Support vector machines
70 theses under this subject heading
Mali başarı ve başarısızlık tahmini: Lojistik regresyon ve destek vektör makineleri karşılaştırması
Mali başarısızlık; firmaları, kredi verenleri ve yatırımcıları olumsuz etkileyen ve sosyo ekonomik sonuçları olan bir olgudur. Ekonomik düzende bu kadar geniş bir kesimi olumsuz etkileyen mali başarısızlığın önceden tahmini; mali başarısızlığa neden olan faktörlerin bilinmesi, önlemlerin önceden alınması ve kayıpların azaltılması için önem arz etmektedir. Bu çalışmada, bu noktadan hareketle firmaların mali başarısızlıklarını öngörmede Lojistik Regresyon (LR) modeli ile Destek Vektör Makineleri (SVM) modelinin başarıları karşılaştırılmıştır. Bu amaçla Borsa İstanbul'da (BİST) işlem gören 26 mali başarısız, 49 mali başarılı; toplam 75 şirketin 2006-2017 yılları arasındaki finansal tablolarından yararlanarak mali oranları hesaplanmış ve bu veriler yardımıyla mali başarı ve başarısızlık 1, 2 ve 3 yıl önceden tahmin edilmeye çalışılmıştır. Elde edilen sonuçlara göre; SVM modelinin tahmin başarısı, her 3 yıl için de geçerli olmak üzere, geleneksel model olan LR modeline göre daha yüksek çıkmıştır. Ayrıca bu çalışmada; aktif karlılığı, FAVÖK kar marjı, özkaynak kazançları oranı ve nakit oranı mali oranlarının, tahminde kullanılan toplam 22 mali oran arasında mali başarısızlığı tahmin etmede daha önemli olduğu tespit edilmiştir.
Finansal bilgi manipülasyonunun denetimli makina öğrenmesi yöntemleri kullanılarak tahmin edilmesi: Destek vektör makinesi, olasılıksal sinir ağı, k-en yakın komşu ve karar ağacı kullanımı
Bu tez kapsamında finansal tablolardaki bilgilerin çarpıtılması olarak tanımlanabilecek finansal bilgi manipülasyonunu tahmin etmek için denetimli makina öğrenmesi yöntemleri kullanılmıştır. Geleneksel tahmin algoritmalarına göre daha yüksek performans gösteren destek vektör makinesi (SVM), olasılıksal sinir ağı (PNN), k-en yakın komşu (KNN) ve karar ağacı (DT) algoritmalarından yararlanılmıştır. Sermaye Piyasası Kurumundan elde edilen verilere ayrı ayrı tüm algoritmalarda uygulanarak daha önce benzer çalışmalarda başarısını kanıtlamış destek vektör makinesi ve olasılıksal sinir ağı yöntemlerinin güncel olarak kullanılan k-en yakın komşu ve karar ağacı algoritmalarıyla karşılaştırılmalı analizi yapılmıştır. Böylece finansal bilgi manipülasyonunda hangi algoritmaların daha iyi performans gösterdiği kullanılan yöntemlerin sınıflandırma performansı özgünlük, duyarlılık ve toplam sınıflandırma doğruluğu istatistiklerine bakılarak tespit edilmiştir. Yapılan çalışmalar sonucunda SVM ve PNN'in üstün performans gösterdiği görülmüştür. Bu nedenle, bu algoritmaların manipülasyonları otomatik olarak tespit etmek için kullanılabileceği söylenebilir.
Tiroidin cerrahi hastalıklarının ses özellikleri üzerine etkisinin incelenmesi
Tiroidektomi geçiren hastalarda postoperatif ses kısıklığı sık karşılaşılan bir adli tıbbi sorundur ve önemli bir medikolegal endişe kaynağıdır. Bu tür davalarda sorumluluğun belirlenmesi ve cerrahi sonuçların değerlendirilmesi açısından preoperatif akustik analiz kritik bir rol oynamakta, böylece klinik uygulamaların iyileştirilmesine katkı sağlamaktadır. Bu çalışmada tiroidektomi planlanan 126 hasta öncelikle Kulak Burun Boğaz (KBB) kliniğinde videolaringostroboskopi ile değerlendirildi. Ardından bu hastalardan kaydedilen /a/ ve /i/ ünlü sesleri akustik analizlere tabi tutuldu. Elde edilen analiz sonuçları demografik ve klinik özelliklerle istatistiksel olarak ilişkilendirilerek değerlendirildi. Takiben, sağlıklı ve hasta seslerine ait akustik öznitelikler Cubic Destek Vektör Makineleri (Support Vector Machines, SVM), Quadratic SVM, Radyal Baz Fonksiyon (Radial Basis Function, RBF) SVM, GentleBoost ve LogitBoost algoritmaları kullanılarak sınıflandırıldı, modellerin performansları doğruluk, kesinlik, duyarlılık, özgüllük, Alıcı