T.C.

FIRAT N VERS TES FEN B L MLER ENST TS

SAYISAL MODLASYONLARDA DALGACIK DNM TEMELL B R AKILLI SINIFLANDIRMA S STEM

Zeynep B ER

Tez Yneticisi Yrd. Do.Dr. Engin AVCI

YKSEK L SANS TEZ ELEKTRON K ve B LG SAYAR E T M ANAB L M DALI

ELAZI, 2007

T.C. FIRAT N VERS TES FEN B L MLER ENST TS

SAYISAL MODLASYONLARDA DALGACIK DNM TEMELL B R AKILLI SINIFLANDIRMA S STEM

Zeynep B ER

Tez Yneticisi Yrd. Do.Dr. Engin AVCI

YKSEK L SANS TEZ ELEKTRON K ve B LG SAYAR E T M ANAB L M DALI

ELAZI, 2007

TEEKKR Bu almay yapmama olanak salayan, tezin her aamasnda ynlendirmeleri ve gler yzyle srekli destek olan bata Sayn Danmanm Yrd.Do.Dr. Engin AVCI ya, Yrd.Do.Dr. brahim TRKOLU na Ar.Gr. Davut HANBAY a ve Ar.Gr. Korhan KAYILI ya, yaamm boyunca bana katkda bulunan, bu almaya ayrdm vakti anlayla karlayan ve beni destekleyen aileme ve deerli fikirlerinden ve bilgisinden istifade ettiim arkadam Sultan ERDEM YAKUTa teekkr ederim.

Zeynep B ER

 NDEK LER TEEKKR NDEK LER .................................................................................................................... I

EK LLER L STES ............................................................................................................. IV TABLOLAR L STES ........................................................................................................... VI S MGELER L STES ............................................................................................................ VII KISALTMALARIN L STES ............................................................................................... VIII ZET ...................................................................................................................................... IX ABSTRACT 1. G R ................................................................................................................................ 1.1. Saysal Modlasyon Tanma Alannda Yaplan almalar............................................. 1.2. Ynelim Gerekeleri ve Ama.................................................................. ........................ 1.3. Tezin Organizasyonu ve Orijinal Katklar.................................................................. ...... 2. MODLASYON TRLER ............................................................................................. 2.1. Srekli Dalga Modlasyonu.............................................................................................. X 1 2 7 8 9 9

2.1.1. Genlik Modlasyonu....................................................................................... .............. . 10 2.1.1.1. Taycl Genlik Modlasyonu................................................................................... 11 2.1.1.2. ift Yan Band Modlasyonu....................................................................................... 12 2.1.2. Frekans Modlasyonu................................................................................. ................... 12 2.1.2.1. Darband FM................................................................................. ............................... 13 2.1.2.2. Geniband FM............................................................................................................. 14 2.1.3. Evre veya Faz Modlasyonu........................................................................... ............... 14 2.2. Darbe Modlasyonu........................................................................... ............................... 15 2.2.1. Darbe Genlik Modlasyonu........................................................................... ............... 15 2.2.2. Darbe Genilii Modlasyonu...................................................................................... 15 2.2.3. Darbe Konumu Modlasyonu........................................................................... ........... 15 2.2.4. Darbe Kod Modlasyonu........................................................................... ................... 15 3. SAYISAL LET M TEKN KLER ............................................................ 16 3.1. Genlik Kaydrmal Anahtarlama.............................................. ......................................... 17 3.2. Frekans Kaydrmal Anahtarlama...................................... ............................................... 18 3.3. Faz Kaydrmal Anahtarlama...................................... ...................................................... 21 3.4. kili Faz Kaydrmal Anahtarlama..................................................................................... 23 3.5. Kuadratr (Drtl) Faz Kaydrmal Anahtarlama...................................... ...................... 24

4. DALGACIK DNM KULLANILARAK ZELL K IKARMA.26 4.1. rnt Tanma........................................ .......................................................................... 26 4.2. rnt Tanma Probleminin Formlasyonu ............... .................................................... 27 4.3. rnt Tanma Sistemleri...... ........................................................................................... 28 4.4. rnt Tanma Sisteminin Bileenleri................. ............................................................. 30 4.4.1. n lem......................................................................................................................... 31 4.4.2. zellik karma ............................................................................................................. 31 4.5. Dalgack Dnm............................................................................................................ 33 4.6. Dalgack Dnmden Entropi Hesaplanmas................................................................. 36 4.7. Genetik Algoritma............................................................................................................. 37 4.7.1. Genetik Algoritma Operatrleri ..................................................................................... 38 4.7.2. Kromozomun ifrelenmesi (Encoding) ......................................................................... 39 4.7.3. Genetik Algoritma Parametreleri ................................................................................. 42 4.7.4. Genetik Algoritmalarn Uygulama Alanlar................................................................... 42 5. YAPAY S N R AI LE SINIFLANDIRMA .. 47 5.1. Yapay Sinir Alar ............................................................................................................ 48 5.2. Sinir Alarnn Biyolojik Yaps ....................................................................................... 48 5.3. Yapay Sinir Ann Tanm ve Modeli.............................................................................. 49 5.4. Yapay Sinir Alarnn Yaps............................................................................................ 52 5.5. Yapay Sinir Alarnda renme ve renme Algoritmalar ........................................... 54 5.6. Yapay Sinir Alarnn Temel zellikleri .......................................................................... 56

6. GENET K DALGACIK YAPAY S N R AI (GDYSA) YAKLAIMIYLA SAYISAL MODLASYON TANIMA UYGULAMALARI 58 6.1. Saysal Modleli aretlerin Oluturulmas....................................................................... 58 6.2. zellik karm................................................................................................................ 60 6.2.1. Genetik Algoritma.......................................................................................................... 61 6.2.2. Dalgack Dnm......................................................................................................... 62 6.3. Snflandrma..................................................................................................................... 66 6.4. Deneysel Sonular............................................................................................................. 67 7. SONU70 7.1. Sonular ve Tartma......................................................................................................... 70

II

7.2.neriler .............................................................................................................................. 70 7.3.Yaynlar.............................................................................................................................. 71 KAYNAKLAR ....................................................................................................................... 72 ZGEM ............................................................................................................................

III

EK LLER L STES

ekil 1.1. letiim sisteminin blok diyagram............................................................................ 1 ekil 2.1. Analog modlasyon eitleri ................................................................................... 9 ekil 2.2. Darband FM spektrumu........................................................................................... 13 ekil 2.3. Geniband FM spektrumu........................................................................................ 14 ekil 2.4. Darbe modlasyon eitleri .................................................................................... 15 ekil 3.1. Saysal iletiim sistemleri; a) saysal iletim; b) saysal radyo.................................. 16 ekil 3.2. Saysal iletiim sistemleri. ....................................................................................... 17 ekil 3.3. ASK nn modle edilmi dalga biimleri. .............................................................. 17 ekil 3.4. ASK modlatr........................................................................................................ 18 ekil 3.5. ASK nn ezamansz demodlasyonu. ................................................................... 18 ekil 3.6. Frekans kaydrmal anahtarlama.............................................................................. 19 ekil 3.7. kili FSK verici. ....................................................................................................... 20 ekil 3.8. FKD- FSK demodlatr. ......................................................................................... 21 ekil 3.9. PSK modlatr. ....................................................................................................... 22 ekil 3.10. PSK demodlatr................................................................................................... 22 ekil 3.11. BPSK modlator................................................................................................... 23 ekil 3.12. QPSK modlatr.................................................................................................... 24 ekil 3.13. QPSK alc. ............................................................................................................ 25 ekil 4.1. rnt tanma kavram. ........................................................................................... 27 ekil 4.2. Karar yzeyinin zellik uzaynn haritas olarak gsterimi. ................................... 28 ekil 4.3. rnt tanma sistemi.............................................................................................. 29 ekil 4.4. Yapsal rnt tanma sistemi. ................................................................................ 29 ekil 4.5. rnt tanma sisteminin bileenleri. ...................................................................... 31 ekil 4.6. Yaygn olarak kullanlan dalgack rnekleri............................................................ 34 ekil 4.7. Dalgack dnmnn blok diyagram. ................................................................. 34 ekil 4.8. n=3 seviyede dalgack dnmnn yaps. .......................................................... 35 ekil 4.9. kili kodlama iin kromozom rnei. ...................................................................... 39 ekil 4.10. Permutasyon kodlama iin kromozom rnei. ...................................................... 39 ekil 4.11. Deer kodlama iin kromozom rnei.. ................................................................ 40 ekil 4.12. Aa kodlama iin kromozom rnei.................................................................... 40 ekil 5.1. Akll snflama yaps.............................................................................................. 47 ekil 5.2. Biyolojik sinir hcresi.............................................................................................. 49

IV

ekil 5.3. Bir yapay sinir a hcresi modeli. .......................................................................... 50 ekil 5.4. Aktivasyon fonksiyonlar. a) Sigmoid fonksiyonu, b) Dorusal aktivasyon fonksiyonu c) Doyumlu dorusal aktivasyon fonksiyonu, d) Eik aktivasyon fonksiyonu 52 ekil 5.5. Yapay sinir a katmanlarnn birbiri ile ilikisi. ..................................................... 53 ekil 5.6. Bir yapay sinir rnei. ............................................................................................. 53 ekil 6.1. M=8 , Fc =10 iin bir ASK8 modleli iaret rnei............................................... 59 ekil 6.2. M=8 , Fc =10 iin bir FSK8 modleli iaret rnei............................................... 59 ekil 6.3. M=8 , Fc =10 iin bir PSK8 modleli iaret rnei. .............................................. 60 ekil 6.4. M=8 , Fc =10 iin bir QASK8 modleli iaret rnei............................................ 60 ekil 6.5. Entropi tabanl zellik karma ynteminin blok diyagram. .................................. 62 ekil 6.6. 7 seviyede ayrm yaps......................................................................................... 63 ekil 6.7.(a) ASK8 iaretinin dalgack dnm aacnda bulunan iaretleri........................ 63 ekil 6.7.(b) FSK8 iaretinin dalgack dnm aacnda bulunan iaretleri. ....................... 64 ekil 6.7.(c) PSK8 iaretinin dalgack dnm aacnda bulunan........................................ 64 ekil 6.7.(d) QASK8 iaretinin dalgack dnm aacnda bulunan iaretleri...................... 65 ekil 6.8. YSAnn eitim baarm........................................................................................ 67 ekil 6.9. GDYSA kullanarak saysal modlasyon tanmann eitim performans. ............... 69

TABLOLAR L STES

Tablo 1. YSA yaps ve eitim parametreleri............................................................... .......... 66 Tablo 2. GDYSA algoritmas kullanarak elde edilen optimum deerler ve GDYSA nn snflama performans................................................................................................ 68

VI

S MGELER L STES max : : : : : : : : : Anten boyunu temsil eder. Anlk genliin normalize edilmi spektrum g younluunun maksimum deeri ap Sinyalin zayf olmayan aralnda, anlk fazn dorusal olmayan parasnn mutlak deerinin standart sapmas dp P a(t) Sinyal paralarnn kuvvetli aralklarnda anlk fazn dorusal olamayan bileeninin standart sapmas Alnan radyo sinyalinin tayc frekansnn etrafndaki sinyal tayf simetri ls Anlk genlii temsil eder. Anlk faz temsil eder. Anlk frekans temsil eder. Anlk genliin normalize edilmi merkezinin mutlak deerinin standart sapmas

(t )
f(t)

aa

s
dB w0

: :
:

Saysal sembol serisinin sembol orann temsil eder. Desibel Tayc dalga frekansn temsil eder. Taycnn fazn temsil eder. Fonksiyonu temsil eder. Srekli dalgack dnmnde iareti temsil eder. lekleme etmenini temsil eder. rnekleme orann temsil eder. Seviye Tayc frekansn temsil eder.

f (x )
X(t) A Fs m Fc

: : : : : : :

VII

KISALTMALAR L STES AF RF SGO SMTA AMTA YB TYB AYB FM EM DSM DUM ASK FSK PSK QPSK SDD ADD AFD YSA GA GDYSA OKH HHD : : : : : : : : : : : : : : : : : : : : : : : : Alak Frekansl Sinyal Radyo Frekans Sinyal/Grlt Oran Saysal Modlasyon Tanma Algoritmas Analog Modlasyon Tanma Algoritmas ift Yan Bant Tek Yan Bant Artk Yan Bant Frekans Modlasyonu Evre Modlasyonu Darbe Sresi Modlasyonu Darbe Uzunluu Modlasyonu Genlik Kaydrmal Anahtarlama Frekans Kaydrmal Anahtarlama Faz Kaydrmal Anahtarlama Kuadratr Faz Kaydrmal Anahtarlama Srekli Dalgack Dnm Ayrk Dalgack Dnm Ayrk Fourier Dnm Yapay Sinir Alar Genetik Algoritma Genetik Dalgack Yapay Sinir A Ortalama Karesel Hata Hedef Hata Deeri

VIII

ZET YKSEK L SANS TEZ

SAYISAL MODLASYONLARDA DALGACIK DNM TEMELL B R AKILLI SINIFLANDIRMA S STEM Zeynep B ER

Frat niversitesi Fen Bilimleri Enstits Elektronik ve Bilgisayar Eitimi Ana Bilim Dal 2007, Sayfa : 77 Saysal modlasyon tanma haberleme sistemleri iin nemli bir konudur. Bu tez almasnda optimum dalgack entropi parametre deerleri kullanlarak gerekletirilen saysal modlasyon snflama uygulamalar sunulmutur. Burada genetik-dalgack-sinir a (GDYSA) modeli gelitirilmitir. GDYSA genetik algoritma, dalgack dnm ve ok katmanl alglayc olmak zere aamadan olumaktadr. Genetik algoritma aamas, uygun dalgack entropi parametre deerlerini elde etme ve zellik karmay belirlemek iin kullanlmtr. Dalgack dnm aamas dalgack ayrm ve dalgack entropisi olmak zere iki ksmdan olumaktadr. ok katmanl alglayc katman saysal modlasyonu snflandrmak ve genetik algoritmann uygunluk fonksiyonunu deerlendirmek iin kullanlmtr..

