocyte, neutrophil, lymphocyte, PDW (Platelet Dispersion Width), MPV (Mean Thrombocyte Volume), CRP (C-reactive protein), glucose, BUN (Blood Urea Nitrogen), creatinine, total protein, albumin, total bilirubin, direct bilirubin, AST (Aspartate aminotransferase), ALT (Alanine aminotransferase), and amylase. Subsequently, data on the qualified parameters were randomly divided into two groups, the train and the test sets. A hybrid decision support system was developed through SVM method, using 132 patient data from the train set. On the 88 test data, 87% sensitivity, 79% specificity and 82% accuracy values were obtained for the SVM model.
Otomatik üretim teknolojisine ait betonların basınç dayanımlarının makine öğrenmesi ve derin öğrenme yöntemleri ile tahmin edilmesi
Gelişen teknoloji ile yaygınlaşan otomatik yapı üretim teknolojisi sayesinde hızlı ve sağlam yapılar elde edilebilmektedir. Otomatik yapı üretim teknolojisi, tasarlanan yapı modelinin bilgisayarlar ile parçalanması, parçalanan modellerin beton harçlar kullanılarak katmanlar şeklinde üretilmesi prensibine dayanır. Betonun önemli mekanik özelliklerinin başında gelen basınç dayanımı önemli bir araştırma konusudur. Betonun basınç dayanımının ölçülmesinde kullanılmakta olan yöntemler tahribatlı ve tahribatsız olmak üzere iki ana başlık altında incelenebilir. Bu tez kapsamında, otomatik yapı üretim teknolojisine uygun betonların basınç dayanımlarını tahmin etmek amacıyla tahribatsız yöntemlere yeni bir yaklaşım önerilmektedir. Yapılan çalışmada otomatik yapı üretim teknolojisine uygun 24 farklı karışım oranına sahip 192 adet küp beton numunesi üretilmiştir. Karışım oranlarında değişken olarak agrega dane çapı, çimento oranı ve lif kullanılmıştır. Üretilen beton numunelerinin görüntü işleme yöntemleri ile basınç dayanımlarını tahmin etmek için görüntüleri alınmıştır. Görüntüleme işleminden sonra betonların gerçek basınç dayanım sonuçlarını elde edebilmek için basınç dayanımlarına bakılarak tahmin ve gerçek değerler karşılaştırmalı olarak sunulmuştur. Beton görüntülerinin dokusal ve renksel bilgilerini elde etmek amacıyla Gri Seviye Eş Oluşum Matrisi ve Histogram teknikleri kullanılarak öznitelikleri çıkartılmıştır. Oluşturulan öznitelikler makine öğrenmesi algoritmalarından K En Yakın Komşu (KNN) ve Destek Vektör Makineleri (DVM) ile, ayrıca geliştirilen derin öğrenme ağ modeli ile test edilmiştir. Yapılan çalışmalar sonucunda, makine öğrenmesi yöntemlerinden KNN algoritması ve DVM algoritmasının doğruluk oranları sırasıyla %88,44 ve %88,19 olarak gözlemlenmiştir. Otomatik üretim teknolojisine uygun betonların basınç dayanımları önerilen derin öğrenme algoritmasıyla %90,12 oranıyla en yüksek tahmin başarımına ulaşmıştır.
Makine öğrenimi yöntemlerini kullanarak evre III invaziv duktal karsinomlu hasta verilerinin sınıflandırılması
ÖZET Amaç: Tez çalışmasında, danışmanlı makine öğrenimi yöntemleri sınıflama performansına göre kıyaslanarak çalışmada kullanılan yöntemlerin içerisinden, sınıflama başarısı yüksek olan yöntemin bulunması amaçlandı. Gereç ve Yöntem: Çalışmamızda, destek vektör makineleri, rasgele orman ve yapay sinir ağları yöntemlerinin sınıflama performanslarını kıyaslamak için meme kanseri türlerinden biri olan invaziv duktal karsinomlu 302 hastanın sağkalım bilgilerini içeren veri seti ile birlikte simülasyonla elde edilen 24 farklı veri seti kullanıldı. Kullanılan yöntemlerin sınıflama başarıları meme kanseri verilerinde genel doğruluk, duyarlılık, seçicilik, F-ölçütü, Matthews korelasyon kastsayısı, AUC ve ayırsama gücüne göre kıyaslandı. Simülasyon verilerinde ise eğitim-test doğrulukları farkı ve bu farkın anlamlılığı değerlendirildi. Bulgular: İnvaziv duktal karsinom evre III hastalarının test seti için en yüksek sağkalım sınıflama doğruluğu (%80) ve yüksek performans değerlendirme kriteri değerleri radyal çekirdekli destek vektör makinelerinden elde edildi. Simülasyon verilerinde de yüksek sınıflama doğruluğu ve doğruluklar arasındaki farkın küçüklüğü genel olarak destek vektör makinelerinden elde edildi. Sonuç: Destek vektör makineleri hem gerçek veri setinde hem de simülasyon verilerinde, rasgele orman ve yapay sinir ağlarına göre daha yüksek doğruluk oranına sahiptir.
