Sinir ağları
Bu konu başlığı altında 78 tez
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.
Düşük-gerilimli SRAM aygıtları için gerçek rastgele sayı üretme ve hata modelleme yöntemleri
Tezin ilk çalışması olarak, SRAM'ler üzerinde deneysel düşük gerilim çalışmalarından çıkarılan gerçek hataları kullanarak ilk yaklaşık düşük gerilim hata modelini oluşturan bir altyapı olan MoRS'yi öneriyoruz. SRAM tabanlı bellekler, heterojen cihazlar, örneğin, GPU'lar, FPGA'lar, ASIC'ler dahil olmak üzere çeşitli bilgi işlem cihazları için yüksek performans elde etmek için çok önemli bileşenlerdir. Bu heterojen yapılar üzerinde çalışan Derin Sinir Ağları (DSA) gibi modern iş yükleri, verimli hızlandırma için büyük ölçüde yonga üzerindeki bellek mimarisine bağlıdır. Enerji tasarrufu sağlamanın yaygın yöntemlerinden biri, besleme voltajının nominal seviyenin altına düşürülmesidir. Bu tür sistemler, belirli bir voltaj sınırına kadar arızaya neden olmadan güvenli bir şekilde voltajı düşürülebilir. Bu güvenli aralığa voltaj koruma bandı da denir. Bununla birlikte, sistemin frekansı düşürmeden koruma bandı seviyesinin altındaki voltaja düşürmek, zamanlamaya dayalı hatalara neden olur. Sistemin dayanıklılığını değerlendirmek için MoRS tarafından üretilen hataları DSA hızlandırıcısının yonga üzerindeki belleğine enjekte ediyoruz. MoRS, tamamen rastgele oluşturulmuş bir hata enjeksiyon yaklaşımına kıyasla gerçek deney hatalarına daha yakın olurken, yüksek zamanlı ek yük deneylerine ihtiyaç duymadan basitlik avantajına sahiptir. DSA'nın ağırlık değişkenlerini SRAM'lere eşleyerek popüler DSA iş yüklerinde yaptığımız deneyi değerlendirip MoRS ile gerçek veriler arasındaki sınıflandırma yüzdesinin farkını ölçeriz. Sonuçlarımız, gerçek deneyler ile MoRS'un çıktısı arasındaki maksimum farkın %6,21, gerçek deneyler ile rastgele hata enjeksiyon modeli arasındaki maksimum farkın ise %23.2 olduğunu göstermektedir. Gerçek verilere sınıflandırma yüzdesi açısından, MoRS'nin çıktısı, rastgele hata enjeksiyonu yaklaşımından 3.21x daha iyi performans gösterir. Tezin ikinci çalışması olarak SRAM tabanlı belleklerde düşük voltajdan kaynaklanan hataları kullanan SRAM tabanlı gerçek rastgele sayı üreteci öneriyoruz. Gerçek rastgele sayı üreteçleri (GRSÜ), elektriksel gürültü, termal gürültü ve saat titreşimleri gibi öngörülemeyen fiziksel entropi kaynaklarından üretilmektedir. Ancak, tüm bilgi işlem cihazları bu kaynaklardan entropi çıkarmak için özel donanıma sahip değildir. Bu nedenle, özel donanım aracılığıyla bilgi işlem sistemlerine gerçek rasgele sayı üretme yeteneği sağlamak maliyetlidir. Önceki çalışmalar, çoğu hesaplama sistemlerinde mevcut olan bellek aygıtlarından entropi çıkaran GRSÜ'ler önermektedir. SRAM tabanlı GRSÜ'lerin diğer bellek tabanlı mekanizmalara göre iki büyük avantajı vardır: (i) SRAM aygıtları, tüm çağdaş CMOS tabanlı yongalarda kullanıldığı için her ölçekte bilgi işlem sistemine rasgele sayılar sağlayabilir ve (ii) SRAM bir yonga üstü bellek olduğundan kimse rastgele sayı aktarımlarını dışarıdan gözetleyemez ve bu sayede gerçek rastgele sayıların güvenliğini artırır. SRAM tabanlı GRSÜ'ler bu avantajlar nedeniyle umut verici olsa da, mevcut SRAM tabanlı GRSÜ'ler iki temel sınırlamadan muzdariptir: 1) sık sık güç döngüsüne ihtiyaç duyar, bu da aşırı derecede büyük gecikmelere ile düşük verime neden olur ve 2) önemli bir enerji yüküne sahiptir. Amacımız, bu iki temel sınırlamanın üstesinden gelen SRAM tabanlı bir GRSÜ tasarlamaktır. Bu amaçla, yeni bir yüksek aktarım hızlı, enerji verimli ve düşük gecikmeli SRAM tabanlı GRSÜ olan TuRaN'ı öneriyoruz. TuRaN, SRAM besleme voltajının üretici tarafından önerilen eşiğin altına düştüğünde SRAM hücrelerinin okunmasının rastgele değerlerle sonuçlandığı temel gözleminden yararlanır. TuRaN, düşük voltajlı SRAM'a tekrar tekrar erişerek yüksek hızda gerçek rastgele sayılar üretir hücreleri ve ardından SHA-256 karma işlevini kullanarak ortaya çıkan hataları işleyerek gerçek rastgele sayı üretir. TuRaN'ın gerçek rastgele sayılar ürettiğini göstermek için, iki ticari kullanıma hazır FPGA kartı üzerinde gerçek deneyler yapıyoruz. Yaygın olarak benimsenen NIST STS'yi kullanarak TuRaN tarafından üretilen rastgele sayıların kalitesini değerlendiriyoruz ve TuRaN'ın tüm testleri geçtiğini gözlemliyoruz. TuRaN, (i) 1,6 Gbps (1,812 Gbps) ortalama (maksimum) aktarım hızı, (ii) 0,11nJ/bit enerji tüketimi ve (iii) 278,46us gecikme süresi ile gerçek rastgele sayılar üretir. TuRaN, en son teknoloji ürünü SRAM tabanlı GRSÜ'lerden sırasıyla 2,26x, 5,09x ve 5,39x aktarım hızı, enerji verimliliği ve gecikme süresi ile daha iyi performans göstermektedir.