Anahtar Kelimeler : Modlasyon Tanma, Uyarlamal zellik karma, Dalgack Dnm, Entropi, Genetik Algoritma, Yapay Sinir A, Uzman Sistem.

IX

SUMMARY Masters Thesis

AN INTELLIGENT CLASSIFICATION SYSTEM BASED ON WAVELET TRANSFORM FOR D G TAL MODULATIONS

Zeynep B ER Frat University Graduate School of Natural and Applied Sciences Department of Electronic and Computer Education

2007, Page:77

The digital modulation recognition is an important topic for communication system. In this thesis, the digital modulation applications, which are conducted by using optimum wavelet entropy parameter values are presented. A genetic- wavelet neural network(GWNN) model is developed in here. GWNN includes three layers which are genetic algorithm, wavelet and multi-layer perception. The genetic layer is used for selecting the feature extraction method and obtaining the optimum wavelet entropy parameter values. The wavelet transform layer consists of two part: wavelet decomposition and wavelet entropies. The multi- layer perceptron layer is used for evaluating the fitness function of the genetic algorithm and for classification digital modulation. Keywords: Modulation recognition, adaptive feature extraction, wavelet decomposition, entropy, genetic algorithm, artificial neural network, expert system .

1.G R

Haberleme, bilginin elektronik devrelerle iletimi, alnmas ve ilenmesidir. Bir haberleme sistemi verici, alc ve iletim ortam olmak zere temel ksmdan oluur. Alak frekansl bilgi iaretini iletmek iin yeryz ortam elverili deildir [1]. Bundan dolay, radyo iletiiminde alak frekansl iaretler yksek frekansl iaretlere bindirilerek iletilir. Bu ekilde bilginin (ses, resim, manzara,) tayc kullanlarak iletilmesine modlasyon denir. Baka bir ifadeyle modlasyon, haberin iletim ortamna verilmeden nce biiminin deitirilmesi anlamna gelir. Bir iletiim sisteminin basitletirilmi blok diyagram ekil 1.1 de gsterilmitir [1].

Modle edici sinyal (bilgi)

modlatr

letim Ortam

Ykselte

Demodlatr

Alc

Sistem Grlts Tayc

ekil 1.1. letiim sisteminin blok diyagram.

Haberin modlasyondan nce igal ettii banda temel bant (baseband), modlasyondan sonra igal ettii banda ise gei band (passband) denir. Elektronik haberleme sistemlerinde modlasyon ilemine bavurulmasnn iki temel sebebi vardr [2]: Haber iaretlerinin dorudan iletimi, yaklak olarak ayn frekanslarda radyo

dalgalar meydana getirecei iin byk giriim problemlerine yol aar. ou haber iaretleri nispeten dk frekanslara sahiptir. te yandan, antenlerin verimli alabilmesi iin boyutlarnn dalga boyu mertebelerinde olmas gerekir. Bu sebeple modlasyon yaplmazsa ar derecede byk antenlerin kullanlmas gerekir. Modlasyon ilemini gerekletirmek iin iki iarete ihtiya vardr; Bunlar bilgi iareti ve tayc iaret' tir. Alak frekansl bilgi iaretine, modle eden, modle edici, modlasyon

iareti, gnderilecek iaret, alak frekansl (AF) iaret ad da verilir. Yksek frekansl tayc iaretine, modle edilen, RF (Radyo Frekans) iareti, hamal iaret de denilebilir. Modlasyon ileminde modle eden iaret bilgi iareti, modlasyona urayan veya modle edilen iaret ise tayc iarettir [3]. Modlasyonun eitli yararlarn ve deiik modlasyon eitlerini vermeden nce, modlasyonun gereini betimlemek iin aadaki rnee bakalm. nsan konuma sesi 300-3000 Hzlik frekans bandn kapsamaktadr. (Konuma iaretinin belirtilen bant dnda da frekans bileenleri vardr ama bunlar konumann anlalrln fazla etkilemezler). Konuma iaretlerini bir radyo vericisi ile iletmek istediimizi dnrsek [3]. Dalga boyu; = C / F ise = ( 3.108m/sn) / (300 1/sn) = 1000km 2= ( 3.108 m/sn) (3000 1/sn) = 100km Yani konuma iaretinin dalga boyu 100-1000 km arasnda deimektedir. yi bir iletim iin anten boyunun dalga boyu ile ayn derece olmas gerekir (rnein; anten boyu = / 4). O halde radyo vericisi iin anten boyu 25 250 km arasnda olmaldr. Bir an iin byle byk bir anteni kurduumuzu dnelim. kinci bir radyo vericisi kurulmak istenirse, her ikisi de ayn frekans bandn kullandklar iin (300 3000Hz) bu iki antenden kan dalgalar birbiriyle karacaklardr [3]. te modlasyon ilemi ile bu iki kstlama kolaylkla alabilir. Yani modlasyonun salad yararlar aadaki gibi sralanabilir [2]: Yaylm kolaylatrr. Elektromanyetik alanlar yaklak hznda yayld ve uygun artlarda da tepe ukur gibi doal engelleri kolaylkla aarlar. Uzayda ise uygun bir antenle ok uzaklara gidebilir. Grlt ve bozulmann olumsuz etkilerini azaltr. Kanal ayrm salar. Yani modlasyon sayesinde ayn iletim hattnda birden ok bilgi yollama olana salar (FDM ve TDM ile). evresel faktrlerin ortaya kard pek ok snrlayc etkiyi ortadan kaldrr. (1.1)

1.1. Saysal Modlasyon Tanma Alannda Yaplan almalar Kayna bilinmeyen iaretlerin modlasyon tipini tanma ilemi nemlidir. lk

modlasyon tanma almalarnda, her modlasyon tipi iin ayr bir demodlatr kullanlmtr [4, 5, 6, 7, 8, 9, 10]. Modlasyon tipini belirleme, uzmanlarn radyo frekans spektrumunu

taramasna ve gstergeleri kontrol etmesine balyd [4, 5, 10]. Bu yntem, uzmanlarn yetenek ve deneyimleriyle snrl kalmtr. Bundan dolay, modlasyon tanma alannda, otomatik modlasyon tanma sistemleri gelitirilmitir. Modlasyon tanma almalarnda uzmanlara bal kalmadan tanmlama yapabilmek iin 1980 lerden sonra gelitirilen modlasyon snflandrma algoritmalar, istatistiksel rnek tanma ve karar teori yaklam olmak zere temelde iki gruba ayrlmtr [7, 11, 12, 13]. Haberleme iaretleri, bir konumdan baka bir konuma farkl frekanslarda ve farkl modlasyon tiplerinde iletilirken kayplara ve bozulmalara urayabilirler. Sivil ve savunma alannda kullanlan haberleme iaretlerinin izlenmesi, tanmlanmas gerekmektedir [11]. Modlasyon tanma yntemini herkese duyuran ilk bilim adam Liedtke dir. Liedtke Genlik Kaydrmal Anahtarlama (ASK2), Frekans Kaydrmal Anahtarlama (FSK2), Faz Kaydrmal Anahtarlama (PSK2, PSK4, PSK8 ) gibi modlasyon trleri arasnda snflandrma yapmak iin genlik histogram, frekans histogram, faz ayrm histogram, genlik varyans ve kullanmtr [4, 5]. ]. Liedtkenin modlasyon frekans varyans gibi anahtar zellikleri

snflandrma prosedr aadaki admlardan olumaktadr. Yaklak olarak iaret bant genilii, aret demodlasyonu ve parametre karma, statistiksel hesaplama.

Polydoros ve Kim, PSK2 ve PSK4 gibi modlasyon trleri arasnda ayrm yapmak iin modlasyon tanma yntemini nermilerdir. Bu modlasyon trleri arasnda ayrm yapmak iin tayc frekans, balang faz, sembol oran, ve iaret grlt oran gibi parametreler kullanmtr [4]. Assaleh, otomatik modlasyon tanma almasnda PSK2, PSK4, FSK2 ve FSK4 gibi modlasyon trlerini kullanmtr. Assaleh yapm olduu almasnda, anlk frekansn spektrum ortalamasndan elde edilen, anlk frekansn ortalamasnn standart sapmas ve ortalama gibi anahtar zellikleri kullanmtr. Bu modlasyon trleri 15 dB SGO da %99 luk bir baar oran ile snflandrlmtr [4]. Nagy, tek bileenli iareti analiz etmek iin modlasyon tanmay nermitir. Bu almasnda snflayc olarak tek sesli snflaycy kullanmtr. Her iaret bileeni kullanlan bu snflayc iki ksmdan olumaktadr. Bu ksmlar; Alglama Tek harmonik iaretin farkl tipleri arasnda diferansiyel faz farknn hesaplanmasdr. iin

ASK2, PSK2, PSK4 ve FSK2 bu yntemle snflandrlan modlasyon tipleridir. Bu modlasyon tiplerinden ASK2 hari 10 dB SGO da %90 baar oran ile snflandrma yaplmtr. Azzouz ve Nandi, saysal modleli iaretler iin modlasyon tanmay nermitir. ASK2, ASK4, PSK2, PSK4, FSK2 ve FSK4 gibi iaretler arasnda snflandrma yapmak iin drt anahtar zellik kullanlmtr. Bu almada kullanlan anahtar zellikler nemli niteleme parametresinden elde edilmitir. Bu parametreler anlk genlik a(t), anlk faz (t ) ve anlk frekans f(t) tr [4]. Bu anahtar zellikler unlardr: max : Anlk genliin normalize edilmi spektrum g younluunun maksimum deeri, ap: aretin zayf olmayan aralnda, anlk fazn dorusal olmayan parasnn mutlak deerinin standart sapmas, dp: aret paralarnn kuvvetli aralklarnda anlk fazn dorusal olmayan bileeninin standart sapmas, P: Alnan radyo iaretinin tayc frekansnn etrafndaki iaret tayf simetri lm. Dier bir almada ise saysal modleli iaretler iin bir modlasyon

tanmlayc nerilmitir [14]. Bu modlasyon tanmlayc da drt anahtar zellik kullanmtr. Bu yntemde, nceki almalardan farkl olarak, her bir zellik iin uygun eik deeri seilmi ve eik deerinin her deiiminde, eik deeri otomatik olarak uyarlanmtr. Modlasyon tanmlayc olarak yapay sinir alar (YSA) kullanlmtr. 1.2. Ynelim Gerekeleri ve Ama Bu tez almasnda ama, gnmzde askeri ve sivil haberleme ortamlarnda yaygn olarak kullanlan saysal modlasyon tekniklerinin bilgisayar ortamnda otomatik olarak tannmasn salayan akll bir saysal modlasyon tanma uygulamas gerekletirmektir. Bylelikle vericiden gelen henz demodle edilmemi iaretin iinde ne tr saysal modlasyon trlerinin olduu kestirilerek, herhangi bir operatr kiiye ihtiya duyulmadan bu modlasyon trleri otomatik olarak belirlenebilecektir.

1.3. Tezin Organizasyonu ve Orijinal Katklar Tezin birinci blmnde, teze genel bir bak as kazanmaya ynelik olarak temel bilgiler verilmitir. Dier blmlerin organizasyonu ve tezdeki orijinal katklar ise aada sunulmutur. Blm 2 de, modlasyon trnn seiminin bir iletiim sistemi iin nemli olduu anlatlm ve bu yzden modlasyon snflara ayrlmtr. Modlasyon trlerinin tayc dalgaya ve bilgi iaretine bal olarak snflara ayrldndan bahsedilmi ve modlasyon trleri aklanmtr. Blm3 de, saysal iletim ve saysal radyo kavramlar tanmlanarak, sahip olduklar zellikler aklanmtr. Saysal iletim teknikleri verilerek, zellikleri anlatlmtr. Blm4 de, rnt tanma kavram tanmlanarak, sahip olduu her bir bileeni aklanmtr. rnt tanma problemi bir matematiksel olay olarak nitelendirilerek yorumlanmtr. rnt tanma trleri verilmitir. rnt tanmann en nemli bileeni olan ve bu tezde de odaklanlan zellik karm iin nerilen dalgack dnm ve entropi hesaplama teknikleri aklanmtr. Ayrca gelitirilen optimum entropi tabanl zellik karm iin kullanlan genetik algoritma kavramndan da bahsedilmitir. Blm5 de, Yapay Sinir A snflandrcs tanmlanarak, sahip olduu zellikler, biyolojik yaps ve renme algoritmalarndan bahsedilmitir. Blm6 da, tez almasnda gelitirilmi olan algoritmalar ve bu algoritmalarn saysal trlerine

modlasyon trleri zerinde uygulamalar yaplmtr. Akll rnt tanma sisteminde kullanlan, zellik karm ve snflandrma yntemlerinin saysal modlasyon uygulanmasyla elde edilen snflandrma sonular verilmitir. Blm 7 de, tezin sonular irdelenmi ve orijinal katklar vurgulanmtr. Ayrca ileriye dnk uygulama alanlar ve neriler tartlmtr.