Investigation of fuzzy functions approach and its possible applications in industrial engineering problems
Fuzzy set theory was introduced by Zadeh in 1965 as an extension to classical set theory. It has been a very important research subject for many researchers and has led to new developments for many fields since it enables to handle uncertainties successfully. One of these important developments is the fuzzy functions concept which was introduced by Professor I. Burhan Türkşen and combines fuzzy sets and fuzzy clustering concepts to provide an alternative solution approach to solve problems in diverse domains. The novelty of fuzzy functions is based on the fuzzy clustering concept and therefore based on fuzzy membership values. Fuzzy clustering is one of the corner stone of the fuzzy functions since finding the best partition constitutes the main problem in this approach. There are several fuzzy clustering algorithms in the literature which can be used in generating fuzzy functions. In this thesis Fuzzy c-Means (FCM) clustering algorithm is used in order to find out the membership values.One of the main motivations behind the development of the fuzzy functions approach was to overcome some of the drawbacks of the fuzzy rule bases which are one of the most frequently used fuzzy inference methods with many successful applications.As a contribution to the existing studies about fuzzy functions, first time in the present thesis we proposed to use genetic programming (GP) along with fuzzy clustering as a new approach in generating fuzzy functions. We used many data sets from the literature in order to present the application and the performance of our approach. We also performed comparisons with the existing fuzzy function generation methods like Least Square Estimation (LSE) in order to prove the validity of our approach. Based on the computational results we illustrated that fuzzy functions which are generated through genetic programming are very competitive and effective in many problem settings.Keywords: Fuzzy set theory, fuzzy rule bases (FRB), fuzzy clustering, fuzzy functions (FF), least square estimation (LSE), support vector machines (SVM), genetic programming (GP).
Bir örnekle öğrenme yaklaşımı kullanılarak çatı tipi sınıflandırması
Son zamanlarda, Evrişimsel Sinir Ağları tabanlı metotlar uzaydan çekilmiş görüntüler üzerinde çatı tipi sınıflandırması yapmak için sıkça kullanılmaktadır. Bu metotlar ile yapılan sınıflandırma işlemlerinde en önemli sorun ilgili metotların çok fazla sayıda eğitim verisine ihtiyaç duymasıdır. İnsanların bir nesneyi tanıması için genelde bir veya birkaç örnek yeterlidir. Bir örnekle öğrenme yaklaşımı da aynı insan beyni gibi yalnızca bir veya birkaç eğitim örneğinden nesne kategorileri hakkında bilgi edinmeyi amaçlamaktadır. Bu metot, çok büyük miktarda veri kullanmak yerine her bir sınıf için yalnızca birkaç adet örnek kullanılarak öğrenme sağlayan bir yaklaşımdır. Bu çalışmada, Siyam Sinir Ağları modelini temel alan bir örnekle öğrenme yaklaşımı kullanılarak eğitim için az sayıda örnek ile çatı tipi sınıflandırması yapılmıştır. Eğitim için kullanılan resimler çatı verisi bulma zorluğu nedeniyle yapay olarak üretilmiştir. Test için de gerçek çatı resimlerinden oluşan iki farklı veri kümesi kullanılmıştır. Test ve eğitim veri kümeleri Teras (Flat), Beşik (Gable) ve Kırma (Hip) olmak üzere 3 farklı çatı tipinden oluşmaktadır. Yapay olarak üretilen resimlerle eğitilen Siyam Sinir Ağı modelinin ilk veri kümesine ait çatı resimleri ile test edilmesi sonucunda ortalama %66'lık bir sınıflandırma başarımı sağlanırken ikinci veri kümesi ile bu oran %85 olarak hesaplanmıştır. Aynı veriler Evrişimsel Sinir Ağları ve Destek Vektör Makineleri ile de test edilmiş, en yüksek başarımın Siyam Sinir Ağı modeli ile elde edildiği görülmüştür.
