Yazar "Tezel, Gülay" seçeneğine göre listele
Listeleniyor 1 - 5 / 5
Sayfa Başına Sonuç
Sıralama seçenekleri
Öğe Biyomedikal işaretlerin yeni bir adaptif aktivasyon fonksiyonlu yapay sinir ağı ile sınıflandırılması(Selçuk Üniversitesi Fen Bilimleri Enstitüsü, 2007-08-10) Tezel, Gülay; Özbay, YükselBu tez çalışmasında, yeni bir yapay sinir ağı (YSA) yaklaşımı olarak, gizli katman düğümlerinde serbest parametreli adaptif aktivasyon fonksiyonu kullanan adaptif aktivasyon fonksiyonlu YSA (AAFYSA) algoritması tasarlanmıştır. Tasarımı yapılan bu algoritma geliştirilmiş, Matlab programlama dili ile üç tane AAFYSA modellerinin (AAFYSA-1, AAFYSA-2 ve AAFYSA-3) ve geleneksel çok katmanlı YSA (ÇKYSA) algoritmasının yazılımı gerçekleştirilmiştir. ÇKYSA yazılımının yapılmasında AAFYSA ile eşit koşullarda karşılaştırma amaçlanmıştır. AAFYSA ve ÇKYSA yazılımlarının gerçekleştirilmesinde, YSA formülasyonlarına uygun biçimde yeniden komutlar ve fonksiyonlar oluşturularak programları yazılmıştır. AAFYSA modelleri arasındaki fark gizli katmanlarında kullanılan adaptif aktivasyon fonksiyonlarıdır. AAFYSA-1 modelinin gizli katman düğümlerinde serbest parametreli sigmoid fonksiyonu, AAFYSA-2 modelinin gizli katman düğümlerinde ise serbest parametreli sigmoid fonksiyonu ile serbest parametreli sinüs fonksiyonunun toplamı kullanılmıştır. Morlet dalgacık fonksiyonuna serbest parametreler ekleyerek YSA'nın aktivasyon fonksiyonu olarak kullanma fikri ilk defa bu çalışmada ileri sürülerek AAFYSA-3 modelinin gizli katman düğümlerinde kullanılmıştır. Geliştirilen YSA'lar öğrenme açısından karşılaştırıldığında ağ bilgileri, geleneksel ÇKYSA'da ağırlık vektörlerinde saklanırken AAFYSA'da hem ağırlık vektörlerinde hem de aktivasyon fonksiyonunun serbest parametrelerinde saklanmaktadır. Tasarlanıp geliştirilen ve yazılımları yapılan AAFYSA modelleri ve geleneksel ÇKYSA modeli sınıflama problemlerine uygulanmıştır. Uygulamaya ilk olarak, standart bir problem olarak kabul edilen XOR problemiyle başlanmış, daha sonra, AAFYSA modelleri ile ilk defa EKG ve EEG verilerinin sınıflandırılması problemleri üzerinde durulmuştur. Ayrıca EEG verilerinde özellik çıkartılmasının AAFYSA başarısına etkisi araştırılmıştır. Yapılan uygulamalarda, genelde % 99.9 eğitme başarısı hem ÇKYSA hem de AAFYSA modelleri için elde edilmiştir. Fakat AAFYSA kullanıldığı zaman, ağın eğitme zamanının ve iterasyon sayısının geleneksel ÇKYSA'ya göre daha az olduğu görülmüştür. Ayrıca, aynı eğitme ve test başarısına AAFYSA'nın gizli katmanında daha az düğüm sayısı ile ulaşılabilmiştir. Sonuç olarak AAFYSA'nın ÇKYSA'ya göre hedefe daha iyi ve hızlı yakınsadığı, bunda da aktivasyon fonksiyonunun adaptif olmasının etkili olduğu gözlenmiştir.Öğe Epilepsy diagnosis using artificial neural network learned by PSO(2015) Yalçın, Nesibe; Karakuzu, Cihan; Tezel, GülayAbstract: Electroencephalogram (EEG) is used routinely for diagnosis of diseases occurring in the brain. It is a very useful clinical tool in the classification of epileptic seizures and the diagnosis of epilepsy. In this study, epilepsy diagnosis has been investigated using EEG records. For this purpose, an artificial neural network (ANN), widely used and known as an active classification technique, is applied. The particle swarm optimization (PSO) method, which does not need gradient calculation, derivative information, or any solution of differential equations, is preferred as the training algorithm for the ANN. A PSO-based neural network (PSONN) model is diversified according to PSO versions, and 7 PSO-based neural network models are described. Among these models, PSONN3 and PSONN4 are determined to be appropriate models for epilepsy diagnosis due to having better classification accuracy. The training methods-based PSO versions are compared with the backpropagation algorithm, which is a traditional method. In addition, different numbers of neurons, iterations/generations, and swarm sizes have been considered and tried. Results obtained from the models are evaluated, interpreted, and compared with the results of earlier works done with the same dataset in the literature.