2. MODLASYON TRLER Modlasyon trnn seimi bir iletiim sisteminin tasarmnda ilk yaplmas gereken ilerden biridir. Deiik modlasyon trlerinin deiik zellikleri dnlerek uygun bir seim yaplmaldr. eitli modlasyon trleri, farkl biimlerde snflandrlabilir. Modlasyon trleri kullanlan tayc dalgaya ve bilgi iaretine gre snflandrlabilirler. Taycya gre snflandrma sonucunda iki modlasyon tr elde edilir. Bu modlasyon trleri srekli dalga modlasyonu ve darbe modlasyonudur. Bilgi iaretine gre modlasyon trleri de analog ve saysal olmak zere ikiye ayrlrlar. 2.1. Srekli Dalga Modlasyonu Analog modlasyon, srekli dalga modlasyonu olarak adlandrlr. Bu modlasyon trnde tayc iaret sinzoidal dalgadr. Analog modlasyon dalga eitleri, tayc dalgann genlik, frekans ve faz parametreleri deitirilerek elde edilir. rneksel veya srekli dalga modlasyonu genel olarak,

C(t) = A.Cos(w 0 .t + )
eklinde ifade edilir [2].

(2.1)

Burada A : Taycnn Genliini , w0 : Tayc dalga frekansn, ve : Taycnn fazn gstermektedir. ekil 2.1 de analog modlasyon eitleri gsterilmitir.
Analog Modlasyon

Genlik Modlasyonu (GM)

Frekans Modlasyonu (FM)

Faz Modlasyonu (PM)

Taycl Genlik Modlasyonu (TGM)

ift Yan Band Darband FM Modlasyon (CYB)

Geniband GM

ekil 2.1. Analog modlasyon eitleri.

2.1.1. Genlik Modlasyonu Genlik modlasyonu (GM), bilgi iaretine bal olarak tayc iaretin genliinin deitirilmesidir. Genlik modlasyon tr olarak dorusal ( lineer ) bir modlasyondur. Genlii modle edilmi dalga biiminin genel ekli aadaki gibidir. C(t) = A(t) . Cos(w0.t + ) (2.2)

A(t) genlii ile modle edilen f(t) bilgi iareti arasndaki ilikiye bal olarak genlik modlasyonunun deiik biimleri elde edilir. Burada, f(t) modle eden iaret (bilgi iareti), w0 ise tayc frekansn belirtir. Genlik modlasyonun tr vardr. Bunlar; Taycl Genlik Modlasyonu ( TGM) ift Yan Bantl Modlasyon (YB) Taycs Bastrlm Tek Yan Bantl Modlasyon (TYB)

Genlik modlasyonu, ses ve grnt iletiminde dier modlasyon trlerine gre daha ucuz ve basittir. Genlik modlasyonu dnyada uzun dalga, orta dalga vericilerinde kullanlmaktadr. Ayrca televizyon yaynclnda video iareti negatif genlik modlasyonuna tabi tutulmaktadr. Bilgi iaretinin frekans, tayc iaretin frekansndan daha dktr. Genlik modlasyonunun uygulama alanlarndan biri yksek gl orta dalga ve uzun dalga radyo vericileridir. Son yllarda retilen orta ve uzun dalga vericilerinde uygulanan genlik modlasyonu uygulamas ile vericinin verimi %85 in zerine karlabilmektedir. Genlik modlasyonu sonucunda iki yeni frekans oluur. Tayc frekansnn altnda ve stnde meydana gelen bu iki yeni frekansa yan bant (kenar bant) ismi verilir. Bu yan bantlardan fc+fm frekansna st yan bant denir ve YB ile gsterilir. fc-fm frekansna alt yan bant denir ve AYB ile gsterilir. Denklem (2.3) de AYB ve YB iaretlerinin matematiksel ifadesi gsterilmitir.

C(t) = A.Cosw 0 t +

mA mA Cos(w 0 w m )t + Cos(w 0 + w m )t 2 2

(2.3)

Modleli iaretin frekans spektrumunda kaplad alana bant genilii (BG) denir. Bant genilii Denklem (2.4) de gsterilmitir [23]. BG = fYB fAYB = 2.fm (2.4)

Modlasyon ilemi sonucunda, tayc iaretin genliinde meydana gelen deiim miktarna modlasyon indeksi denir [23]. Modlasyon indeksi m ile gsterilir. Modlasyon indeksi, bilgi iaretinin genliinin (Em), tayc iaretin genliine (Ec) orandr (Denklem 2.5).
Em Ec

m=

(2.5)

2.1.1.1. Taycl Genlik Modlasyonu

Bu genlik modlasyonu trnde modle edilmi dalga biimi aadaki gibi ifade edilir:

A(t) = [1 + m.f(t)]

C(t) = A.[1 + m.f(t)].Cos(w 0 t)

(2.6)

Burada; f(t) modle eden iaret (bilgi iareti), w0 ise tayc frekansn belirtir. m ve A deimez sabitler olup, m modlasyon derecesidir. Normal artlar altnda bu parametrelerin aada aklanan baz artlar salamalar gerekir:
1. w0 tayc frekans f(t) nin en byk frekans bileeni wm den ok daha byktr. Eer bu art salanmaz ise, yani w0 >> wm deilse, modle edilmi dalga biimi C(t) nin zarf tam

olarak saptanamaz. Oysa zarf kavram zellikle bu modlasyon trnde ok nemlidir. En yaygn ve en kolay demodlasyon yntemleri C(t) nin zarfnn f(t) ye benzedii gereini kullanrlar. A[1+mf(t)] iindeki 1 terimi taycy gsterir. A sabiti bu taycnn genliidir ve

deeri zerinde herhangi bir kstlama yoktur.

= 0 kabul, zaman balangc istenildii gibi alnabileceinden bu varsaym

herhangi bir sorun karmaz.

2. m sabiti ise; modlasyon derecesi (indeksi, yzdesi) olup , zerinde u kstlamalar vardr:

Taycl genlik modlasyonunda en nemli kstlama btn t deerleri iin,

[1+ mf (t)] 0 (veya mf (t) 1) olmasdr. Bu art salandnda modle edilmi iaretin zarf, modle eden f(t) iaretine benzer. Yalnz bykl farkldr. 0 < m 1 m >1 ise ar modlasyon yaplr.

2.1.1.2. ift Yan Band Modlasyonu

Bu modlasyon trnde modle edilmi iarette tayc dalga bulunmaz. Tayc dalga olmad iin bilgi iareti eksiye de debilir. Tayc kullanlmayarak gten byk oranda tasarruf salanr. Bilgi iareti yan bantlarda tanr [2]. Bu modlasyon tr C(t)= f(t).cosw0t
eklinde bir dalga biimine sahiptir. 2.1.2. Frekans Modlasyonu

(2.7)

W0 tayc frekans deitiriliyorsa , bilgi iaretine bal olarak FM elde edilir. FM bir srekli dalga modlasyon trdr ve sinzoidal taycnn frekans bilgi iareti f(t) ye bal olarak deitirilir. Taycnn frekans w0 = k.f (t) biiminde olup, k = sabittir. Modle edilmi FM dalga biimi: C(t) = Cos(t) olup, burada (t) = w0 t + dir. Frekans Modlasyonunun iki tr vardr. Bunlar; (2.8)

Darband

FM

<< / 2

m : modlasyon derecesi.

Geniband FM

<< / 2 art geerli deil

2.1.2.1. Darband FM

f(t) iareti bir sinzoidal ve << / 2 (rad) olduunu varsayalm. = 0.2 rad gibi.

C(t) = cos(w 0 .t + .sinw m t) trigonometrik almdan sonra,

= cos(w 0 t.cos(.co m t) sinw 0 t.sin(.sinw m t) sw
NOT :

(2.9)

1. Q << ise cosQ 1 ve SinQ = 0 olur. 2. Cos (.sinwmt) = 1 3. Sin (. sinwmt) = (. sinwmt) C(t) = cosw0t sinw0t. . sinwmt Darband FM in genel ifadesi.
C(w)

(-W 0 + W m ) (-W
0

(W0 Wm ) W 0 (W 0 + W m )
W

Wm )

W0
2 2

ekil 2.2. Darband FM spektrumu.

2.1.2.2. Geniband FM

Darbant olmayan FM demektir. Yani << / 2 art kaldrlyor. rnein; = 6 gibi.

C(w)

(1- ) 4
2 8

2
(w 0 -w m )

2 8

( w0 -2w m )

w0

(w 0 +w) ( w0 +2w)

10

ekil 2.3. Geniband FM spektrumu.

2.1.3.

Evre veya Faz Modlasyonu

Bilgi iaretine bal olarak tayc iaretinin faznn deitirilmesidir. Faz modlasyonlu iaret elde edilirken bilgi iaretinin trevi alnr. Frekans modlasyonunda frekans sapmas meydana gelirken, faz modlasyonunda faz sapmas meydana gelmektedir [15].
2.2. Darbe Modlasyonu

Bu trde tayc srekli olmayp, periyodik darbe dizisidir. Bu trn modlasyon eitleri ekil 2.4 te gsterilmitir.
Darbe Modlasyon

Darbe Genlik Modlasyonu (DGM)

Darbe Genilii Modlasyonu (DGEM)

Darbe Konumu Modlasyonu (DKM)

Darbe Kod Modlasyonu (DKOM)

ekil 2.4. Darbe modlasyon eitleri.

2.2.1. Darbe Genlik Modlasyonu

Sabit sreli, sabit konumlu bir darbenin genlii, bilgi iaretine bal olarak deitirilir. Darbe Genlik Modlasyonu (DGM) da rnek alma srelerinin dndaki boluklarda baka bilgi iaretlerini gndermek mmkndr [3]. Bylece zaman oullamal (blmeli) sistemler (ZCS) elde edilir.
2.2.2. Darbe Genilii Modlasyonu

Bu ynteme bazen darbe sresi modlasyonu (DSM), ya da darbe uzunluu modlasyonu (DUM) da denir. Bu yntemde darbe genilii, bilgi iaretinin genlii ile orantldr.

11

2.2.3. Darbe Konumu Modlasyonu

Sabit genilikli bir darbenin konumu, nceden belirlenmi bir zaman blmesi iinde bilgi iaretinin genlii ile orantl olarak deitirilir.
2.2.4. Darbe Kod Modlasyonu

Darbe Kod Modlasyonun (DKOM) da bilgi iareti rneklenir ve iletim iin sabit uzunlukta, seri ikili bir sayya dntrlr. kili say, analog iaretin genliine uygun olarak deiir. DKOM da darbeler, sabit uzunluk (genilik) ve sabit genliktedirler. DKOM ikili bir sistemdir.

12

3. SAYISAL LET M TEKN KLER

Saysal iletim, bir iletiim sisteminde iki nokta arasnda saysal darbelerin iletilmesidir.
Saysal radyo ise, bir iletiim sisteminde iki nokta arasnda saysal modlasyonlu analog

tayclarn iletimidir. Saysal iletim sistemleri, verici ile alc arasnda metalik tel ifti, koaksiyel kablo ya da fiber optik kablo gibi fiziksel bir malzeme gerektirirler. Saysal radyo sistemlerinde iletim ortam bo alan ya da yeryz atmosferidir [1].
ekil 3.1, saysal bir iletim sistemi ile saysal bir radyo sisteminin blok

diyagramn gstermektedir. Saysal bir iletim sisteminde, balangtaki kaynak bilgi saysal biimde ya da analog biimde olabilir. Eer kaynak bilgi analog biimdeyse, iletimden nce saysal darbelere; alma ucunda ise tekrar analog biime dntrlmelidir. Saysal bir radyo sisteminde, module edici giri iareti ve demodle edilmi k iareti saysal darbelerdir [1].

Saysal terminal arabirimi

Saysal terminal arabirimi

Saysal kaynak giri

Saysal iletim

Saysal var yeri k

Analog kaynak girii

Analog/saysal dntrc

Tel ifti, koaksiyel kablo veya fiber optik kablo

Saysal/analog dntrc

analog var yeri k

(a)

Saysal radyo terminali

Saysal radyo terminali

Saysal kaynak giri

Saysal modlasyon

Saysal var yeri k

Analog kaynak girii

Analog/saysal dntrc

Bo- alan yaynm

Saysal/analog dntrc

analog var yeri k

(b)

ekil 3.1.Saysal iletiim sistemleri; (a) saysal iletim; (b) saysal radyo.

Saysal radyo sistemini klasik, GM, FM ya da PM radyo sistemlerinden ayran zellik, saysal radyo sisteminde module edici ve demodle edilmi iaretlerin, analog dalga biimleri

13

deil, saysal darbeler olmalardr. Klasik sistemlerde olduu gibi saysal radyoda da analog tayclar kullanlmaktadr. Fakat modle edici ve demodle edilmi iaretler, analog dalga biimleri deil, saysal darbelerdir. Bunlar "Modern dnyann yap talar" olan , dijital "0" ve "1" iaretleridir. En ok kullanlan saysal iletiim sistemleri ekil 3.2 de gsterilmitir.