Makine öğrenmesi ile gelişmiş polarizasyon kestirim yöntemi
Günümüzde elektronik harp sistemlerinin önemi dramatik olarak artmaktadır. Elektronik Harp sistemlerinin unsurlarından olan elektronik destek sistemleri, elektromanyetik spektrumu pasif olarak kullanmaktadır. Yayılan sinyalleri analiz eden bu sistemler, düşman ve dost unsurların, yönlerini, konumlarını, kimliklerini, birlikler arası haberleşme içeriğini tespit edebilmektedir. Bu sayede, elektronik destek sistemleri istihbarat verilerinin çıkarılmasında büyük rol oynamaktadır. Teknolojinin gelişmesiyle birlikte, radar veya haberleşme sinyallerini analiz eden sistemler kabiliyetlerini genişletmektedir. Elektronik harp ve radar uygulamaları, keşif kabiliyetini artırmanın yanı sıra sinyal polarizasyon bilgilerini kullanarak hedef yön ve konum bulma performansını arttırmaya çalışmaktadır. Bu faktörler, sinyalin polarizasyon bilgisinin bahsedilen mevcut sistemlere dahil edilmesine yol açmıştır. Alıcının veya vericinin bulunduğu platformun konumuna veya yönüne bağlı olarak alıcı-verici arası polarizasyon uyumsuzluğu meydana gelebilmektedir. Hedef sinyallerin yüksek güçte alınabilmesi, başarılı bir yön bulma performansı veya elektronik harp sistemlerine karşı etkili bir karşı önlem alınabilmesi için alıcı ve vericideki polarizasyon uyumsuzluğunun önlenmesi gerekmektedir. Bu yüzden elektronik destek sistemlerinde, yayılan sinyalin polarizasyonunun tespiti, kimliklendirme, yön ve konum bulma sistemlerinde kritik bir rol oynamaktadır. Bu çalışmada, gelen sinyalin polarizasyonunu derin öğrenme yoluyla kestiren bir yaklaşım önerilmiştir. Önerilen yaklaşımda, öncelikle klasik geliş açısı ve polarizasyon kestirimi gerçekleştiren algoritmalar gibi kovaryans matrisi hesaplanmaktadır. Hesaplanan kovaryans matrisinin gerçek, sanal ve faz değerlerinden algoritmanın giriş görüntüleri elde edilmiştir. Evrişimsel sinir ağları sayesinde giriş görüntülerinden öznitelikler çıkarılıp, tam bağlı katmanlar sayesinde polarizasyon kestirimi yapılmaktadır. Çalışmada doğrusal polarizasyon belli çözünürlüklerde ele alınmıştır. İlk sınıf yatay polarizasyon ve son sınıf dikey polarizasyon olmak üzere, doğrusal polarizasyon on farklı sınıfa ayrılmıştır. Gözetimli öğrenme modelini benimseyen ve evrişimsel sinir ağlarını ve tam bağlı katmanları içeren model, klasik algoritmalara göre daha hızlı sonuç vermiştir. Önerilen yaklaşım gerçek-zamanlı sistemlerde kullanılma potansiyelini ortaya koymuştur. Polarizasyon sınıfı kestirme performansı kapsamında, hatalı kestirimlerde dahi komşu sınıfları kestiren algoritma özellikle düşük SNR değerlerinde klasik MUSIC algoritmasına göre daha başarılı sonuçlar vermiştir. Ayrıca tez kapsamında, geliş açısı kestirimi için de hibrit bir algoritma önerilmiştir. Önerilen hibrit algoritma, öncelikle evrişimsel sinir ağı tabanlı bir algoritma ile polarizasyon kestirimi yapmaktadır. Sonrasında geliş açısı kestirimi için klasik Çoklu Sinyal Sınıflandırma (Multiple Signal Classification-MUSIC) algoritması kullanılmaktadır. Evrişimsel sinir ağları ile polarizasyon kestiriminin sonucunda, klasik MUSIC algoritması polarizasyon parametrelerini taramadan doğrudan sadece uzamsal açılarda arama yapacağından, geliş açısını daha hızlı kestirmiştir. Önerilen hibrit algoritma, düşük SNR değerlerinde, polarizasyonu daha başarılı kestirdiğinden, geliş açısı kestirimi kapsamında klasik MUSIC algoritmasına göre daha başarılı sonuçlar vermiştir.
Learning filter scale and orientation in convolutional neural networks
Convolutional neural networks have many hyper-parameters such as filter size, number of filters, and pooling size, which require manual tuning. Though deep stacked structures are able to create multi-scale and hierarchical representations, manually fixed filter sizes limit the scale of representations that can be learned in a single convolutional layer. Can we adaptively learn to scale the filters on training time? Proposed adaptive filter model can learn the scale and orientation parameters of filters can be learned using back propagation. Therefore, in a single convolution layer, we can create filters of different scale and orientation that can adapt to small or large features and objects. The proposed model uses a relatively large base size (grid) for filters. In the grid, a differentiable function acts as an envelope for the filters. The envelope function guides effective filter scale and shape/orientation by masking the filter weights before the convolution. Therefore, only the weights in the envelope are updated during training. In this work, we employed a multivariate (2D) Gaussian as the envelope function and showed that it can grow, shrink, or rotate by updating its covariance matrix during back propagation training . We tested the model with its basic settings to show the collaboration of weight matrix and envelope function is possible. We used a deeper architecture to show the performance on deeper and wider networks. We tested the new filter model on MNIST, MNIST-cluttered, and CIFAR-10 and compared the results with the networks that used conventional convolution layers. The results demonstrate that the new model can effectively learn and produce filters of different scales and orientations in a single layer. Moreover, the experiments show that the adaptive convolution layers perform equally; or better, especially when data includes objects of varying scale and noisy backgrounds
Faster R-CNN derin öğrenme yöntemi ile duygusal ifadelerin tespiti ve gerçek zamanlı görüntülere uygulanması
Bu çalışmada, Faster R-CNN derin öğrenme yöntemi kullanılarak, portre yüz (ön cephe) görüntülerinden öfke, mutlu, tarafsız, korku, üzüntü, tiksinme ve şaşkınlık duygusal ifadelerinin tespit edilmesi amaçlanmış ve tespit edilen ifadeler ile gerçek zamanlı görüntüler üzerinden sosyal hayat odaklı bir karar/destek uygulaması geliştirilmiştir. Çalışmada önce veri setini oluşturan portre yüz görüntülerinde yedi duygusal ifadenin etiketlemesi gerçekleştirildi. Daha sonra etiketlenen görüntüler Faster R-CNN derin öğrenme algoritması ile geliştirilen model üzerinden yedi duygusal ifadenin öğrenme/eğitim süreci tamamlandı. Son olarak, Python programı ile gerçek zamanlı görüntüler üzerinde yedi duygusal ifadenin başarısını test eden bir karar/destek uygulaması geliştirilmiştir. 350 adet test verisi ile yapılan doğrulamada sonucunda, öfke %92, mutlu %98, tarafsız %98, korku %94, üzüntü %94, tiksinme %86 ve şaşırmış %94 eğitim başarı sonuçlarına ulaşılmıştır.