E-burun kullanılarak aynı ve ayrı hasat dönemindeki farklı kalitelere sahip siyah çayların sınıflandırılması
Dünya genelinde en çok tüketilen içeceklerin bir örneği çaydır ve ülkemiz çay sektörü yönüyle önemli bir yere sahiptir. Bunlardan dolayı çay kalitesi her zaman ön planda olan bir konudur. Çay ürünlerinin sağlıklı yöntemlerle üretilerek iyi bir kalite standardında olması istenilen durumdur. Çay, satış piyasasına sunulmadan önce amaçlanan kalitede doğruluk göstermelidir. Çay kalitesinin standartlarının belirlenmesinde insanların öznel karar vermesi değişken sonuçlara neden olabilir. Çayın kalitesinin nesnel yöntemlerle kontrol edilmesi, çay fabrikalarında daha doğru sonuçlara ulaşılması için gereklidir. Bu tez çalışmasında, çay kokusu temel alınarak Doğu Karadeniz Bölgesinde üretilen aynı ve ayrı hasat dönemindeki farklı kalitelere sahip siyah çayların kalitesinin elektronik ortamda sınıflandırılması içim minimal olarak tasarlanan elektronik burun prototipi kullanılmıştır. Bu e-burun devresinde sistemli bir yol izlenerek siyah çayların kokusunun 8 farklı sensör tarafından algılanması sağlanmıştır. İletkenlik değişimine dayalı olarak çalışan sensörlerin neden olacağı gerilim değişimi veri toplama kartına kaydedilmiş ve bilgisayarda sayısal olarak görüntülenmiştir. E-burun devresiyle elde edilen bu işaretlere ön işleme uygulamış, öznitelik çıkarımı yapılmış ve k-en yakın komşu, destek vektör makineleri ile torbalama öğrenme algoritmaları sınıflandırma amacıyla kullanılmıştır. Sınıflandırma başarılarının incelenmesi için 5-katlı çapraz doğrulama yöntemi kullanılmış ve yöntem sonucundaki başarım yüzdeleri belirlenerek karşılaştırılmıştır.
Uzaklık ve cinsiyet tabanlı akıllı reklam görüntüleme sistemi
Son yirmi yılda artan teknolojik gelişmelere paralel olarak örüntü tanıma ve bilgisayarlı görme alanlarını kullanan ve gündelik hayata entegre olan birçok çalışma ve araştırma bulunmaktadır. Bu tezde, gerçek zamanlı olarak kamera kaynağından alınan yayın üzerinde tespit edilen yüz görüntülerinden elde edilen cinsiyet bilgisine ve kameraya uzaklığına bağlı olarak çalışan akıllı reklam görüntüleme sistemi geliştirilmiştir. Sistem temelde iki ayrı kısımdan oluşmaktadır. İlk kısımda kamera kaynağından alınan veriler, canlı yayındaki çerçeveler işlendikten sonra algılanan yüzlerden cinsiyet tespiti ve uzaklık kestirimi yapılarak canlı yayına eklenmektedir. Sistemin ikinci kısmında ise algılanan yüze ait resim, cinsiyet etiketi ve kameraya uzaklık bilgisi reklam bilgisinin gösterileceği uygulamaya web servis yolu ile iletilip, veritabanına kaydedilmektedir. Sistem için önceden tanımlanmış süre içerisinde veritabanında bulunan yüz ve uzaklık bilgileri analiz edilerek farklı detay seviyelerinde reklam gösterimi yapılmaktadır. Analiz işleminde, sistem için tanımlanmış süre zarfında veritabanından elde edilen veriler doğrultusunda cinsiyet ve uzaklığa bağlı olarak farklı ilgi seviyelerinde reklam gösterimi gerçekleştirilmektedir. Sistemin verimli çalışması için cinsiyet tespitinin doğru yapılması oldukça önem arz etmektedir. Çalışmada, geliştirilen yüz algılama sınıflandırıcısıyla beraber cinsiyet tespit işlemi için Fisher Yüz Algoritması (Fisherfaces), Destek Vektör Makineleri (SVM) ve Evrişimsel Sinir Ağları (CNN) sınıflandırıcıları kullanılmıştır. SVM sınıflandırıcısındaki doğruluk yüzdesini arttırmak için Yerel İkili Örüntü (LBP) ve Yönlü Gradyanlar Histogramı (HOG) öznitelik çıkarım yöntemleri kullanılmıştır. Derin öğrenme yöntemlerinin en popülerlerinden biri olan CNN ağ çeşidi GoogleNet mimarisi ile eğitilmiştir. Sınıflandırıcılar için günlük hayat akışına uygun olarak belirlenmiş LFW, IMDB ve WIKI veri kümeleri eğitim için, FaceScrub veri kümesi ise test veri kümesi olarak kullanılmıştır. Cinsiyet tespiti için geliştirilen SVM ve CNN sınıflandırıcıları üzerinde gerekli optimizasyon çalışmaları yapılmıştır. Fisher Yüz algoritması ile %61.30, SVM sınıflandırıcısının LBP ve HOG öznitelik çıkarım yöntemleri ile sırasıyla %75.32 ve %80.58, CNN sınıflandırıcısı ile %94.76'lık başarı elde edilmiştir.