İşletim Karakteristiği (Receiver Operating Characteristic, ROC) Eğri Altında Kalan Alan (Area Under the Curve, AUC) ve F1 skoru değerleriyle karşılaştırıldı. Ayrıca, sınıflandırma başarısına en çok katkı sağlayan özniteliklerin belirlenmesi amacıyla Shapley Katkı Değerleriyle Açıklamalar (SHapley Additive exPlanations, SHAP) analizi gerçekleştirildi. Pre-tiroidektomi olgularında jitter, shimmer ve spektral düzlük gibi özniteliklerde istatistiksel olarak anlamlı artış gözlenirken; Harmonik Gürültü Oranı (Harmonic to Noise Ratio, HNR), spektral akı, tepe, güç ve enerji gibi özniteliklerde anlamlı düşüş tespit edilmiştir (p < 0,05). Nodül boyutu ve anatomik lokalizasyonunun akustik öznitelikler üzerindeki etkisi istatistiksel olarak anlamlı sonuçlar (p < 0,05) ve yüksek korelasyon değerleri ile gösterildi. Tüm Makine Öğrenimi (Machine Learning, ML) modelleri yüksek sınıflandırma performansı göstermiş olsa da, %100 AUC değeri ve dengeli performans metrikleri ile Cubic SVM en başarılı model olarak öne çıktı. SHAP analizlerine göre, midpower akustik özniteliği tüm modellerde en ayırt edici öznitelik olarak öne çıktı. Pre-tiroidektomi olgularına yönelik gerçekleştirilen bu çalışma, akustik analiz ile ML yöntemlerinin birleştirmesi ve tiroid nodüllerinin anatomik lokalizasyonu ile boyutlarıyla akustik öznitelikler arasındaki ilişkiyi istatistiksel olarak ortaya koyması açısından literatürde öncü bir nitelik taşımaktadır. Elde edilen bulgular, ses bozukluklarının preoperatif dönemde nesnel olarak değerlendirilebileceğini ortaya koymaktadır. Hasta seslerinin sağlıklı seslerden neredeyse tamamen ayırt edilebilmesi, postoperatif dönemde ses kalitesinde bozulma iddialarına yönelik medikolegal sorumluluğun belirlenmesinde kritik bir rol oynayabilir. Ayrıca, nodül lokalizasyonu ve boyutuna bağlı olarak akustik özniteliklerdeki değişikliklerin ortaya konması, tiroid hastalarında ses bozukluklarının takibinde büyük önem arz edebilir. Sağlıklı ve patolojik sesleri yüksek doğrulukla ayırt edebilen ML yöntemleri, klinik karar destek sistemlerine entegrasyon açısından güçlü bir potansiyele sahiptir.
Türkiye'de gün öncesi piyasası için elektrik fiyatlarının tahmini
Elektrik, tarih öncesi çağlardan beri varlığı bilinse de özellikle aydınlatma amacıyla kullanılmaya başlanmasıyla birlikte insan hayatında vazgeçilmez bir yer edinmiştir. Devletler, elektriğin üretim, iletim ve dağıtımını vatandaşlarına herhangi bir ayrım gözetmeksizin gerçekleştirme amacı içerisinde olmuşlar ve bu aşamaları sağlayacak kurumlar meydana getirmişlerdir. Elektrik endüstrisinde 1940'lı yıllarda elektriğin devlet tekelinde olması yeğlenirken 1980'li yılların hemen başlarında bu düşünce yadsınır hale gelmiştir. Böylece devletin rolünün azaltılması hedeflenerek denetleyici ve düzenleyici bir konumda olması için endüstride düzenlemeler yapılmaya başlanmıştır. Başta Şili olmak üzere, İngiltere, İskandinav ülkeleri ve daha birçok ülke elektrik piyasasında düzenlemeye giderek özel kesimin piyasada etkin olmasını sağlamaya çalışmıştır. Türkiye' de ise serbestleşme çalışmaları milenyumun ilk yıllarında başlamıştır. Bu tez çalışmasının amacı elektrik fiyatlarının tahmin edilmesi ve öngörülmeye çalışılması olarak belirlenmiştir. Çalışmanın kapsamını, Türkiye'de faaliyet gösteren elektrik piyasalarından biri olan Gün Öncesi Piyasasında işlem gören Piyasa Takas Fiyatı (PTF)'nın tahmin edilmesi oluşturmaktadır. Tahmin yöntemi olarak, makine öğrenmesi yöntemlerinden Yapay Sinir Ağları, Destek Vektör Makineleri ve Rastgele Orman Yöntemi kullanılmıştır. Bu amaçla, uygulamada kullanılan girdiler ve yöntemlerle birlikte altı farklı model kurulmuş olup PTF'nin en iyi tahmini Model 6 ile elde edilmiştir. En iyi tahmin eden yöntem ise Rastgele Orman Yöntemi olmuştur. Böylelikle, Model 6 ile PTF' nin 24 saatlik öngörüsü gerçekleştirilmiş ve sonuçlar özetlenmiştir.