Görsel algıya ilişkin bir korteks modeli
Görsel algı, beyinde incelenen en etraflıca çalışılmış ve ulaşılabilir algısal konulardan biridir. Görsel içerik oldukça kolay manipüle edilebildiğinden, yanlış algılaması ilüzyon adı altında kültürel içerik bile olabilmiştir. Son zamanlarda görsel sanal gerçeklik insanı tamamen sarabilmeye başladığından, görsel algının diğer bilişsel konular ile ilintisini araştırabilmek için farklı imkanlar doğmaktadır. Beyinin içindeki görsel devre, kısa dönem belleği, dikkat, alt katman görsel işleme gibi vasıflar arasında, obje farkındalığı gibi yüksek katman fonksiyonları oluşturacak şekilde bir köprü vasfı görür. Beyindeki belli yerlerin gerek deney ile gerek bir hastalık ile fiziksel olarak zarar görmesinin sonucunda elde edilen bilgiler ışığında fizyoloji, hangi bölgelerin ve sinir demetlerinin hangi işleve katkıda bulunduğu hakkında açıklamalara sahiptir. Bu bağlantıların görsel algının ve dikkatin temel yapı taşlarını sergileyebileceğinin alçak katmandaki açıklaması halen bir araştırma konusudur. İhtiyacımız olan, süregelen etkinlik, çeldirici uyartılara bağışıklık gibi temel özelliklerin sağlanabilmesi için biyolojik akla yatkınlığa sahip bir modelle oluşturulmuş bir benzetim kullanılabilir. Doğrusal olmayan topla ve ateşle nöron modelleri ile bu fenomenlerin bir çoğu basite indirgenmiş halleri ile yakalanabilmektedir. Aynı nöron modellerinin görsel algı ve dikkat için de açıklayıcı güce sahip olma ihtimali bulunmaktadır. Bu çalışmada, bu ihtimal üzerinde durulacak ve uygunluğu teste tabii tutulacaktır.
Makine öğrenmesi yöntemleri ile imha değerlendirme
İmha değerlendirme başlatılan bir angajman sonucunda ilgili tehdidin vurulup -vurulmadığı kararının verilebilmesi, başlatılan angajmanın başarılı olup olmadığının değerlendirilmesidir. Tehdit için belirtilen imha edildi-edilmedi bilgisi hem kullanıcı dikkatinin hem maliyetlerin hem de angajmanın doğru yönetilmesi için kritik önem ifade etmektedir. Bu tespit artık insan gözüyle yapılabilecek menzillerden ve büyüklüklerden çok uzaktır. İmha değerlendirmesinde, makine öğrenmesi ve derin öğrenme tekniklerinin kullanılmasıyla karar alma sürecinde kararlarının insan müdahalesinden bağımsız olarak verilmesi ve böylece hataların ve kaynak israflarının azaltılması hedeflenmektedir. İmha değerlendirmesinin makine öğrenmesi ve derin öğrenme algoritmaları ile yapılmasına dair gerçekleştirilen bu çalışmada, gerçek dünyaya ait radar verilerine sahip olunmaması nedeniyle radar sinyallerini sentetik veri olarak üreten ve imha-ıskalama gibi fiziksel olayları simüle eden bir simülatör geliştirilmiştir. Ham radar verilerinin gürültüye ve aşırı uyumlamaya açık olması, eğitim sürecinde donanımın yetersiz kalması ve eğitim süresinin uzun sürmesi gibi dezavantajlar nedeniyle sınıflandırma algoritmalarına girdi olarak kullanımı uygun bulunmamıştır. Bu nedenle sentetik ham radar sinyallerinden öznitelik çıkarım işlemleri yapılarak algoritmalara bu öznitelikler girdi olarak sağlanmıştır. Bu öznitelik tipleri noksansız öznitelik seti, noksan öznitelik seti ve belirsizlik analizi öznitelik seti olmak üzere üçe ayrılmaktadır. İmha değerlendirme işlemi Vurulma Öncesi, Iskalama ve İmha olmak üzere farklı durumları belirten bu üç sınıfa ayrılarak ifade edilmiştir. İmha durumu doğası gereği anlık ya da milisaniyeler mertebesinde gerçekleşen bir olaydır. Bu nedenle sınıflara ait veri setindeki denge gözetildiğinde vurulma öncesi anına ya da ıskalama anına ait veri yoğunluğu imha anına ait veri ile kıyaslandığında çok daha fazla olmaktadır. Bu sebeple sınıf dengesini sağlayan çeşitli yöntemler araştırılarak sınıf dengesinin sağlandığı öznitelik setleri ile eğitim işlemi gerçekleştirilmiştir. Sınıf dengesini sağlamak için SMOTE, ROS, RUS, Yakındakini Atma, SMOTE-ENN, SMOTE-TOMEK yöntemleri kullanılmıştır. Dengesiz ve dengeli hale getirilen veri setleri sırası ile girdi olarak kullanılarak imha değerlendirme algoritmaları test edilmiştir. Makine öğrenmesi algoritmalarından ada artırım, gradyan artırım, karar ağacı, rastgele orman, destek vektör makineleri, çok katmanlı algılayıcı, derin öğrenme algoritmalarından ise sinir ağları ve LSTM kullanılarak doğru bir imha kararının verilmesinde performans ve doğruluk açısından hangi yöntemin daha doğru ve en iyi çalıştığı kıyaslanarak saptanmıştır. Performans analizlerine bakıldığında üç ayrı öznitelik seti için de ROS uygulanmış öznitelik setinin girdi olduğu rastgele orman algoritmasının %99 üzerinde doğruluk oranı ile en iyi sınıflandırmayı gerçekleştirdiği sonucuna varılmıştır. Sınıf dengesinin sağlanıyor olmasının tüm sınıflandırma algoritmalarında performansı artıran bir unsur olduğu görülmüştür. Bu tez sonucunda yapay zekâ algoritmaları ile radar sinyalleri üzerinden çıkarılan öznitelikler kullanılarak başarılı bir şekilde imha değerlendirme yapılabileceği sonucuna ulaşılmıştır.