EEG sinyallerinde farklı boyut indirgeme ve sınıflandırma yöntemlerinin karşılaştırılması
Bu çalışmada, epileptik ve epileptik olmayan EEG sinyallerinden elde edilen özniteliklerin boyutlarının Temel Bileşenler Analizi (TBA) ve Bağımsız Bileşenler Analizi (BBA) yöntemleri ile indirgenmesinin sınıflandırma başarısı üzerine etkilerinin belirlenmesi ve Lineer Diskriminant Analizi (LDA) ile Destek Vektör Makinesi (DVM) yöntemlerinin sınıflandırma performanslarının karşılaştırılması hedeflendi. Çalışmaya 10 kontrol ve uzman hekim tarafından epilepsi tanısı konmuş 10 hasta olmak üzere toplam 20 kişi dahil edildi. Epilepsi tanısı konmuş hastalardan alınan EEG kayıtları nöbet geçirmedikleri sırada alınan kayıtlardı. Epileptik ve epileptik olmayan sinyalleri sınıflandırmak için Ayrık Dalgacık Dönüşümü (ADD) ile sinyallerinin spektral analizi gerçekleştirildi ve sınıflandırmada kullanılacak olan öznitelikler elde edildi. Öncelikle özniteliklerin boyutu indirgenmeden, daha sonra TBA ve BBA ile indirgenerek sınıflandırma yapıldı. Sınıflandırma LDA, lineer ve radyal tabanlı çekirdek fonksiyonlarının kullanıldığı DVM yöntemleri ile gerçekleştirildi. Sonuç olarak, en yüksek sınıflandırma başarısı %92,2 duyarlılık %85,6 özgüllük ve %88,9 doğruluk oranlarıyla özniteliklerde boyut indirgenme yapılmadan ve radyal tabanlı çekirdek fonksiyonunun kullanıldığı DVM yöntemi ile elde edildi. BBA ve TBA ile boyutu indirgenen özniteliklerle yapılan sınıflandırmalarda benzer sonuçlar elde edildi.
Orta gerilim kablolarında meydana gelen kısmi boşalmaların ileri sinyal işleme teknikleriyle incelenmesi
Orta gerilim ve yüksek gerilimde kullanılan katı ve sıvı yalıtkanlarda, kısmi boşalmalara (deşarjlara) bağlı olarak uzun bir süreç içerisinde oluşan ve yıkıcı düzeylere ulaşan fiziksel hasarlar meydana gelmektedir. Yüksek ve orta gerilimlerdeki tüm arızaların %80 oranında kısmi boşalmalara bağlı yalıtım sorunlarından kaynaklandığı standartlarda belirtilmiştir. Meydana gelen bu hasarlar, yüksek gerilim sisteminin zarar görerek çalışamaz hale gelmesine sebep olabildiği gibi ölümle sonuçlanabilen kazalara da yol açabilmektedir. Dolayısıyla, bu boşalma olaylarının sınıflandırılması, olası arıza türünün ve yerinin önceden tespit edilmesi ve buna göre gerekli önlemlerin alınması, hem sistemin kesintisiz çalışması, hem de olası istenmeyen iş kazalarının önüne geçilmesi açısından büyük önem arz etmektedir. Doktora tez çalışması kapsamında orta gerilim dağıtım şebekesinin en önemli bileşenlerinden olan ve sistem için maliyet açısından büyük önem arz eden orta gerilim kablolarında meydana gelen KB'lerin türlerinin ve konumlarının belirlenmesi uygulamaları yenilikçi yöntemlerle gerçekleştirilmiştir. Bu kapsamda ilk adım olarak farklı boşalma olayının gözlemlenebilmesi amacıyla, çapraz bağlı polietilen yalıtımlı (cross linked polyethylene-XLPE) kablolar üzerinde yapay hasarlar oluşturulmuştur. Bu hasarlar kablonun dielektrik kısmında meydana getirilmiştir. Kablo imalatı veya montajı sırasında oluşabilecek kusurların benzetimi yapılmıştır. İkinci aşamada ise, ilk aşamada üretilen, yalıtımlarında belirli noktalarda hasarlanmış kablo numunelerine, çeşitli genliklerde yüksek gerilimler uygulanarak çok sayıda farklı deney yapılmıştır. Çeşitli verilerin toplanması