Omuz egzersizlerinin RGB-D verisi kullanılarak gerçek zamanlı kestirimi için sanal egzersiz sistemi
Omuz ağrısı ve rahatsızlık çok yaygın olarak görülen ve ciddi problemlerdir. Omuz tedavisi yapılandırılmış ve tekrarlayan bir programdan yararlanır. Geleneksel fiziksel rehabilitasyon programlarında, hastalar sıklıkla fizyoterapistin hareketi öğretmesine takiben aralıklı geri bildirim ile egzersiz yaparlar. Bununla birlikte, evde yapılan rehabilitasyonda, hasta fizyoterapist tarafından herhangi bir geri bildirim almamaktadır. Bu, tedavi sürecinde kesintiye, yanlış tedaviye ve hatta kendi kendine yaralanmasına neden olabilir. Bu çalışma, Omuz Terapileri için Sanal Egzersiz Sistemi (ViTES), bağlılığı arttırıcı terapi uygulamaları ve omuz rehabilitasyonu için hasta motivasyonunu sağlamak için umut verici yeni bir araç olarak önerilmektedir. ViTES, kullanıcıları eğitebilir ve gelen RGB-D veri akışından gerçek zamanlı tanıma ile eş zamanlı olarak egzersiz performanslarını değerlendirebilir. Çalışma kapsamında ViTES ile kullanılan öğrenme modelini oluşturmak için V-Shoulder veriseti de oluşturuldu. Veri seti, toplam 7 farklı omuz tedavisi egzersizinin 739 egzersiz örneğinden oluşmakta ve Kinect RGB-D sensörü kullanılarak oluşturulmuştur. ViTES'in kullanılabilirliğini ve etkinliğini iki bölümden oluşan bir kullanıcı çalışması ile doğrulanmıştır. Kullanıcıların ViTES'i kısa bir anket aracılığıyla değerlendirdiği birinci bölümde, sistem tüm kullanıcılardan olumlu görüşler almasına ek olarak kullanıcılar sistemin kullanımının kolay olduğu bildirimini vermiştir. İkinci bölümde, V-Shoulder verisetinden öğrenilen veri madenciliği modeline göre, ViTES tarafından otomatik olarak analiz edilen omuz egzersiz hareketlerinin benzerliklerini karşılaştırıldı. Sonuçlar, ViTES'in geleneksel fizyoterapi sürecini tamamlamada yararlı bir araç olma konusunda dikkate değer bir potansiyele sahip olduğunu göstermektedir.
Taşınabilir EEG cihazı tasarımı ve uygulamaları
Elektroensefalografi (EEG) sinyalleri, kafatasına yerleştirilen elektrotlar vasıtasıyla beyinden alınan küçük genlikli ve düşük frekanslı elektriksel sinyallerdir. EEG sinyalleri dış etmenlerden kolaylıkla etkilenebilmektedir. Bu nedenle incelenmeleri sırasında çeşitli önişlemlerden geçirilmeleri gerekmektedir. EEG sinyalleri beyin yapısı ve düşünce biçimleri hakkında bilgi edinmek amacıyla sıklıkla kullanılmaktadır. Çevresel etkilere, kalıtsal veya sonradan oluşan rahatsızlıklara göre değişen EEG sinyallerinin incelenmesi sonucu bazı kestirimler ve tespitler yapılması söz konusudur. Bu tez kapsamında, EEG sinyallerinin toplanması, donanımsal olarak işlenmesi, kaydedilmesi, yazılımsal olarak işlenmesi ve sınıflandırılması ile ilgili bir dizi çalışma gerçekleştirilmiştir. EEG sinyallerinin toplanması için gerekli donanımsal ekipmanlar hakkında araştırmalar yapılmış ve bu araştırmalar sonucunda bir enstrümantasyon yükseltici tasarlanmıştır. Üretilen yükseltici ile piyasada bulunan benzer nitelikli yükselticiler ve tam donanımlı EEG kayıt cihazlarından bazıları karşılaştırılmıştır. Çalışmalar sonunda taşınabilir bir EEG kayıt cihazı tasarlanmıştır. Tasarlanan cihaz, gümüş/gümüş klorür (Ag/AgCl) barındıran tek kullanımlık (disposable) elektrotlar ile sinyalleri enstrümantasyon yükselticiye iletmektedir ve burada yapılan bir dizi donanımsal işlemden sonra bir kablosuz verici vasıtasıyla bilgisayara göndermektedir. Tasarlanan donanım için geliştirilen masaüstü uygulama sinyalleri alıp yazılımsal işlemlerden geçirmektedir ve bazı yüz mimiklerinin sınıflandırmasını gerçekleştirmektedir. Birkaç sınıflandırma yöntemi toplanan sinyaller üzerinde test edilmiştir ve karşılaştırma sonuçlarında en verimli algoritma uygulamaya eklenmiştir.
Short-term forecasting of wind power production using machine learning and deep learning methods
The primary purpose of this thesis is, by using relating data, to make short-term wind power prediction with the aid of Deep Learning and Machine Learning technology. The main methods of the research presented in these studies have implemented in the Regression Methods and Artificial Neural Network Method. The related turbines are located in the wind farm on Harmanlık in Bursa. It had established in the middle of 2015, and the wind park consists of 16 number Vestas 112 wind turbines models. Power generation capacity is 52.8 MW as annual. In this thesis is going to focus on only eight turbines. Machine Learning has been on the predictable and applicable a model. This study is constituted the prediction algorithm with various regression methods which are Multi Linear Regression, Support Vector Regression, K-Nearest Neighbors, and Decision Tree Regression. These prediction algorithms have been to improve a software application in Python programs. Furthermore, Deep Learning provides a significant part in the implement of optimization. These method has also been to establish the optimum configuration in a software application Python programs to reach the prediction of wind power. These regression methods and Artificial Neural Network has used on various data containing the wind speed, the temperature, and past-wind power production. The processed data was received during years from 01.09.2016 to 31.08.2018 by Borusan Enbw energy company and the Borusan Enbw meteorological sensor in the wind farm. Based on the comparison of daily data has indicated that the artificial neural network and the whole regression analyses might obtain performances, that is the regular (24 hours) forecasting for a single turbine, whether which prediction results are equal or even better compared to each other. After all simulation, it will decide that the best method to adopt for this the prediction of wind power within among methods. All forecast result generated with these identified methods. All considered models are using wind speed of the location and the temperature of the area from sensors. Moreover, it has been to apply the most critical data which is past production data from 01.09.2016 to 31.08.2018 as an hourly. After that, it has implemented two analysis. One of them will compare between the prediction results, which obtains only wind speed and, the prediction results, which receive both wind speed and the temperature to each other for one turbine by using the Regression Methods and Artificial Neural Network. According to these solutions, it was decided to use two input parameters, which are the wind speed and the temperature. It was implemented the related inputs for five methods. It has a presentation of graphs detailing how well the methods ("Multi Linear Regression," "Support Vector Regression," "K-Nearest Neighbors," "Decision Tree Regression" and "Artificial Neural Network") perform in the studies. Furthermore, the second analysis has compared to the accuracies for eight turbines by using target data and prediction data. These results are also briefly explain in this thesis. It is shown the various prediction results and their relative performance by measuring MSE, MAE, RMSE.