Tıbbi görüntü işleme ile akciğer grafisinde COVID-19 pozitif tespiti için veri madenciliği ve derin öğrenme yöntemlerinin performanslarının incelenmesi
Dünya Sağlık Örgütü (DSÖ), Mart 2020'de SARS-CoV-2'nin neden olduğu bulaşıcı bir salgın olan yeni koronavirüsü (COVID-19) pandemi olarak ilan etmiştir. Bu virüsten etkilenen tüm ülkelerde, enfekte olmuş ve ölen hastaların sayısı her geçen gün artmaktadır. Erken tanı virüsün yayılmasını azaltabileceğinden, akıllı tahmin ve tanı araçlarına sahip olmak önemlidir. Etkili tahmin modellerinin oluşturulması, virüsün yayılmasını önlemek için daha iyi sağlık stratejileri uygulanmasında yardımcı olabilir. Günümüzde tıbbi görüntüler yardımı ile birçok sağlık problemi tespitinde (beyin tümörü tespiti, meme kanseri tespiti, zatürre tespiti vb.) yapay zeka tabanlı çözümlerden yararlanılmaktadır. İçerisinde bulunduğumuz bu pandemi sürecinde de COVID-19'un tanı süresini kısaltmak ve doğru tanı oranını arttırmak için yapay zeka tabanlı birçok çalışma yapılmıştır. Bu çalışmada tıbbi görüntü işleme teknikleri kullanılarak akciğer grafileri sayısallaştırılmış ve beş farklı görüntü işleme yöntemi uygulanarak bu yöntemlerin akciğer grafilerini sınıflandırılma performansına etkisi incelenmiştir. Ayrıca bir derin öğrenme tekniği olan evrişimli sinir ağları ile öznitelik çıkarımı gerçekleştirilmiş ve görüntülerin DVM, RO, YSA klasik veri madenciliği yöntemleri ile sınıflandırılmasına olan etkisi karşılaştırılmıştır. Çalışmada açık erişimli COVID-19 Radiography veri setinden yararlanılmıştır. Bu veri setinde bulunan 3616 COVID-19, 6012 Non-COVID ve 10192 Normal akciğer grafisi için çalışma planlanmıştır. Görüntü işleme tekniklerinin akciğer grafilerini sınıflandırma performansına etkisi olduğu bulunmuştur. Evrişimli sinir ağı yöntemi ile öznitelikler çıkarıldıktan sonra klasik veri madenciliği yöntemleri ile elde edilen sınıflandırma performansları, sadece klasik veri madenciliği ile elde edilen sınıflandırma performanslarından daha iyi sonuçlar göstermiştir.
Image caption and hashtags generation using deep learning approach
Social media refers to the means of interactions among people in which they create, share, and/or exchange information and ideas. People use social media to stay connected with friends and family, to make plans, and to keep track of each other's day-to-day activities. Another way that social media is used is to advertise products or services. This type of marketing has been around since the 1800s. In fact, there were 2.934 billion monthly active users on Facebook alone. Social media platforms want to make the experience of their users interactive, so they need to include captions and hashtags with posts. Individual users, on the other hand, do not always find it easy or possible to come up with captions and hashtags. Social media platforms are in need of captions and hashtags to make posts more interesting. There is a struggle when it comes to finding those two key elements. Whoever creates those captions and hashtags needs to be creative and keep up with social media trends in order for their posts not to be overlooked or lost among other posts in their feed. In this research, we have developed a system capable of creating appropriate texts and hashtags for social media platforms such as Facebook, Instagram, and other platforms that depend on these two elements based on the images or posts that are used on these platforms. In this study, we built a way for generating text and hashtags based on images used as postings on social media networks such as Facebook, Instagram, etc. Our method is divided into four major stages. The first step is to obtain high-quality data. The acquired data is preprocessed in the second step. The third step is creating a text (caption) and hashtag generation technique utilizing Conventional Neural Network (CNN) and deep learning (DL) techniques. In this study, we look at several NN architectures like as VGG-16, VGG-19, and LSTM. Then, to construct the hashtag, we integrate natural language processing (NLP) to our technique. The evaluation phase is the final stage of this work. We carried out experiments multiple times to find the best model, thus we run several tests to see which one had the highest accuracy and matching percentage between the text and hashtags and the images chosen.
Unsupervised video summarization with independently recurrent neural networks and multiple rewards
Video summarization, one of the interesting research areas that has significant acceleration in recent years, is producing shorter and concise videos that represent the content of long videos as diversely as possible. It is observed that the sigmoid and the hyperbolic activation function used in long short-term memory (LSTM) and gated recurrent unit (GRU) models, which were used in recent studies on video summarization task, may cause gradient decay over layers. Moreover, interpreting and developing network models are hard because of entanglement of neurons on recurrent neural network (RNN). Besides that, to create good video summary from long videos, a model needs to retain temporal coherence. Irrelevant jumps within key segments can confuse a viewer. Therefore, a model should compose video summary uniformly. To solve these issues, in this study, a method that uses deep reinforcement learning together with independently recurrent neural networks (IndRNN) is proposed for unsupervised video summarization problem. In this method, Leaky Rectified Linear Unit (Leaky ReLU) is used as an activation function to deal with decaying gradient and dying neuron problems. The model, which does not rely on any labels or user interaction, is designed with a reward function that jointly accounts for uniformity, diversity and representativeness of generated summaries. In this way, the model can create summaries as uniform as possible, has more layers and can be trained with more steps without having any problem related to gradients. Based on the experiments conducted on two benchmark datasets, it is observed that, compared to the state-of-the-art methods on video summarization task, better results are obtained.