Saysal letiim Sistemleri

Genlik Kaydrmal Anahtarlama (ASK)

Frekans Kaydrmal Anahtarlama (FSK)

Faz Kaydrmal Anahtarlama (PSK)

kili Faz Kaydrmal Anahtarlama (BPSK)

Kuadratr Faz Kaydrmal Anahtarlama (QPSK)

ekil 3.2. Saysal iletiim sistemleri.

3.1. Genlik Kaydrmal Anahtarlama

Genlik Kaydrmal Anahtarlama (ASK), ikili bilgi iaretlerinin genlik modlasyonuna uygulanmasdr. (Var Yok) anahtarlama (on-off keying-okk) ad verilen bu teknikte modle edilmi dalga biimleri ekil 3.3 de verilmitir.
1 0 To A 1 0 1 0 1 0 t

1
ikili iaret

ASK

ekil 3.3. ASK nn modle edilmi dalga biimleri.

Burada var durumu L -1 koduna, yok durumu L- 0 koduna karlk dmektedir.

ASK verici

Analog sistemlerdeki YB iaret retimine benzemektedir.

14

ekil 3.4. ASK modlatr.

ekilde gsterilen bir dengeli modlasyon veya arpc ile ASK iaret elde edilir.

sresi kadar anahtar kapal dier durumlarda aktr. ASK iaretinin bant genilii u ekilde hesaplanr : C(t) = A.f (t).CosWot
A [F(w w 0 ) + F(w w 0 )] 2

(3.1)

C(w) =

(3.2)

ASK ile ikili iaretin spektrumu wo ra kaydrlmaktadr.

ASK Alc
Bunlarn demodlasyonu iin balca iki yol vardr. 1. Ezamanl demodlasyon 2. Ezamansz demodlasyon Bunlar analog haberlemedekiler ile ayndr.

C(t)

Zarf Sezici

AGF

Karar Devresi

ASK iaret

ekil 3.5. ASK nn ezamansz demodlasyonu.

3.2. Frekans Kaydrmal Anahtarlama

Frekans Kaydrmal Anahtarlama (FSK), basit, dk performansl bir saysal modlasyon biimidir. FSK, frekans modlasyonuna benzer (FM) sabit zarfl bir a

15

modlasyonu biimidir; aradaki fark, modle edici iaretin srekli deien bir dalga biimi deil iki ayr gerilim dzeyi arasnda deien ikili darbe ak olmasdr. Ksacas FSK, ikili bilgi iaretlerinin frekans modlasyonuna uygulanmasdr [1]. ekil 3.6 da frekans kaydrmal anahtarlamann ekli gsterilmektedir.

Tanan Sinyal

Modle edilmi iaret FSK ekil 3.6. Frekans kaydrmal anahtarlama.

FSK verici
kili FSK da, orta frekans ya da tayc frekans, ikili giri verisi tarafndan kaydrlr.

Dolaysyla, FSK bir modlatrn k, frekans domeninde bir basamak fonksiyonudur. kili giri iareti, 0 mantk dzeyinden 1 mantk dzeyine ya da 1 mantk dzeyinden 0 mantk dzeyine deitiinde, FSK k iki frekans arasnda kayar: iaret ya da mantk 1 frekans ile

aralk ya da mantk 0 frekans. FSK da, ikili giri iaretinin mantk durumu her deitiinde,
k frekansnda bir deiiklik olur. Dolaysyla, k deiim hz giri deiim hzna eittir. Saysal modlasyonda, modlatrn giriindeki deiim hzna bit iletim hz denir; bit iletim hznn birimi, bit bl saniyedir (bps). Modlatrn kndaki deiim hzna baud ya da baud

hz denir; baud hz, bir k iaretleme esinin sresinin tersine eittir. FSK da, giri ve
k deiim hzlar eittir; dolaysyla, bit iletim hz ve baud hz eittir. Basit bir FSK verici,

ekil 3.7 de gsterilmitir [1].

16

Saysal kaynak girii Analog FSK k

Analog kaynak girii

Analog/saysal dntrc

FSK verici

1 Mantk Gerilim blgesinde giri adm fonksiyonu

+V

aret frekans Frekans blgesinde k adm fonksiyonu

0V 0 Mantk Aralk frekans

kili giri (bps)

Analog k (baud)

Fs

Fm

Fs

Fm

Fs

Fm

Fs

Fm

Fs

Fm

Fs

Fm , iaret frekans

Fs, aralk frekans

ekil 3.7. kili FSK verici.

FSK Alc
FSK iaretleri demodle etmek iin en yaygn olarak kullanlan devre, ekil 3.8 de

gsterilen faz kilitlemeli dngdr (FKD). FKD- FSK bir demodlatr, FKDnin girii, iaret ve aralk frekanslar arasnda kaydnda, faz karlatrcnn kndaki dc hata gerilimi frekans kaymasn izler. Yalnzca iki giri frekans (iaret ve aralk) olduu iin yalnzca iki k hata gerilimi vardr. Biri 1 mantk dzeyini; teki ise 0 mantk dzeyini temsil eder. Bu nedenle k, FSK giriinin iki - dzeyli (ikili) bir temsilidir [1]. Genelde, FKD nin doal frekans FSK modlatrn orta frekansna eit yaplr. Bunun sonucunda, dc hata gerilimindeki deiiklikler, analog giri frekansndaki deiiklikleri izler ve 0 V dc etrafnda simetriktirler.

17

FSK yalnzca, dk performansl, iletiiminde kullanlmaktadr [1].

dk maliyetli, asenkron veri iletiim

modemlerinde kullanlr; bu modemler analog, ses band telefon hatlarnda yaplan veri

Analog FSK girii

Faz karlatrc

Ykselte

ikili veri k

Gerilim kontroll osilatr

Fm

Fs

Analog giri

+V kili k -V 0V

ekil 3.8. FKD- FSK demodlatr.

3.3. Faz Kaydrmal Anahtarlama

Faz kaydrmal anahtarlama (PSK), a modlasyonlu, sabit zarfl, saysal modlasyonun bir baka biimidir. PSK, klasik faz modlasyonuna benzemektedir; aralarndaki fark udur: PSK da giri iareti ikili saysal bir iarettir ve snrl sayda k faz mmkndr. Ksacas PSK, ikili bilgi iaretlerinin faz modlasyonuna uygulanmasdr [1]. Bu tr saysal iletiim sistemlerinde, taycnn faz, ikili iarete bal olarak 180 derece kaydrlr.

18

PSK Verici
Aada dengeli bir modlatr( verici) ile gerekletirilen PSK vericisi grlmektedir.

f(t) kili Giri Sinyali

Dengeli verici

c(t) Analog PSK areti

cosw0t
ekil 3.9. PSK modlatr.

C(t)=A.Cos(Wot+Qi) C(t)=An.CosWot

Qi=0 veya 180 An=A

(3.3) (3.4)

PSK iaretinin modlatr k yukardaki gibi matematiksel olarak ifade edilebilir.

PSK Alc
Demodlasyon ilemi ezamanl bir demodlatr ile yaplabilir. yleki:

Ai. cos(w0t+Q) (

1 )2

BGF 2w0

Frekans Blc

cos(w0t+Q)

E Zamanl Demodlasyon

Ai

ekil 3.10. PSK demodlatr.

Giri C (t) = Ai . Cos(W0t + Q) (3.5)

19

Burada ezamanl demodlasyonun Cos(Wot + Q)sini retmek iin bir devre kullanlmtr. yle ki; 1) C(t)2 =Ai2. cos2(W0t+Q) 2) Cos2(w0t+Q) BGF k 3) Cos(W0t+Q) elde edilir.
Ezamanl demodlatrde gerekli ezamanlama yerel taycs burada gelen iaretten elde edilmitir. Ezamanl demodlatrde; gelen iaretle Cos(Wot+Q) arplp, bir AGF den geirilirse; FA = Ai elde edilir. Bu da ikili bilgidir.

3.4. kili Faz Kaydrmal Anahtarlama

kili faz kaydrmal anahtarlamada (BPSK), tek bir tayc frekans iin iki k faz mmkndr. Bir k faz 1 mantk dzeyini; dieri ise 0 mantk dzeyini temsil eder. Saysal giri iareti deitiinde, k taycsnn faz, 180o farkl iki a arasnda kayar. ekil 3.11 bir BPSK modlatrn basitletirilmi blok diyagramn gstermektedir [1].

kili veri girii

Dengeli modlatr

Bantgeiren filtre

Referans tayc osilatr

ekil 3.11. BPSK modlator..

3.5. Kuadratr (Drtl) Faz Kaydrmal Anahtarlama

Drt faz kaydrmal Anahtarlama (QPSK) , sabit zarfl saysal modlasyon biimidir. QPSK, Mnin 4 olduu M-li bir kodlama tekniidir. QPSK da tek bir tayc frekans iin

20

drt k faz mmkndr. Drt farkl k faz olduu iin, drt farkl giri durumu olmaldr. QPSK modlatrn saysal girii ikili bir iaret olduu iin, drt farkl giri durumunu retmek iin tek bir giri bitinden fazlas gerekir. 2 bit ile, drt olas durum vardr: 00, 01, 10, ve 11. Bu nedenle QPSK da ikili giri verileri, dibit ad verilen 2 bitlik gruplar halinde birletirilir. Her dibit kodu, drt olas k fazndan birini retir. Dolaysyla, modlatre giren her 2 bitlik dibit iin, tek bir k deiiklii meydana gelir. Bu nedenle, ktaki deiim hz (baud hz), giri bit iletim hznn yarsdr.

QPSK Verici
Bir QPSK modlatrn blok diyagram, ekil 3.12 de gsterilmitir. ki bit (bir dibit),

bit ayrcya gnderilir. ki bitin ayrcya seri giriinden sonra, bu bitler ka ayn zamanda paralel olarak gelirler. Bir bit I kanalna, teki bit ise Q kanalna ynlendirilir. I biti referans modlatr ile ayn fazda olan bir taycy modle eder. Q biti ise referans taycdan 90o farkl fazda olan ya da onunla dik a yapan bir taycy modle eder.

I kanal F b /2

Dengeli modlatr

+sin wct -

1 Mantk= +1 V 0 Mantk= -1 V

Referans tayc osilatr (sin wct) Q I Bit ayrc ikili giri verisi F b 90oC faz kaymas coswct 1 Mantk= +1 V 0 Mantk= -1 V Q kanal F b /2 Dengeli modlatr

Dorusal toplayc

BPF

+coswct -

ekil 3.12. QPSK modulator.

Bir dibit I ve Q kanallarna ayrldktan sonra, QPSK modlatrn almasnn BPSK modlatrn almas ile ayn olduu grlebilir. Temel olarak, bir QPSK modlatr paralel olarak birletirilmi iki BPSK modlatrdr [1].

21

QPSK Alc
Bir QPSK alcnn blok diyagram ekil 3.13 de gsterilmitir. G ayrc, giri QPSK

iaretini I ve Q arpm dedektrlerine ve taycy tekrar elde etme devresine ynlendirir. Taycy tekrar elde etme devresi, balangtaki gnderme tayc osilatr iaretini tekrar oluturur. Tekrar elde edilen taycnn frekans ve faz, gnderme referans taycs ile koherent olmaldr. QPSK iareti, I ve Q arpm dedektrlerinde demodle edilir; dedektrler, balangtaki I ve Q veri bitlerini retir. arpm dedektrlerinin klar, bit birletirici devreye beslenerek, paralel I ve Q veri kanallarndan, tek ikili k veri akna dntrlr [1].

I kanal -sinwct + coswct -sinwct + coswct

arpm dedektr

(sinwct) (-sinwct+ + coswct) LPF

-1/2 V (0 mantk)

sinwct

BPF

G ayrc

Taycy tekrar elde etme (sinwct) Q I

ikili veri al

Giri QPSK sinyali

+90o

coswct -sinwct + coswct Q kanal arpm dedektr (coswct) (-sinwct+ + coswct) LPF +1/2 V (1 mantk)

ekil 3.13. QPSK alc.

Gelen QPSK iaret, (00, 01, 10, 11) drt olas k fazndan herhangi biri olabilir.

22

4. DALGACIK DNM KULLANILARAK ZELL K IKARMA

Otomatik modlasyon tanmada snflandrma yapabilmek iin nce iarete ait zelliklerin karlmas gerekmektedir. zellik karabilmek iin dalgack dnm kullanlarak iarete ait zellikler karlmaktadr.