Doğrusal tahmini kodlama yöntemi kullanılarak trafikteki uyarıcı seslerin tespiti
Engelli bireylerin hayata katılımını sağlamak veya artırmak önemli bir sosyal konudur. Bu bağlamda, ambulans, itfaiye ve polis aracı gibi geçiş önceliği olan araçların sirenleri ve uyarı sinyallerinin tespit edilmesi işitme engellilerin trafikte daha rahat araç kullanmalarını sağlayacaktır. Bu tez çalışmasında bu tür uyarı seslerinin tanınması ve ses yönünün tespiti amaçlanmıştır. Trafikteki ambulans, polis, itfaiye gibi araçların siren sesleri uygulama için pozitif örnekler olarak nitelendirilmiştir. Müzik, trafik gürültüsü gibi sesler ise negatif sesler olarak nitelendirilip bir veri seti oluşturulmuştur. Ses sinyalleri sayısal verilere dönüştürülerek Doğrusal Tahmini Kodlama ile verinin içindeki sesi yansıtmayan nitelikler atılıp sesi en iyi yansıtan nitelikler belirlenmiştir. Temel bileşen analizi yöntemi kullanılarak veriyi en iyi temsil eden, anlamlı nitelikler çıkartılarak Destek Vektör Makineleri algoritmasıyla sınıflandırılmıştır. Ses tanıma ile ilgili model oluşturulduktan sonra yeni ses kayıtları yapılarak model test edilmiştir. Uyarıcı ses olduğu tespit edilen ses için kullanıcıya sesin yönüyle ilgili bilgi verilmesi sağlanmıştır.
Destek vektör makineleri yöntemi ile İMKB 100 endeksi hareket yönü tahmini
Bu çalışmada İstanbul Menkul Kıymetler Borsası Ulusal 100 Endeksi (İMKB 100) hareket yönü tahmini amacıyla veri madenciliğinde sınıflama metodu olarak kullanılan Destek Vektör Makineleri (DVM) yöntemi kullanılmıştır. İMKB 100 endeksi hareket yönünün tahmini için istatistiksel veri analizleri yapan, açık kaynak kodlu programlama dili ''R'' kullanılmış, DVM'lerin sınıflandırma başarısı çalışmada kullanılan ikinci bir yöntem olan Lojistik Regresyon (LR) yöntemi ile karşılaştırılmıştır. Çalışmada hisse senedi analizinde teknik analizin yararlandığı araçlardan biri olan teknik göstergelerden (indikatörler) yararlanılmıştır. Modellere dahil edilen teknik göstergeler LR analizi ile incelenmiş ve LR analizinde anlamlı olan göstergeler bağımsız değişken olarak kullanılmıştır. Analiz, 03.04.1995-19.03.2012 arası dönemi kapsamaktadır. Toplam 4226 adet veri günlük, haftalık ve aylık veri setleri şeklinde düzenlenmiştir. Her veri seti için 4 model oluşturulmuş ve her model için farklı değerlendirme kriterleri uygulanarak yöntemlerin endeks hareket yönü tahmin performansları değerlendirilmiştir.Yapılan değerlendirmeler sonucunda DVM'nin oluşturulan 12 model içerisinde İMKB 100 endeksi hareket yönünü en iyi tahminlediği modelin Haftalık Model-1 olduğu (%70.0) gözlenmiştir. Bu model aynı zamanda İMKB 100 endeksi artış (%82.89) ve azalış yönünü (%54.68) birbirine en yakın ve yüksek oranda tahminleyen model olarak bulunmuştur.Bu çalışma ile elde edilen bulgular ışığında İMKB 100 endeksi hareket yönü tahmininde Haftalık Model-1'in gerek yatırımcılar tarafından, gerekse akademik araştırmalarda başarı ile kullanılabilceği sonucuna ulaşılmıştır.Anahtar Kelimeler: Destek Vektör Makineleri, Endeks Hareket Yönü Tahmini, Teknik Analiz Göstergeleri, Lojistik Regresyon, Sınıflandırma, İMKB 100.