Multimodal bağlantı analizleri
Amaç: Yaratıcı düşünce ve usavurma, insan beyninin bilişsel kapasitesinin hiyerarşik olarak en tepesindeki ve en karmaşık sistemleridir. Birbirleri arasında dinamik bir etkileşim içerisinde olan bu iki kavram, insan ve toplum hayatının daha sürdürülebilir ve kaliteli olması açısından büyük bir stratejik öneme sahiptirler. Bu konuda uzun yıllardır pek çok bilimsel çalışma yapılmasına rağmen bu süreçlerin ardındaki nöral bileşenler ve sistemler hakkında kapsamlı çalışmalar son yıllara kadar yapılamamıştır. Gelişen teknik imkanların da yardımıyla, "Semantik Uzaklık" ve "Anoloji Tabanlı Usavurma" , fMRI görevi olarak modellenebilmiş ve yaratıcı düşünce araştırmaları konusuna yeni yöntemler ve bilgiler sağlamıştır. Bu çalışmanın amacı, kullanılan MR modalitelerini arttırarak (rs-fMRI,dwMRI) sadece görev sırasında aktive olan bölgeleri değil tüm beyni bir bütün ağ ve alt parçaları olarak değerlendirmek, yaratıcı düşüncenin oluşumunda katkıda bulunan bölge ve sistemlerin aktivasyon ve dinlenme sırasında nasıl bir fonksiyonel bağlantıya sahip olduklarını açıklamaktır. Yöntem: Çalışmaya 20-35 yaş arası, kendilerinde ve ailelerinde herhangi bir psikiyatrik bozukluk bulunmayan, en az lise mezunu, 30 sağlıklı gönüllü katılımcı dahil edilmiştir. Tüm katılımcıların MR taramaları Ege Üniversitesi Hastanesi 3T MR ünitesinde daha önce test edilen, çalışmaya en uygun parametreler kullanılarak yapılmıştır. Her katılımcı için yapısal olarak 3D-T1 ağırlıklı MP-RAGE ve 60 yönlü dwMRI, fonksiyonel olarak ise gözler kapalı 9 dakikalık rsfMRI ve "Analoji Tabanlı Usavurma" görevi sırasında BOLD fMRI görüntüleri elde edilmiştir. Tüm görüntüler kalite kontrolü ve ön işlemlerden geçirildikten sonra, fonksiyonel görüntüler üzerinde Freesurfer yazılım paketi ile "Semantik Uzaklık" kullanılarak parametrik modülasyon analizleri ve dinlenme halinde iken CONN MATLAB paketi ile ROI- ROI bağlantı analizleri yapılmıştır. Difüzyon ağırlıklı görüntülerde ise yine her Ikatılımcı için FSL-ProbtrackX-Tracula yazılımları ile global probabilistik traktografi yapılmış ve fonksiyonel verilerde elde edilen kortikal yüzeylerin bağlantıları analiz edilmiştir. Kullanılan tüm yazılımlar ve araçlar açık kaynak kodlu olup modaliteler arası maksimum uygun hale getirmek için herbirinde gerekli düzenlemeler yapılmıştır. Bulgular: "Analoji Tabanlı Usavurma" görevi sırasında semantik uzaklığın artmasıyla görevde daha iyi performans gösteren bireylerin sol hemisfer gri madde yüzeyinde Intraparietal Sulcus, Anterior Cingulate Cortex-Ventral bölümü, Middle Frontal Gyrus, sağ hemisfer gri madde yüzeyinde Anterior Cingulate Cortex-Ventral bölümü alanlarında, subkoritkal analizlerde ise sağ ve sol Caudate Nucleus'ta, tüm beyin hata düzeltmelerinden sonra anlamlı BOLD sinyal korelasyonu saptandı.. Görevde daha başarılı olan katılımcıların dinlenme sırasında sol IPS ve sağ Inferior Frontal Junction kortikal bölgeleri arasında fonsiyonel korelasyon bulunduğu saptandı (T=4.77, p<.0221). Difüzyon görüntülerinde 16 ana beyaz madde yolağında yapılan global probabilistik analizler sonucunda görev performansı ile bu yolaklar arasında anlamlı bir korelasyon bulunamamıştır. Ancak beyaz madde yüzeyinde ROI tabanlı probabilistik traktografi analizlerine uygulanan Çizge Teorisi sonucu, sol hemisfer Medial OFC, Pars Orbitalis ,ACC Rostral, Amigdala ve sağ hemisferde Pars Triangularis, Precentral Gyrus, Postcentral Gyrus, Superior Frontal Gyrus ve Cuneus'ta görev başarısıyla anlamlı korelasyon bulunmuştur. Sonuç: Yaratıcı düşünce ve usavurmanın daha önceki çalışmalarda da belirlenen kortikal bölgelerin daha aktif kullanılmasıyla daha başarılı hale geldiği görülmektedir. Çalışmamız bu bilgilere dinlenme halindeki fonksiyonel bağlantı ve traktografi sonuçlarını ekleyerek yaratıcı düşüncenin salt aktivasyonun yanında ağ özellikleri açısından da ayırt edilebilir bileşenlerini göstermesi açısından oldukça önemlidir. Önümüzdeki çalışmalarda bu bölgelerin tekil bağlantılarının da incelip daha detaylı bir ağ haritası çıkarılması hedeflenmektedir.
Classification using spiking neural networks
The functioning of the brain has attracted the interest of people since ancienttimes, how it processes the data has always became a subject of wonder and today,the mystery has still not been solved completely. The major developments in this areaoccurred in the last century with the enhanced knowledge of neuron functioning anddevelopment of more complicated and detailed neuron models. Consequently, the artificialneural networks which are designed as modeling the biological neurons becomea significant area of Artificial Intelligence. Biological neurons transmit information byusing sudden and short voltage increases called action potentials or spikes. SpikingNeural Networks are modeled just like biological neurons and use time informationto fire these spikes. The most important features that distinguish Spiking NeuralNetworks - that are also called third generation neuron models - from the previousgenerations are processing the time information as spikes and keeping multiple connectionsin between consecutive neurons. Eventhough computational complexity andtraining time increases, spiking neural networks are very important because they havegreater biological similarities and solve real world problems. The main purpose of thisthesis is to clear that spiking neural networks can be used in classification problems,back-propagation algorithm can be used to train, in this way, real time datasets canbe classified successfully.
Similarity and consistency analysis of functional connectivity maps
Functional connectivity (FC) refers to statistical relations of activations of dis- tinct neuronal populations without any reference to causal or anatomic connections. One of the problems in FC studies is, to interpret the resultant FC matrix and only few studies in the literature have focused on consistency and temporal variability of FC networks. In this study functional near infrared spectroscopy (fNIRS) signals were recorded from prefrontal cortex (PFC) of 12 healthy subjects during a stroop test. Mutual information was used as a metric to determine functional connectivity between PFC regions. 2D correlation based similarity measure was used as a method to analyze within-subject and inter-subject consistency of FC maps, and how they change in time. How functional integration changes during to stroop test session was also investigated, using a graph-theoretical metric "global efficiency". It was found that within-subject consistency (0.61 ± 0.09) is significantly higher (p < 0.001) than inter-subject con- sistency (0.28 ± 0.13). Within-subject consistency was not found to be task-specific. Results also revealed that there is a gradual change in FC patterns during stroop ses- sion for congruent and neutral tasks, where there is no such trend in the presence of an interference effect (incongruent task). Finally it was found that, the changes in global efficiency of the FC networks during the stroop test session exhibit a parallel trend. One of the results of these findings is that it is feasible to study consistency, inter- subject variability and temporal changes in functional connectivity during a cognitive task with fNIRS.
