Uzman Si̇stemlerde Örüntü Tanima

UZMAN SSTEMLERDE RNT TANIMA:
YAPAY SNR ALARI GENETK ALGORTMALAR BULANIK MANTIK MAKNE RENMES
Tamer lmez, Zmray Dokur
UZMAN SSTEMLERDE RNT TANIMA:

YAPAY SNR ALARI GENETK ALGORTMALAR BULANIK MANTIK MAKNE RENMES
Prof. Dr. Tamer lmez, Prof.Dr. Zmray Dokur lmez .T.. Elektrik-Elektronik Fakltesi, Elektronik ve Haberleme Mhendislii Blm
T.C. STANBUL TEKNK NVERSTES REKTRL Say :
1. Bask 2009 Her hakk mahfuzdur. Kitabn sahibi .T.. Rektrldr. Bu kitabn tamam veya bir ksm .T.. Rektrlnn yazl izni alnmakszn mekanik veya elektronik bir ekilde oaltlamaz veya kopyalanamaz.
NDEKLER
BRNC BLM ...............................................................................................1 TEMEL KAVRAMLAR .....................................................................................1 1.1 KARAR VERME MEKANZMASI...........................................................2 1.2 NORMALZASYON LEM ....................................................................3 1.3 ZNTELK IKARTMA LEM ...........................................................4 1.4 BOYUT NDRGEME VE VER ANALZ ..............................................5 1.5 FANTOM ZNTELK UZAYI.................................................................6 1.6 KARAR FONKSYONLARI......................................................................8 1.7 SINIFLAYICI YAPILARI VE ETM...................................................11 1.8 MAKNE RENMES ...........................................................................13 1.9 PERFORMANS KRTERLER VE TASARIM.......................................14 PROBLEMLER: .............................................................................................15 KNC BLM ...............................................................................................17 DNM LEMLER .................................................................................17 2.1 ARETLER VE SSTEMLER ................................................................18 2.1.1 ki Boyutlu aretler............................................................................18 2.1.2 Sistemlerde Lineer ve teleme le Deimezlik ................................20 2.1.3 ki Boyutlu Sistemler..........................................................................22 2.1.4 Nicemleme ve znrlk .................................................................24 2.2 ZAMAN SERLERNDE LNEER NGR ........................................24 2.2.1 AR (Autoregressve) Modeli ..............................................................29 2.2.1.1 AR Parametrelerinin Kestirimi....................................................30 2.2.2 Kayan Ortalama (MA) Modeli ...........................................................32 2.2.2.1 teratif Parametre Kestirimi.........................................................33 2.2.3 ARMA Modeli ...................................................................................34 2.2.3.1 Parametre Kestirimi Direkt Yntem.........................................34 2.3 FOURER DNM..........................................................................36 2.4 DALGACIK DNM ......................................................................39 2.4.1 Ksa-Zaman Fourer Dnm .........................................................39 2.4.2 Srekli Dalgack Dnm...............................................................43 2.4.3 Ayrk Dalgack Dnm.................................................................45 2.5 AYRIK KOSNS DNM ............................................................51 2.6 HADAMARD DNM ...................................................................55 2.7 GRNT ANALZ TEKNKLER .......................................................57 2.7.1 ekilsel zelliklere Dayal Analizler .................................................58 2.7.1.1 Hough Dnm........................................................................64 2.7.1.2 Zincir Kodlama............................................................................66
iv
UZMAN SSTEMLERDE RNT TANIMA
2.7.1.3 Moment zellikleri .....................................................................67 2.7.1.4 ekilsel zellikler .......................................................................70 2.7.2 Dokusal zelliklere Dayal Analizler ...............................................72 2.7.2.1 Gri Seviye Dalm.....................................................................72 2.7.2.2 Komu Benek Genlik Dalm ...................................................74 2.7.2.3 Komuluk Gri-Ton Fark Matrisi .................................................74 2.7.2.4 E-Olu Matrisi............................................................................77 PROBLEMLER: .............................................................................................82 NC BLM ............................................................................................85 BOYUT NDRGEME VE VER ANALZ ...................................................85 3.1 FANTOM ZNTELK UZAYI...............................................................85 3.2 ENTROP METODLARI..........................................................................88 3.2.1 Entropinin Minimumlatrlmas ........................................................89 3.3 FISHER LNEER AYRIMI ......................................................................93 3.3.1 M Snfl Durum iin Fisher Lineer Ayrm .......................................97 3.4 KARHUNEN-LOEVE GENLETMES (KLG).....................................98 3.4.1 Karhunen-Loeve Dnm ..............................................................99 3.5 TEKL DEER AYRITIRMASI (TDA)..............................................102 3.6 ZNTELKLERN DORUDAN SELEREK SIRALANMASI......106 3.6.1 Dinamik Programlama Metodlar .....................................................106 PROBLEMLER: ...........................................................................................113 DRDNC BLM ....................................................................................115 SINIFLAYICILAR .........................................................................................115 4.1 KARAR FONKSYONLARI..................................................................115 4.1.1 Lineer Karar Fonksiyonlar ..............................................................117 4.1.2 Genelletirilmi Karar Fonksiyonlar ...............................................122 4.2 BAYES KARAR TEORS.....................................................................125 4.3 BEKLEME KRTER ........................................................................135 4.3.1. Basit Bir bek Aratrma Algoritmas ............................................135 4.3.2 Maksimin-Mesafe Algoritmas .........................................................137 4.3.3 k-Ortalamalar Algoritmas................................................................138 4.4 K En Yakn Komu Snflaycs .............................................................141 PROBLEMLER: ...........................................................................................143 BENC BLM...........................................................................................145 YAPAY SNR ALARI ................................................................................145 5.1 YAPAY SNR ALARININ TANIMI .................................................145 5.2 ZNTELK UZAYININ YAPAY SNR ALARI LE ......................149 BLMELENMES ..................................................................................149 5.2.1 Perceptronun znitelik Uzayn Blmelemesi...............................149
NDEKLER
5.3 YAPAY SNR ALARINDA RENME ..........................................153 5.4 DENETML YAPAY SNR ALARI .................................................153 5.4.1 ok-Katmanl A .............................................................................154 5.4.1.1 ok-Katmanl An Yaps ........................................................154 5.4.1.2 ok-Katmanl An znitelik Uzayn Blmelemesi................155 5.4.1.3 ok-Katmanl An Eitimi ......................................................159 5.4.2 Kstl Coulomb Enerji A ............................................................162 5.4.2.1 RCE Ann Yaps ....................................................................162 5.4.2.2 RCE Ann znitelik Uzayn Blmelemesi............................163 5.4.2.3 RCE Ann Eitimi ..................................................................164 5.4.3 By ve ren A...........................................................................166 5.4.3.1 GAL Ann Yaps ...................................................................166 5.4.3.2 GAL Ann znitelik Uzayn Blmelemesi ...........................166 5.4.3.3 GAL Ann Eitimi..................................................................168 5.5 DENETMSZ YAPAY SNR ALARI...............................................169 5.5.1 Kohonen A ....................................................................................170 5.5.1.1 Kohonen Ann Yaps .............................................................170 5.5.1.2 Kohonen Ann znitelik Uzayn Blmelemesi.....................170 5.5.1.3 Kohonen Ann Eitimi ...........................................................171 5.5.2 Artmsal z-Dzenlemeli Harita......................................................173 5.5.2.1 Arz Ann znitelik Uzayn Blmelemesi...........................173 5.5.2.2 Arz Ann Yaps...................................................................173 5.5.2.3 Arz Ann Eitimi .................................................................174 5.6 ETMSZ YAPAY SNR ALARI...................................................176 5.6.1 Ayrk HopfIeld A ..........................................................................176 ALTINCI BLM ..........................................................................................183 GENETK ALGORTMALAR......................................................................183 6.1 TEMEL GENETK LEMLER.............................................................183 6.2 UYUMLULUK FONKSYONUNUN MAKSMUM............................186 DEERE YAKINSAMASI ....................................................................186 6.3 BENZERLK EMASI ...........................................................................188 6.3.1 ema Teoremi..................................................................................189 6.3.2 Yapsal Blok Hipotezi ......................................................................194 6.4 AMA-UYUMLULUK FONKSYONU DNM .......................195 6.5 UYUMLULUK FONKSYONUNUN LEKLENMES ....................196 6.6 DZLERN KODLANMASI .................................................................197 6.7 UYUMLULUK FONKSYONU KISITLARI........................................199 6.8 YSALARIN GENETK ALGORTMALAR LE ETM .................206 6.8.1 ok-katmanl An Genetik Algoritmalar ile Eitilmesi .................208 6.8.1.1 GetKA ile znitelik Uzaynn Blmelenmesi ........................208 6.8.1.2 GetKAnn Yaps ...................................................................210
vi
6.8.1.3 GetKAnn Eitimi .................................................................211 6.8.2 Yarmac Alarn Genetik Algoritmalar ile Eitimi .......................213 6.8.2.1 GetYar A ile znitelik Uzaynn Blmelenmesi....................215 6.8.2.2 GetYar Ann Yaps ................................................................215 6.8.2.3 GetYar Ann Eitimi ..............................................................216 PROBLEMLER: ...........................................................................................220 YEDNC BLM ..........................................................................................223 BULANIK MANTIK.......................................................................................223 7.1 BULANIK KME TEORS ..................................................................223 7.1.1 yelik Fonksiyonlar ........................................................................225 7.1.2 Bulank karm ...............................................................................226 7.1.3 Bulank Denetim...............................................................................227 7.1.3.1. Bulank Mantk Denetleyicinin Yaps .....................................228 7.2 BULANIK SINIFLAYICILARDA ETM..........................................233 7.2.1 Bulank k-Ortalamalar Algoritmas ..................................................233 7.2.2 Bulank Kohonen bekleme Algoritmas .......................................235 7.3 BULANIK SINIFLAMA KARARININ RETLMES ........................237 7.3.1 Bulank K-En Yakn Komu Snflaycs ........................................237 7.3.2 Bulank En Yakn Prototip Snflaycs ...........................................239 PROBLEMLER: ...........................................................................................241 SEKZNC BLM ......................................................................................243 MAKNE RENMES ................................................................................243 8.1 KAVRAMLARI RENME .................................................................244 8.1.1 Hipotezleri Genelden zele Sralama ..............................................245 8.1.2 Maksimal zel Hipotezi Bulma (FInd-S).....................................246 8.1.3 Aday Eleme Algoritmas .................................................................247 8.2 DURUM UZAYINDA ARATIRMA....................................................253 8.2.1 Terminoloji ve rnek Problem.........................................................253 8.2.2 Derinlik ncelikli (Depth-First) Aratrma ..................................256 8.2.3 Genilik ncelikli (Breadth-First) Aratrma ...............................257 8.2.4 En yiyi ncelikle (Best-First) Aratrma.....................................258 8.3 KURALLAR KMESN RENME ..................................................258 8.3.1 Adm Adm Kapsama Algoritmas ...................................................259 8.3.2 Bir_Kural_ren Algoritmas ..........................................................260 8.3.3 Birinci Mertebeden Kurallar renme............................................262 8.4 KARAR AACINI RENME ............................................................266 8.4.1 rnekler zerinde Entropi lsnn Kullanm ............................268 8.4.2 Tmevarmsal Karar Aac (ID3) Algoritmas ................................270 8.5 TAKVYEL (REINFORCEMENT) RENME ..............................273 8.5.1 Tecrbenin Oluturulmas ................................................................273
NDEKLER
vii
8.5.2 Q Fonksiyonu ...................................................................................275 8.5.3 Q renmesi.....................................................................................277 8.6 KEF YOLUYLA RENME.............................................................278 8.6.1 Durum Vektrleri ile likinin Kefedilmesi ....................................279 8.6.2 Graf Yoluyla likinin Kefedilmesi ................................................281 8.7 BENZERLKLER RENME .............................................................284 8.7.1 Benzerlikleri renmede Temel Tanmlar.......................................284 8.7.2 Benzerlikleri renme Algoritmas .................................................287 8.8 PROLOG PROGRAMLAMA ................................................................291 8.8.1 Prolog Programlada girii Verileri ...................................................291 8.8.2 Prolog Derleyicisinin Programlar altrmas ...............................292 8.8.3 Prologta nemli Program Yazm ekilleri .....................................294 PROBLEMLER: ...........................................................................................298 KAYNAKLAR .................................................................................................301 CEVAP ANAHTARI.......................................................................................305 NDEKS............................................................................................................325
viii
SMGE LSTES
x = ( x1 , x2 ,....xn )
f = ( f1 , f 2 ,....xn ) x = ( x1 , x2 ,....xn ) u(t) v(t), y(t) K(.), Ki Si, si D, d I(n1,n2), I(x,y) FI (k1 ,k2 ) h(n1 , n2 ) h( k ) m p,q
ndirgenmi znitelik vektr
znitelik vektr Snflayclarn ve yapay sinir alarnn girii Bir boyutta giri iareti Bir boyutta k iaretleri Karar yzeyinin ifadesi i-inci snfn etiketleri Mesafe ifadeleri ki boyutlu grnt dizileri ki boyutlu grnt dizisinin Fourier katsaylar ki boyutta szge transfer fonksiyonu Tek boyutta szge transfer fonksiyonu ki boyutta moment katsaylar
p ( f si ) p( x ) Cf Cx
Koullu olaslk younluu
i ui
Af wij
x vektrnn olaslk younluu Giri vektrlerinin Kovaryans matrisi Dnm sonucu oluan vektrlerin Kovaryans matrisi zdeerler i zdeerinin zvektr Giri vektrlerine ait snflar-aras salm matrisi
Snflayc veya yapar sinir alarnda dm arlklar Dm arlk vektr ema Bulank kmede yelik fonksiyonu yelik derecesi Hipotez Sembolik mantkta bir durum Literal zellik vektr
wi
F ij
H du L = (1 ,2 ,....n )
EKL VE TABLO LSTES