Dalgacık dönüşümü ve destek vektör makineleri ile tahmin: BIST üzerine bir uygulama
Temelde sinyal analizinde kullanılan bir yöntem olan dalgacık dönüşümü ile veri madenciliği yöntemlerinden bir yapay öğrenme algoritması olan destek vektör makineleri yöntemlerinin birlikte finansal zaman serileri üzerinde kullanılmasının amaçlandığı bu çalışmada; teknik göstergeler, yurtdışı borsa endeksleri, makroekonomik göstergeler ve haftanın günleri gibi bağımsız değişkenler kullanılarak BIST 100 endeksinin yönü tahmin edilmektedir. Analizde, 15 Ekim 1997 tarihi ile 30 Aralık 2014 tarihleri arasındaki borsanın açık olduğu işgünlerini kapsayan 4296 günlük gözlem veri seti kullanılarak günlük, haftalık ve aylık veri setleri oluşturulmuştur. Çalışmada günlük, haftalık ve aylık periyotlarda değişken seçme yöntemleri (temel bileşen analizi, k-en yakın komşuluk, korelasyon, lojistik regresyon, kısmi en küçük kareler, rastgele orman algoritması) yardımıyla çeşitli modeller oluşturulmuş, ayrıca tüm değişkenlerin yer aldığı modeller de oluşturulmuştur. Çalışmanın amacı doğrultusunda; geliştirilen ham ve dalgacık modellerin borsa endeksi üzerindeki tahmin performansları ölçülerek dalgacık dönüşümünün destek vektör makinelerinin tahmin performansına etkisi incelenmiş ve dalgacık dönüşümünün destek vektör makinelerinin tahmin performansını belirgin şekilde artırdığı saptanmıştır. Elde edilen analiz sonuçlarına göre; BIST 100 endeksinin yönünü en iyi tahmin eden modelin günlük veri setindeki tüm teknik gösterge, yurtdışı borsa endeksleri, makroekonomik göstergeler ve gün değişkenlerinden oluşan Dalgacık TÜM55 modeli (%90,84) olduğu, bu modelin ham veri setindeki (%56,90) tahmin oranını yaklaşık %60 artırdığı tespit edilmiştir. Haftalık modellerde ise en yüksek tahmin performansı, lojistik regresyon ile seçilen H-LR<,20 ve H-LR<,05 dalgacık modelleriyle (%84,62) elde edilmiş; aylık modellerde en yüksek tahmin performansı ise k-en yakın komşuluk ile seçilen A-KNN20 ve lojistik regresyon ile seçilen A-LR<,10 dalgacık modellerinde (%74,36) gerçekleşmiştir. Ayrıca elde edilen modellerin tahmin performansları değerlendirildiğinde; günlük veri setinde değişken seçimi ile elde edilen değişkenler kullanılarak haftalık ve aylık modellerin oluşturulabileceği, haftalık ve aylık veri setlerinde ayrıca değişken seçimi yapılmasına gerek olmadığı sonucu elde edilmiştir. Diğer bir önemli sonuç ise, dalgacık dönüşümünün yön tahmininde ham veri setinde karşılaşılan azalış yönündeki sınıflandırma hatalarını azaltarak, artış ve azalışların birbirine yakın oranlarda sınıflandırılmasını sağlamasıdır.
COALSMW: Kömür damarı katı modelleme yardımcı aracı grafiksel kullanıcı arayüzü (GUI)
Maden kaynak kestiriminde cevher katı modelinin dog ̆ruya en yakın s ̧ekilde ortaya konmasının, maden planlaması ve maden is ̧letme stratejisine dog ̆rudan etkisi vardır. O ̈zellikle ko ̈mu ̈r damarı gibi tabakalı yapılarda damar ve/veya damarların geometrik su ̈reklilig ̆i ne kadar gerc ̧ek durumu yansıtırsa, sec ̧ilen madencilik yo ̈nteminin verimlilig ̆i o derece artacaktır. CoalSVModel, Hacettepe U ̈niversitesi Maden Mu ̈hendislig ̆i Bo ̈lu ̈mu ̈'nde MATLAB programlama dilinde yazılmıs ̧, Compiler uygulamasıyla exe uzantılı hale getirilmis ̧ ve ko ̈mu ̈r damarı modelleme ic ̧in yardımcı bir uygulama olarak literatu ̈re kazandırılmıs ̧tır. Programın bu versiyonunun temel amacı, ko ̈mu ̈r damarının tavan es ̧ yu ̈kselti eg ̆rileri ile kalınlık haritasının tematik hale getirilmesidir. Ko ̈mu ̈r damarının dig ̆er tabakalardan ayrılması bir sınıflandırma problemidir. Tez c ̧alıs ̧masında bu sınıflandırma probleminin c ̧o ̈zu ̈mu ̈ destek vekto ̈r makineleri yo ̈ntemine dayalıdır. Ayrıca, tez c ̧alıs ̧ması kapsamında bu programın her bir uygulamasının test c ̧alıs ̧maları gerek sentetik gerekse gerc ̧ek veri tabanlarından elde edilen veriler ile yu ̈ru ̈tu ̈lmu ̈s ̧tu ̈r. i Ayrıca, program exe haline getirildikten sonra Tu ̈rkiye'de bir ko ̈mu ̈r sahasına ait ko ̈mu ̈r veri tabanı kullanılarak bir durum c ̧alıs ̧ması yapılmıs ̧ ve program c ̧ıktıları incelenmis ̧tir. Durum c ̧alıs ̧masında, programın u ̈rettig ̆i ko ̈mu ̈r kalınlık haritası ile ko ̈mu ̈r tavan es ̧ yu ̈kselti eg ̆rileri sonuc ̧larına go ̈re sahadaki tektonizmadan etkilenen olası konumlar belirlenebilmis ̧tir. Ayrıca, fay bo ̈lgesinin daha iyi karakterize edilebilmesi ic ̧in ilave sondajların yapılacag ̆ı konumlar da o ̈nerilmis ̧tir. Bu program modu ̈ler bir yapıdadır ve gelecek c ̧alıs ̧malarda, c ̧es ̧itli aras ̧tırma konuları ile gelis ̧tirilmesi, su ̈rekli gu ̈ncellemeler ile ko ̈mu ̈r damarı modelleme konusunda literatu ̈re katkı sag ̆layacaktır. Bu tez c ̧alıs ̧masının bir bas ̧ka c ̧ıktısı ise gelecekte yapılması planlanan iyiles ̧tirmeler ve gu ̈ncellemelere yo ̈n vermek olmus ̧tur.