Unsupervised routing strategies for conditional deep neural networks
Deep convolutional neural networks are considered state-of-the-art solutions due to their high classification performance in image classification tasks. The apparent drawback is the amount of computing power required to process a single input. To deal with this, this thesis proposes a conditional computation method that learns to process an input using only a subset of the network's computation units. Learning to execute only a part of a deep neural network by routing individual samples has several advantages. Firstly, it is beneficial to lower the computational burden. Furthermore, if images with similar semantic features are routed to the same path, that part of the network learns to discriminate finer differences among this subset of classes, resulting in improved classification accuracy with fewer parameters and computational resources. Investigating the network's activation on a single sample can also help interpret the neural network's prediction. Several works have recently exploited this idea using tree-shaped networks or taking a particular child of a node and skipping parts of a network. In this thesis, we follow a trellis-based approach for generating specific execution paths in a deep neural network. We have also designed a routing mechanism that uses unsupervised differentiable information gain-based cost functions to determine which subset of units in a layer block will be executed for a sample. We call our method Conditional Unsupervised Information Gain Trellis (CUTE). We tested the clustering performance of our unsupervised information gain-based objective function under different scenarios. Finally, we tested the classification performance of our trellis-shaped CUTE network on the Fashion MNIST dataset. We show that our conditional execution mechanism achieves comparable or better model performance than unconditional baselines, using only a fraction of the computational resources.
Spatiotemporal graph convolutional neural networks for motor imagery EEG classification
Electroencephalography (EEG) has various applications in medicine, neuro-science, and neural engineering. It records the electrical activity of the brain tissues caused by the interaction among different neuronal communities. Numerous algorithms for the automatic classification of EEG signals have been developed. These algorithms work via extracting unique and non-redundant features from EEG signals. However, the majority of the proposed algorithms employ temporal components of EEG signals while disregarding the rich spatial network structure that underlies in the EEG. In this study, we propose a classification pipeline that uses the network structure of EEG data for a simultaneous representation of spatial and temporal features in the EEG signals. First, graph theory is utilized to model the EEG networks in two spatial domains; i) the sensor space and ii) the cortical source space. Second, a spatiotem-poral graph convolutional neural network (STGCNN) classification model is employed combining both temporal and spatial features of EEG data for its classification under motor imagery conditions. Additionally, the model is tested using the cortical source space data in each of the seven resting state brain networks individually to estimate their performance on classification accuracy. The results show that STGCNN model performs slightly better than the temporal convolutional neural network (CNN) models by 1.25%.
Beyin BT görüntülerinden inme tespiti ve sınıflandırılması için gürültü azaltma yöntemleri
Halk arasında inme ya da felç olarak bilinen hemipleji, beynin çeşitli sebeplerden dolayı herhangi bir bölümünün beslenememesi sonucu bölgedeki hücrelerin ölmesi olayına denir. Dünyada ölüm nedenleri arasında ikinci sırada yer almaktadır. Bununla birlikte DSÖ'ye göre her yıl 15 milyondan fazla insana inme tanısı konmakta, 5 milyon insan inme sebebiyle hayatını kaybetmektedir. İnmede zaman en önemli faktördür. İnme etkisinin zamana bağlı olarak artması hem hastanın sağlığı hem de uygulanabilecek tedavi çeşitliliği açısından kritik bir değer taşımaktadır. Bu sebeple inmenin en hızlı şekilde tespiti hastalığın tedavisi açısından önem arz etmektedir. Tıbbi görüntüleme yöntemleri; hastalıkların teşhisinde, tedavinin seyrinde çok önemli bir yer tutmaktadır. Hekim, radyolog veya karar verici, radyolojik görüntüler üzerinden hastalığı tespit edip, hastalığın seyri, olası tedaviler ve yaklaşımlar hakkında değerlendirmelerde bulunmaktadır. Bilgisayarlı Tomografi (BT), inme hastalığının tespitinde kullanılan tıbbi görüntüleme yöntemlerinden biridir. Tüm tıbbı görüntüleme yöntemlerinde olduğu gibi BT görüntülerinin çekimlerinde çekim kalitesini bozan kirlilik/gürültüler ortaya çıkmaktadır. BT görüntü üzerindeki bu gürültü kimi zaman radyolog ya da karar vericiyi hem hastalığın tanısında hem de ileri tetkiklerinde yanıltabilmektedir. Bu sebeple BT görüntülerinden bu gürültünün temizlenmesi, bu projenin motivasyon kaynağı olmuştur. Genel olarak inme, tıkayıcı (iskemik) ve kanamalı (hemorajik) olmak üzere ikiye ayrılır. Bu çalışmada kanamalı inme özelinde bilgisayarlı tomografi görüntülerinde gürültüyü azaltarak söz konusu medikal görüntüleri daha iyi hale getirip, görüntülerin inme var/yok sınıflandırılmasında yapılan gürültü temizleme işleminin etkisi araştırılmıştır. Çalışmada incelenen gürültü temizleme metotları; uzamsal alan filtrelerinden Medyan ve Gauss filtresi, dönüşüm alan filtrelerinden Wiener filtresi ve Dalgacık Dönüşümüdür. Çalışmada Kuzey Amerika Radyoloji Derneği (KARD) tarafından düzenlenen yarışmada paylaşılan veri setinden faydalanılmıştır. Elde edilen veri seti üzerinde Gauss gürültüsü 1, 5, 10, 25, 50, 75 ve 100 standart sapma seviyelerinde eklenerek adı geçen gürültü temizleme metotları ile temizlenmiştir. Gürültü temizleme performansını ölçmek için SSIM, PSNR ve MSE metrikleri kullanılmıştır. Çalışmada inmenin sınıflandırması için derin sinir ağı modellerinden ResNet50, DenseNet121, InceptionV3 ve AlexNet kullanılmıştır. Modellerin eğitilecek ağırlıkları, ImageNet ağırlıkları ve rassal olmak üzere iki farklı şekilde seçilmiştir. Sınıflandırma modellerinin başarımını ölçmek için Doğruluk, Kesinlik, Duyarlılık, AUC ve F1 Skoru kullanılmıştır. Gürültü temizleme ve model sınıflandırma performansları grafikler üzerinden değerlendirilmiş, gürültü temizleme ve model başarımları arasındaki ilişki ortaya konmuştur. Çalışma sonucunda; Gürültünün ve gürültü temizlemenin BT görüntülerini sınıflandırmada kullanılan derin sinir ağ modellerinin başarımı üzerindeki etkisi ortaya konmuştur. Gürültü, BT görüntüsünü bozmakta ve derin sinir ağlarının bilgi çıkarımını zorlaştırmaktadır. Derin sinir ağlarının başarımı gürültüyle olumsuz etkilenmiş ve düşmüştür. Gürültü temizleme metotları ile gürültünün etkisi azaltılmış ve gürültü temizleme süreci sınıflandırıcı modellerin başarımını gürültülü yapıya göre yükseltmiştir. Bu çalışma ile araştırmacılara, çalışmalarına gürültüyü ve gürültü temizlemeyi bir aşama olarak eklemeleri önerilmektedir. Model başarımlarını en iyi hale getirmek için gürültü temizleme aşamasında farklı gürültü temizleme yaklaşımlarının kullanılması, kullanılan metotların parametre optimizasyonunun yapılması, çalışmalarda farklı yaklaşımlar içeren derin sinir ağ modellerinin kullanılması ve gürültü temizlemenin bu derin sinir ağ modelleri ile test edilmesi önerilen diğer başlıklardır.