EKL 1.1 Karar verme mekanizmas. EKL 1.2 ki-boyutlu rnek znitelik uzay ve snflarn dalm. EKL 1.3 Karar verme mekanizmasnn bileenleri. EKL 1.4 ki-boyutlu fantom znitelik uzaynda snflarn dalm. EKL 1.5 ki-boyutlu fantom uzaydan elde edilen alt-kme. EKL 1.6 Dorularla snf snr erisini oluturma. EKL 1.7 Minimum mesafe ls ile snf snrlarnn oluturulmas. EKL 1.8 ki-boyutlu fantom uzayn eitlik (1.6) kullanlarak snflanmas. EKL 1.9 Parametrelerin eitimle deiimi. Noktal izgiler, nceki iterasyonlarda bulunan hatal snr dorularn gstermektedir. EKL 2.1 I(m, n) dizisinin iki boyutta gsterilimi. EKL 2.2 (m, n) darbesi. EKL 2.3 I(m, n) ve h(m, n) dizilerinin konvolsyonu [1]. EKL 2.4 I(m, n) dizisi zerinde nicemlemenin etkisi :a) 6 ikili/benek, b) 4 ikili/benek, c) 2 ikili/benek ve d) 1 ikili/benek. EKL 2.5 Grnt znrlnn etkisi: a) 256256 benek/ereve bykl, b) 128128 benek/ereve bykl, c) 6464 benek/ereve bykl ve d) 3232 benek/ereve bykl. EKL 2.6 Transfer fonksiyonu modeli. EKL 2.7 ARMA (autoregressive moving average) modeli. EKL 2.8 AR ve MA modelleri. EKL 2.9 Frekans spektrumu. EKL 2.10 eitli grntlere ait frekans spektrumlar EKL 2.11 Orijinal u(t) iareti. EKL 2.12 u(t)nin frekans spektrumu. EKL 2.13 Duraan olmayan bir iaret. EKL 2.14 2.13deki iaretin frekans spektrumu. EKL 2.15 2.13deki duraan olmayan iaretin ksa-zaman Fourier dnm [5]. EKL 2.16 2.13deki iaretin srekli dalgack dnm [5]. EKL 2.17 Dalgack aac. h(n), alak geiren; g(n) ise yksek geiren filtreleri gstermektedir. EKL 2.18 (a) Daubechies-2 dalgack fonsiyonu, (b) lek fonksiyonu. EKL 2.19 Daubechies-2 dalgacklarna ait filtrelerin frekans spektrumlar. EKL 2.20 Normal EKG vurusuna ait dalgack dzlemi. EKL 2.21 EKG aretine ait dalgack katsaylar. EKL 2.22 Dalgack dnmnn iki boyutlu grntler zerinde kullanm. i. seviye yatay ayrnt;
i
a i,yt ,
i,di
, i. seviye dikey ayrnt;
i,k
, i. seviye
kegen ayrnt; y ise , i. seviye yaklaklk katsay matrisini gstermektedir. EKL 2.23 (a) Orjinal grnt, (b) Orjinal grntye ait dalgack katsaylar.
xii
EKL 2.24 Aynalama ilemi (N=4). EKL 2.25 Grnt iin aynalama ilemi (N1=3, N2=4) [1]. EKL 2.26 a) Orjinal grnt, b) Orjinal grntye ait ayrk kosns katsaylar. EKL 2.27 2-boyutlu kenar belirleme sistemi [1] EKL 2.28 (a) I(x,y)/ xnin I(m ,n)hx(m ,n) ile (b) I(x,y)/ ynin I(m ,n)hy(m ,n) ile yaklam [1]. EKL 2.29 Yne baml kenar belirleyiciler ile elde edilen kenar haritalar (a) Orijinal CT grnts (b) Yatay kenar belirleyici sonucu (c) Dikey kenar belirleyici sonucu (d) Ynden bamsz kenar belirleyici sonucu. EKL 2.30 Hough dnm ile oluan parametre uzay. EKL 2.31 Cisme ait eim ve kenar bilgileri [7]. EKL 2.32 Eim aralklar ve rnek bir zincir kodunun oluturulmas [7]. EKL 2.33 Temel eksen ile koordinat ekseni arasndaki a [7]. EKL 2.34 Dikdrtgensel alan bilgisinin kartlmas [7]. EKL 2.35 Dokusal zellie sahip grnt. EKL 2.36 Bir ve iki komuluklu alt pencereler. EKL 2.37 Komu beneklerin gri-tonlar ile vektr elemanlarnn oluturulmas. EKL 2.38 Seilen benek etrafnda eitli alar iin ynlerin gsterilimi. EKL 2.39 a) N tipi, b) L tipi, c) R tipi ve d) P tipi vurulara ait EKG kaytlar. EKL 2.40 X-nl CT kafa kesit grnts. EKL 3.1 Karar verme mekanizmas. EKL 3.2 ki-boyutlu bir fantom znitelik uzaynda rnek snf dalm. EKL 3.3 Karmak bir snf dalmna sahip iki-boyutlu fantom znitelik uzay. EKL 3.4 Entropi kriteriyle sktrma ve snflama. EKL 3.5 rnek problem iin snf blgelerinin gsterilimi. EKL 3.6 rnek dalmda snflara ait vektrlerin gsterilimi. EKL 3.7 rnek dalmda bir boyutun geniletilmesi. EKL 4.1 ki snfl dalm iin basit bir karar fonksiyonu. EKL 4.2 Durum 1 iin karar blgeleri [13]. EKL 4.3 Durum 2 iin karar blgeleri [13]. EKL 4.4 Durum 3 iin karar blgeleri [13]. EKL 4.5 Ayrm fonksiyonlar cinsinden snflama. EKL 4.6 rnek veri kmesi. EKL 4.7 bek aratrmasnda eik deerinin seiminin etkileri. EKL 4.8 (a) Maksimin-mesafe algoritmasn aklamak iin kullanlan rnek rntler, (b) rnek ve bek merkezi tablolar EKL 4.9 rnek znitelik vektrleri. EKL 4.10 k-NN snflaycda komuluun etkisi. EKL 5.1 lem elemannn yaps [21]. EKL 5.2 Yapay sinir a [21]. EKL 5.3 Alt katmanl bir yapay sinir a [21]. EKL 5.4 (a) Perceptronun yaps, (b) Perceptronun eitimi. EKL 5.5 Giri vektrnn konumu ve eitlik (5.2)de tanmlanan dzlem. EKL 5.6 Krpc fonksiyonunun iki-boyutlu znitelik uzaynda karara etkisi. EKL 5.7 Sigmoid fonksiyonunun karara etkisi. EKL 5.8 Kernel fonksiyonunun karara etkisi.
EKL VE TABLO LSTELER
xiii
EKL 5.9 Eitim yntemlerine gre gruplandrlan baz yapay sinir alar. EKL 5.10 ok-katmanl an yaps. EKL 5.11 ki girili (n0=2), kl (n =3), katmandan oluan KA. EKL 5.12 adet doru ile blmelenmi iki-boyutlu rnek znitelik uzay. EKL 5.13 Fantom uzayn KA ile snflanma sonucu. EKL 5.14 RCE ann yaps. EKL 5.15 Hiper kreler ile snflarn temsil edilmesi. EKL 5.16 Fantom uzayn RCE ile snflanma sonucu. EKL 5.17 GAL ann yaps [23]. EKL 5.18 Dmler yardmyla snf snrlarnn oluturulmas. EKL 5.19 Fantom uzayn GAL ile snflanma sonucu. EKL 5.20 Kohonen ann yaps. EKL 5.21 Fantom uzayn Kohonen a ile snflanma sonucu. EKL 5.22 Arz ann yaps. EKL 5.23 Hopfield a. EKL 5.24 (a) Sekiz adet rnek rnt (M=8), (b)grltl 3 girii iin k rntleri. EKL 5.25 Drt bitlik A/D evirici i yaps [27]. EKL 6.1 Uyumluluk fonksiyonunu gsteren rulet tekerlei [28]. EKL 6.2 Dizilerin aprazlanmas. EKL 6.3 Uyumluluk fonksiyonunun leklenmesi. EKL 6.4 Uyumluluk fonksiyonunun negatif deerler retmesi. EKL 6.5 (a) El radyografi grnts, (b) Trde olmayan k dalmnn boyutlu grnm [31]. EKL 6.6 Noktasal bir kaynaktan kan x-nnn yakn mesafede bir rntgen filmine geliinin boyutlu gsterimi [31]. EKL 6.7 (a) Varyans grnts, (b) blge bytme sonucunda elde edilen arka plan, (c) arka plandan rneklenmi noktalar. EKL 6.8 Genetik havuz. EKL 6.9 (a) Orijinal X-n grntsnn arka plan maskelenmi boyutlu grnm, (b) k dalm dzeltilmi grntnn arka plan maskelenmi boyutlu grnm (c) orijinal grntnn histogram, (d) k dalm dzeltilmi grntnn histogram [31]. EKL 6.10 GetKAnn yaps. EKL 6.11 GetKAnn eitiminde kullanlan genetik havuz. EKL 6.12 (a) KAnn snflama sonucu, (b) GetKAnn snflama sonucu. EKL 6.13 Dmler yardmyla snf snrlarnn oluturulmas. EKL 6.14 GetYar ann yaps. EKL 6.15 GetYar ann eitiminde kullanlan genetik havuz. EKL 6.16 (a) Kohonen ann snflama sonucu, (b) GAL ann snflama sonucu, (c) GetYar ann snflama sonucu. EKL 7.1 Duru H kmesine ait yelik fonksiyonu. EKL 7.2 eitli formlarda yelik fonksiyonlar (ilevleri). EKL 7.3 Yedi ayr etiketli yelik fonksiyonlar. EKL 7.4 ki araba arasndaki uzaklk, arkadaki arabann hz ve frenleme iddeti iin yelik fonksiyonlar [33, 34].
xiv
EKL 7.5 Araba fren iddetinin denetimi rneinde fren iddetinin bulunmas [33, 34]. EKL 7.6 Bir bulank denetleyicinin temel yaps. EKL 7.7 Hata (e) ve hata deiiminin (ce) dilsel deerlerinin yelik fonksiyonlar [33, 34]. EKL 7.8 Denetim ktsnn dilsel deerlerinin yelik fonksiyonlar [33, 34]. EKL 7.9 Bulank denetleyici kurallar [33, 34]. EKL 7.10 Kohonen bekleme a. EKL 8.1 Kutu probleminin du0 balang durumuna gre zm [40]. EKL 8.2 Su oyununun elenceli olduu gnleri temsil eden karar aac [41]. EKL 8.3 (a)Durum uzaynda oluan hareket iin anlk dl (o(dut ,mt)) deerleri,(b) orantl toplamsal dl (O*) deerleri, (c) Q(dut , mt) deerleri [41]. EKL 8.4 Basn, hacim ve scaklk verileri zerinde genilik ncelikli aratrma algoritmas ile elde edilen aratrma sonular [40]. EKL 8.5 znitelikler arasndaki ilikiyi temsil eden graflar. Kesik izgiler maksimum klikleri gstermektedir [40]. EKL 8.6 Benzerlikler yoluyla renmede kullanlan bilgi domenleri [40]. EKL 8.7 Temel ve Hedef bilgi domenlerindeki durumlar ve bu durumlarn temsili [40]. EKL 8.8 Aile prolog program [42]. EKL 8.9 Prolog derleyicisinin aratrmas [42]. EKL 8.10 Listelerin aa gsterilimi. EKL 8.11 (A) kuralnn derleyici tarafndan sorgulanmas [42]. EKL p.1 fu_mous.txt dosyasna ait ilk satrlar. EKL p.2 Eitim kmesi iinden rastgele seilen vektrler. EKL p.3 Normalize edilmi (a) N tipi, (b) L tipi, (c) R tipi ve (d) P tipi vurulara ait kmeler. EKL p.4 EKG vurularna ait znitelik vektrleri. EKL p.5 Diverjans deerinin boyut saysna gre deiimi. EKL p.6 Diverjans deerinin boyut saysna gre deiimi. EKL p.7 Fantom uzayn k-NN snflayc ile snflandrlmas. EKL p.8 CT grntsnn k-NN snflayc ile snflandrlmas. EKL p.9 KAnn eitiminde iterasyona bal hata grafii. EKL p.10 Fantom uzayn KA ile snflandrlmas. EKL p.11 KAnn eitiminde iterasyona bal hata grafii. EKL p.12 KAnn eitiminde iterasyona bal hata grafii. EKL p.13 CT grntsnn KA ile snflandrlmas. EKL p.14 An parametrelerinin genetik havuzda konumlan. EKL p.15 Fantom uzayn a ile snflandrlmas. EKL p.16 An parametrelerinin genetik havuzda konumlan. EKL p.17 An parametrelerinin genetik havuzda konumlan. EKL p.18 CT grntsnn a ile snflandrlmas. EKL p.19 Fantom uzayn K-en yakn komu snflayc ile snflandrlmas. EKL p.20 Fantom uzayn K-en yakn komu snflayc ile 9 snfa bltlenmesi. EKL p.21 CT grntsnn bulank K-en yakn snflayc ile snflandrlmas. EKL p.22 En ksa mesafeden hedefe atn getirilmesi.
EKL VE TABLO LSTELER
xv
TABLO 2.1 Cisim tanm tablosu. TABLO 4.1 n ve r deikenlerine gre KAwnin deiimi [13]. TABLO 5.1 KA ile baarm sonular. TABLO 5.2 RCEnin baarm sonular. TABLO 5.3 GAL ile baarm sonular. TABLO 5.4 Baarm sonular. TABLO 6.1 rnek uyumluluk fonksiyonu [28]. TABLO 6.2 Genetik ilem sonular [28]. TABLO 6.3 Havuzda ema says [28] (a) Kopyalamadan nce, (b) kopyalamadan
sonra.
TABLO 6.4 kili olan ve olmayan alfabede kodlamalar. TABLO 6.5 kili olan ve olmayan dizi topluluklarnn karlatrlmas [28]. TABLO 6.6 rnek znitelik uzaynda KA ve GetKAnn baarm sonular. TABLO 6.7 rnek znitelik uzaynda GAL, Kohonen ve GetYarn baarm
sonular.
TABLO 8.1 Pozitif ve negatif rnekler kmesi [41]. TABLO 8.2. Su oyunlarnn elenceli olduu gnler [41].
xvi
NSZ
Yapay zeka destekli rnt (pattern) tanma konusu, teknolojik gelimelerle paralel geni bir uygulama alan bulmaktadr. Bu konudaki almalar; tpta vcut zerinden alnan biyolojik iaretlerin analizinde, cep telefonlarnda veya bilgisayarlarda ses tanma dzeneklerinde, yz veya parmak izi tanyan gvenlik sistemlerinde, grerek objeleri tanyan ve ilem yapan robot veya otomatlarda, uzaktan alglanan grntlerin analizinde, savunma amal oluturulan dzeneklerde ska gzlenmektedir. Bu kitapta yapay sinir alar, genetik algoritmalar, bulank mantk ve makine renmesi gibi yapay zeka yaklamlarnn rnt tanma konusunda kullanmlar ele alnmaktadr. Kitap iindeki her blmde rnt tanma ileminde oluturulacak karar mekanizmasna ait gerekli admlar ayrntl olarak incelenmektedir. Kitabn birinci blmden sekizinci blme kadar blm sonlarnda farkl rnek zerinde MATLAB ortamnda zlmesi istenen problemler bulunmaktadr : (i) ki-boyutlu fantom uzay, (ii) drt farkl EKG vurusu, (iii) bilgisayarl tomografi grntsnde drt farkl doku. Sekizinci blmn sonunda ise PROLOG programlama ile gereklenmesi istenen problemler bulunmaktadr. Cevap Anahtar blmnde problemlerin zmleri ve oluturulan ktlarn isimleri verilmektedir. Tm programlar ve retilen sonular, kitapla birlikte verilen CD iinde bulunmaktadr. Birinci blmde rnt uzay, bu uzaydaki rntler, rntlerin vektrel temsili (zniteliklerin belirlenmesi), vektrlerin normalize edilmesi, vektrlerin znitelik uzaynda dalm (snf tanm), karar fonksiyonlar (snflayc yaps) ve makine eitimi gibi temel kavramlar hakknda bilgiler verilecektir. znitelik kartma ilemi iin ok sayda yntem bulunmaktadr ve bu alana srekli yeni gelitirilen yntemler katlmaktadr. kinci blmde genel karakteristie sahip baz znitelik kartma yntemleri anlatlacaktr. nc blmde, kategorileri tanmlama ve kategoriler-aras ayrcl vurgulama yeteneklerine gre zniteliklerin sralanmas konusu incelenmektedir. Literatrde ska kullanlmakta olan boyut indirgeme yntemleri bu blmde ele alnacaktr. Drdnc blmde, karar fonksiyonlar, Bayes snflayc ve eitli bek aratrma yntemleri anlatlmaktadr. Beinci blmde, yapay sinir alarnn snflama amac ile kullanm anlatlmaktadr. Bu blmde znitelik uzaynda dorusal olmayan snf dalmlarnn yapay sinir alar ile temsil edilmesi incelenmektedir. Altnc blmde, ncelikle temel genetik ilemlerin bilgisayar ortamna yapay uyarlamas ve bu ilemlerin optimizasyon iindeki rolleri aklanmaktadr. Blmn sonuna doru yapay sinir alarnn genetik algoritmalar ile eitimi
xviii
konusunda bilgi verilmektedir. Yedinci blmde, nce bulank kme teorisi incelenecek ve duru kme teorisiyle arasndaki ilikiler gsterilecektir. lerleyen alt blmlerde snflayclar iin iki farkl renme algoritmas aklanacaktr: Bulank bek-ortalama ve bulank Kohonen bekleme algoritmas. Blmn sonunda ise bulank en yakn prototip ve bulank K-en yakn komu snflayclar anlatlacaktr. Sekizinci blmde sembolik sreler ve yapay zeka algoritmalar zerinde durulmaktadr.Yapay zeka sistemlerinde kavramlar renme, durum uzaynda aratrma, kurallar kmesini renme, karar aacn renme, takviyeli renme, keif yoluyla ve benzerlik yoluyla renme konularnda bilgi verilmektedir. Ayrca blm sonunda, incelenen kavramlarn pratik gereklenmesi iin PROLOG programlama ile ilgili temel bilgiler verilmektedir. Bu kitabn, rnt tanma konusuna ilgi duyan okuyucularmza faydal olmasn diler, kendilerinden gelecek neri ve eletiriler iin imdiden teekkr ederiz. Bilimsel almalarmzn ekillenmesi ve olgunlamasnda nemli katklar bulunan deerli hocalarmz Prof. Dr. Erturul Yazgan ile Do. Dr. Mehmet Korreke ve aratrma grevlileri yk. mh. Ayhan Yksel ile yk. mh. Zafer cana teekkr ederiz. zerimizde byk emekleri olan,daimi ilham kaynamz sevgili ailelerimize de en iten teekkrlerimizi sunarz. stanbul, 2009 Tamer lmez ve Zmray Dokur lmez
BRNC BLM TEMEL KAVRAMLAR