4.1. rnt Tanma

rnt, ilgilenilen varlklar ile ilgili gzlenebilir veya llebilir bilgilere verilen addr. Gerek dnyadaki bu rntler, genellikle ilgilenilen verilerin nicel tanmlama ekilleridir [16, 17]. rnt tanma, insanlarn eitli ses, grnt ve benzeri tm rntlerin biimsel

ekillerinden kardklar dilsel ekillendirmedir. Aslnda, rnt tanma bilimin, mhendisliin

ve gnlk hayatn geni bir alanndaki etkinlikleri kapsamaktadr. rnt tanma uygulamalarn insanlarn yaantsnda da grebiliriz: hava deiimin alglanmas, binlerce iek, bitki, hayvan trn tanmlama, kitap okuma, yz ve ses tanma gibi bulank snrlara sahip bir ok etkinlikte rnt tanma kullanlr. nsan rnt tanmas, gemi tecrbelere dayal renme esasldr. Bylece, insanlar pratikte karlat rnt tanma olaylarn tecrbeleri nda nsanlar bu ilemlerin bir ounu olduka iyi yapmalarna deerlendirebilme yeteneine sahiptirler. Belirli bir sesi tanmak iin kullanlan kurallar tanmlamak mmkn deildir. ramen, bu ilemleri daha ucuz, iyi, hzl ve otomatik olarak makinalarn yapmasn arzularlar. rnt tanma, byle akll ve renebilen makinalar gerekletirmek iin, ok boyutlu bir mhendislik disiplinidir [17, 18]. rnt tanma, aralarnda ortak zellik bulunan ve aralarnda bir iliki kurulabilen karmak iaret rneklerini veya nesneleri baz tespit edilmi zellikler veya karakterler vastas ile tanmlama veya snflandrmadr [17, 19]. Bu balamda, rnt tanmann en nemli amalar; bilinmeyen rnt snflarna belirli bir ekil vermek ve bilinen bir snfa ait olan rnty tehis etmektir.
rnt tanma tekniklerinin uygulamalar bir ok mhendislik, tp, askeri ve bilim alanna aktr. Bunlardan bazlar; ses tanma [17, 20], radar hedef snflama [17, 21] ve biyomedikal kontrol [17, 22] verilebilir. rnt tanma olarak bilinen bu uygulamalar, makina renmesi, rnt snflandrma, ayrm analizi ve nitelik tahmini gibi isimlerle de anlmaktadr [17, 19]. rnt tanma kavram, ekil 4.1 de gsterildii gibi nemli ksmdan olumaktadr [17, 23]:

23

aret/Grnt leme

zellik karma

Snflandrma

rnt Tanma

ekil 4.1. rnt tanma kavram.

1.

aret / Grnt leme : n ilem aamasdr. aret veya grntnn filtre edildii,
eitli dnm ve gsterim teknikleri ile ilendii, bileenlerine ayrld veya modellendii ksmdr.

2. zellik karma: aret ve grntnn veri boyutunun indirgendii ve tanmlayc anahtar zelliklerinin tespit edildii ve ayn zamanda normalizasyona tabii tutulduu aamadr. Sistemin baarmnda en etkili rol oynar. 3. Snflandrma: karlan zellik kmesinin indirgendii ve formle edildii tanmlayc karar aamasdr.

4.2. rnt Tanma Probleminin Formlasyonu

rnt tanma probleminin ekilsel amac, gerek giri uzayndaki M adet

{xi }iM1 , =
birine

x X M gzlemleri veya lmleri, birka snftan y Y w(1) , w(2) , ..., w(K)

ayrmak suretiyle tanmlayabilmektir. Snfsal k, karar uzayndaki her bir w(k) snf temsil etmektedir. D operatr ekil 4.2 de bir harita olarak gsterilen, her bir ayrma bir snf etiketi atayarak giri uzaynn ayr blmlere ayrlmasn salayan bir snflandrcy veya giri uzayn birbiri ile kesimeyen blmlere ayrarak her bir snfa bir etiket ataycy gstermektedir

(D : x y ) [17, 24].
aret uzaylarn snflamada, iaret rntsnn boyutunun ok fazla olmas ve grlt
gibi birka engelleyici unsur vardr. Bu problemlerden kurtulmak iin iaretten zellik karm

24

yaplr. Bylece elde edilen zellik uzay, giri iaret uzay ve k karar uzay arasnda

F N olarak betimlenir

(N M ) .

Bir zellik karc f : X F olarak tanmlanr ve

snflandrc ise g : F Y eklinde verilir. Bylelikle snflandrma sreci d = g o f olarak gsterilebilir [17, 25].
karar uzay zellik uzay x2 D w(1)

w(2) x1 w(3)
ekil 4.2. Karar yzeyinin zellik uzaynn haritas olarak gsterimi.

rnt tanma sistemine renme yeteneinin kazandrlabilmesi iin genellikle P adet giri iareti ve k snf etiketi ieren (x,y) eitim iftinden oluan eitim kmesi kullanlr.

= x (1) , y (1) , x (2) , y (2) ,..., x (P) , y (P)

(i)

{(

)(

) (

)}

(4.1)

Burada

ifadesi eitim kmesi iindeki i. rnt snf iftini gstermektedir.

4.3. rnt Tanma Sistemleri

rnt tanma sistemleri gzlenen veya llen verileri tanmlanmasnda bir ok uygulamann merkezinde yer alr. ekil 4.3 de yaygn olarak kullanlan genel anlamda rnt tanma sistemi verilmitir [19, 26]. Alglayclar, herhangi bir anda mmkn olan birok doal durumlardan biri olabilen baz fiziksel ilemleri lerler. Bu blok diyagramn en nemli grevlerinden biride, elde edilen lmlerin hepsinden oluan giri uzayndan daha az boyutta zellik kartmaktr. Sonunda, snflandrcnn rol rnty zelliklerine gre kategorize ederek uygun snflara kaydetmektir. Mevcut rnt tanma sistemleri grupta toplanmaktadr.

25

Giri Uzay : Doal Durumlar Alglayclar

zellik karc / Seici

k Uzay : Karar Snflar Snflandrc

ekil 4.3. rnt tanma sistemi.

1. statistiksel rnt tanma : statistiksel rnt tanma yntemin de, snflama algoritmalar
istatistiksel analiz zerine kurulmutur. Ayn snfa ait rntler, istatistiksel olarak tanmlanan benzer karakteristiklere sahiptirler. Bu yntemde, zellik olarak nitelendirilen karakteristik lmler giri rnt rneklerinden karlr. Her rnt bir zellik vektr ile tanmlanr. Genelde snflandrcy oluturan karar ve snflandrma yntemleri zerinde nemle durulur. Snflandrc tasarm, lmler ve olaslklar gibi ilenebilir rnt bilgilerini birletirmeyi esas alr. Bylece snflama, giri veri uzaynn olaslk younluk fonksiyonlarnn tahmini zerine kurulu bir istatistiksel yapdr [17, 27]. statistiksel rnt tanma Bayes Karar Teorisi zerine kurulmutur.

2. Yapsal rnt tanma : Yapsal (geometriksel, kural dizilim) rnt tanma yaklamnda,
verilen bir rnt, ekilsel yapdan temel karakteristik tanmlanmaya indirgenir. ou zaman, rntlerden karlan bilgi yalnzca zellikler kmesinin saysal deerlerinden deildir. zelliklerin birbirine balanmas veya aralarndaki karlkl iliki, tanmlamay ve snflandrmay kolaylatran nemli yapsal bilgiye sahiptir. Bir baka deyile rntnn ilenmemi halinden elde edilen tanmlayc biimsel sentaks veya bunlarn sentezinden karlan gramer ile tanmlama gerekleir. rnein, rntnn ke says, kenar alar vb. Genel olarak yapsal yntemde daha basit alt rntler kark rntlerin hiyerarik tanmlamalarn formle eder. Yapsal yntemde her rnt, bileenlerinin bir kompozisyonu olarak ele alnr [17, 28].

rnt

nilem

zellik ve iliki karma

yapsal analiz

rnt rnekleri

iliki seme

yapsal karm

ekil 4.4. Yapsal rnt tanma sistemi.

26

Yapsal rnt tanma ynteminde eitli birimler arasndaki iliki ok byk nem tar ve gerek tanmada kullanlan baz ekilsel notasyonlar tarafndan belirtilir. rnein, ekrandaki bir masay tanma, kelerinden eit uzunlukta bacaklar tarafndan desteklenen yatay bir dikdrtgen yzey gibi yapsal tanmlamay temel alarak gerekletirilebilir. Bu yntemde, evre uzunluu, alan, arlk merkezi, eylemsizlik momenti ve Fourier tanmlayclar gibi genel zellikleri kullanr. Otoregresif model, poligonsal yaklam ve zincir kodlar yapsal rnt tanma yntemine rnek olarak verilebilir [29].

3. Akll rnt tanma : Akll rnt tanma yaklamlar, renme tabanl olup, karar
aamasnda gemi tecrbelerinden sonu retmektedirler. Gnmzde, renmeli rnt tanma algoritmalar yapay sinir a merkezli olarak gelimektedir ve bu dorultuda almalar younluktadr [17, 20, 30, 31]. Yapay Sinir Alar (YSA) yaklamlar istatistik yaklama kar belirleyici olarak ifade edilebilir. nk renme algoritmalar rnt snflarnn istatistiksel zellikleri hakknda hibir ey kullanmamaktadr. Bununla birlikte, istatistiksel ve YSA rnt tanma yaklamlar ekil ve ama olarak ok benzer olup, hatta YSA 'nn geleneksel istatistiksel rnt tanmann bir uzants olarak ifade edilen grlerde bulunmaktadr [27]. statistiksel, yapsal ve yapay sinir alar ile rnt tanma yaklamlar arasnda kesin bir ayrm yoktur. Bunlar arasndaki snrlar bulanklk arz eder. Bu yaklamlar, genel ve ortak zellikleri ve amalar paylarlar. Verilen belirli bir rnt tanma probleminin zmnde istatistiksel yaklama gre rntnn yaps anlamsz olabilir. Yap ancak uygun zellik seimiyle yanstlabilir. statistiksel rnt tanmada; yapsal bilginin ifade edilmesinde grlen zorluk, yapsal rnt tanmada kendini yapsal kurallarn renilmesinde gsterir. Buna karn yapay sinir a yaklam, istatistiksel ve yapsal yaklamlardan tretilmitir. Ak bir ekilde rnt hakkndaki yapsal bilgi deerli olduunda yapsal rnt tanma yaklamn semek daha dorudur. Yapsal bilgi deersiz ve maksada uygun deilse istatistiksel yntemi semek daha dorudur. Yapay sinir alar, istatistiksel ve yapsal yaklama alternatif teknikler salayan ve rnt tanmaya renme boyutu katarak akll tanma nitelii kazandran bir teknik olarak dnlebilir.

4.4. rnt Tanma Sisteminin Bileenleri

rnt tanma sistemi eitim ve tanma olmak zere iki ksmdan olumaktadr. rnt tanma sistemi, ekil 4.5 de grlmektedir. Sistemin en nemli elemanlar; zellik karma,

27

veri taban oluturma ve snflandrma (eleme) bileenleridir. Eitim ve tanma evrelerindeki alglayclar ve zellik karma elemanlar deiik olabilir [17].

Eitim Nesnelerinin Grnts

Test Nesnelerinin Grnts

Alglayc E T M

Alglayc TEST

zellik karma

zellik karma

Veri Taban

Snflandrma

Tanma

ekil 4.5. rnt tanma sisteminin bileenleri.

4.4.1. n lem
Alglayclar vastasyla, bilgisayara saysal olarak alnm olan rnt, daha basit bir

ekle getirmek iin bir dizi nilem srecinden geirilir. rnein, alnan rnt bir nesne
grnts ise; srasyla, grnt eikleme, kenar karma gibi aamalardan geirilir.

4.4.2. zellik karma

zellik karma rnt tanmann en nemli ksm olup, bir anlamda rnt tanma sisteminin baarmnda anahtar rol oynar. rnt snflar arasnda ayrm gerekletirmek iin rnt zelliklerinin karlmas gerekir. Gnmzde, ok baarl sonular veren rnt snflandrc trleri mevcut olup, snflandrcnn da dorudan baarmn etkileyen zellik karm zerine almalar odaklanmtr. zellik karmann ana sebepleri: 1. Snflandrcnn kk hatalar ile eitimi ve karar aamasnn ksa srede gereklemesi iin gereklidir.

28

2. Sabit olmayan zaman serilerinde karakteristikleri bulabilmek iin zellik karm

arttr. Bylece karar aamasnn gvenirlilii artacaktr.

3. rnt snflandrma sisteminin, sistem ii veya dndaki kontrolsz giriimlerden etkilenmemesini salayacak bir zellik karm kararl bir yapnn olumasnda etken olacaktr. Bu tr kararl zellikler, snflandrcnn genelleme ve ayrm yeteneinin yksek olmasnda nemlidirler. rnt zelliklerini belirlemede ana problem verilen esas rntden en iyi zellikleri semektir [17]. aretler rntlerinin zellikleri belirlendiinde, zellik karm iin genelde zaman ve frekans blgesi gsterimi n plandadr. Bylece karmak rnt yapsnn hem geici ve hem de zamana bal olarak frekans deiimlerini ieren tanmlayc zellik bilgileri karlabilir. Bu zellikler, iaretin zaman ve frekans blgelerindeki yerel bilgilerini karakterize eder. Nesne rntlerinin zellik karm yapldnda, zellikler kullanlan veritaban ve uygulama alanna gre farkllk gsterir. Temel zellikler kenar, ke, doru ve eri izgiler, delik ve snr eriselliidir. Nesne rnts tanmlamalar bu zelliklerin birinden veya birkann birletirilmesinden elde edilir. Endstriyel uygulamalarda ou zaman nesne rnts snrlar ve bu snrlardan tretilmi lmler, zellik olarak kullanlr. Bu zellikler genel, yerel ve ilikisel olmak zere guruba ayrlabilir. Genel zelliklere rnek olarak evre, arlk merkezi, snr noktalarnn arlk merkezine uzakl, erisellik, alan, eylemsizlik momenti gibi zellikler verilebilir. Doru paralar, sabit erisellii olan ember paralar yerel zellikler iin rnek verilebilir. likisel zelliklere rnek olarak, nesne rntsnn alt paralarnn birbirlerine gre uzaklklar, alar gibi parametreler verilebilir. zellikler karlrken aadaki yntemler kullanlr.
Otoregresif model; Bu modelin esas, nesnenin snrnn bir boyutlu simgelenmesinde

merkezsel uzakln kullanmna dayanr. Algoritmann ilk aamasnda merkez noktas hesaplanr. Daha sonraki aamada nesnenin kenarn oluturan her bir noktann merkeze gre klit uzakl bulunur [17].
Poligonal yaklam; Bu modelde, nesneye ait kritik noktalarn hesab yaplmaktadr.