Motor performansını iyileştirmek için gelişmiş motor soğutma sistemi tasarımı
Bu çalışma kapsamında motor verimliliğini arttırmak ve emisyon seviyelerini düşürmek için yapay zekâ yaklaşımı kullanılarak çift çevrime sahip akıllı bir soğutma sistemi tasarımı ve optimizasyonu yapılmıştır. Çift çevrimli soğutma sistemi, 1.6 lt turbo beslemeli dizel bir motorda, turbo besleme sonrasında ısınan havanın ve kondenserin soğutulması için kullanılmıştır. Buradaki temel amaç; 1 boyutlu analiz, deneysel testler ve yapay zekâ sinir ağlarını kullanarak, motorun verimini arttırmak ve emisyon seviyelerini aşağı çekmektir. Su soğutmalı turbo şarj ve su soğutmalı kondenser üniteleri motordan bağımsız olarak, motor boşluğunda uygun bir pozisyonda yerleştirilmiştir. Mevcut benzer uygulamalarda ise, su soğutmalı turbo besleme üniteleri motora entegre bir biçimde tasarlanmış ve uygulaması yapılmıştır. Su soğutmalı turbo besleme ünitesinin boyut optimizasyonu için yapay sinir ağları yaklaşımı ve grafik optimizasyonu uygulanmıştır. Giriş verileri hem dinamometre hem de yol testleriyle korelasyonu yapılmış olan 1 boyutlu analiz programından elde edilmiştir. Deneysel veriler ve 1 boyutlu analiz programı verileri kıyaslandığında, bunların birbiriyle oldukça tutarlı olduğu görülmüştür. Elde edilen sonuçlara göre, 1 boyutlu model analizi, deneysel testler ve sinir ağları yaklaşımına dayanarak yapılan çift çevrimli soğutma sistemi tasarımı ve optimizasyonu ile motor verimliliği artarak düşük emisyon değerlerinin elde edildiği görülmüştür.
Makine çevirisi ile Türkçe sözel ifadelerin python sözdiziminin oluşturulması
Bu çalışmada, Türkçe sözel ifadelerin, Python programlama dilindeki söz dizimsel ifadesinin otomatik oluşturulması hedeflenmiştir. Yapılan çalışma ile Python kodunun öğrenilmesi kolaylaştırılarak hem eğitim-öğretim ortamlarında kodlama dersi veren öğretmenler için büyük bir kolaylık sağlanması hem de bu dersi alan öğrencilerin hızlı ve kolay bir şekilde kodlama öğrenme imkânı sağlanması hedeflenmiştir. Bu amacın gerçekleştirilebilmesi için yeni bir yaklaşım benimsenmiştir. İlk olarak, Türkçe sözel olarak söylenen cümleler yazıya çevrilmektedir. Yazıya çevirme işlemi, Python dilinde bulunan "speech recognition" kütüphanesi kullanılarak gerçekleştirilmektedir. İkinci olarak, yazıya çevrilen Türkçe cümleler, LSTM, BiLSTM ve GRU gibi derin öğrenme algoritmaları kullanılarak İngilizceye çevrilmektedir. Makine çevirisi yapılırken, Seq2seq mimarisini içerisinde barındıran Encoder-Decoder modeli kullanılmaktadır. Encoder-Decoder modeli, girişte Türkçe olarak aldığı cümleleri, çıkışta İngilizceye çevirmektedir. İngilizceye çevrilen cümleler, daha sonra GPT-3 modeline girdi olarak verilmektedir. GPT3 modeli, kendine gelen İngilizce cümleyi alarak Python kodunu üretmektedir. Çalışmanın son kullanıcılar tarafından da kullanılabilmesi amacıyla "Django" ve "PyQt5" kütüphaneleri kullanılarak hem web tabanlı hem de Windows tabanlı uygulaması geliştirilmiştir. Çalışma sonuçlarının değerlendirilmesinde BLEU, METEOR ve TER metrikleri kullanılmıştır. Çalışma sonucunda, BiLSTM modeli, tüm metriklerde diğer modellere göre daha yüksek skorlar üretmeyi başarmıştır.
Geri yayılımlı birlikte evrim ile iyileştirilmiş derin sinir ağları kullanılarak yol çatlak tespiti
Çatlaklar trafik yükleri etkisi ile alt tabakadan başlayarak kaplama yüzeyine kadar oluşan yüzeysel hasarlardır. Oluşan bir çatlak hasarının büyümeden tespit edilip gerekli bakımlarının yapılması hem yol konforuna hem de bakım için yapılacak harcamalara olumlu olarak katkıda bulunmaktadır. Bu çalışmada yol üzerinde bulunan çatlakları gerçek zamanlı ve yüksek doğrulukta tespit etmek amaçlanmıştır. Bu kapsamda Geri Yayımlı Birlikte Evrim yaklaşımıyla İyileştirilmiş Derin Sinir Ağları ve görüntü işleme yöntemlerini birlikte kullanılmıştır. Çalışmada çeşitli sayıda ve boyutta çatlak görsel verileri içeren EdmCrack600, AsphaltCrack, CFD ve CrackSegmentation veri setlerinden yararlanılarak yeni bir veri seti elde edilmiş ve bu veri seti üzerinde Derin Sinir Ağları tabanlı öğrenim gerçekleştirilmiştir. Görüntü işleme teknikleri sayesinde ise çatlak tespiti yapılan görsel içerisinden çatlak olmayan nesneler arındırılmış ve çatlağın kabaca konumunu gösteren siyah-beyaz bir resim elde edilmiştir. Son olarak kabaca konumu belirlenmiş çatlak üzerinde en iyi öğrenme gerçekleştirmiş ağ yapısına ait parametreler kullanılarak alan bazlı çatlak tespiti yapılmıştır. Modelin doğruluğu CFD veri seti kullanarak Keskinlik, Duyarlılık ve F1-Score kriterleri ile değerlendirilmiştir. Değerlendirme sonucunda, önerilen yöntem maksimum saniyede 48 görsel üzerinde çatlak tespiti yapabilirken %92,74 Kesinlik, %88,92 Duyarlılık ve %89,61 F1-Score başarı yüzdelerine erişebildiği gözlenmiştir.