Bu blmde rnt (pattern) uzay, bu uzaydaki rntler, rntlerin vektrel temsili (zniteliklerin belirlenmesi), vektrlerin normalize edilmesi, vektrlerin znitelik uzaynda dalm (snf tanm), karar fonksiyonlar (snflayc yaps) ve makine eitimi gibi temel kavramlar hakknda bilgiler verilecektir. Karar verme amacyla bilgisayarda gelitirilen algoritmalardan evremizde gelien tm olaylara insan gibi cevap vermesini bekleyemeyiz. rnt tanmada, eitim ve tanma ilemine balamadan nce rntlerin doasna bal olarak evremizde gelien olaylar gruplandrmamz gerekir. Ses iaretinden konumaclar tanma, konuulan kelimeleri tanma, kamera karsndaki objeleri tanma ilemlerinin her biri ayr bir konu olarak ele alnacaktr. Karar verme amacyla gelitirilen algoritmalar, genellikle seilen bir konu iindeki rntler hakknda karar retecektir. rnt uzay; tanma ileminde seilen konuyu (ama), bu uzaydaki rntler ise varl sorgulanan bilgileri temsil etmektedir. rnt uzayn ve rntleri birlikte aklamak amacyla birka rnek verelim: Konuma tanma ilemi, al, kapan gibi komutlar; biyolojik iaretlerin tannmas ilemi, normal ve hastalk belirtisi ieren iaretler; yryen hat zerindeki cisimlerin kamera ile tannmas ilemi, somun, vida gibi cisimler; tarayc ile oluturulan dkman grntsnden karakter tanma ilemi, rakamlar ve harfler; rnt uzay ve bu uzaydaki rntleri temsil etmektedir. Dikkat edilecek olursa rnek olarak verilen drt konuda da ama farkldr. Bilgisayarlarn rntleri alglayabilmesi iin bu uzaydaki her bir rntnn, bilgisayarn ileyebilecei bir vektrel form ile temsil edilmesi gerekmektedir. ncelenen her konu iin vektrler, farkl bir dnm yntemi kullanlarak oluturulacaktr. rntler, dnm yapldktan sonra bilgisayarn ileyebilecei forma gelmektedir. Dnm ilemini, kategorileri birbirinden ayran ve kendi kategorisini en iyi temsil eden zniteliklerin bulunmas olarak dnebiliriz. rnek olarak verilen drt tanma ileminde de ncelikle kategori (snf) says belirlenir. Bu say, bilgisayarn rntleri ka gruba ayracan
gstermektedir. Tarayc ile alnan dkmanlar sadece rakamlar ieriyorsa, kategori says 10 (0,19) olarak belirlenecektir. Dkman iinde 10dan fazla karakter bulunsa bile grntdeki tm iaretler 10 gruba ayrlacaktr. Yryen hat zerinde ayrt edilecek cisim says, kategori says olarak tanmlanacaktr. Tm ilemlerde kategori says, tasarmcnn ihtiyacna gre belirlenmektedir. Kategori saysnn artmas bilgisayarn rntleri alglama gcnn artmasna yol aar. Ancak, kategori says ile doru alglama performans arasnda genellikle ters bir iliki vardr. Kategori saysn artrma, doru alglama performansn drr.
1.1 KARAR VERME MEKANZMASI

Giri blmnde anlatlan kavramlar, aada bloklar eklinde gsterilmitir. S
rnt uzay rntler Dnm lemi Normalizasyon ilemi znitelik kartma ilemi
I N I F L A R
znitelik uzay Vektrler
Snflayc
Karar
EKL 1.1 Karar verme mekanizmas. Karar verme mekanizmasn temel olarak blok eklinde dnebiliriz: Normalizasyon ilemi, znitelik kartma ilemi ve snflama ilemi. Baz durumlarda karar verme mekanizmasna sembolik srelerle de destek verilebilmektedir. Bu durumda elde edilen snflar/kategoriler sembollerle temsil edilir ve sembollerle ilgili gereklenecek sreler karar verme mekanizmasna ilave edilir. Kitap iinde rnt tanma konusu arlkl olarak incelendii iin, aksi belirtilmedii srece karar verme mekanizmas ile ekil 1.1de gsterilen bloklar ifade edilmektedir. ekil 1.1de gsterilen dnm ilemi, normalizasyon ve znitelik kartma ilemlerinin birleimi olarak ele alnmaktadr. ekil 1.1de grlen normalizasyon ve znitelik kartma ilemlerinin sras baz durumlarda yer deitirebilmektedir. Genellikle karar verme mekanizmasna ait parametrelerin belirlenmesinde az sayda vektr ieren bir alt kme kullanlmaktadr. Bu nedenle znitelik uzaynda snflarn dalmnn matematiksel ifadesini tam olarak kartmak mmkn deildir ve bulunmas iin de bir ura verilmez. Alt kme iinde vektrlerin says ne kadar fazla ise znitelik uzayndaki dalmn temsili o kadar iyi olacaktr. Karar verme mekanizmasnn
TEMEL KAVRAMLAR
genelleme yetenei, alt kme dndaki vektrler (rntler) iin ekil 1.1deki bloun doru cevap verme says olarak tanmlanmaktadr. Karar verme mekanizmasnn genelleme yeteneini artrmak iin genellikle alt kmenin bytlmesi yolu tercih edilmektedir. rnt uzayna ait her rnt, znitelik uzaynda bir noktaya karlk gelir ve bir vektr ile temsil edilir. znitelik uzayndaki vektrlerin says, uzay boyutuna ve herbir boyutun nicemlenme miktarna baldr. n-boyutlu uzayda herbir boyut q adet ayrk deer ile temsil edilirse, qn adet vektr bulunmaktadr. 10-boyutlu uzayda herbir boyut 256 ayrk deer ile tanmlanrsa, znitelik uzay 25610 adet vektr ierecektir. Genellikle snflayc tasarmnda seilen alt kmedeki vektrlerin says, 1000 veya 10000ler mertebesindedir. Eitim kmesinin kk seilmesi yaplan almann istatistiksel olarak anlamn drmektedir. Bu durumda genelleme yetenei, dnm ileminin (normalizasyon + znitelik kartma) seimine direkt bal olacaktr.
1.2 NORMALZASYON LEM

rntlere ait bilginin, znitelik uzayndaki vektrlere direkt olarak aktarlmasn engelleyen sebep vardr: (i) rntleri temsil eden vektr elemanlarnn saysnn deiimi (znitelik uzay boyutu), (ii) elemanlarn vektr iindeki pozisyonun deimesi (elemanlarn vektr iinde kaymas) ve (iii) ayn kategoriden rntler iin vektr elemanlarnn genliinin znitelik uzaynda byk bir deiim gstermesi. Vektr elemanlar zerindeki bu bilgi tamayan anlamsz etkiler, snflamadan nce normalizasyon ilemi ile ayarlanmal ve sabitlenmelidir. Bir rnek zerinde problemi ortaya kartalm. Konu olarak EKG (elektrokardiyogram) vurularnn (normal veya hastalk belirtisi tayan iaretler eklinde) snflandrlmas ilemi seilmi olsun. Vurular iki ksma ayrlaca iin kategori says iki olacaktr. Her vuru, bir rnei temsil eder ve normal ya da anormal (hastalk belirtisi) bilgisini tar. znitelik kartma yntemi olarak EKG vurularnn sabit bir pencere iindeki (pencere, sadece bir vuruya ait verileri ierecek ekilde seilsin) direkt genlik deerlerinin kullanldn dnrsek, znitelik vektrnn elemanlar EKG iaretinin zaman iindeki ayrk genlik deerlerinden meydana gelecektir. Vektrlere aktarlan bilgiyi bozan anlamsz etkiler -yukarda belirtilen sra ile- aadaki ekilde maddelenebilir. Atm says (dolaysyla, bir EKG periyodunun sresi) yaa, cinsiyete ve kiinin o andaki fiziksel durumuna bal olarak bir deiim gstermektedir. rnekleme frekansn sabit dnelim. Bu durumda bir vuru periyodu iindeki veri says her denek iin farkl olacaktr (znitelik vektr boyutunun deiimi).
Vektrn ilk elemann oluturmak iin bir yol belirlenmelidir. Aksi taktirde her oluturulan vektr iin vektr elemanlar farkl genlik deerleri alacak, elemanlarn vektr iindeki pozisyonu kayacaktr. EKG vurularnn genlik deerleri yaa ve cinsiyete gre deimektedir. EKG vurularnn genlikleri baz deneklerde -benzer salk durumunda olmalarna ramen- dk olurken, bazlarnda ise son derece yksek olabilmektedir. Bu durum vektr elemanlar zerinde yanltc bir etki olarak gzlenecektir. znitelik kartma ilemi son derece basit olmasna karn vektrler zerinde yukarda maddelenen yanltc (snflar ayrc bilgi tamayan) etkiler olumaktadr. Bu etkiler, normalizasyon ilemi ile znitelik vektr zerinden kaldrlmaldr. Snflayc yaplarnda znitelik uzaynn boyutu sabit olduu iin vektr elemanlarnn says nceden uygun bir deere getirilmelidir. Vektr elemanlarnn kendi iinde sras nemli deildir; ancak elemanlarn dier vektrlerdeki elemanlara gre sras ayn olmaldr. Genellikle znitelik uzaynda snf dalmna ait anlaml bilgi, vektr elemanlarnn birbirlerine gre genlik dalmnda sakldr. Baz durumlarda alt kmeye ait tm vektrlerin baz elemanlarnn dier elemanlara gre ok kk deerler ald gzlemlenebilir. Bir vektr elemannn tm vektrler iin kk deerler almas, o elemann vektrden kartlmas anlamna gelmemelidir. Boyut azaltmak iin bu eleman tm vektrlerden kartmak yerine, bu elemann deeri, sabit bir katsay ile arplarak dier elemanlarla ayn seviyeye getirilmelidir. znitelik uzayndaki snf dalm, alt kmedeki tm vektrlerin sabit bir K katsays ile arplmas ile deitirilmi olmamaktadr. Ayn kural vektrlerin tm elemanlar yerine baz elemanlarna uyguland zaman da geerlidir. Bu kural ile vektr elemanlarnn kendi iinde normalize edilebilmesi salanmaktadr. Ancak vektr elemanlarnn normalizasyonunda, tm vektrler ayn ilem iinde bulunmaldr. Oluturulan alt kme iindeki vektrlerin bazlar bir K1 katsays ile, dierleri de farkl bir K2 sabit katsays ile arplrsa, yeni oluuma ait dalm doal olarak orjinal kmeye ait dalmdan farkl olacaktr. Normalizasyon ileminin bu zellii veri ve boyut analizi blmnde ayrntl olarak incelenecektir.
1.3 ZNTELK IKARTMA LEM

zniteliklerin kartlmas ilemi, isminden de anlalaca zere sadece bir kategoriye (snfa) zg olan ve dier kategorilerde bulunmayan karakteristik bilgilerin tespit edilmesi ilemidir. Kategorileri birbirlerinden ayran doru zniteliklerin tespit edilmesi, snflama performansnn artmas zerinde olumlu bir etki oluturacaktr. Seilen her konu iin doru zniteliklerin bulunmasna ynelik matematiksel bir yntem yoktur ve ou
TEMEL KAVRAMLAR
durumda znitelikler tasarmcnn sezgisine bal olarak tespit edilir. Alt kmedeki vektr saysnn kk oluu, zellikle karar verme mekanizmasn olumsuz ynde etkilemektedir. Bu etki zniteliklerin doru belirlenmesi ile bir lde ortadan kaldrlr. zniteliklerin belirlenmesi kavramn, iki-boyutlu kategoriden oluan bir rnek znitelik uzaynda (fantom uzay) inceleyelim. zniteliklerin doru belirlenmesinden sonra, fantom uzayda vektrlerin dalm ekil 1.2ye benzemektedir. Farkl kategorilerin birbirlerinden mmkn olduunca uzakta olduu ve ayn kategoriye ait vektrlerin bir arada bulunduu gzlenir. znitelik kartma ileminin baarmn; d1, d2, d3n kk deerlerde, d12, d13 ve d23n de byk deerlerde oluu belirleyecektir. Byle bir snf dalmna sahip fantom uzay iin lineer olmayan yapya sahip snflayclar kullanmak gereksizdir.
x2 1 s1 d1 d12 y2 s2 d23 d3 s3 1 x1
d13
EKL 1.2 ki-boyutlu rnek znitelik uzay ve snflarn dalm.
1.4 BOYUT NDRGEME VE VER ANALZ

Kullanlacak znitelik kartma yntemi genellikle tasarmcnn sezgisine bal olarak tespit edilir. Kategorilerin yeterince iyi temsil edilebilmesi iin uzay boyutu mmkn olduunca byk tutulur. Uzay boyutunun bymesi dalmn daha kolay temsil edilebilmesini salayacaktr. Ancak znitelik uzayndaki vektrlerin baz elemanlar (baz znitelikler) anlaml bilgi tamayacaktr. Anlamsz znitelikler snflayc yapsnn ar bymesine sebep olacaktr. Bu zniteliklerin, dalmn yaps incelenerek ayklanmas (bylece vektr boyutunun kltlmesi) gerekmektedir. znitelik uzaynda snflarn salmn ve snflar-aras uzakl incelemek zere deiik yntemler nerilmektedir. Bu yntemler iinde
diverjans analizinin ska kullanld gzlenmektedir (Blm 3e baknz). Eitlik (1.1)de diverjans hesabnda kullanlan denklem verilmitir.
Diverjans = tr((Ca -1 ) 1 A a -1 )
(1.1)
Burada Ca-1 matrisi, (a-1) boyutlu znitelik vektrlerinin snf ii salmn; Aa-1 matrisi ise vektrlerin snflar aras salmlarn temsil etmektedir. Diverjans deeri, seilen znitelikler ile oluturulan vektrlerin salm hakknda bir bilgi vermektedir. Diverjans deeri tek bana bir anlam iermez, bu ilem incelenecek yntemleri karlatrma amacyla kullanlmaldr. Kk diverjans deerleri, vektrlerin znitelik uzaynda saldnn, byk deerler ise vektrlerin bu uzayda bekletiinin bir gstergesidir. Vektrlerin znitelik uzaynda salmas, snf snrlarnn doru belirlenmesini engelleyecek ve snflama performansnn dmesine sebep olacaktr. Bu nedenle vektrlerin snf-ii dalmn kk, snflar-aras uzakln byk tutacak, yani diverjans deerini byk yapacak en iyi znitelikler aratrlr. Dinamik programlama ile vektrlerin boyutu 1den n saysna kadar adm adm artrlr. Her admda en iyi znitelikler diverjans hesaplanarak bulunur. Vektr boyutunu artrmak diverjans deerini bytecektir. Dolaysyla byk diverjans deerine sahip dalmlar iin daha iyi snflama baarm elde edilecektir. Ancak, boyut artt iin hesap yknde de (snflaycnn bilgisayarda bir algoritma eklinde oluturulduu dnld zaman) bir art gzlenecektir.
1.5 FANTOM ZNTELK UZAYI