Nesnenin en sol st snr pikseli ile en sa alt snr pikseli balang kritik noktalar olarak alnr. Bu iki nokta arasnda dz bir izgi izilir. Daha sonra bu dz izgiye dik dorular saptanr. Bu dorularn kenar piksellerini kestii noktalar belirlenir. Dz izgi ile bu noktalar arasndaki dik doru paralarnn uzunluu hesaplanr. Belirli bir eik deerinin stndeki noktalar kritik

29

noktalar olarak tespit edilir. Bu noktalarn tek boyutlu simgelenmesi ile elde edilen zelliklerden znitelik vektr oluturulur [17].
Zincir kodlar; Saysal grnt, kenar karma ileminden geirildikten sonra, nesnenin

sadece d izgileri kalr. Bundan sonraki admda nesnenin kenar bilgilerinin kodlanmas gerekir. Kodlama ilemi iin zincir kodlar kullanlabilir drtl ve sekizli olmak zere iki tip zincir kodlama tr bulunmaktadr. Sekizli zincir kodunun drtl zincir koduna gre en nemli stnl yatay ve dikey kenar izgilerinin yan sra apraz kenar izgilerini de kodlama imkn tanmasdr. Zincir kodlar ile nesnenin kenarlarnn hangi ynde ne kadar devam ettii tespit edildikten sonra elde edilen bu znitelik vektrne, eitli ilemler uygulanarak daha kk boyutta ve tm nesneler iin daha genel bir vektr oluturulabilir [17].

4.5. Dalgack Dnm

Dalgacklar, veriyi farkl frekans bileenlerine ayran ve sonra kendi lekleriyle eletirilmi bir znrle sahip bileenler zerinde alan matematiksel fonksiyonlardr [33, 34]. Baka bir ifadeyle dalgack dnm, fonksiyonlar, operatrleri veya veriyi farkl frekanstaki bileenlerine ayran ve ayr ayr her bileen zerinde almamza izin veren bir aratr [34, 35, 36, 37]. Dalgack teorisi farkl alanlarda birok kke sahiptir. Fakat srekli dalgack dnm Morlet (1982), Grossmann ve Morlet (1984), ve Goupillaud, Grossmann ve Morlet (1984) tarafndan ilk alarak jeofizik alannda gelitirildi. Temelleri, Chui (1992) ve Meyer (1993) tarafndan salamlatrld. Dnmn ayrk yorumunu, Mallat (1989) ve Daubechies (1992) gelitirdi. Dalgack paket dnm, ayrk dalgack dnmnn genelletirilmi bir hali olup, Coifman ve Wickerhauser (1992) tarafndan nerilmitir. Dalgack dnm, iaret ileme, zellik karma, ses tanma, resim sktrma, bilgisayar grme gibi birok alanda kullanlmaktadr. ekil 4.6 da en yaygn olarak kullanlan dalgacklarn bir ksm verilmitir.

30

Morlet 1 0.5 0 1 -0.5 -1 -5 0.6 0.4 0.2 0 -0.2 0 5 10 15 20 -0.5 -5 0.5 0 Daubechies (db10) 5 0 Meksika Sapkas 0 -0.5 -1 -5 0.6 0.4 0 5 0.2 0 -0.2 0 5 1.5 1 0.5

Meyer

0 Symlet (sym12)

10

15

20

25

ekil 4.6. Yaygn olarak kullanlan dalgack rnekleri.

Dalgack dnmyle yaklak ve detay olmak zere iki iaret elde edilir. Yaklak A ile detay D ile gsterilir. Yaklak (A) , iaretin yksek skala dk frekans bileenlerinden oluur. Detaylar (D) ise iaretin dk skala yksek frekans bileenleridir. Dalgack dnmnn en basit blok diyagram ekil 4.7 de gsterilmitir.

Sinyal

Alak Geiren Frekans (AGF)

Yksek Geiren Frekans (YGF)

Yaklak(A)

Detay(D)

ekil 4.7. Dalgack dnmnn blok diyagram.

Dalgack dnmyle istenilen seviyede ayrm yaplr [35]. ok seviyeli ayrmda elde edilen detay ve yaklak katsaylarndan yaklak katsays ile ayrma devam edilmekte

31

ve bunun sonucunda yeniden A, D iaretleri elde edilmektedir. Ayrm n seviyesine kadar yaplabilmekte ve buna Dalgack ayrtrma aac ad verilmektedir. 3 seviyeli dalgack dnm ekil 4.8 de gsterilmitir. rnein n= 3 yani aamal bir dalgack dnm sonucunda 3 A, 3 D iaretleri olmak zere toplam 6 iaret elde edilir. Dalgack dnm kullanlarak yaplan ayrtrmada en kk detaylar ortaya karlr [35].

ekil 4.8. n=3 Seviyede dalgack dnmnn yaps.

Dalgack dnmleri, srekli dalgack dnmleri, ayrk dalgack dnmleri ve dalgack paket analizi olmak zere farkl kategoride incelenebilir.
1) Srekli Dalgack Dnm: Srekli Dalgack Dnm (SDD) sktrmalar, genilemeler

ve dnmler ile tm zaman ve leklerdeki iaretler ile ana dalgack arasnda uygunluk salar.

SDD(a , b) =

x(t)

t b dt a a

(4.2)

Burada x(t) iaret, (t) dalgacktr, b dnm etmeni olup, farkl frekans seviyelerinde ayrm filtreleri tanmlar ve a ise lekleme etmeni olup her seviye iin ayrm filtrelerini leklendirir. Dnm sonucu, zamann bir fonksiyonu olarak iaret ve dalgack arasnda nasl karlkl bir iliki (korelasyon) olduunu gsterir. aret ve dalgack iyi elemise iaret ve dalgack arasndaki korelasyon yksek olur. Uygulamalara bal olarak dalgack tr seilir. SDD deki lekleme kavram Fourier Dnm (FD) deki frekansn tersine benzerdir. Dalgack yksek oranda skk olduunda iaretin yksek frekans detaylarn elde eder. Dalgack tamamen genise dalgacn uzunluu, iaretin uzunluu ile daha uygun benzerlik salar ve bylece iaretin dk frekans eilimleri ortaya kar [35, 38,].
2) Ayrk Dalgack Dnm: SDD 'nin hesaplama yk fazla ve dnm salamak iin

kulland bilgi miktar olduka byk olduundan SDD den daha etkili bir yol olarak, Ayrk

32

Dalgack Dnm (ADD) kullanlmaktadr. ADD,

ana dalgacn sadece belirli

genilemelerinde iarete bakar. ADD' yi anlamak ve dalgacklarn yerini grmek iin filtre bankas kavramn tantmak gereklidir. nk filtre bankas dalgacklarn ayrk edeerleridir.
3) Dalgack Paket Analizi: Dalgack Paket Analizi (DPA) ADD' ye benzer olup, iaret zerinde

mmkn olan bir ok ayrmlar retir ve ADD bunlardan sadece biridir. Filtre bankas her bir zaman iin dk frekans bileenlerini tam olarak ayrtrmak yerine, yksek frekans bileenlerini daha iyi ayrtrmay mmkn klar. Bylece tm zaman-frekans dzlemi mmkn olan tm alt blmlere, farkl zamanfrekans pencereleri ile blnr [23, 35].

4.6. Dalgack Dnmden Entropi Hesaplanmas

Entropi kavram, bir sistemin dzenliliini lmek amac ile termodinamik fiziinde iyi bilinen bir kavramdr. aret ilemede, zelliklede haberleme sahasnda ilk olarak Shannon kullanmtr [39]. Entropi tabanl kriterler verilen bir iaret gsteriminin zellikleri ile ilgili bilgileri tanmlar. Entropi lm metodu duraan olmayan bir iaretin dzensizlik derecesini lmek iin ideal bir ara olarak grnmektedir [40]. Ayrca, entropi kavram bir olayn ierdii bilginin ortalama miktarn lmek amac ile de kullanlmaktadr [41]. Entropi ilemi iin Shannon entropisi, Norm entropi, Log energy entropisi ve Thershold entropisi gibi kriterler kullanlmaktadr. Bu entropilerin matematiksel gsterimi aada srasyla verilmitir.

E ( s) = si log( si )
2 2 i

(4.3)

E ( s) = log( si )
2 i

(4.4)

E ( s) = si
i

(4.5)

E(si) = 1

|si| > p

(4.6)

Burada s, iaret, (si), iareti oluturan rnek says, i, indis, E, entropi deerleri, (zellik vektr), p istee bal bir parametredir. Denklem (4.3) de Shannon entropide ve Denklem

33

(4.4)de Log energy entropide p parametresi kullanlmaz. Norm entropide p parametresi 1 p ve Threshold entropide p parametresi 0 p olmaldr.

4.7. Genetik Algoritma

Evrimsel programlamann (evalutionary computing) bir paras olan Genetik Algoritmalar (GA) Darwinin evrim teorisinden esinlenerek ortaya kmtr. Evrimsel programlama, 1960l yllarda I. Rechenbergin Evrim startejileri adl almasyla gndeme gelmitir. Genetik Algoritmalarn bugnk biimi ilk olarak Michigan niversitesinden, psikolog ve bilgisayar bilimleri uzman J.H.Holland tarafndan 1975 ylnda ortaya konulmutur. Genetik Algoritmalar, en iyinin korunumu ve doal seilim ilkesinin benzetim yoluyla bilgisayarlara uygulanmas ile elde edilen bir arama yntemidir. Standart bir GA da aday sonular eit boyutlu vektrler olarak ifade edilir. Balangta, bu vektrlerden bir grup, rastlantsal olarak seilerek belirli byklkte bir populasyon (toplum) oluturulur. Kromozom ad verilen bu vektrler, yeni nesiller (jenerasyon) oluturarak deiikliklere urar. Bir kromozomun zerindeki genler, n boyutlu vektrlerin bir boyutuna karlk gelmektedir [42, 43, 44]. Her yeni nesilde kromozomlarn iyilii llr, yani her vektr (kromozom), ama fonksiyonuna yerletirilerek vermi olduu sonu hesaplanr. Bir sonraki nesil oluturulurken, baz kromozomlar yeniden retilir, aprazlanr ve mutasyona uratlr. Bu ilemler iin baz zel tip operatrler gelitirilmitir [44]. Tekrarlama, aprazlama ve mutasyon gibi operatrlerden geecek olan kromozomlar, ama fonksiyonu deerlerine gre raslantsal olarak seilir. rnein ama fonksiyonu deeri daha iyi olan kromozomun aprazlanma ya da tekrar retilme olasl, deeri kt olana gre daha fazladr. Benzer kromozomlarla eitlilii azalan populasyonlarda yine rastlantsal olarak seilen kromozomlar mutasyona uratlrlar. Bunun yan sra, populasyon iinde iyilii dk olan kromozomlarn bir sonraki nesilde yer almamalar mmkndr, yani yok olurlar [42, 43, 44]. Standart bir Genetik Algoritma Yordam aadaki gibi verilebilir:

1. Olas zmlerin kodland bir zm grubu oluturulur (zm grubu, biyolojideki benzerlii nedeniyle, toplum (population), zmlerin kodlar da kromozom olarak adlandrlr). Toplumda bulunacak birey says iin bir standart yoktur. Genel olarak

34

nerilen 100-300 aralnda bir byklktr. Byklk seiminde yaplan ilemlerin karmakl ve aramann derinlii nemlidir. Toplum bu ilemden sonra rastgele oluturulur. Birey says belirlendikten sonra probleme bal olarak kromozomlarn kodlanmas gerekmektedir. Deiik kodlama biimleri vardr. 2. Toplumdaki her kromozomun ne kadar iyi olduu bulunur. Bu amala kullanlan fonksiyona uygunluk fonksiyonu denir. Bu fonksiyon yardmyla kromozomlarn uygunluklarnn bulunmasna ise evrimleme (evaluation) ad verilir. Uygunluk fonksiyonu genetik algoritmann beynini oluturmaktadr. Genetik algoritmada probleme zel alan tek ksm bu fonksiyondur. Uygunluk fonksiyonu, kromozomlar problemin parametreleri haline getirerek onlarn bir bakma ifresini zmekte (decoding) ve sonra bu parametrelere gre hesaplamay yaparak kromozomlarn uygunluunu bulmaktadr. ou zaman genetik algoritmann baars bu fonksiyonun verimli ve hassas olmasna baldr. 3. Seilen kromozomlar eleyerek yeniden kopyalama ve deitirme operatrleri
uygulanr. Sonuta yeni bir toplum oluturulur. Bu eleme kromozomlarn uygunluk

deerlerine gre yaplr. Bu seimi yapmak iin rulet tekerlei seimi (roulette Wheel selection), turnuva seimi (tournament selection) gibi seme yntemleri vardr. Yeniden kopyalama (recombination) genlerdeki genetik bilginin birinden dierine gemesi ilemine benzedii iin aprazlama (crossover) olarak adlandrlr. Bu ilem, toplumda eitlilii salar. Deitirmenin (mutation) etkisi, yalnzca bir zm zerinde olmaktadr. 4. Yeni kromozomlara yer amak iin eski kromozomlar kartlarak sabit byklkte bir toplum salanr. 5. Tm kromozomlarn uygunluklar tekrar hesaplanr ve yeni toplumun baars bulunur. 6. lemler tekrarlanarak verilmi zaman iersinde daha iyi olan yeni nesillerin oluturulmas gerekletirilir. 7. Sonuta toplumlarn hesaplanmas srasnda en iyi bireyler bulunduunda zm elde edilmi olur.