Öğe Investigation of Discontinuities Spacing Histograms by The Use Machine Learning Method(Selçuk Üniversitesi, 2012) Uzun, Yusuf; Turanboy, Alparslan; Tezel, GülayDiscontinuities are major geological features in the rock mass and discontinuity spacing is one of the important parameters in describing the rock mass. Relation between discontinuity spacing and relative spacing has described by different curve fittings. These curve fittings will show the type (negative exponential, log-normal or normal distribution) of the statistical distribution as histograms. Discontinuity spacing and frequency data obtained at a field site in southern Seydişehir (Turkey). Sampling methods vary from one study to another (core sampling, scan-line survey, aerial photograpy). In this study, the possible distributions of discontinuity spacing along a straight line through a rock mass are considered. In this study, 5 different drilling sampling have been used. We have examined discontinuity spacing and relative spacing relations that obtained from these core sampling with using machine learning method. Machine learning, a branch of artificial intelligence, is a scientific discipline that is concerned with the design and development of algorithms that allow computers to evolve behaviors based on empirical data. Minitab (LEAD Technologies, Inc) and Weka (Waikato Environment for Knowledge Analysis) software where preferred in all analyses and interprets. Results of study, different empirical equation for each histogram have been constituted. Machine learning method has been treated on the obtained equations and reached interesting outputs.Öğe A New Method for Classification of ECG Arrhythmias Using Neural Network with Adaptive Activation Function(Academic Press Inc Elsevier Science, 2010) Özbay, Yüksel; Tezel, GülayIn this study, new neural network models with adaptive activation function (NNAAF) were implemented to classify ECG arrhythmias. Our NNAAF models included three types named as NNAAF-1, NNAAF-2 and NNAAf-3. Activation functions with adjustable free parameters were used in hidden neurons of these models to improve classical MLP network. In addition, these three NNAAF models were compared with the MLP model implemented in similar conditions. Ten different types of ECG arrhythmias were selected from MIT-BIH ECG Arrhythmias Database to train NNAAFs and MLP models. Moreover, all models tested by the ECG signals of 92 patients (40 males and 52 females, average age is 39.75 +/- 19.06). The average accuracy rate of all models in the training processing was found as 99.92%. The average accuracy rate of the all models in the test phases was obtained as 98.19.Öğe RULE LEARNING WITH MACHINE LEARNING ALGORITHMS AND ARTIFICIAL NEURAL NETWORKS(Selçuk Üniversitesi, 2012) Uzun, Yusuf; Tezel, GülayMachine learning, a branch of artificial intelligence, is a scientific discipline that is concerned with the design and development of algorithms that allow computers to evolve behaviors based on empirical data, such as from sensor data or databases. Artificial neural networks are composed of interconnecting artificial neurons (programming constructs that mimic the properties of biological neurons). Artificial neural networks may either be used to gain an understanding of biological neural networks, or for solving artificial intelligence problems without necessarily creating a model of a real biological system. In this paper, we made analysis with machine learning algorithms and artificial neural networks classification from instances in data set. Furthermore, machine learning algorithms and artificial neural networks with constituted rules.