Bu alt blmde yeni gelitirilen snflayc yaplarn incelemek iin test amal iki-boyutlu bir fantom uzay nerilmitir. rnek znitelik uzaynn matematiksel ifadesi aadaki gibi tanmlanabilir: F ( x1,x2 ,...,xn ) = { s1, s2 ,....,sM si Z, xi R } (1.2) Bu ifadelerde M kategori (snf) saysn, n znitelik uzaynn boyutunu, si snflar birbirinden ayran snf etiketini, x ise n-boyutlu znitelik vektrn ifade etmektedir. ekil 1.3te eitlik (1.2)deki parametrelerin karar verme mekanizmasndaki yeri gsterilmitir.
rnt uzayndaki rnekler x1 znitelik uzaynda znitelikler xn s1 Snflayc karar sM
Dnm ilemi
EKL 1.3 Karar verme mekanizmasnn bileenleri.
TEMEL KAVRAMLAR
Doal olarak F(x1,x2) fonksiyonu, iki boyutta bir grnt oluturacaktr. Test iin iki-boyutlu bir znitelik uzaynn seilmesi, fonksiyonun dalmnn incelenmesine ve snflama sonucunun grsel olarak karlatrlmasna olanak salayacaktr. Fantom uzay, eitlik (1.2)deki forml gerei herhangi bir fonksiyon olabilir. Ancak snflayc yaplarnn yeteneini aratrmak iin bu fonksiyon zerinde bir lde snrlamalar getirilecektir. rnek olarak bir F(x1,x2) fonksiyonunu snf (M=3) iin inceleyelim. F ( x1, x2 ) = { s1,s2 ,s3 s1,s2 ,s3 Z; x1,x2 R } (1.3) Yukardaki fonksiyonun ekil 1.2deki gibi bir snf dalmna sahip olduunu dnrsek znitelik kartma ileminin baarmn, d1, d2, d3n kk deerlerde d12, d13 ve d23n byk deerlerde oluu belirleyecektir. Byle bir snf dalmnda, snrlar temsil etmek iin lineer yapya sahip olmayan snflayclar kullanmak gereksizdir. Yeteri kadar rnt (vektr) her zaman elde edilemedii iin (dolaysyla eitim kmesinde bulunan vektr says azdr) snf dalmn ifade eden bir fonksiyon tam olarak bulunamaz. Baz durumlarda znitelik uzaynda, ayn snftan farkl blgelerde beklemeler hatta, snflarn birbirlerinin iine girdii karmak dalmlar oluabilmektedir. ekil 1.4te snfl bir fantom uzay (F(x1,x2) fonksiyonu) tanmlanmtr. (x1, x2), znitelik uzayndaki vektrlere karlk gelmektedir. Her vektr, fantom uzayda bir nokta ile gsterilmektedir. Bu uzayda, herbir snf etiketi farkl bir renge kar drlm ve vektrler, ait olduklar snflara zg beyaz, ak-gri ve koyu-gri renkler ile grselletirilmitir. Siyah renkle ifade edilen blgeler hibir snfa dahil deildir. Fantom uzayda siyah blgelerin bulunmas snflayclarn ykn bir lde hafifletmektedir. Snf snrlar tanmlanrken bu blgeler iin karar snflayclara braklr, bir zorlama/koul getirilmez. znitelik uzayndaki tm noktalarn tanml olmas, snf snrlarnn belirlenmesinde snflayclara hi bir kolaylk vermeyen en kt durumu temsil etmektedir. Doada incelenen ou olayda bo, tanmsz blgeler de mevcuttur. Baz snflarn fantom uzayda birbirlerine bitiik olmas veya ayn snfa ait vektrlerin farkl yerlerde beklemeler gstermesi, znitelik kartma ileminin baarl olamamas durumunu ieren bir rnek tekil etmektedir. ekil 1.2 ve 1.4 iin bulunan diverjans deerleri srasyla 27.83 ve 0.49dur. Kk diverjans deeri (0.49), fantom znitelik uzaynda vektrlerin saldnn saysal bir gstergesidir. Fantom uzay sayesinde snflayc yaplarn oluturan eitim algoritmalarnn stratejisi, yaplarn bu uzay bltleme yetenekleri, gelitirilen eitim algoritmalarnn problemsiz ilerlii ve yaplarn genelleme zellii grsel olarak analiz edilecektir. ekil 1.4teki iki-boyutlu uzaydan elde edilen
alt-kme ekil 1.5te gsterilmektedir. Her snf iin 100 olmak zere, altkme toplam 300 vektrden meydana gelmitir.
x2 s2
20 40
s2
60 80 100 120
s1
s1
20 40 60
s3
80 100 120
x1
EKL 1.4 ki-boyutlu fantom znitelik uzaynda snflarn dalm.

x2
20 40 60 80 100 120 20 40 60 80 100 120
k1
x1
EKL 1.5 ki-boyutlu fantom uzaydan elde edilen alt-kme.
1.6 KARAR FONKSYONLARI

znitelik uzaynda snflar birbirinden ayrmak iin snf snrlarn temsil edebilecek fonksiyonlar tanmlanmaktadr. Karar fonksiyonlarn oluturmak iin mesafe lleri kullanlmaktadr. Literatrede en bilinen mesafe ls aada gsterilmektedir: d( x ) = w0 + w 1x1 + w 2x2 ++ w nxn (1.4)
TEMEL KAVRAMLAR
x , n-boyutlu znitelik uzaynda giri vektrn temsil etmektedir. d( x ) fonksiyonu, d( x )=0da n-boyutlu uzayda bir hiper-dzlem tanmlamaktadr. Hiper-dzlem znitelik uzayn iki paraya blmektedir. x vektr bu iki paradan biri iinde ise dzleme olan uzaklna bal olarak d( x ) fonksiyonunun deeri iareti ile birlikte deimektedir. d( x ) fonksiyonu, aadaki zelliklere sahip bir fonksiyondan geirilirse znitelik uzay iki paraya etiketlenerek ayrlacaktr.
+ 1 K ( x ) = T (d ( x )) = 1 d (x) 0 aksi taktirde (1.5)
Karar fonksiyonu ( K ( x ) ) ile biribirlerinden uzakta beklemi iki snfa ait vektrler kolaylkla ayrlabilir. Ancak ekil 1.4teki gibi bir dalmda karar snrlar erilerle tanmlanabilmektedir, sadece bir doru kullanmak snr oluturmak iin yeterli olmayacaktr. Bu durumda snf snrnn oluturulmasna birden fazla lineer karar fonksiyonu kullanlarak yaklalacaktr. Bu yaklam, snflayc yaplarnda katmanlamaya doru gidilmesine sebep olmaktadr. ekil 1.6da iki-boyutlu fantom uzayda bir snr erisini oluturmak iin dorularn birletirilme ekli gsterilmektedir. ekilde snf snr erisi, doru paralarnn birleimi ile elde edilmitir.
x2 1 s1
s2
Gerek snf snr erisi
x1
EKL 1.6 Dorularla snf snr erisini oluturma. Erisel bir karaktere sahip snf snrlarn (ok-boyutlu uzayda snf yzeylerini) temsil etmek iin doru paralarnn birletirilmesi yaklam
10
(snr, fonksiyonlar tanml basit eri paralar ile de oluturulabilir) tek zm deildir. (1.4) eitlii ayn zamanda mesafe ls olarak tanmlanmaktadr. Literatrde ok sayda mesafe ls kullanlmaktadr. Eitlik (1.6)da ska kullanlan minimum mesafe lsnn tanm verilmitir. Bu l ile znitelik uzayndaki snf snr erileri, dorularla yaplan para para yaklama benzemektedir. d j ( x ) = xi w ji
i =1 n
)2
(1.6)
Min = min ( dj ( x ) )
j = 1,.., L
Eitlik (1.6)da L, prototip vektrlerin (yapay sinir alarnda dmlerin) saysn; wji, j-inci prototip vektrn i-inci arln gstermektedir. Eitlik (1.4)te arlklar ve giri vektrnn elemanlar arasnda lineer bir iliki vardr. (1.6) eitliinde ise arlklar ile giri vektr elemanlar arasnda ikinci dereceden bir iliki vardr. Eitlik (1.4)te snr, mesafe lsnn sfra eit deerlerinde, eitlik (1.6)da ise snr yzeyi (mesafe lsnde karlatrma ilemi bulunduu iin) farkl snftan en yakn iki prototip vektre eit mesafede ortaya kmaktadr. ekil 1.7de minimum mesafe kullanm ile snf snrlarnn oluturulmas iki-boyutlu, iki snfl fantom uzayda gsterilmektedir.
x2 1 1. snfa (s1) ait prototip vektrler
w12
w1 w4
w2 w5 w6
2. snfa (s2) ait prototip vektrler
w3
Prototip vektrlerin oluturduu snr 1 x1
w11
EKL 1.7 Minimum mesafe ls ile snf snrlarnn oluturulmas.
TEMEL KAVRAMLAR
11
Yukarda snf snrlarnn (ok-boyutlu uzayda snf yzeylerinin) belirlenmesine ynelik verilen iki aklama, literatrde yapay sinir alar ile oluturulan snflayc yaplarna temel rnek tekil etmektedir. Snf snrlarn bulma ilemi, genel olarak eri (ok boyutlu uzayda yzey) uydurma problemine dntrlebilir. Farkl mesafe lleri ile deiik snflayc yaplar (yeni yapay sinir alar) elde etmek mmkndr (Blm 4e baknz).
1.7 SINIFLAYICI YAPILARI VE ETM

Alt-kmedeki vektrlerin znitelik uzaynda ekil 1.5te gsterildii gibi daldn dnelim. Snflayclarn grevi bu dalm en iyi temsil edecek ekilde snf snrlarn oluturmaktr. ekil 1.2deki fantom uzaydan da grlecei zere zniteliklerin doru belirlenmesi durumunda snflayclarn snrlar belirleme grevi kolayca gereklenebilir. Ancak ekil 1.4teki dalma ait snf snrlar, bir nceki fantom uzayda olduu gibi kolayca belirlenemez. Snflara ait zniteliklerin iyi belirlenememesi durumunda doru snflama performans, snflayclarn znitelik uzayndaki dalmlar temsil edebilme yeteneklerine baldr. rnein, ekil 1.4teki dalm lineer snflayc yaplar ile temsil edilemez. Snflayc yapsn karar fonksiyonlar belirlemektedir. Yap, karar fonksiyonlarnn fiziksel olarak gereklenmesinden ibarettir. Snflayc yapsn tanmlayan karar fonksiyonlarnn parametreleri, genellikle alt kmedeki vektrler kullanlarak belirlenmektedir. Bu kitap kapsamnda parametreler, alt kmeden rastgele alnan vektrler ile iteratif olarak belirlenecektir. Eitlik (1.6)daki l (karar fonksiyonu) kullanlarak ekil 1.4teki fantom uzay snflanm, sonu ekil 1.8de gsterilmitir. ekildeki siyah noktalar prototip vektrlerin bu uzaydaki konumlarn gstermektedir. ekil 1.4teki siyah blgeler iin snf kararlar snflaycnn tercihine braklmtr. Snflayc, ekil 1.4teki snf dalm bilgisini prototip vektrlerin arlk deerleri ile saklamaktadr. Snflayc yapsn karar fonksiyonlar belirledii iin makine eitimini, bu fonksiyona ait parametrelerin bulunmas eklinde tanmlayabiliriz. Eitim algoritmas iin bir ama fonksiyonu belirlenir ve bu ama fonksiyonunu salayacak ekilde karar fonksiyonunun parametreleri adm adm deitirilir. ekil 1.9da ama fonksiyonu snflama hatasn minimize etmek eklinde tanmlanrsa, eitim ile karar fonksiyonunun parametreleri iki snf birbirinden ayracak duruma gelene kadar adm adm deitirilerek zme ulalr. ekil 1.9daki dalm iin karar fonksiyonu olarak aadaki ifade kullanlmtr. (1.7) K( x ) =T( w0 + w1x1 + w2x2 )= 0
12
Eitimin basit olarak anlalmas iin yine iki snfl iki-boyutlu bir fantom uzay rnek olarak verilmitir. Eitim ileminde w0, w1 ve w2 parametrelerinin ama fonksiyonu iin en uygun deerleri (kaln izgi) bulunur. En uzun sreli eitimi, bu deikene tek tek deer vermek olarak tanmlayabiliriz. n tane parametrenin herbirinin alabilecei deer says q ise qn tane rastgele deer vererek arama gereklenebilir. Gelitirilen her yeni eitim algoritmas bu arama admndan daha az sayda adm ile sonuca ulamaldr.
x1
120 100 80 60 40 20
s2
s2 s1
s1
20 40 60 80
s3
100 120
x2
EKL 1.8 ki-boyutlu fantom uzayn eitlik (1.6) kullanlarak snflanmas.

x2 1 s1 zm dorusu K( x ) = T(w0 + w1x1 + w2x2 )= 0
s2
x1
EKL 1.9 Parametrelerin eitimle deiimi. Noktal izgiler, nceki

iterasyonlarda bulunan hatal snr dorularn gstermektedir.
TEMEL KAVRAMLAR
13
1.8 MAKNE RENMES

rnt tanma ilemlerinde temel olarak genellikle blok kullanlmaktadr. Kitap iersinde bu blok, karar verme mekanizmas olarak ifade edilmektedir. Baz durumlarda karar retmek iin bu blok yeterli olmamaktadr. Kalp hastalklarn inceleyen bir sistemi bu duruma rnek olarak verilebiliriz. Kalp rahatszlklarn inceleyen sistem iin ok sayda parametre/durum gz nne alnmaldr. Elektrokardiyogram, kalbin elektriksel faliyetleri hakknda bilgi vermektedir. Ekokardiyogram veya fonokardiyogram ise kalbin mekanik hareketleri hakknda bilgi vermektedir. Hastann kilosu, ya, cinsiyeti, sigara veya alkol kullanma alkanl, daha nceden geirdii baz hastalklar, ailesinde gzlenen kalp hastalklar, kan ya ve ekeri ile ilgili bilgiler de kalp rahatszlnn belirlenmesinde byk bir neme sahiptir. Dikkat edilirse, her bilgi fakl bir domenden gelmektedir. Karar verme mekanizmalar kullanlarak elektrokardiyogram incelenir ve her normal veya anormal ekle sahip vuru bir sembolle ifade edilir. Daha sonra tespit edilen anormal vurularn tipleri ve skl bir veri tabana kaydedilir. Ayn ekilde karar verme mekanizmalar kullanlarak eko grntler incelenir ve nemli damar hemo-dinamikleri ile kapakck hareketleri sembollerle ifade edilip ayn veri tabanna kaydedilir. Kalbin anlk elektriksel ve mekanik hareketleri dnda hastaya ait dier bilgiler (hastann fizyolojik, alkanlklar, ailesinde ve daha nceden geirdii hastlklar hakknda bilgiler) de ayn veri tabanna yerletirilir. Son olarak uzman sistem oluturulan bu veri tabann ve sembolik mantktaki baz sreleri kullanarak hasta hakknda bir karar retir. Kamera ile satran tahtasn gzleyip oyun oynayan uzman sistemini de yine bu duruma bir rnek olarak gsterebiliriz. Uzman sistem nce kamera ile satra tahtasnn grntsn elde eder. Daha sonra bu grnt zerinde karar verme mekanizmalar kullanlarak talarn tipleri ve bu talarn tahta zerindeki konumlar tespit edilir (rnt tanma sreleriyle). Bu bilgiler, sembolik olarak bir veri tabannda ifade edilir. Uzman sistem daha sonra oluturulan veri taban ve baz sembolik sreleri kullanarak kendi hamlesini gerekletirir. Dnme yeteneimiz incelendiinde d dnyadan aldmz verileri ileyip sembollerle tanmladmz (rnt tanma sreleri) ve bu semboller ile bilgi birikimimizi kullanarak olaylar zerinde bir karar oluturduumuz bilinmektedir. Bu balamda kitabn yedinci blmde bir bakma sembolik manta bir gei salanmakta karar verme srelerinde sembollerin kullanlmasna rnekler verilmektedir. Kitabn sekizinci blmnde ise sembolik mantkta kullanlan baz nemli sreler ve renme algoritmalar anlatlmaktadr.
14
1.9 PERFORMANS KRTERLER VE TASARIM