sağlanmıştır. Deneyler esnasında kısmi boşalma verileri kablolar üzerinden ölçülüp kaydedilmiştir. Deneyler, Afyon Kocatepe Üniversitesi Elektrik Mühendisliği bünyesinde bulunan yüksek gerilim laboratuvarında gerçekleştirilmiştir. Elde edilen veriler üzerine, öznitelik çıkarma amaçlı istatistiksel hesaplamalar, Fourier dönüşümleri ve bu dönüşümlerin istatistiksel öznitelikleri, faz çözünümlü kısmi boşalma (phase resolved partial discharge-PRPD) analizleri uygulanmıştır. Destek vektör makineleri, yapay sinir ağları, k en yakın komşuluklar, dalgacık dönüşümleri gibi güncel ve alanda kabul görmüş yöntemler kısmi boşalma verilerine arıza türü ve konumu sınıflandırmak için uygulanmış ve başarılı sonuçlar alınmıştır. Çalışmanın son adımında, ilk kez bu tez çalışması kapsamında Mycielski-Markov hibrit yaklaşımının farklı kusurlara sahip XLPE kablolarının sınıflandırılmasında ve XLPE kablolarında meydana gelen boşalma olayının modellenmesindeki performansı denenmiş ve başarılı sonuçlar elde edilmiştir.
Hiperspektral görüntü sınıflandırma uygulamalarında makine ve derin öğrenme kullanımı
Uzaktan algılama (UA) ile elde edilen görüntüler dünya yüzeyindeki nesneler hakkında detaylı bilgi toplanmasını mümkün kılmaktadır. Elde edilen görüntülerin sınıflandırılmasıyla oluşturulan arazi örtüsü haritaları kaynakların izlenmesi, çevresel değişimin tespiti ve planlama gibi birçok alanda geniş bir kullanım alanına sahiptir. Dolayısıyla harita kullanıcıları doğru ve güvenilir arazi örtüsü haritalarına ihtiyaç duymaktadır. Temel sınıflardan oluşan haritaların üretilmesi için multispektral sensörlerden elde edilmiş veriler yeterli olurken, özellikle tür içi farklılar içeren sınıflar da dahil olmak üzere detaylı sınıfların bulunması bu verilerin sınıflandırma için yeterli spektral bilgiyi sağlayamamasına yol açmaktadır. Bu durumda yüzlerce dar aralıkta banda sahip olan hiperspektral görüntülerin, nesneler hakkında daha detaylı spektral yansıtım bilgisini sunmaktadır. Hiperspektral görüntülerin geleneksel yöntemlerle sınıflandırılması hesaplama zorluğu sebebiyle yetersiz kalmaktadır. Bu durumda Makine Öğrenme (MÖ) ve Derin Öğrenme (DÖ) gibi yöntemler kullanıcılara bu tarz verilerde birçok avantaj sunmaktadır. Bu tez kapsamında MÖ yöntemlerinden Destek Vektör Makineleri, Rastgele Orman, DÖ'de özellikle görüntü sınıflandırma alanında yaygın olarak kullanılan Evrişimli Sinir Ağı (ESA) kullanılmıştır. Çalışmada kullanılan ESA mimarileri yapısal özelliklerine göre 2B ESA ve 3B+2B ESA olarak isimlendirilmiştir. Yöntemlerin karşılaştırılması 176 bant spektral ve 30 metre konumsal çözünürlüklü HyRANK, 144 bant ve 2,5 metre konumsal çözünürlüklü DFC13 ile 202 bant ve 3,7 metre konumsal çözünürlüklü Salinas Scene veri setleri ile gerçekleştirilmiştir. Modellerde eğitim veri setinin etkisini araştırmak amacıyla her veri seti için 30%, 50% ve 70% eğitim veri kümesi oranları test edilmiştir. Çalışma sonucunda ESA modellerinin hiperspektral görüntülerin sınıflandırılmasında kullanımının yüksek doğruluk sağladıkları görülmüştür. Eğitim veri kümesi boyutunun araştırılması aşamasında ise beklendiği üzere 70% eğitim verisi kullanımının en yüksek doğruluğu sağladığı, bunun yanında 30% veri seti kullanımının da tatmin edici bir sınıflandırma doğruluğu sağladığı söylenebilir.