Endüstriyel otomasyon sistemlerinde yapay zeka yöntemleri ile arıza tespiti
Bu tezde; gerçek üretim hatlarından toplanan veri kümelerinin, yapay zeka yöntemleri ile değerlendirilerek otomasyon sistemlerindeki arızaların tespiti üzerine çalışılmıştır. Üretim hatlarından toplanan bu veri kümeleri; Endüstri 4.0 ile birlikte hayatımıza giren "Internet of Things" ve "Big Data" kavramları doğrultusunda elde edilmiş gerçek verilerdir. Elde edilen bu veriler bir yapay sinir ağı algoritması olan perceptron, Rastgele Orman (Random Forest) algoritması ve Gradient Boosting (GBM) algoritmaları kullanılarak işlenmiş ve sistem arızaları sınıflandırılmıştır. Kullanılan yapay zeka yöntemlerinin performansları analiz edilerek seçilen örnek modele en uygun sınıflandırma yöntemi belirlenmiştir. Bu tez çalışması ile yapay zeka yöntemlerinin endüstriyel otomasyon sistemlerinde oluşan arızaların tespitinde başarılı bir şekilde kullanılabileceği gösterilmiştir.
Finansal başarısızlığın öngörülmesinde yapay sinir ağı kullanımı ve ampirik bir uygulama
Finansal başarısızlığın öngörülmesi tüm bilgi kullanıcılarını yakından ilgilendiren bir konudur. Finansal başarısızlığı öngörmek amacıyla finansal oranları değişken olarak kullanan çok sayıda model içinde, çok değişkenli ayırma analizi en yaygın kullanılan istatistik tekniktir. Bununla beraber ayırma analizinin, ancak dayandığı varsayımlar gerçekleştiğinde doğru sonuçlar üreteceği söylenebilir. Yapay sinir ağı sahip olduğu avantajlar nedeniyle, finansal başarısızlığın öngörülmesinde kullanılabilecek alternatif bir teknoloji durumundadır. Bu çalışmada; finansal başarısızlığı öngörme konusunda ayırma analizi tekniği ve yapay sinir ağı teknolojisi karşılaştırılmış, yapay sinir ağının finansal başarısızlığı öngörmede daha başarılı olduğu görülmüştür.ANAHTAR KELİMELER: 1. Finansal başarısızlık 2. Yapay sinir ağları
Uçucu gazları algılayıcı QCM sensör dizi verilerini bilgisayar ortamında tanı yöntemleri
Kimyasal sensör dizileri; uçucu analitlerin analizinde önemli bir role sahip olmuştur. Değişik diziler; geniş duyarlılık profillerinin çakıştığı veriyi toplarlar. Bunların sağlam veri analizlerine ihtiyaçları vardır, adreslenen problemleri çözmek için sıklıkla numune tanıma metotlarını ilgilendirirler. İstatistik yaklaşım; geleneksel olarak formüle edilen numune tanımalardaki sayısız yapılar arasında en yoğun çalışılanı ve pratikte en çok kullanılanıdır. Daha yakınlarda istatistik öğrenme teorisinden alınan yapay sinir ağı teknikleri ve metotlarında önemli bir artış görünmüştü. Bir tanıma sisteminin tasarımında şu noktalara dikkat edilir: numune sınıflarının tanımlaması, çevresel algılama, numune tanıtılması, özellik çıkarımı ve seçimi, küme analizi, sınırlandırıcı tasarımı ve öğrenmesi, eğitme ve test örneklerinin seçimi ve performans değerlendirmesi. Bu alanda, yaklaşık 50 yıllık araştırma ve gelişmeye rağmen, kompleks numuneleri keyfi yönlendirmeyle, yerleştirme ve ölçü ile tanımlama genel problemi hala çözülememiştir. Bu çalışmada; uçucu analitlerin algılanması ve tanınması aşamalarında kullanılan, iyi bilinen metotları gözden geçirmek ve karşılaştırmak amacımızdır. Anahtar Kelimeler: Hata Tahmini, Kimyasal Sensör Dizisi, Numune Tanıma, Özellik Seçimi Sınıflandırma, Sinir Ağları.
A hybrid approach for data classification based on mathematical modelling and improved online learning algorithm for general fuzzy min-max neural network
The Fuzzy Min-Max Neural Network (FMNN) is a machine learning algorithm that utilizes hyper-boxes for classification and clustering tasks. It is built using hyper-box fuzzy sets, which allow for the representation of fuzzy data. This makes FMNN particularly effective for handling uncertain and imprecise data. Both the FMNN classification and clustering are based on this concept, making it a powerful tool for a variety of applications. Mixed integer programming models can offer improved performance and global optimality compared to other methods, but they are limited in their ability to handle large datasets because of the presence of binary variables and can be difficult to solve optimally. In this thesis, we aim to enhance the MILP model proposed by a well-known publication by providing an initial solution. This thesis presents a new hybrid approach that integrates mixed integer linear programming (MILP) and an improved online learning algorithm for general FMNN (IOL_GFMM). The IOL_GFMM method is employed to generate initial hyper-boxes to enhance the efficiency of the MILP model. The new hybrid approach is tested on both real and artificial datasets and has been shown to be efficient. The new hybrid approach significantly speeds up training time by up to 76 times and reduces the number of misclassified data by up to 17 times.
Kompleks değerli yapay sinir ağlarının veri sınıflandırma problemlerindeki başarım analizi
Yapay sinir ağları veri işleme ve sınıflandırma çalışmalarında sıklıkla tercih edilen bir yöntemdir. Sinir hücrelerinin iletim modelinden esinlenerek oluşturulmuş bu yöntem, nöronların farklı dizilim ve bağlantılarla çıktı oluşturduğu matris cebir gösterimidir. Öğrenme aşamasında hedef çıktılara göre eğitilen yapay sinir ağları, farklı ağ modelleri ile geniş yelpazede veri desenine uygulanabilmektedir. Kompleks değerli sayı uzayıyla işlem yapan ağ modelleri de kompleks değerli yapay sinir ağları olarak isimlendirilmektedir. Bu çalışmada UCI veri deposunda erişime açık olarak bulunan medikal bir veri seti olan kardiotokogram veri seti ve görüntü işleme algoritmalarında kullanılan deri bölütleme veri seti kompleks değerli yapay sinir ağı modeli ile sınıflandırılmıştır. Modelin başarımı tahmin doğruluğu, duyarlılık ve özgüllük kriterleri kullanılarak incelenmiştir. Bu tez çalışmasında elde edilen sonuçlar kompleks değerli yapay sinir ağı modelinin kardiotokogram ve deri bölütleme veri setlerinin sınıflandırılmasında başarılı bir biçimde uygulanabileceğini göstermiştir.