Karar verme mekanizmasna ait bloklarn tasarmnda dikkate alnacak birka zellik aada verilmitir. i. renme srelerinde kullanlan parametre veya arlklarn iteratif olarak belirlenmesi ii. Karar verme mekanizmasndaki yaplarn eitim srasnda ihtiyaca gre bymesi iii. Eitimin ksa srede gereklenebilmesi iv. Eitim sonrasnda snflaycnn az sayda prototip vektr ile gereklenmesi v. Karar verme mekanizmasnn yksek genelleme zellii (yeni vektrleri doru snflama performans) vi. Tasarlanan sistemin fiziksel olarak kolaylkla gereklenebilmesi Seilen bir rnt tanma ileminde karar verme mekanizmasnn gelitirilmesinde aadaki ilemlerin takip edilmesi tasarmcya fayda salayacaktr. rnt uzay iin ncelikle kategori says belirlenir, daha sonra kategorileri birbirlerinden en iyi ayran znitelikler kartlr. znitelik kartma ileminin seimi iin literatrde belirli bir yntem yoktur, seim tasarmcnn tecrbesine baldr. Tasarmc znitelik vektrlerinin salmamasn dikkate alacak ekilde bir yntem belirlemelidir. Seimde rnek olmas asndan, insann doal olarak bu ayrm nasl gerekletirdii dikkate alnmaldr. Yeni zniteliklerin ayrm gcn bulmak ve dier bilinen znitelik kartma yntemleri ile karlatrmak iin diverjans analizi kullanlabilir. Bu analiz, ayn zamanda incelenen rntler iin en iyi zniteliklerin bulunmasn da (boyut azaltma ilemi) salayacaktr. Aratrma yeni snflayc yaps tasarlamaya ynelikse, snflayc gerek dnya problemini zmede kullanlmadan nce fantom uzayda denenmelidir. Bu deneme ile hem gereklenen programn yazlm olarak doruluu test edilir hem de eitimin ve yapnn dier yntemlerle grsel olarak karlatrlmas salanr. Son olarak, fantom uzayda test edilen yeni snflayc yaps ya da eitim algoritmas benzetim ortamnda gerek rntler iin kullanlr. Gerek-zaman uygulamalar iin gelitirilecek yntemler, ncelikle MATLAB veya LABVIEW gibi iaret ileme ktphanesi zengin benzetim aralarnda incelenmeli daha sonra algoritma C veya makine kodunda yazlarak mikro-denetleyici zerinde altrlmaldr. Gerek zaman uygulamas olarak dnlen yntemler iin algoritma gelitirmede zellikle eitim/snflama zaman ve bellek ihtiyac dikkate alnmaldr.
TEMEL KAVRAMLAR
15
PROBLEMLER:
Bu alt blmdeki bilgisayar devleri, fantom uzay iin eitim kmesi oluturulmasna yneliktir. 1.1)Fantom uzayda snf says ve snflara ait vektrlerin dalm aratrcnn seimine braklmtr. Snflara ait vektrlerin birbirlerine yaklat, snf snrlarnn i ie getii durumu ele almak doru snf snrlarn tespit etmede snflayclar zorlayc bir etken olacaktr. Bu nedenle fantom uzay iin snflarn bekleme karakteri gsterdii dalmlar oluturmak yerine; bu uzay iin konveks dalmlar ieren daha karmak vektr dalmlarnn oluturulmas tercih edilmelidir (rnein ekil 1.4). a)Resim oluturma veya boyama programlar kullanlarak iki-boyutlu ve snf ieren bir fantom uzay temsil edecek jpeg veya bmp uzantsnda bir dosya oluturun. Vektrlerin x1 ve x2 elemanlarnn deerlerinin [0-255] aralnda deimesi istenmektedir. b)rnek fantom uzay iinden seilen znitelik vektrleri ile bir eitim kmesi oluturulacaktr. Bilgisayarn faresi yardmyla her snftan 20 vektr ieren bir eitim kmesi oluturulacaktr. c)Fare kullanlmadan rastgele rnekleme ile her snftan 100 vektr ierecek ekilde bir eitim kmesi oluturulacaktr. Eitim kmesi bilgisayarda txt uzantl bir dosya eklinde saklanmaldr (vektr elemanlar text okuyucu yardmyla kolaylkla gzlemlenecektir). Eitim kmesindeki her vektr, elemanlar ve etiketi tek bir satrda bulunacak ekilde gsterilmelidir. nceden oluturulan rnek fantom uzayn ismi, benzetim programna dardan parametre olarak verilecektir.
16
KAYNAKLAR
[1] JAE S. L. (1990): Two-Dimensional Signal and Image Processing, Prentice-Hall International Inc. . [2] DMTRS G. M., VINAY K. I., STEPHEN M. K. (2000): Statistical and Adaptive Signal Processing: Spectral Estimation, Signal Modelling, Adaptive Filtering and Array Processing, Mc-Hill. [3] JONATHAN Y. S. (2000): Digital Signal Processing, John-Wiley & Sons. Inc. . [4] AKRAM A., MICHAEL U. (1996): Wavelets in Medicine and Biology, CRC Press. . [5] POLKAR R. (2001): The wavelet tutorial, http://users.rowan.edu/~polikar /WAVELETS/WTtutorial.html, Rowan University . [6] RAO K. R., YIP P. (1990): Discrete Cosine Transform: Algorithms, Advantage, Application, Academic Press. Inc. . [7] ANL K. J. (1989): Fundamentals of Digital Image Processing, Prentice Hall Inc. . [8] ROBERTO M. C. J., LUCIANO F. C. (2000): Shape Analysis and Classification Theory and Practice, CRC Press LLC . [9] AMADASUN M. AND KING R. (1989): Textural features corresponding to textural properties. IEEE Trans Sys Man Cyber, 19(5), 1264-1274. [10]HARALICK R. M., SHANMUGAN K. AND DINSTEIN I. (1973): Texture Feature for Image Classification, IEEE Tran. on Systems Man and Cybernetics, 3, 610-621. [11] COHEN A. (1986): Biomedical Signal Processing, vol. II,CRC Press Inc. . [12] DEVIJVER P. A., KITTLER J. (1982): Pattern Recognition: A Statistical Approach, Prentice-Hall . [13] TOU J. T., GONZALES R. C. (1974): Pattern Recognition Principle, Addison-Wesley Pub. Comp. [14] GEOFFREY J. M. (1992): Discriminant Analysis and Statistical Pattern Recognition, John-Wiley & Sons. Inc. . [15] Duda R. O., Hart P. E., Stork D. G. (2001): Pattern Classification, John Wiley & Sons, New York. [16] KAUFMAN L. AND ROUSSEEUW P.J. (1990): Finding Groups in Data: An Introduction to Cluster Analysis, Wiley, New York.
302
[17] DUDA R. O. AND HART P. E. (1973): Pattern Classification and Scene Analysis, John-Wiley & Sons. Inc. . [18] HELVE A., DOMINIQUE V., BETTY E. (1999): Neural Networks, Sape Publication . [19] LAURENE V. F. (1994): Fundamentals of Neural Networks, Prentice-Hall. [20] MAKHOUL J., JARAUDI A. E., SCHWARTZ R. (1989): Formation of Disconnected Region with a Single Hidden Layer, IJCNN International Conference on Neural Networks, Cilt 1, 192-202. [21] NIELSON R. H. (1989): Neurocomputing, Addison-Wesley Publishing Company. [22] REILLY D. L., COOPER L. N., ELBOUM C. (1982): Neural Model for Category Learning, Biological Cybernetics, Cilt 45, 35-41. [23] ALPAYDIN E. (1990): Neural Models of Incremental Supervized and Unsupervized Learning, Ds. Thesis, Ecole Polytecnique Federale De Lausanne, Switzerland. [24] LIPPMAN R. P. (1987): An Introduction to Computing with Neural Nets, IEEE ASSP Magazine, 4-22. [25] KURNAZ M.N., DOKUR Z., LMEZ T. (2001): Segmentation of Ultrasound Images by Using an Incremental Self-Organized Map, 23rd Annual Int. Conference of the IEEE-EMBS, Istanbul. [26] PANDYA A. S., MACY R. B. (1995): Pattern Recognition with Neural Networks in C++, CRC Press. [27]LEE B.W. and SHEU B.J. (1988): An Investigation of Local Minima of Hopfield Network for Optimization Circuits, IEEE International Conference on Neural Networks, I45-I51. [28] GOLDBERG D. E. (1989): Genetic Algorithms in Search Optimization and Machine Learning, Addison Wesley Pub. Comp. Inc. . [29] SANKAR K. P., PAUL P. W. (1996): Genetic Algorithms for Pattern Recognition, CRC Press. [30] WOLFGANG B., PETER N., FRANK D. F., ROBERT E. K. (1998): Genetic Programming: An Introduction, Morgan Kaufmann Publishers. [31] YUKSEL, A., DOKUR, Z., KORUREK, M. AND OLMEZ T. (2008): Modeling of Non-Uniform Intensity Distribution of X-Ray Source in Radiographic Images, ISCIS08. Makale Numaras: 185. [32] DOKUR Z. (2000): Yapay Sinir Alar ve Genetic Algoritmalar Kullanlarak EKG Vurularnn Snflandrlmas, Doktora Tezi, T Fen Bilimleri Enstits. [33] KAYNAK, O. ve ARMAAN, G. (1992): Bulank Denetim ve Endstriyel Uygulamalar, Tbitak MAM, 35-55. [34] SUGENO M. (1985) : An Introductory Survey of Fuzzy Control, Information Science, Cilt 36, 59-83.
KAYNAKLAR
303
[35] WITOLD P. (1989): Fuzzy Control and Fuzzy Systems, John-Wiley & Sons. Inc. . [36] STAMATIOS V. K. (1995): Understanding Neural Networks and Fuzzy Logic : Basic Concepts and Applications, Wiley-IEEE Press. [37] BEZDEK J. C. (1973): Fuzzy Mathematics in Pattern Classification, Ph.D. Dissertation, Cornell University, Ithaca, NY. [38] BEZDEK J. C. (1992): Computing with Uncertainty, IEEE Communication Magazine, 24-36. [39] KELLER J. M., GRAY M. R. AND GIVENS J. A. (1985): A Fuzzy K-Nearest Neighor Algorithm, IEEE Tran. on Systems Man and Cybernetics, Cilt SMC-15, numara: 4. [40]YUICHIRO A. (1992): Pattern Recogniton and Machine Learning, Academic Press, INC. . [41]MICHELL M. T. (1997): Machine Learning, The MacGraw-Hill Companies, INC. . [42]BRATKO I. (2001): Prolog Programming for Artificial Intelligence, AddisonWesley.
304
CEVAP ANAHTARI
Birinci blmden sekizinci blme kadar olan blm sonu sorularnn cevaplar, MATLAB (uyarlama 7.1) ortamnda koan benzetim programlar ile gereklenir. Benzetim programlarndan gerek zamanda sonular retmesi beklenmez. MATLAB gibi ortamlar aratrmacya, gelitirilen algoritmalarn sonularn karlatrma ve yeni yntemler aratrma imkan sunmaktadr. Blm sonu sorularnda farkl iaret iin ayr ayr analizler yaplmaktadr: i) Fantom uzay, ii) EKG vurular ve iii) CT grnts. Fantom uzay, gelitirilen algoritmalarn mantksal hatalarn tespit etmek, iki boyuttan yksek znitelik boyutuna kolaylkla geilmesini salamak ve eitimin baarsn test etmek iin kullanlmaktadr. aretleri doada tek boyutlu iaretler veya grntler eklinde iki farkl tipte gzlemlemekteyiz. Bu nedenle blm devlerinde iki farkl tipte iaret rnek olarak analiz edilmektedir. Drdnc blmden sekizinci blme kadar blm ii cevaplarda seilen snflayc yaplar ve eitim sreleri ayndr; ancak seilen iaretler farkldr (dolaysyla sadece znitelik vektrlerinin belirlenii farkldr). Bu yaklam, devlerdeki snflayc yaplarn ve eitim srelerini gerekleyen yazlmlar okuyucunun daha kolay inceleyebilmesine olanak salamaktadr. Ayrca algoritmalarn/programlarn rahat anlalmas iin benzetim program iinde fazlaca deiken ve zel fonksiyon kullanlmamtr. Sekizinci blmn blm sonu sorular, SWI-PROLOG (uyarlama 5.2.10) ortamnda koan benzetim programlar ile gereklenir. Sembolik mantkta gereklenecek srelerin prolog ortamnda koturulmas daha uygundur. Blm iinde tantlan kavramlar aklayan rneklerin yaplar da, prolog derleyicilerinde biimsel hata vermeyecek ekilde dzenlenmitir. 1.a)ki boyutlu fantom uzay, snf iermektedir. Fantom uzay, farkl formatta G3 ve G3.jpeg isimli iki dosya iinde bulunmaktadr. Benzetim programnn kaynak kodu, fu_oznitelik.m dosyasnda saklanmtr. 1.b)Benzetim progam imleci, fare ile fantom uzay zerinde istenilen pozisyona konumlandrr. stenilen konuma ait znitelik vektr, farenin sol dmesine baslarak eitim kmesi iine yazlr. Eitim kmesi fu_mous.txt dosyas iinde saklanmaktadr. ekil p.1de fu_mous.txt
306
dosyas iinde saklanan iki boyutlu znitelik vektrlerinin format gsterilmektedir. 18 94 50 54 101 50 30 135 50 76 146 50 65 171 50 111 172 50 102 211 50 ... 39 16 100 EKL p.1 fu_mous.txt dosyasna ait ilk satrlar. 1.c)Benzetim program, her snftan rastgele 100 znitelik vektr olmak zere snf iin toplam 300 vektr ieren bir eitim kmesi oluturur. Eitim kmesi, fu_rand.txt dosyas iinde saklanmaktadr. Benzetim program, znitelik vektrlerinin rastgele dalmn gstermek iin Ornek_kume.jpeg isminde bir grnt dosyas oluturur. ekil p.2de Ornek_kume.jpeg dosyas gsterilmektedir.
255
0 255
EKL p.2 Eitim kmesi iinden rastgele seilen vektrler.
CEVAP ANAHTARI
307
2.1)Benzetim programnn kaynak kodu, Normalize.m dosyasnda saklanmtr. Program ncelikle X_tipi_vurular.txt (X=N, L, R ve P) dosyasndan EKG iaretinin genliklerini okur ve bir dizi iine yazar. Program daha sonra ardl szgeler kullanarak vuru dizisindeki tm EKGlerin R tepelerini tespit eder ve bu tepeleri fakl bir dizide iaretleyerek saklar. Programn dier blm, R tepesi iaretlerini ve sabit bir gecikmeyi dikkate alarak kestirilen R tepesi etrafndan (-64 , +64) toplam 128 genlik deeri alarak EKG iaret vektrn oluturur. ekil p.3te R tepesi etrafnda 128 genlie sahip EKG vurular topluca gsterilmektedir. ekil p.3teki her vektr, gerek kayttaki bir EKG vurusuna karlk gelmektedir. Bu ilem ile R tepesinin vektrlerin ortasnda yer almas salanmtr. Daha sonra vektrlerin ortalamasn sfr ve gcn 1 deerine normalize edecek ekilde ilemler gereklenir. 40 adet znitelik vektr, zamanda ve genlikte normalize edilmi tm vurular temsil etmek zere vektr elemanlar ve etiketi bir satrda olacak ekilde X-kme.txt (X=N, L, R ve P) uzantl bir dosyada saklanr. 2.2)Benzetim programnn kaynak kodu, oz_frekans.m dosyasnda saklanmtr. X-kme.txt dosyasndan normalize edilmi vurular temsil eden EKG vektrleri okunur ve bir diziye yazlr. Her vektre Fourier dnm uygulanr. Fourier katsaylarnn modl hesaplanr ve bu deerler, znitelik vektr elemanlar olarak farkl bir dizide saklanr. Tm EKG vuru vektrleri iin hesaplama tamamlandnda znitelik vektrleri, vektr elemanlar ve etiketi bir satrda olacak ekilde X_oz_frekans.txt (X=N, L, R ve P) uzantl bir dosyada saklanr. 2.3) Benzetim programnn kaynak kodu, kume_olustur.m dosyasnda saklanmtr. X_oz_frekans.txt (X=N, L, R ve P) uzantl drt dosya okunur ve dizi oluturulur. 64 modl deerinden oluan drt snfa ait 160 adet znitelik vektr, vektr elemanlar ve etiketi bir satrda olacak ekilde oz_fre_toplam.txt uzantl bir dosyada saklanr. Tm EKG vurularna ait znitelik vektrleri, ekil p.4te gsterilmektedir. 64 modl deerinden oluan drt snfa ait 80 adet znitelik vektr eitim kmesini temsil etmek zere, vektr elemanlar ve etiketi bir satrda olacak ekilde oz_fre_egitim.txt uzantl bir dosyada saklanr. 64 modl deerinden oluan drt snfa ait 80 adet znitelik vektr test kmesini temsil etmek zere, vektr elemanlar ve etiketi bir satrda olacak ekilde oz_fre_test.txt uzantl bir dosyada saklanr. 2.4)Benzetim programnn kaynak kodu, oz_ct.m dosyasnda saklanmtr. Eitim kmesi drt snf ierecek ekilde ct.jpeg grnts zerinde fare
308
kullanlarak oluturulur. Fare yardmyla iaretlenen benein kendisi ve bir komuluundaki benek iddetleri znitelik vektrnn elemanlarn oluturmaktadr. Drt snfa ait 40 adet znitelik vektr eitim kmesini temsil etmek zere, vektr elemanlar ve etiketi bir satrda olacak ekilde oz_ct.txt uzantl bir dosyada saklanr. Ayn ekilde eitim kmesinden farkl bir test kmesi de oluturulabilinir.
vektr (a)
rnek deerleri
vektr (b)
rnek deerleri
vektr (c)
rnek deerleri
vektr (d)
rnek deerleri
EKL p.3 (a) N tipi, (b) L tipi, (c) R tipi ve (d) P tipi vurulara ait kmeler.
CEVAP ANAHTARI
309
modl deerleri
frekans
vekr
EKL p.4 EKG vurularna ait znitelik vektrleri. 3.1)Benzetim programnn kaynak kodu, Boyut_azalt.m dosyasnda saklanmtr. oz_fre_toplam.txt dosyas iindeki tm znitelik vektrleri dikkate alnarak, vektrlerin boyutu 1den 64e kadar adm adm geniletilir. Geniletme ileminde daha anlaml znitelikler (diverjans deeri dikkate alnarak) ilk sralarda olacak ekilde bir sralama gereklenir. znitelik vektr boyutu ve diverjans deerlerinin logaritmas, ekil p.5te gsterilmitir. Eride ilk krlma noktas olan 32, indirgenmi boyut deeri olarak seilmitir. Sralama ve indirgenen vektr boyutu dikkate alnarak dzenlenen yeni znitelik vektrleri, vektr elemanlar ve etiketi bir satrda olacak ekilde Boyut_frekans.txt uzantl bir dosyada saklanr. zniteliklerin anlam sras, znitelik numaras ve diverjans deeri bir satrda gsterilecek ekilde fre_sralama.txt dosyasnda saklanr. 3.2)Benzetim programnn kaynak kodu, Boyut_azalt.m dosyasnda saklanmtr. oz_ct.txt dosyas iindeki tm znitelik vektrleri dikkate alnarak, vektrlerin boyutu 1den 9a kadar adm adm geniletilir. Geniletme ileminde daha anlaml znitelikler (diverjans deeri dikkate alnarak) ilk sralarda olacak ekilde bir sralama gereklenir. znitelik vektr boyutu ve diverjans deerlerinin logaritmas, ekil p.6da gsterilmitir. Eride ilk krlma noktas olan 4, indirgenmi boyut deeri olarak seilmitir. Sralama ve indirgenen vektr boyutu dikkate alnarak dzenlenen yeni znitelik vektrleri, vektr elemanlar ve etiketi bir satrda olacak ekilde Boyut_ct.txt uzantl bir dosyada saklanr.
310
zniteliklerin anlam sras, znitelik numaras ve diverjans deeri bir satrda gsterilecek ekilde ct_sralama.txt dosyasnda saklanr.
log (diverjans)
boyut
EKL p.5 Diverjans deerinin boyut saysna gre deiimi.