Gmo detection with nanobiosensing system integration of artificial intelligence
Genetically modified organisms (GMOs) and their products have been in the food and feed sectors for decades. There are almost 32 crops approved in 44 countries. Every country has different legislation regarding the threshold values and allowed GM events. In the case of Turkey, there are not any GMOs that have been given approval for food use except for three microbial food enzymes. In order to determine GMO levels in the specified limits, rapid and sensitive GMO detection is required. The aim of this study is to propose a new method that makes critical decisions regarding GMO and to develop an amplification-free, DNA-based nanobiosensor that will allow rapid, qualitative determination of the Cry1Ac gene in soybean event MON87701. The new methodology with gold nanoparticles (AuNPs) offers an excellent platform based on the genomic DNA (gDNA) sequence of interest's hybridization with a complementary sequence. gDNA isolated from the Certified Reference Materials (CRM) was prepared with high purity. The probes used were the exact complementary of the gene of interest. Optimal conditions for the GMO nanobiosensor have been determined and with three batches of citrate reduction synthesized AuNPs. Firstly, heat treatment is applied to unamplified gDNA and the complementary probe to allow hybridization, later addition of AuNPs. Detection was accomplished through aggregation of AuNPs which was associated with color changes of the reaction after addition of NaCl. The aggregation levels were evaluated using UV–vis absorption or by visual observation immediately. A correlation was obtained between the GMO level according to the Cry1Ac gene with a colorimetric change of red to purple. The detection limit is as low as nanomolar, and the detection time estimated as 10 min. The method proposed here has the potential to be an alternative method available in food. Finally, a successful prediction analytics model has been developed from the obtained data set with the machine learning algorithm, support vector machine, that will automatically classify and predict GM levels from different batches of AuNPs. Further models are integrated into a user-friendly website.
Solunum seslerinin evrişimsel sinir ağlarıyla sınıflandırılması
Hekimler klinik muayenede hem non-invaziv olmasından hem de kolay erişilebilir aynı zamanda ucuz bir teşhis ve tespit aracı olmasından dolayı stetoskop kullanmaktadırlar. Ancak bu aşamada ortam gürültüsü, hekimin işitme kabiliyeti, yaşı vs gibi bir çok olumsuz neden teşhisi zorlaştırmaktadır. Ayrıca solunum sesleri insan işitme kabiliyetinin alt sınırlarına yakın frekanslarda önemli bilgiler içermektedir. Daha niceliksel bir yaklaşım sunulabilmesi açısından elektronik stetoskopla bu seslerin kayıt edilmesi önem taşımaktadır. Bu tez çalışmasıyla tamamen klinik ortamda toplanmış 294 adet solunum sesi 3 farklı ses grubu (Normal, Ral, Ronküs) için sınıflandırılmıştır. Solunum seslerinin yapay zeka yöntemleriyle sınıflandırılması ile ilgili birçok çalışma yapılsa da kullanılan veri sayılarındaki yetersizlik sağlam bir mimari oluşturulmasına engel olmuştur. Bu eksiklikle baş etmek amacıyla ICBHI 2017 veri kümesi oluşturulmuş ve solunum seslerinin sınıflandırılması çalışmaları hız kazanmıştır. Evrişimsel Sinir Ağları (ESA); görüntü ve video tanıma, görüntü sınıflandırma, doğal dil işleme ve tıbbi görüntü analizi gibi birçok alanda kullanılan Derin Sinir Ağlarına ait solunum ses sınıflandırmada da sıklıkla kullanılan bir yöntemdir. ESA'larda genellikle son katmanda sınıflandırma amacıyla softmax fonksiyonu kullanılmaktadır. Ancak sadece softmax fonksiyonunun kullanılması yerine Destek Vektör Makinelerinin (DVM) kullanımı da literatürde yer almaktadır. Bu tez çalışmasında hem ESA'nın son katmanda Softmax kullanmasıyla oluşturulan mimariler (ESA-Softmax), hem de ESA'nın son katmanda DVM ile birlikte kullanıldığı (ESA-DVM) mimariler oluşturulmuştur. Ayrıca aktarmalı öğrenme yardımıyla VGG16 modeli ile birlikte oluşturulan ESA-Softmax, ESA-DVM modelleri birleştirilerek VGG16-ESA-Softmax ve VGG16-ESA-DVM mimarileri oluşturulmuştur. Bu mimariler literatürde başarısı kanıtlanmış öğrenme aktarımı yöntemleri ile (VGG16, DenseNet201, InceptionV3 ve ResNet101) de kıyaslanmıştır. Eğitim ve test verilerinin %80- %20 oranında ayrılarak 10 kat çapraz doğrulama uygulanması sonucunda elde edilen en yüksek sınıflandırma doğruluğu VGG16-ESA-DVM modeli ile gerçekleştirilmiştir. Önerilen yöntemin sınıflandırma başarı metrikleri sırasıyla ; ROC AUC Skoru: %88.4, Maksimum Doğruluk: %83, kesinlik = %82, duyarlılık= %83, F1 skoru = %82 olarak elde edilmiştir. Ayrıca üç grup ses verisi için sırasıyla Normal %84, Ral %80 ve Ronküs ise %86 doğrulukla sınıflandırılmıştır.