4.7.1. Genetik Algoritma Operatrleri

aprazlama ve mutasyon GAnn en nemli ksmlardr. Performans bu iki operatrden etkilenir. aprazlama genetik algoritmann motoru kabul edilir. Basite olay, iki ebeveyn kromozomun arasnda belirlenen paralarn takasdr. Gen takas toplumda eitlilii yani, iyi zelliklerin bir araya gelmesini kolaylatrarak en iyiye yaklamay salar. Mutasyon

35

kromozomun bir parasnn dardan deitirilmesi diye tanmlanr. Deitirme grnte genetik algoritmann dayanak noktasdr, ancak etkisi tek bir zm zerindedir. ok dk bir deitirme olasl toplumda baz zelliklerin kaybolmasna neden olabilir. Bu da en iyi sonularn bulunmasn engeller. Ancak yksek bir deitirme olasl da eldeki zmleri bozarak sonuca ulamay zorlatrr. Gen takas ve deitirmenin olaslklar iin kesin bir say yoktur. Deitirme olasl 0.01-0.001, gen takas olasl 0.5-1.0 aralnda tavsiye edilir [42, 43, 44].

4.7.2. Kromozomun ifrelenmesi (Encoding)

Bir problemi GA ile zmeye baladmzda karlaacamz problemlerden bir tanesi kromozomlarn kodlanmasdr. Kromozomlarn kodlanmas probleme gre deimektedir. Kullanlan kodlama yntemleri aada sunulmaktadr.

kili Kodlama: Bu yntem ilk GA uygulamalarnda kullanld iin hala en ok kullanlan

yntemlerdendir. Burada her kromozom, 0 ve 1 lerden oluan bit dizisidir ve ikili diziyle ifade edilir. Bu dizideki her bit, zmn bir zelliini tar. Dizinin tm ise bir sayya karlk gelir. kili kodlama iin kromozom rnei ekil 4.9 da verilmitir.

Kromozom Kromozom

A B

101110010110 010110100000

ekil 4.9. kili kodlama iin kromozom rnei.

kili kodlama, az eleman sayl problemlerde bile ok sayda mmkn kromozom oluturur. Bu kodlama ile baz problemlerde aprazlama ve mutasyon ilemlerinden sonra dzeltmeler yaplmak zorunda kalnabilir.

Permutasyon Kodlama: Bu kodlamada her kromozom bir numaralar dizisidir. Permutasyon

kodlama iin kromozom rnei ekil 4.10 da verilmitir.

Kromozom Kromozom

A B

35127604 01562347

ekil 4.10. Permutasyon kodlama iin kromozom rnei.

36

Burada da ok kolay olan ikili dzende kodlama kullanlabilir. rnein, her onluk say iin ikili dzendeki saylar yazlabilir.

Deer Kodlama: Bu kodlama, gerel gibi kompleks saylarn yer ald problemlerde kullanlr.
Bu tr problemler iin ikili kodlama ok zor olur. Burada her kromozom baz, deerler dizisidir. Bu deerler ise problemle ilikilidir. rnein gerel say, karakter veya baz kompleks nesneler bile olabilir. Deer kodlama iin kromozom rnei ekil 4.11 de verilmitir.

Kromozom Kromozom Kromozom

A B C

3.274 6.121 2.456 0.299 2.115 ABCJFJKHDERJFDLFFEGHK (geri), (sa ), (ileri), (geri), (sol)

ekil 4.11. Deer kodlama iin kromozom rnei.

Bu kodlama baz zel problemler (rnein bir yapay sinir ann arlk katsaylarnn bulunmas) iin ok kullanldr.

Aa Kodlama: Aa kodlama genellikle genetik programlamada programlar ve ifadeler

oluturmak iin kullanlr. Aa kodlamada her kromozom, adndan da anlald gibi nesneler ve nesneler aras ilemleri ieren bir aa yapsndan olumaktadr.
g /

ekil 4.12. Aa kodlama iin kromozom rnei.

Aa kodlama iin kromozom rnei ekil 4.12 de verilmitir.

aprazlama ve Mutasyon: Hangi ifrelemenin kullanlacana karar verdikten sonra,

aprazlama veya gen takas admna geilir. aprazlama, genleri ebeveyn kromozomlardan seer ve yeni bir dl oluturur. Bu ilem rastgele aprazlama noktas (veya noktalar) seer ve bu noktadan (veya noktalardan) itibaren kromatitlerin (alt dizilerin) yerdeimesiyle yeni kopyalalarn oluturulmasn salar. Kodlama trlerine bal olarak aprazlama ve mutasyon ileminin farkl ekilleri bulunmaktadr.

37

kili kodlanm kromozomlarda drt eit aprazlama gerekletirilebilmektedir.

a. Tek noktal aprazlama: Bir aprazlama noktas seilir. Bu noktaya kadar olan bitler
(genler) birinci ebeveynden, geriye kalanlar ise dierinden alnarak yeni bir kromozom oluturulur.

Kromozom-1: Kromozom-2: Dl-1: Dl-2:

11011 11011 11011 11011

00100110110 11000011110 11000011110 00100110110

b. ift noktal aprazlama: Burada iki krlma noktas seilir. lk noktaya kadar olan
bitler birinci ebeveynden iki nokta arasndaki bitler ikinci ebeveynden, kalanlar ise tekrar birinci ebeveynden yeni kromozoma kopyalanr.

11001011+11011111=11011111

c. Tek biimli (uniform) aprazlama: Bu aprazlama biiminde bitler rastgele ekilde

her iki ebeveyden yeni kromozoma kopyalanmaktadr.

11001011+11011101=11011111

d. Aritmetik aprazlama: Yeni bir kromozom oluturmak iin deiik aritmetik ilemler
uygulanr.

1 1 0 0 1 0 1 1 + 1 1 0 1 1 1 0 1 = 1 1 0 0 1 0 0 1 (AND) VE ilemi

Mutasyon: Mutasyon ilemi, problemin populasyondaki zmlerinin yerel optimuma

dmesini engellemek iin kullanlr. Mutasyon yeni dl rastgele deitirir. kili ifreleme iin, rastgele seilen birka bit 0dan 1e veya 1den 0a deitirilebilir, yani seilen bitler terslenir.

38

Orjinal dl: Mutasyona uram dl:

1101111000011110 1100111000011110

Mutasyon da aprazlama gibi ifrelemeye baldr.

4.7.3. Genetik Algoritma Parametreleri

Genetik algoritmalarn iki temel parametresi vardr: aprazlama olasl ve mutasyon olasl. Bu parametreler aada ksaca aklanmaktadr.
aprazlama olasl aprazlamann hangi sklkta yaplacan belirtir. Eer hi

aprazlama yaplmaz ise (aprazlama olasl %0) yeni bireyler eski bireylerin ayns olur ama bu yeni kuan eskisiyle ayn olaca anlamna gelmez. Eer bu oran %100 olursa yeni bireyler tamamyla aprazlama ile elde edilir. aprazlama eski bireylerden iyi taraflar alnarak elde edilen yeni bireylerin daha iyi olmas umuduyla yaplr [42].
Mutasyon olasl ise mutasyonun hangi sklkta yaplacan belirtir. Mutasyon olmaz

ise yeni birey aprazlama veya kopyalama sonrasnda olduu gibi kalr. Eer mutasyon olur ise yeni bireyin bir ksm deitirilmi olur. Eer bu oran %100 olursa kuak iindeki bireyler tamamen deiir, %0 olursa hi deimeden kalr [42]. GA aprazlama olasl ve mutasyon olasl dnda baka parametreler de ierir. Bunlarn en nemlilerinden birisi de poplasyon bykldr. Bu parametre poplasyon iinde (yalnzca bir kuakta) ka adet kromozom yani birey olduunu syler. Eer kromozom says az olursa GA zm aranan uzayn ancak bir ksmn gezebilir ve aprazlama iin fazla bir seenei yoktur. Kromozom says ok fazla olursa GA ok yava alr. Aratrmalar belli bir noktadan sonra poplasyon saysn artrmann bir yarar olmadn gstermitir [42].

4.7.4. Genetik Algoritmalarn Uygulama Alanlar

Karmak problemleri hzl ve optimale yakn olarak zebilen genetik algoritmalar, eitli problem tiplerine uygulanabilmektedir. Byk zm uzaylarnn geleneksel yntemlerle taranmas hesaplama zamann arttrmaktadr. Ancak bu tip problemlere, genetik algoritmalar ile ksa srede, kabul edilebilir zmler bulunabilmektedir. Genetik algoritmalar zellikle zm uzaynn geni, sreksiz ve

39

karmak olduu problem tiplerinde baarl sonular vermektedir. Genetik algoritmalarn uygulama alanlar unlardr [45]:

1. Optimizasyon
Bir arama yntemi olan genetik algoritmalar, farkl bilim dallarndaki optimizasyon problemlerini zmede kullanlmaktadr. Genetik algoritmalarn uyguland optimizasyon problemleri, fonksiyon optimizasyonu ve birlei (combinatorial) optimizasyonu altnda toplanabilir. Genetik algoritma aratrmalarnn nemli bir blm fonksiyon optimizasyonu ile ilgilidir. Genetik algoritmalar, geleneksel optimizasyon tekniklerine gre zor, sreksiz ve grlt (noisy) ieren fonksiyonlar zmede daha etkindirler. Optimize edilecek ama fonksiyonunun sreksiz olmas halinde, sreksizlik noktalarnda fonksiyonun trevi alnamayacandan, trev almaya dayal optimizasyon yntemleri kullanlamamaktadr. Oysa, genetik algoritmalar, problemlerin zm iin trev veya dier yardmc bilgilere gereksinim duymadndan zellikle bu tip problemlerin zmnde geleneksel yntemlere gre nemli bir stnlk salamaktadr [45]. Genetik algoritmalarn uyguland dier bir optimizasyon problem snf olan birlei optimizasyon problemleri ise, istenen amalara ulamak zere, snrl kaynaklarn etkin tahsis edilmesiyle ilgilidir. Bu snrlar genel olarak, igc, tedarik veya bte ile ilgilidir. Sz geen birlei kelimesi, yalnzca sonlu sayda alternatif uygun zmn mevcut olmas ile ilgilidir. Birlei optimizasyon, iyi tanmlanm bir problem uzaynda bir veya daha fazla optimal zm bulma srecidir. Bu tip problemler ynetim biliminin tm dallarnda da (finans, pazarlama, retim, stok kontrol, veri-taban ynetimi vb.) ortaya kmaktadr. Gezgin satc problemi, ara rotalama problemi, inli postac problemi, i atlyesi izelgeleme problemi, atama problemi, yerleim tasarm problemi ve srt antas problemi birlei optimizasyon problemlerine rnektir. Birlei optimizasyon problemlerinde, incelenen deiken says arttka zme ulama zaman stsel olarak artmaktadr. zm uzaynn tamamnn taranmasn gerektiren geleneksel zm yntemlerinde problem zm deiken saysnn artmasyla imkansz hale gelebilmektedir [45]. Genetik algoritmalar ise zm uzaynn yalnzca belirli bir ksmn tarad ve e zamanl arama yapt iin, bu tip problemlerde zme daha ksa srede ulaabilmektedir.

2. Otomatik Programlama ve Bilgi Sistemleri

Genetik algoritmalarn yaygn olarak kullanld alanlardan biri, belirli ve zel grevler iin gerekli olan bilgisayar programlarn gelitirmedir. Ayrca, dier hesaplama gerektiren

40

yaplarn tasarm iin de kullanlmaktadr. Bunlara rnek olarak, bilgisayar ipleri tasarm, ders program hazrlanmas ve alarn izelgelenmesi verilebilir. Genetik algoritmalar kullanlarak datlm bilgisayar alarnn tasarm da gerekletirilmektedir. Bu problem tipinde a gvenilirlik parametrelerini (ap, ortalama uzaklk ve bilgisayar a gvenilirlii gibi) optimize etmek iin birden fazla ama fonksiyonu kullanlmaktadr. Genetik algoritmalar ile 100 dme kadar olan alar baaryla tasarlanmtr. A tasarmnda genetik algoritmalarn kullanlmas, tasarm srelerinin ve maliyetlerinin azalmasnda nemli bir katk salamtr. zellikle, maksimum miktardaki verinin minimum iletiim hattyla tanmasnda yksek bir performans gstermitir.