log (diverjans)
boyut
EKL p.6 Diverjans deerinin boyut saysna gre deiimi. 4.1)Snflayc olarak K-en yakn komu (literatrde K-NN olarak bilinmektedir) snflaycs seilmitir. K deeri 3 olarak seilmitir. Benzetim programnn kaynak kodu, fu_KNN_snflama.m dosyasnda saklanmtr. Fantom uzaya ait znitelik vektrleri, fu_mous.txt dosyasndan okunur. Eitim kmesindeki tm znitelik vektrleri an dmleri olarak seilir. Dolaysyla snflaycya ait parametreler karmak ilemler yaplmadan kolaylkla bulunmutur. Test iin zel bir kme oluturulmamtr. Fantom uzaydaki tm vektrler, K-NN snflayc tarafndan snflandrlmtr. Vektrlere ait etiketler, vektrlerin konumlarna gre ekranda grntlenmitir. Sonu grnt, fu_KNN_snflama.jpeg dosyasnda saklanmtr. ekil p.7de K-NN snflaycnn rettii kararlar grntlenmektedir.
CEVAP ANAHTARI
311
255
255
EKL p.7 Fantom uzayn KNN snflayc ile snflandrlmas. 4.2) Snflayc olarak K-en yakn komu (K-NN) snflaycs seilmitir. K deeri 3 olarak seilmitir. Benzetim programnn kaynak kodu, fre_KNN_snflama.m dosyasnda saklanmtr. Eitim kmesine ait znitelik vektrleri, oz_fre_egitim.txt dosyasndan okunur. ngirgenmi boyuta ait bilgiler fre_sralama.txt dosyasndan okunur. Eitim kmesindeki tm znitelik vektrleri, an dmleri olarak seilir. Dolaysyla snflaycya ait parametreler karmak ilemler yaplmadan kolaylkla bulunmutur. Test kmesine ait tm vektrler, oz_fre_test.txt dosyasndan okunur. Test kmesine ait tm vektrler, K-NN snflayc tarafndan snflandrlm ve %100 baar elde edilmitir. 4.3) Snflayc olarak K-en yakn komu (K-NN) snflaycs seilmitir. K deeri 3 olarak seilmitir. Benzetim programnn kaynak kodu, ct_KNN_snflama.m dosyasnda saklanmtr. Eitim kmesine ait znitelik vektrleri, oz_ct.txt dosyasndan okunur. ngirgenmi boyuta ait bilgiler ct_sralama.txt dosyasndan okunur. Eitim kmesindeki tm znitelik vektrleri, an dmleri olarak seilir. Dolaysyla snflaycya ait parametreler karmak ilemler yaplmadan kolaylkla bulunmutur. Test iin farkl bir kme oluturulmamtr. CT grntsndeki tm benekler iin K-NN snflayc karar (etiket) retir ve benekler iin retilen etiketler ekranda grntlenir. Sonu grnt, ct_KNN_snflama.jpeg isimli bir dosyada saklanmtr. CT grntsndeki beneklerin K-NN snflayc tarafndan snflandrlmas ekil p.8de gsterilmitir.
312
255
255
EKL p.8 CT grntsnn KNN snflayc ile snflandrlmas. 5.1)Snflayc olarak literatrde ska kullanlan ok-katmanl a (KA) seilmitir. Benzetim programnn kaynak kodu, fu_MLP_snflama.m dosyasnda saklanmtr. Fantom uzaya ait znitelik vektrleri, fu_mous.txt dosyasndan okunur. P dizisi, giri znitelik vektrleri kmesini; T dizisi, arzu edilen k deerleri kmesini temsil etmektedir. An topolojisi, 2-170-180-3 olarak bulunmutur. Bu topoloji, ok sayda denemeden sonra hatay en aza indirgeyen yap olarak tespit edilmitir. Eitim aamalar, ekil p.9de grafik eklinde gsterilmitir. Dmler (W1 B1 W2 B2 W3 B3) kayit.mat dosyasnda saklanmtr. KAnn fantom uzayn snflama sonucu ekil p.10da gsterilmektedir. Sonu grnt, fu_MLP_snflama.jpeg dosyasnda saklanmtr. 5.2) Snflayc olarak literatrde ska kullanlan ok-katmanl a (KA) seilmitir. Benzetim programnn kaynak kodu, fre_MLP_snflama.m dosyasnda saklanmtr. EKG vurularna ait znitelik vektrleri, oz_fre_egitim.txt dosyasndan okunur. P dizisi, giri znitelik vektrleri kmesini; T dizisi, arzu edilen k deerleri kmesini temsil etmektedir. An topolojisi, 32-150-180-4 olarak bulunmutur. Bu topoloji, ok sayda denemeden sonra hatay en aza indirgeyen yap olarak tespit edilmitir. Eitim aamalar, ekil p11de grafik eklinde gsterilmitir. Dmler (W1 B1 W2 B2 W3 B3) kayit.mat dosyasnda saklanmtr. Test kmesi oz_fre_test.txt dosyasndan okunur.
CEVAP ANAHTARI
313
toplamsal hata
iterasyon EKL p.9 KAnn eitiminde iterasyona bal hata grafii.
255
255
EKL p.10 Fantom uzayn KA ile snflandrlmas. 5.3)Snflayc olarak literatrde ska kullanlan ok-katmanl a (KA) seilmitir. Benzetim programnn kaynak kodu, ct_MLP_snflama.m dosyasnda saklanmtr. CT grntsne ait znitelik vektrleri, oz_ct.txt dosyasndan okunur. P dizisi, giri znitelik vektrleri kmesini; T dizisi, arzu edilen k deerleri kmesini temsil etmektedir. An topolojisi, 4-220-230-4 olarak bulunmutur. Bu topoloji, ok sayda denemeden sonra hatay en aza indirgeyen yap olarak tespit edilmitir. Eitim aamalar, ekil p12de grafik eklinde gsterilmitir. Dmler
314
(W1 B1 W2 B2 W3 B3) kayit.mat dosyasnda saklanmtr. KAnn CT grntsndeki benekleri snflama sonucu ekil p13te gsterilmektedir. Sonu grnt, ct_MLP_snflama.jpeg dosyasnda saklanmtr.
toplamsal hata
EKL p.11 KAnn eitiminde iterasyona bal hata grafii.
iterasyon
toplamsal hata
iterasyon
EKL p.12 KAnn eitiminde iterasyona bal hata grafii. 6.1)Snflayc olarak kullanlmak zere yarmac bir a yaps seilmitir. Benzetim programnn kaynak kodu, fu_ga_snflama.m dosyasnda saklanmtr. Fantom uzaya ait znitelik vektrleri, fu_mous.txt dosyasndan okunur. An topolojisi, 2-30-3 olarak seilmitir. Bu topoloji, ok sayda denemeden sonra hatay en aza indirgeyen yap olarak tespit edilmitir. Genetik havuzun yaps ekil p14te gsterilmitir.
CEVAP ANAHTARI
315
Havuzdaki her dizi tek bir aa karlk gelmektedir. Havuz 16 dizi iermektedir. A, 30 dmden meydana gelmektedir. An her dm 2 parametre iermektedir.
255
255
EKL p.13 CT grntsnn KA ile snflandrlmas.

1.snf 2.snf 3.snf ... 3.snf w11,1 w 11,2 w 12,1 w 12,2 w 13,1 w 13,2 ... w 130,1 w 130,2 .. . . .. .. .. . . .. .. 15. dizi w 161,1 w161,2 w162,1 w162,2 w163,1 w163,2 ... w1630,1 w1630,2
EKL p.14 An parametrelerinin genetik havuzda konumlan. Ayn snfa ait dmlerin k ortak bir snf dmne (OR ilemini gerekleyecek ekilde) balanr. wijk, i-inci dizinin j-inci dmnn k-nc parametresini temsil etmektedir. Dmler fu_ga_dugum1.mat dosyasnda saklanmtr. An fantom uzay snflama sonucu ekil p15te gsterilmektedir. Sonu grnt, fu_ga_snflama.jpeg dosyasnda saklanmtr. 6.2) Snflayc olarak kullanlmak zere yarmac bir a yaps seilmitir. Benzetim programnn kaynak kodu, fre_ga_snflama.m dosyasnda
316
saklanmtr. EKG vurularna ait znitelik vektrleri, oz_fre_egitim.txt dosyasndan okunur. An topolojisi, 32-20-4 olarak seilmitir. Havuzdaki her dizi bir aa karlk gelmektedir. Havuz 16 dizi iermektedir. A, 20 dmden meydana gelmektedir. An her dm 32 parametre iermektedir.
255
255
EKL p.15 Fantom uzayn a ile snflandrlmas. Ayn snfa ait dmlerin k ortak bir snf dmne (OR ilemini gerekleyecek ekilde) balanr. wijk, i-inci dizinin j-inci dmnn k-nc parametresini temsil etmektedir. Bu topoloji, birok denemeden sonra hatay en aza indirgeyen yap olarak tespit edilmitir. Genetik havuzun yaps ekil p16da gsterilmitir. Dmler fre_ga_dugum1.mat dosyasnda saklanmtr. Test kmesi oz_fre_test.txt dosyasndan okunur. 6.3) Snflayc olarak kullanlmak zere yarmac bir a yaps seilmitir. Benzetim programnn kaynak kodu, ct_ga_snflama.m dosyasnda saklanmtr. CT grntsne ait znitelik vektrleri, oz_ct.txt dosyasndan okunur. An topolojisi 4-20-4 olarak seilmitir. Havuzdaki her dizi, tek bir aa karlk gelmektedir. Havuz 16 dizi iermektedir. A, 20 dmden meydana gelmektedir. An her dm 4 parametre iermektedir. Ayn snfa ait dmlerin k ortak bir snf dmne (Or ilemini gerekleyecek ekilde) balanr. wijk, i-inci dizinin j-inci dmnn k-nc parametresini temsil etmektedir. Bu topoloji, birok denemeden sonra
CEVAP ANAHTARI
317
hatay en aza indirgeyen yap olarak tespit edilmitir. Genetik havuzun yaps ekil p17de gsterilmitir. Dmler ct_ga_dugum1.mat dosyasnda saklanmtr. An CT grntsndeki benekleri snflama sonucu ekil p18de gsterilmektedir. Sonu grnt, ct_ga_snflama.jpeg dosyasnda saklanmtr.
1.snf w11,1 ....w11,32 .. . .. . 15. dizi w161,1...w161,32 3.snf 4.snf w13,1....w13,32 w14,1....w14,32 .. .. .. .. w163,1...w163,32 w164,1...w164,32 4.snf w120,1.....w120,32 .. .. w1620,1...w1620,32
EKL p.16 An parametrelerinin genetik havuzda konumlan.