Application of fuzzy logic and machine learning methods for food quality control
In this study, the quality of food products is assesses using fuzzy based methods to achieve higher accuracy and to support optimal performance for quality control systems. Three products namely wine, olive oil and bread are selected for this study and efficient fuzzy based machine learning algorithms have been developed. The first phase of study has been modelled to assess the quality of wheat bread using Fuzzy weighted relevance vector machine (RVM). The second phase employs the wine quality through the development of Neuro-Evolution of Augmenting Topologies (NEAT) and Fuzzy optimized neural networks using improved crow search optimization. The third phase of study improvises the assessment of olive oil quality using Artificial Neural Networks (ANN), Support Vector Machine (SVM) and Random Forests (RF). In the first methodology, an efficient bread quality estimation framework using LDA and FWRVM algorithms was presented. In the second methodology, an efficient wine quality estimation model using the NEAT algorithm and hybrid classifier of ICSA-FNN which is a combination of fuzzy logic, neural networks and an improved ICSA algorithm were presented. In the third methodology, an efficient olive oil quality estimation model was presented using the PCA and LDA for feature reduction and SVM, RF and ANN classifiers for prediction. Experiments are performed over the collected datasets for breads, wine and olive oil and the results showed that the proposed methodologies provided better performance than the existing conventional methods.
Derin öğrenme destekli görüntü işleme teknikleri ile endüstriyel kesici takımların kalan ömürlerinin tahminlenmesi
Endüstriyel üretim sürecinde ham malzemeler büyük tezgahlar üzerinde farklı işlemlere tabi tutularak yeni ürünlere dönüştürülür. Bu dönüşüm sırasında tezgahlarda ham malzemenin işlenmesi için ihtiyaca yönelik kesici takımlar kullanılır. Ömrünü tamamlayan kesici takımlar işlediği ham malzemeye zarar verirler. Bunun yanında erken değiştirilen kesici takımlar verimsiz kullanıma yol açar. Her iki durumda da üreticiler maliyet, işgücü ve zaman kayıpları yaşarlar. Bu nedenle kesici takım ömrünü tahmin etmek bu kayıpları önlemek için önemlidir. Kesici takım ömrü malzemenin türü, yapısı, kalınlığı gibi faktörlere bağlı olarak değişir ve bu durum kalan ömür tahmininde belirsizliklere neden olur. Literatürde kalan ömür tahminine yönelik çalışmalar mevcut olmasına rağmen, kesici takımın ham malzemeye verdiği zarar üzerinden kalan ömrün tahminlenmesi konusunda deneysel inceleme eksikliği bulunmaktadır. Bu çalışma kapsamında havacılık sektöründe faaliyet gösteren bir şirketin delik delme tezgahı üzerinden alınan delik fotoğrafları kullanılmıştır. Fotoğraflar delik kalitesine göre beş sınıfa etiketlenmiştir. Bu problem sınıflandırma problemine dönüştürülerek derin öğrenme yöntemlerinden biri olan evrişimli sinir ağları ile çözülmeye çalışılmıştır. Çalışmada sıfırdan geliştirilen 18 katmanlı bir model, transfer öğrenme ile VGG16, ResNet50 mimarilerinin kullanıldığı modeller ve evrişimli sinir ağı ve destek vektör makinelerinin kullanıldığı hibrit model ile karşılaştırılmıştır. 18 katmanlı mimarinin diğer mimarilere kıyasla daha iyi sonuçlar verdiği tespit edilmiştir. Bu çalışmanın sonuçları, kesici takımların kalan ömrünün ham malzemeye verdiği zarar üzerinden tahmin edilebileceğini göstermiştir. Yapılan deneyler, derin öğrenme yöntemlerinin kesici takım ömrü tahmininde alternatif olarak kullanılabileceğini kanıtlar niteliktedir.
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.
Emotion recognition of EEG data using tensor logistic regression
Emotion recognition is a research area gaining momentum in the last three decades with a strong impact on our daily life. One of the most widely used methods to study emotion recognition is using physiological signals such as EEG data. However, using physiological signals requires using feature extraction and selection methods. Moreover, there is no gold standard for choosing the best methods. Therefore, this study aims to compare the sensor space and source space EEG data for emotion recognition using tensor based methods. In order to achieve that, different frequency bands were used as features of EEG data. In addition, support vector machine (SVM) as a conventional method, and logistic tensor regression (LTR), which was a tensor-based method, were used as two different classification methods. The results showed that the gamma was the most discriminating frequency band. Also, source space data improved the accuracy rates when compared with sensor space data. Moreover, TLR was superior in the source space than SVM. In the sensor space, both methods performed similarly.
Short-term forecast methodologies and case studies in traffic flow
This thesis gives case studies on short-term traffic flow forecasting strategies within a time series framework. After discussing the traditional, machine learning and deep learning methods, one of main goals is to experiment on the uses of hybrid methods. Besides analyzing approaches that were already used in the traffic flow literature, we also introduce and test distinct strategies. Further, we supplement our point forecast results with interval forecasts. In particular, quantiles regression based intervals such as quantile regression averaging and quantile regression neural network are implemented. Both point and interval forecasts are evaluated via several evaluation metrics, and an extensive comparison is provided among the methodologies studied.