1.snf w11,1 ....w11,4 .. . .. . 15. dizi w161,1...w161,4 3.snf 4.snf w13,1....w13,4 w14,1....w14,4 .. .. .. .. w163,1...w163,4 w164,1...w164,4 4.snf w120,1.....w120,4 .. .. w1620,1...w1620,4
EKL p.17 An parametrelerinin genetik havuzda konumlan. 7.1)Snflayc olarak literatrde ska kullanlan bulank K-en yakn komu snflayc seilmitir. K deeri 3 olarak seilmitir. Benzetim programnn kaynak kodu, fu_fuzzy_snflama.m dosyasnda saklanmtr. Fantom uzaya ait znitelik vektrleri, fu_mous.txt dosyasndan okunur. A, 30 dmden meydana gelmektedir. An her dm 2 parametre iermektedir. Ayn snfa ait dmlerin k ortak bir snf dmne (OR ilemini gerekleyecek ekilde) balanr. An fantom uzayn snflama sonucu ekil p19da gsterilmektedir. Sonu grnt, fu_fuzzy_snflama.jpeg dosyasnda saklanmtr. ekil p19da snf iin bek merkezi seilmitir. Bu nedenle fantom znitelik uzay snfa ayrlmtr. Ayn programda snf says 9 seilerek ekil p.20deki sonu elde edilmitir. Bu analiz, salma olutuunda snf says kadar bek merkezinin fantom uzaydaki snf dalmn temsil edemediini gstermektedir.
318
255
255
EKL p.18 CT grntsnn a ile snflandrlmas.
255
255
EKL p.19 Fantom uzayn K-en yakn komu snflayc ile snflandrlmas. 7.2)Snflayc olarak literatrde ska kullanlan bulank K-en yakn snflayc seilmitir. K deeri 3 olarak seilmitir. Benzetim programnn kaynak kodu, fre_fuzzy_snflama.m dosyasnda saklanmtr. EKG vurularna ait znitelik vektrleri, oz_fre_egitim.txt dosyasndan okunur. A, 20
CEVAP ANAHTARI
319
dmden meydana gelmektedir. An her dm 32 parametre iermektedir.
255
255
EKL p.20 Fantom uzayn K-en yakn komu snflayc ile 9 snfa bltlenmesi. Ayn snfa ait dmlerin k ortak bir snf dmne (OR ilemini gerekleyecek ekilde) balanr. Dmler fre_fuzzy_dugum1.mat dosyasnda saklanmtr. Test kmesi oz_fre_test.txt dosyasndan okunur. 7.3)Snflayc olarak literatrde ska kullanlan bulank K-en yakn snflayc seilmitir. K deeri 3 olarak seilmitir. Benzetim programnn kaynak kodu, ct_fuzzy_snflama.m dosyasnda saklanmtr. CT grntsne ait znitelik vektrleri, oz_ct.txt dosyasndan okunur. A, 20 dmden meydana gelmektedir. An her dm 4 parametre iermektedir. Ayn snfa ait dmlerin k ortak bir snf dmne (OR ilemini gerekleyecek ekilde) balanr. An CT grntsndeki benekleri snflama sonucu ekil p21de gsterilmektedir. Sonu grnt ct_fuzzy_snflama.jpeg dosyasnda saklanmtr. 8.1.a)Aday Eleme algoritmasnn prolog kaynak kodu, AdayYokEt.pl dosyasnda bulunmaktadr. b)Bu devde kalp krizi risk faktrnn belirlenmesi konusunda bir alma yaplm ve konu ile ilgili gereklerden oluan bir veri dosyas
320
255
255
EKL p.21 CT grntsnn bulank K-en yakn snflayc ile snflandrlmas. oluturulmutur. Veriler, srasyla sigara kullanm, stres, cinsiyet, boy, kilo ve ten rengine sahip zelliklerden meydana gelmektedir.Veriler, prolog kaynak kodlu HastalikRiski.pl dosyasnda bulunmaktadr. Aada bu dosyann ierii gsterilmitir.
% ---------rnek says n(7). % ---------rnekler: ornek(1, p, [icer ,var ornek(2, n, [icmez ,yok ornek(3, n, [icmez ,yok ornek(4, p, [icer ,var ornek(5, p, [icer ,var ornek(6, n, [icmez ,var ornek(7, n, [icer ,yok ,kadin ,erkek ,kadin ,erkek ,kadin ,kadin ,erkek ,orta ,kisa ,uzun ,uzun ,kisa ,kisa ,uzun ,sisman ,orta ,zayif ,sisman ,sisman ,orta ,orta ,esmer ,sarisin ,kumral ,sarisin ,kumral ,esmer ,sarisin ]). ]). ]). ]). ]). ]). ]).
% -----------Her bir kavramn alabilecei deerler: sigara(icer). sigara(icmez). sigara(x). stress(var). stress(yok). stress(x). cinsiyet(erkek).
CEVAP ANAHTARI
321
cinsiyet(kadin). cinsiyet(x). boy(kisa). boy(orta). boy(uzun). boy(x). vucut(zayif). vucut(sisman). vucut(orta). vucut(x). ten(esmer). ten(kumral). ten(sarisin). ten(x). % ----------Hipotez yaps: hipotez([Si,St,C,B,V,T]) :sigara(Si), stress(St), cinsiyet(C), boy(B), vucut(V), ten(T).
c)Soru_8_1.doc dosyasnda prolog kaynak kodunun kullanm anlatlmaktadr. Prolog derleyicisine veri dosyas (HastalikRiski.pl) ve program kaynak kodu (AdayYokEt.pl) yklenir. Derleyici konsolundan basla. komutu girilir. Program, G ve S kmelerinin aama aama ieriini ve daha sonra uyarlama uzaynn yapsn ekranda gsterir. 8.2.a)Derinlik ncelikli Aratrma algoritmasnn prolog kaynak kodu, IlkDerinAra.pl dosyasnda bulunmaktadr. Aada bu dosyann ierii gsterilmitir.
% Derinlik ncelikli Aratrma Algoritmas % (X1, Y1) den (X2, Y2) ye olacak olan hamle olas bir hamlemi? uye(X,[X|_]). uye(X,[_|Liste]) :- uye(X,Liste). basla:-
322
baslangic(S0), bitis(S1), Z = [S0], ilerle(S0,S1,Z). ilerle(S1,S1,Z) :write('su sekilde bir yol bulundu:'),nl,write(Z),nl. ilerle(Sa,S1,Z) :sonraki(Sa,Sb), not(uye(Sb,Z)), append(Z,[Sb],Z1), % write(Sb),nl, % ziyaret ettigi tum durumlari gormek iin bu satiri acin ilerle(Sb,S1,Z1).
b)Problemi, karelerden olumu bir tahta zerinde bir konumdan dier konuma nceden ziyaret edilmi bir kareyi tekrar ziyaret etmeden satrantaki at hamlelerini kullanarak ulama olarak tanmlayalm. Veriler, prolog kaynak kodlu AtHareketi.pl dosyasnda bulunmaktadr. Aada bu dosyann ierii gsterilmitir.
%------At hareketlerine ait veriler tablo([a,b,c,d],[1,2,3,4]). baslangic([a,1]). bitis([d,4]). durum([X,Y]):tablo(TX,TY), member(X,TX), member(Y,TY). %-------satranc tahtasindaki atin hamleleri sonraki(S0,S1):tablo(TX,TY), [X,Y]=S0, durum([X2,Y2]), ( (nextto(X,X2,TX),nextto(Y,Z,TY),nextto(Z,Y2,TY)); (nextto(X2,X,TX),nextto(Y,Z,TY),nextto(Z,Y2,TY)); (nextto(X,Z,TX),nextto(Z,X2,TX),nextto(Y2,Y,TY)); (nextto(X2,Z,TX),nextto(Z,X,TX),nextto(Y2,Y,TY)); (nextto(X2,X,TX),nextto(Y2,Z,TY),nextto(Z,Y,TY)); (nextto(X,X2,TX),nextto(Y2,Z,TY),nextto(Z,Y,TY)); (nextto(X,Z,TX),nextto(Z,X2,TX),nextto(Y,Y2,TY)); (nextto(X2,Z,TX),nextto(Z,X,TX),nextto(Y,Y2,TY)) ),
CEVAP ANAHTARI
323
S1=[X2,Y2].
Soru_8_2.doc dosyasnda prolog kaynak kodunun kullanm anlatlmaktadr. Prolog derleyicisine veri dosyas (AtHareketi.pl) ve program kaynak kodu (IlkDeriniArastirma.pl) yklenir. Derleyici konsolundan basla. komutu girilir. Program, baslangc konumundan hedefe kadar olan ilerlemeyi sembollerle ekranda gsterir. Baslangc konumu [a,1] olarak veri dosyasnda tanmldr. 8.3.a)FOIL algoritmasnn prolog kaynak kodu, Foil.pl dosyasnda bulunmaktadr. b)Bu devde, aile veri yaps iinde karde kavramnn tanm kartlacaktr. Veriler, prolog kaynak kodlu Aile.pl ve Kardes.pl dosyalarnda bulunmaktadr. c)Soru_8_3.doc dosyasnda prolog kaynak kodunun kullanm anlatlmaktadr. Prolog derleyicisine veri dosyalar (Aile.pl ve Kardes.pl) ve program kaynak kodu (Foil.pl) yklenir. Derleyici konsolundan foil(kardes/2). komutu girilir. Program, veri tabann inceleyerek karde kavramn ifade eden bir koul cmlesini ekranda gsterir. 8.4.a)Id3 algoritmasnn prolog kaynak kodu, Id3.pl dosyasnda bulunmaktadr. b)Bu devde, denizle ilgili veriler zerinde bir veri taban oluturulmutur. Veriler, prolog kaynak kodlu Varliklar.pl dosyasnda bulunmaktadr. Aada bu dosyann ierii gsterilmitir.
example(1, balik, [motorlumu=hayir, canlimi=evet, nerede_gider=denizde]). example(2, gemi, [motorlumu=evet, canlimi=hayir, nerede_gider=denizde]). example(3, at, [motorlumu=hayir, canlimi=evet, nerede_gider=karada ]). example(4, kus, [motorlumu=hayir, canlimi=evet, nerede_gider=havada ]). example(5, ucak, [motorlumu=evet, canlimi=hayir, nerede_gider=havada ]). example(6, araba, [motorlumu=evet, canlimi=hayir, nerede_gider=karada ]). example(7, bisiklet, [motorlumu=hayir, canlimi=hayir, nerede_gider=karada ]).
c)Soru_8_4.doc dosyasnda prolog kaynak kodunun kullanm anlatlmaktadr. Prolog derleyicisine veri dosyalar (varliklar.pl) ve program kaynak kodu (id3.pl) yklenir. Derleyici konsolundan id3. komutu girilir. Konsoldan girilen showtree. komutu ile program, veri tabann inceleyerek oluturduu aac ekranda gsterir. 8.5.a)Q renmesi algoritmasnn prolog kaynak kodu, QOgren.pl dosyasnda bulunmaktadr.
324
b)Bu devde, dev 8.2de ele alnan at hareketi incelenmektedir. dev 8.2de bir balang konumundan hedef konumuna atn ulamas iin bir yol optimizasyonu yaplmamaktadr. devin bu kknda at hareketi iin en uygun yolun belirlenmesi zerinde durulacaktr. Veriler, prolog kaynak kodlu AtHareketi.pl dosyasnda bulunmaktadr. Prolog konsol ekranna qOgren.komutunu girilir. Her oyun, rastgele bir balang konumundan balar ve hedef duruma ulaana kadar srer. Q renme algoritmas her oyunda rastgele balang durumlarndan veri dosyasnda belirtilen hedef (biti) durumuna ulaana kadar hamleler retecek ve her oyunun sonunda hamle deerlerini ieren Q tablosunu gncelleyecektir. QOgren.pl dosyasnda belirtilen 100 sayda oyun tekrarlandktan sonra, hamle deerlerini (Q tablosunu) grmek iin hamleleriGoster. komutu girilir. c)Herhangi bir durumdan hedeflenen duruma ulamak iin konsol ekranndan rnein qOyna([a,1]). komutu yazlr. Algoritma, [a,1] konumundan veri tabannda belirtilen sabit hedef konuma ([d,4]) olan en ksa yolu hamle deerleri ile (ekil p.22) birlikte aadaki ekilde belirtecektir: [a, 1]durumundan[b, 3]durumuna deger,90 [b, 3]durumundan[d, 4]durumuna deger,100 hedefe_ulasildi Yes.
a 4 3 2 1 b c d
EKL p.22 En ksa mesafeden hedefe atn getirilmesi.
NDEKS
Best-First Search, 258 Bilgi domeni, 284, 290 Bilgi kazanc, 269, 270, 272 Bilgi miktar, 88 Bir Kural ren, 263 Boyut indirgeme, 85 Bltleme ilemi, 58 Breadth-First Search, 257 Bulandrc, 228 Bulank c-ortalama, 233 Bulank karm, 226 Bulank Denetim, 227 Bulank K-NN snflayc, 237 Bulank Kohonen bekleme, 235 Bulank kme, 223 Bulank mantk, 224 Bulank snflayclar, 223 By ve ren a, 154,166
A
Ak blge, 158 Aday eleme, 247, 248, 298 Aday_Hipotezler, 260, 261, 262 Adm Adm Kapsama, 259, 263 Alt-kme, 8 Alt-rnekleme, 46 Ana bileenlerin analizi, 99 Ana dalgack, 43 AND ilemi, 157 Ani deikenlik, 74, 76 AR modeli, 28, 29 ARMA modeli, 27, 34 ARMAX modeli, 27 Ayrm fonksiyonlar, 128 Ayrm fonksiyonu, 129 Ayrm kriteri, 106 Ayrm kriterleri, 106 Ayrk dalgack dnm, 45 Ayrk Hopfield a, 176 Ayrk kosins dnm, 51 Ayrlabilirlik, 22 Ayrnt katsaylar, 48
armsal bellek, 176 aprazlama pozisyonu, 185 arprazlama, 183 karm motoru, 228 k katman, 155 KA, 154 ok katmanl a, 154 znrlk, 46 znrlk problemi, 39
B
Baarm indeksi, 135 Bayes kural, 126 Belirsizliin ls, 89, 268 Bellek ihyac, 14 Benzerlik oran, 128 Benzerlik ls, 135 Benzerlikler emas, 188 Benzerlikler yoluyla renme, 287 Benzerlikleri renme, 284 Benzetim aralarnda, 14
D
Dalgack analizi, 43 Dalgack dnm, 43 Dalgack dzlemi, 49 Dalgack fonksiyonu, 46 Darbe dizisi, 19
326
Daubechies dalgacklar, 44 Denetimli renme, 153 Denetimsiz renme, 153, 169 Depth-First Search, 256 Derinlik ncelikli Aratrma, 256 Deterministik sistem, 27 Dinamik programlama, 106, 107 Diverjans, 6, 108 Diverjans analizi, 14 Dizilerin Kodlanmas, 197 Dorunun kesimesi, 157 Doku kuvveti, 74, 77 Dokusal zellikler, 72 Dnm ilemi, 3, 17 Duraan iaretlerin, 37 Duraan olmayan, 39, 43 Duru kme, 223 Durulandrc, 229 Dm, 154 Dzenlenme uyumluluu, 255
FOIL, 263, 264, 265, 266, 298 Fourier Dnm, 36
G
Genelden zele Sralama, 245 Genelleme yetenei, 3 Genelleme zellii, 88, 162 Genelletirilmi -kural, 159 Genelletirilmi karar fonksiyonlar, 122 Genel-zel ilikisi, 246 Genetik algoritmalar, 183 Genetik havuz, 185, 189, 197 Genilik ncelikli aratrma, 257 Gerek-zaman, 14 Geri izleme, 296 GetKA, 208 GetKoh, 214 Grnt, 17 Grnt znrllnn etkisi, 24 Gzlenen iaret, 27 Graf, 281, 282 Grlt modeli, 27
E
Eitim algoritmas, 11, 159, 164 Eitim ilemi, 148 Eitim kmesi, 148, 161 Eitim zaman, 88 En yiyi ncelikle Aratrlmas, 258 En yakn model snflayc, 239 Enerji younlatrma, 52 Enformasyon miktar, 88 Entropi, 88, 268, 269, 272 Entropinin minimumlatrlmas, 90 Eikleme, 62 E-Olu matrisi, 77 Etiketleme, 170 Etiketleme ilemi, 174 Euclidean mesafesi, 131
H
Hadamard dnm, 55 Hiper dzlemler, 157, 163 Hiper kre, 162 Hiper kre yaraplar, 164 Hiper kreleri, 163 Hiper-dzlem, 9 Hiperkuadratik yzeyler, 130 Hipotez, 245, 260, 261, 262 Hopfield a, 176 Horn koulu, 253 Hough dnm, 64
F
Faktr analizi, 99 Fantom uzay, 5, 6 Find-S, 246, 247 Fisher dnm vektr, 95 Fisher lineer ayrm, 93
I
ID3 algoritmas, 270, 271, 272, 273
erik adreslemeli bellek, 176, 178
NDEKS
327
rilik, 74, 75 aret znrl, 46 lem eleman, 146
L
Lagrange arpanlar, 101 Learn One Rule, 260 Lineer ayrlabilen snflar, 121 Lineer karar fonksiyonlar, 115 Lineer karar fonsiyonu, 117 Lineer snflayc, 11 Lineerlik, 21 Literal, 253, 254, 259, 262, 264
K
Kapal blge, 158 Karar aac, 266, 267, 268, 269 Karar Aacn renme, 266 Karar eii, 128 Karar fonksiyonu, 8, 116, 117 Karar kurallar, 115 Karar snrlar, 120 Karar verme mekanizmasn, 2 Karar yzeyleri, 115 Kararllk problemi, 176 Karhunen-Loeve dnm, 99 Karmak dalmlar, 7, 86 Karmaklk, 74, 76 Kategori, 1 Katman, 146 Kavramlar renme, 244 Kenar bulma ilemi, 59 Kenar inceltme, 59 Kernel fonksiyonlar, 152 Keif yoluyla renme, 278 Krpc, 148 Krpc fonksiyonu, 151 Ksa-zaman Fourier, 41 Kstl Coulomb enerji, 162 Kstl Coulomb enerji a, 154 Klik, 281, 282, 283 Kohonen A, 170 Komuluk Gri-Ton Fark Matrisi, 74 Kontrast, 74, 76 Konvolsyon, 22 Kopyalama, 183 K-ortalamalar algoritmas, 138 Koul, 253 Koullu olaslk, 125 Koullu risk fonksiyonu, 128 Kovaryans matrisi, 90 Kural taban, 229 Kurallar Kmesini renme, 258
M
MA modeli, 28 MA modeli, 32 Mahalanobis mesafesi, 131 Maksimal ksmi eleme, 286 Maksimal klik, 282 maksimin-mesafe algoritmas, 137 Maksimum klik, 282 Maliyetin minimizasyonu, 195 Mesafe lleri, 8 Mikro-denetleyici, 14 Minimal zelleri, 248, 251 MLP, 154 Model parametreleri, 24 Moment, 73 Moment zellikleri, 67 Mutasyon, 183
N
Nicemlemenin etkisi, 24 Normalizasyon ilemi, 2 Nyquist kriteri, 37
O
Optimizasyon problemi, 178 OR ilemi, 157
bek merkezi, 137, 138 bekleme kriteri, 135 renme algoritmas, 148
328
renme ilemi, 148 lek deeri, 44 lek fonksiyonu, 46 lek parametresi, 44 lekleme, 43 n-olaslk bilgisi, 126 rnekleme frekans, 37 rnt uzay, 1 rnt onarma, 178 rntler, 1 teleme ile deimezlik, 21 teleme terimi, 43 zdeer, 90, 91 zdeerler, 101 z-dzenlemeli harita, 173 zdzlemler, 103 zelden genelle, 260 znitelik kartma, 2 znitelik Uzayn Blmeleme, 155, 163, 166, 170, 173 zniteliklerin kartlmas, 4 zvektr, 90 zvektrler, 101
S
Sabit znrlk, 44 Salm matrisi, 106, 135 Sakl katman, 155 Salt eylemci, 153 Sequantial Covering, 259 Servo denetleyici, 230 Snf dalm, 4 Snf snrlarn, 8 Snf yelikleri, 238 Snf-ii, 6 Snflama ilemi, 2 Snflama baarm, 116 Snflama performans, 11 Snflama zaman, 14 Snflar-aras, 6 Snflayc yapsn, 11 Sigmoid fonksiyonu, 151 Spesific to general, 260 Srekli dalgack dnm, 44
ekilsel zellikler, 70 ema sras, 192 ema tanmlayc uzunluu, 192 ema teoremi, 189, 192
P
Parametre vektr, 117 Penalt yntemi, 200 Perceptron, 147 Pozitif ve negatif rnekler, 244, 245 Prolog, 258, 259, 291, 292, 293, 294, 295, 296, 298, 303 Prototip vektrler, 141
T
Takviyeli renme, 273, 274 Tek boyutlu, 17 Tekil deer, 102 Temel eksen as, 69 Terim, 253, 295 Topluluk bykl, 187 Transfer fonksiyonu, 146
Q
Q Fonksiyonu, 275 Q renmesi, 277, 278
R
Rayleigh Oran, 95 RCE, 162
U
Uniter matris, 102 Uyarlama uzay, 248
NDEKS
329
Uyumluluk deerine, 183 Uyumluluk fonksiyonu, 183
st-rnekleme, 46 yelik deerleri, 234 yelik fonksiyonlar, 225 yelik fonksiyonu, 224
V
Vektr boyutunun kltlmesi, 5 Veri taban, 228
Y
Yaklaklk katsaylar, 48 Yapay sinir alar, 145 Yapay zeka, 243, 253 Yapsal bloklar, 195 Yarar maksimizasyonu, 195 Yerel bellek, 146 Ynl graf, 146 Yklemler, 253, 264
Z
Zincir Kodlama, 66
Yapay zeka destekli rnt tanma konusu, teknolojik gelimelerle paralel geni bir uygulama alan bulmaktadr. Bu konudaki almalar; tpta vcut zerinden alnan biyolojik iaretlerin analizinde, cep telefonlarnda veya bilgisayarlarda ses tanma dzeneklerinde, yz veya parmak izi tanyan gvenlik sistemlerinde, grerek objeleri tanyan ve ilem yapan robot veya otomatlarda, uzaktan alglanan grntlerin analizinde, savunma amal oluturulan dzeneklerde ska gzlenmektedir. Bu kitapta yapay sinir alar, genetik algoritmalar, bulank mantk ve makine renmesi gibi yapay zeka yaklamlarnn rnt tanma konusunda kullanmlar ele alnmaktadr. Kitap iindeki her blmde rnt tanma ileminde oluturulacak karar mekanizmasna ait gerekli admlar ayrntl olarak incelenmektedir. Kitabn birinci blmden sekizinci blme kadar blm sonlarnda farkl rnek zerinde MATLAB ortamnda zlmesi istenen problemler bulunmaktadr: (i) kiboyutlu fantom uzay, (ii) EKG vurusu, (iii) bilgisayarl tomografi. Sekizinci blmn sonunda ise PROLOG programlama ile gereklenmesi istenen problemler bulunmaktadr. Cevap Anahtar blmnde problemlerin zmleri ve oluturulan ktlarn isimleri verilmektedir. Tm programlar ve retilen sonular, kitapla birlikte verilen CD iinde bulunmaktadr.
Tamer lmez 1964 ylnda stanbulda dodu. Orta renimini 1981 ylnda avuolu kolejinde tamamlad. Lisans renimini 1985 ylnda .T.. Elektronik ve Haberleme Mhendisliinde, yksek lisans renimini 1988 ylnda .T.. Fen Bilimleri Enstits Bilgisayar ve Kontrol Mhendisliinde tamamlad. 1988-1991 yllar arasnda TELETAn aratrma ve gelitirme blmnde iaret ileme konusunda proje mhendisi olarak almtr. 1991 yllnda alt ay TBTAKta uzman yardmcs olarak almtr. Ayn yl .T.. Elektronik Anabilim Dalna aratrma grevlisi olarak greve balamtr. 1995 ylnda .T.. Fen Bilimleri Enstits, Biyomedikal Mhendislii Programnda doktora almasn tamamlamtr. 1997 ylnda Elektronik dalnda Doent nvan almtr. 2003 ylndan beri ayn niversitenin Elektronik Anabilim Dalnda Profesr olarak grev yapmaktadr. Biyolojik iaretlerin ilenmesi, grnt ileme, tbbi biliim, yapay sinir alar, genetik algoritmalar, rnt tanma, makine renmesi, bilgisayarla gr, mikro-ilemci ve saysal iaret ilemci destekli sistem tasarm, veri toplama sistemleri tasarm, sanal gereklik, oul ortam uygulamalar konularnda almalarn srdrmektedir. Zmray Dokur lmez, lisans renimini 1992 ylnda T Elektronik ve Haberleme Mhendislii Blmnde, yksek lisans renimini 1995 ylnda .T.. Elektronik ve Haberleme Mhendislii Anabilim Dal, Biyomedikal Mhendislii Programnda tamamlad. 1992 ylnda .T.. Elektronik Anabilim Dalnda aratrma grevlisi olarak greve balamtr. Doktora almasn 2000 ylnda .T.. Elektronik ve Haberleme Mhendislii Anabilim Dal, Biyomedikal Mhendislii Programnda tamamlamtr. 2003 ylnda Elektrik-Elektronik Mhendislii Bilim Alannda Doent nvan ve yetkisi almtr. 2009 ylndan beri Elektronik Anabilim Dalnda Profesr olarak grev yapmaktadr. Medikal enstrumantasyon, biyolojik iaretlerin analizi ve tannmas, medikal grntlerin analizi, bltlenmesi, yapay sinir a modellerinin gelitirilmesi, genetik eitim, bulank mantk ve bulank snflayclar konularnda almalarn srdrmektedir. ISBN:

Uzman Si̇stemlerde Örüntü Tanima

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Uzman Si̇stemlerde Örüntü Tanima

Uploaded by

Copyright:

Available Formats

UZMAN SSTEMLERDE RNT TANIMA:

YAPAY SNR ALARI GENETK ALGORTMALAR BULANIK MANTIK MAKNE RENMES

Tamer lmez, Zmray Dokur

UZMAN SSTEMLERDE RNT TANIMA:

T.C. STANBUL TEKNK NVERSTES REKTRL Say :

UZMAN SSTEMLERDE RNT TANIMA

UZMAN SSTEMLERDE RNT TANIMA

UZMAN SSTEMLERDE RNT TANIMA

Koullu olaslk younluu

UZMAN SSTEMLERDE RNT TANIMA

EKL VE TABLO LSTES

, i. seviye dikey ayrnt;

UZMAN SSTEMLERDE RNT TANIMA

EKL VE TABLO LSTELER

UZMAN SSTEMLERDE RNT TANIMA

EKL VE TABLO LSTELER

UZMAN SSTEMLERDE RNT TANIMA

UZMAN SSTEMLERDE RNT TANIMA

BRNC BLM TEMEL KAVRAMLAR

UZMAN SSTEMLERDE RNT TANIMA

1.1 KARAR VERME MEKANZMASI

znitelik uzay Vektrler

1.2 NORMALZASYON LEM

UZMAN SSTEMLERDE RNT TANIMA

1.3 ZNTELK IKARTMA LEM

EKL 1.2 ki-boyutlu rnek znitelik uzay ve snflarn dalm.

1.4 BOYUT NDRGEME VE VER ANALZ

UZMAN SSTEMLERDE RNT TANIMA

1.5 FANTOM ZNTELK UZAYI

EKL 1.3 Karar verme mekanizmasnn bileenleri.

UZMAN SSTEMLERDE RNT TANIMA

EKL 1.4 ki-boyutlu fantom znitelik uzaynda snflarn dalm.

EKL 1.5 ki-boyutlu fantom uzaydan elde edilen alt-kme.

1.6 KARAR FONKSYONLARI

Gerek snf snr erisi

UZMAN SSTEMLERDE RNT TANIMA

Prototip vektrlerin oluturduu snr 1 x1

EKL 1.7 Minimum mesafe ls ile snf snrlarnn oluturulmas.

1.7 SINIFLAYICI YAPILARI VE ETM

UZMAN SSTEMLERDE RNT TANIMA

EKL 1.8 ki-boyutlu fantom uzayn eitlik (1.6) kullanlarak snflanmas.

EKL 1.9 Parametrelerin eitimle deiimi. Noktal izgiler, nceki

1.8 MAKNE RENMES

UZMAN SSTEMLERDE RNT TANIMA

1.9 PERFORMANS KRTERLER VE TASARIM

UZMAN SSTEMLERDE RNT TANIMA

UZMAN SSTEMLERDE RNT TANIMA

UZMAN SSTEMLERDE RNT TANIMA

UZMAN SSTEMLERDE RNT TANIMA

EKL p.2 Eitim kmesi iinden rastgele seilen vektrler.

UZMAN SSTEMLERDE RNT TANIMA

UZMAN SSTEMLERDE RNT TANIMA

EKL p.5 Diverjans deerinin boyut saysna gre deiimi.

UZMAN SSTEMLERDE RNT TANIMA

iterasyon EKL p.9 KAnn eitiminde iterasyona bal hata grafii.

UZMAN SSTEMLERDE RNT TANIMA

EKL p.11 KAnn eitiminde iterasyona bal hata grafii.

EKL p.13 CT grntsnn KA ile snflandrlmas.

UZMAN SSTEMLERDE RNT TANIMA

EKL p.16 An parametrelerinin genetik havuzda konumlan.

UZMAN SSTEMLERDE RNT TANIMA

EKL p.18 CT grntsnn a ile snflandrlmas.

dmden meydana gelmektedir. An her dm 32 parametre iermektedir.