Yapay zekâ yöntemleriyle borsa endeksinin yönünün tahmini üzerine bir çalışma: Karşılaştırmalı analiz
Bu çalışmada, Makine öğrenmesinin alt dallarından, Regresyon Analizi ve Destek vektör makineleri ile Teknik analiz göstergeleri kullanılarak Bist100 endeksinin yönü tahmin edilmeye çalışılacak ve bulunan sonuçlar karşılaştırılacaktır. Çalışmanın sonunda Bist100 endeksinin tahmini için en iyi yöntem ve tekniğin hangisi olduğuna karar verilecektir. Uygulama aşamasında Bist100 endeksinin günlük ve 60 dakikalık zaman serisi veri setleri kullanılarak, Logistic Regresyon, Lasso Regresyon, Ridge Regresyon ve Destek Vektör Makinesi tahmin modellerinin her biri ile uygulamalar yapılıp simüle edilecek, elde edilen sonuçlar her bir model için ayrı ayrı değerlendirilecektir. En iyi sonuç veren model, teknik analiz göstergeleri ile birlikte kullanılarak Bist100 endeks tahmini için en iyi yöntem elde edilmeye çalışılacaktır
Beyaz eşya sektöründe satış tahmini: Bir veri madenciliği uygulaması
Büyüme hedefi olan ve sürekli gelişmeyi hedefleyen firmaların hayatta kalarak varlığını sürdürmeleri için; yeni öngörüler, stratejiler ve en önemlisi onlara yol gösterebilecek veri analizlerine ihtiyaç duymaktadırlar. Bu analizler sayesinde firmalar, yoğun rekabet ortamında hızlı ve en doğru kararı verebilir durumda olabileceklerdir. Varlıklarını devam ettirebilmek isteyen üreticiler, bir yandan artan müşteri beklentilerini karşılamak isterken bir yandan da maliyetlerini en az seviyede tutmayı amaçlamaktadırlar. Firmalar içinde bulundukları mevcut yapı öncesine bir yolculuk yaptıklarında, karar mekanizmalarını daha doğru kullandıklarını düşünerek hareket ederler. Bu sebepledir ki, deneyimler bizlere her zaman doğru yolu gösterir sözü bu noktada kanıtlanabilir nitelikte olmaktadır. Bu çalışmada, firmaların geçmiş yıllara ait ciro ve karlılık durumu analiz edilerek veri madenciliği teknikleri içerisinde yer alan; yapay sinir ağı, destek vektör makineleri ve regresyon ile doğru sonuca ulaşması hedeflenmektedir. Önceki yılların verileri analiz edilerek, yeni bir yılın verileri hakkında ön görü sahibi olmak hedeflenmektedir. Bu doğrultuda, geliştirilebilecek stratejiler sonucunda karlılık seviyesinin artacağını düşünmemek elde değildir. Bu çalışmada amaçlanan, bu doğrusal düşünceyi matematiksel olarak ispatlayarak hedefe sağlam adımlar ile ilerleyebilmektir. Durumun kanıtlanabilmesi amacıyla, beyaz eşya sektöründe faaliyet gösteren firmanın; sevk verileri bağımlı değişken, reel kesim güven endeksi, gayri safi yurtiçi hasıla, sanayi üretim endeksi, evlenme oranı, tüketici güven endeksi ve ekonomi güven endeksi ise bağımsız değişken olarak aylık bazda alınmıştır. Veriler uygulama aşamasında, Weka programında test edilmiştir. Satış tahminleri üç ayrı yöntem ile ayrı ayrı test edilmiş ve sonuçlar birbirleri ile kıyaslanmıştır.
Beyin tümörlerinin sınıflandırılması için bilgisayar destekli tanı sisteminin tasarlanması ve uygulanması
Bu çalışmada, manyetik rezonans görüntüleri (MRG) aracılığıyla beyin tümörünün otomatik tespiti ve sınıflandırılması için iki aşamalı bir CAD sistemi geliştirilmiştir. Sistemler hem tanılama doğruluğunu artırmakta hemde ihtiyaç duyulan süreyi azaltmaktadır. Bu sistem ilk aşamada beyin tümörü MRG'sini normal ve anormal görüntüler olarak sınıflandırmaktadır. İkinci aşamada ise anormal MRG'lerden tümör tipi iyi huylu (kansersiz) veya kötü huylu (kanserli) olarak sınıflandırmaktadır. Önerilen CAD ile; K-ortalama kümeleme, MRG görüntü segmentasyonu, ayrık dalgacık dönüşümü (DWT) kullanılarak özellik çıkarmada ve temel bileşen analizi (PCA) uygulayarak özellik azaltma işlemleri gerçekleştirilmiştir. İkinci aşamadaki sınıflandırmada ise bir destek vektör makinesi (SVM) kullanılarak gerçekleştirilmiştir. Önerilen CAD'in performans değerlendirmesi, standart olmayan bir MRG veri tabanı kullanılarak sonuçlar elde edilmiştir. Anahtar Kelimeler: Beyin Tümörü, DWT, PCA, SVM, Tümör Sınıflandırması
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
Evaluation of the V-tail configuration on a machine learning and CFD based design framework
Recent works show that unconventional tail configurations like Vee-Tails might be good alternatives to conventional tails in terms of providing less weight and reduced drag in commercial airplanes. In this study, a conventional tail configuration consisted of an horizontal and a vertical stabilizer has been replaced by a Vee-Tail. The baseline airplane is the CSR-01, which is an hypothetical aircraft from the CeRAS repository. Various sizing cases for the Vee-Tail configuration have been considered. The sizing variables have been selected as the following 4 geometric parameters that define the Vee-Tail: The span length, the root chord, the taper ratio and the dihedral angle. The flows over the whole airplane have been computed using a Reynolds-Averaged Navier-Stokes solver. The Spalart-Allmaras turbulence model has been employed to compute the eddy viscosity. All the flow computations have been done in a parallel computation environment. Once the flows have been computed, the aerodynamic performance of the Vee-Tail has been established using the Support Vector Regression, which is a machine learning algorithm. A Vee-Tail geometry has been determined matching the lift, drag and pitching characteristics of the original configuration as close as possible.
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.