3. Mekanik renme
Mekanik renme; ilki, gzlenmi bir veri takmn anlamak ve yorumlamak, ikincisi de grlmemi objelerin zelliklerini tahmin etmek olan iki temel ama iin model kurmay amalar. Parametrik istatistikten ziyade ok byk veri takmlarnn ynetimi zerinde alr. Kulland metotlarn ou dalmdan bamsz metotlar olarak snflanabilir. Uygun model seimi iin ie problem hakkndaki varsaymlarla balamaz. Onun yerine uygun model yapsn belirlemek iin dorudan mevcut veriden hareketle bir ara kutusu yaklam kullanr [54]. Snflama sistemi, genetik algoritmalarn mekanik renme alannda bir uygulamasdr. Basit dizi kurallarn renen bir mekanik renme sistemi olan snflama sisteminin kural ve mesaj sistemi, zel bir retim sistemi olarak adlandrlabilir. Bu retim sistemi, eer-sonra kural yapsn kullanr. Bir retim kural, eer yapsndan sonra belirtilen durum iin, sonra yapsndan sonra gelen faaliyetin gerekletirilmesini ierir. Genetik algoritmalar, snflama sistemlerinde kural-bulma mekanizmas olarak kullanlmaktadrlar [45].

4. Ekonomik ve Sosyal Sistem Modelleri

Bir sistemi len ampirik olarak gzlenmi deikenler arasndaki matematiksel ilikiyi kefetme problemi ekonomide en nemli problemlerden biridir. Pratikte gzlenmi veri grlt ierebilir ve kapsanan ilikileri kesin ve ak bir ekilde aklayacak bir yol bilinmeyebilir. Bu tip problemler, sembolik sistem tanmlama, kara kutu, veri madencilii ve modelleme problemleri olarak bilinir. Eer kefedilen model, sistemin durum deikenlerinin gelecek deerlerini tahmin etme iin kullanlacaksa problem ngrleme problemi adn alr. Geleneksel dorusal, kuadratik ve stsel regresyon modellerinde sapma hatalar minimize edilerek fonksiyonlara uygun saysal katsaylar bulunur. Buradaki yaklam, model seildikten sonra uygun saysal katsaylarn aranmasdr. Gerek problem ise verinin deerlendirilmesi iin hangi tip modelin uygun olduunun karardr. Keyfi bir matematiksel ilikiyi aklamada bilgisayarlar,

41

bu ilikiyi formller ve denklemler aracl ile aklamaktan daha esnektir. Bu nedenle, bu tip iliki aklamalar iin sembolik regresyon kullanlabilmektedir. Sembolik regresyonlar, hem fonksiyon formunu hem de o fonksiyondaki uygun katsayy aratrmaktadr. Bunu bulma ilemi ise, verilen girdiler iin arzu edilen ktlar reten zel bir hesaplama program ile program uzaynda arama yapmaya benzemektedir. Genetik algoritmalarn kullanld genetik programlamayla bu tip problemlere tatmin edici zmler ok daha kolay getirilebilmektedir [42]. Genetik algoritmalar yenilik srecinin modellenmesi amacyla da kullanlmaktadr. Ayrca genetik algoritmalarn, fiyat verme stratejilerinin geliim srelerini ve kazan getiren pazarlarn ortaya k srelerini modelleme alanlarnda da kullanmlar olduka yaygndr. Genetik algoritmalar sosyal sistemlerin evrimsel ynlerini anlamak amacyla kullanlmaktadr. Bunlara rnek olarak ibirliinin evrimi, iletiimin evrimi ve karncalardaki iz takibi davrannn evrimi verilmektedir.

5. Finans
Genetik algoritmalar, finansal modelleme uygulamalar iin son derece uygundurlar. Genetik algoritmalar ama fonksiyonu odakldr. Finans problemlerinde genel olarak, ama fonksiyonlar tahmin etme gcne veya bir kyaslama sonucuna bal getirilerdeki gelimeleri ierir. Kullanlan ara ve problemler arasnda mkemmel bir eleme mevcuttur. zellikle hisse senedi fiyatlarndaki deiim kalplarn tahmin etmede ve bulmada, kaynak tahsisi ve uluslararas sermaye tahsisi stratejilerini belirlemede genetik algoritmalar kullanlabilmektedir. Bu yaklamla, kstlanm portfy optimizasyonu, endeks izleme, ilem maliyetleri ve risk tercihleri kstlarnn da katld ok dnemli portfy ynetim sistemlerinin kurulmas, yine minimum ilem lotlu portfy seimi problemlerin zm yaplabilmektedir. Daha yksek getiriler elde etmek iin FX piyasalarndaki ticari kurallar gelitirmede (al-tut stratejilerinden daha karl olanlar bularak) genetik algoritmalar kullanlabilmektedir. Ayrca, mterilerinin kredi deerliliini lmede, yatrm aralarnn performansn belirlemede, iletmedeki mali kayplarn aratrlmasnda, finansal opsiyonlarn gelitirilmesinde kullanlan veri madenciliine uygulanabilmektedir. Mteri kredi deerliliini lme, kredi kart puanlama, piyasalar ile ilgili tahminleri ve irketlerdeki iflas tahminlerini yapma genetik algoritmalarn en sk uyguland finans problemlerindendir [45]. Finans problemlerinin zmnde genetik algoritmalar, bulank ve yapay sinir alar yaklamlaryla birlikte kullanlmaktadr. Yumuak hesaplama ve hibrid genetik algoritma yaklam sk grlmektedir. Ayrca, zm performans asndan finans problemlerindeki

42

genetik algoritma zmleri yasakl arama, tavlama benzetimi arama metotlar ile karlatrlmakta ve o probleme uygun zm yntemi nerilmektedir.

6. Pazarlama
Tketicilere ait verileri analiz etmek, eitli tketici kalplar karmak ve bu kalplara dayanarak pazarlama stratejileri uygulamak, pazarlamann en nemli fonksiyonlarndan biridir. Tketicilerin profilleri karlarak, belirli satn alma kalplar yakalanabilmektedir. Ancak tketici profilini karabilmek iin, ok byk veri tabanlarn iletme amalar dorultusunda hzl ve etkin biimde kullanmak gerekmektedir. Burada kullanlan teknik veri madenciliidir. Veri madencilii, ok geni veri tabanlarndan veriyi szme tekniidir. Pazar ve tketiciyi tanmada son derece nemli rol oynayan veri madencilii, veriyi bilgiye bilgiyi de gvenli kararlara dntrr. Veri madenciliinin verimlilik, karllk, mteri tatmini ve rekabet edebilme yetenei gibi yaamsal konularda iletme zerinde ok nemli etkileri bulunmaktadr. Rekabet edebilme yetenei karar alma kalitesine baldr ve bundan dolay iletmeler srekli karar kalitelerini gelitirmeye alrlar. Veri madenciliinde kullanlan tekniklerden birisi de GAdr. GA tabanl yaklam kullanlarak veri ynlarndan modeller elde edilmektedir.

43

5. YAPAY S N R AI LE SINIFLANDIRMA
Snflandrma aamasnn amac, rntleri zellik uzaylarna gre kendilerine en yakn snflara minimum hata ile elemektir. Snflandrcnn baarmnda iyi belirlenmi zellikler kilit rol oynarlar [10, 21]. rnt snflandrclarn geleneksel ve akll olarak gruplara ayrmak mmkndr. Geleneksel snflandrma algoritmalar istatistiksel bir yap olan Bayes karar teorisi zerine kuruludur. Bunlarn dezavantajlar, zellik uzayn snflandrma uzayn dntrrken, bir grltnn kmas ve her bir snf iin hata kriterinin belli olmamasdr [16, 17]. Geleneksel snflandrclara; ok deikenli Gauss modelleri, en yakn komu, maksimum olabilirlik, ikili aa snflandrclar ve Fisherin dorusal snflandrclar rnek olarak verilebilir [17]. Buna karn akll snflandrma yaplar genellikle Yapay sinir a tabanl olup, gnmzde en yaygn kullanlan ve baarmn ispatlam ok gl snflandrc trleridirler. zellikle de genelleme yetenekleri, rnt tanma uygulamalarnn ok byk boyutlu verileri asndan nemlidir. Hoekstra, (1998) almas ile geleneksel ve YSA snflandrclarn kyaslam ve YSA snflandrclarnn gstermitir. stnlklerinin geleneksel yntemlere gre tartlmaz olduunu

ekil 5.1 de akll snflandrma yaps gsterilmektedir. Eitim verisi snflandrcnn

hafzas iinde ifrelenir.

Eitim verisi

renme

Snflandrc hafzas

ekil 5.1. Akll snflama yaps.

Parametrik snflandrclar; 1. Bayes 2. Maksimum olabilirlik 3. En yakn komu (k- NN) 4. Parzen pencereleri Akll Snflandrclar; 1. Yapay sinir alar 2. Bulank mantk 3. Nral Bulank (ANFIS) snflandrclardr.

44

5.1. Yapay Sinir Alar

nsan davranlarn taklit etmek amacyla gelitirilen yapay zek uygulamalarnn, bir alt dal olan yapay sinir alar, ortaya kndan gnmze kadar birok aamalardan gemitir ve son yllardaki teknolojik geliime paralel olarak geliimini ok hzl bir ekilde devam ettirmitir [46, 47, 48]. Yapay sinir alar (YSA), anatomi, psikoloji ve nrobiyoloji alanlarndaki aratrmalarla paralel gelimektedir. 1943 ylnda McCulloh ve Pittsin yaynladklar makale yapay sinir alar konusundaki ilk makale saylmaktadr. Bu makalede; sinirlerin giri faaliyet seviyesi, belirli bir eik deerine eritiinde aktif hale geen ak/kapal anahtar gibi davrandklar ve mantk fonksiyonlarn hesaplamak iin eitli ekillerde bir araya getirilebilecekleri gsterilmitir. 1949da, nropsikolog Hebb yaynlad makalede beynin renme yeteneini bir modelle aklamtr. 1954te, M. Minsky yapay sinir alar konusunda doktora yapm ve 1960l yllarda yapay sinir alarna ilgi byk lde artmtr. Bu yllarda F.Rosenblat, McCullomtrch ve Pittsin eik deeri yaklamn kullanarak tecrbeye dayanan, renebilen eleman alarn gelitirmilerdir. Ayn yllarda S. Groddberg, verbal renmede deney sonularyla ifade edilen alarn diferansiyel denklemlerini kurmu; daha sonra gerek biyolojik sinir alarn ifade eden genel denklem setini karm ve yapt aratrmalarn sonunda Adaptif Rezonans Teorisini gelitirmitir. 1969 ylnda M. Minsky ve S. Papert yapay sinir alarndaki snrlamalar inceledikleri perceptrons adl kitab yaynlamlardr. Bu kitapta tek katmanl alarn zel veya ilemini gereklemek gibi basit sorunlar zemeyecekleri ispatlanmtr [47, 48]. Tm bu gelimelere ramen yapay sinir alarnn sadece balantlar arasndaki arlk matrislerinin deitirilebilmesi ve yapnn sabit kalmas yapay sinir alarnn yeteneklerini nemli lde snrlamaktadr. Yapay sinir alarnn dinamik ve renme zelliklerinin matematiksel tanm ve modellenmesi konusundaki ilerlemeler bu konudaki mit verici gelimeler olarak gsterilebilir [47, 48].

5.2. Sinir Alarnn Biyolojik Yaps

Canllar d ortamdaki deiiklilere kar kendi i ortamn belirli snrlar ierisinde koruyan sinir sistemi, sinir hcrelerinden meydana gelmi bir yapdr. Canl bir sinir sisteminin temelini oluturan bir sinir hcresi ekil 5.2 de grlmektedir. Bir sinir hcresi, bir hcre gvdesi ile dentrit ve akson ad verilen uzantlardan meydana gelir. Sinir hcresi, dentrit ad verilen bir ksm uzantlarla dier sinir hcrelerinden ald

45

iaretleri hcre gvdesine tar ve hcre gvdesinde toplanan bu iaretler deerlendirilerek bir k iareti retilir ve bu iaretler akson ad verilen uzantlar vastasyla dier sinir hcresine gnderilir. Bir sinir hcresinde birok dentrit olmasna karn tek bir akson vardr. Yani bir sinir hcresinde birok giri bulunmasna ramen tek bir k vardr. Sinir hcrelerinin en byk zellii, evreden gelen iaretlere ya cevap vermesi ya da vermemesidir. Eer sinir hcresine gelen iaret, eik deerini aarsa hcre tarafndan kabul edilir ve cevaplandrlr, eik deerini aamyorsa yok kabul edilerek hibir cevap retilmez. ki sinir hcresi arasnda birinin dentriti ile dierinin aksonu arasnda bir balant vardr ve bu balant yerine sinaps ad verilir. Bu balant yerinde sinirler birbirine bal deildir. ki hcre arasnda kk bir balant bulunmamasna ramen iki sinir hcresi darbeleri iletmek iin birbirine yeterince yakndr. Birinci sinir hcresinin aksonu, sinir hcresinden ald iaret sonucunda ier ve bu

ilik ikinci sinir hcresinin dentritinde bulunan alglayclar tarafndan kaydedilerek hcre
zarnn Na+ ve K+ iyonlar geirebilme yeteneini deitirme ynnde etkileyen kimyasal reaksiyon balar. Bylece hcre zar iyonlarn zar gemesine izin verir ve zar potansiyelini geici olarak deitirir [48, 49, 50].

ekil 5.2. Biyolojik sinir hcresi.

Biyolojik beynin en nemli zelliklerinden birisi de, renme olaydr. nsanlar ve hayvanlar, srekli olarak ierisinde bulunduklar evre ile iliki neticesinde bir renme ilemi ierisindedirler. renilen her yeni bilgi, beynin fonksiyonlarn hemen etkileyerek, yaplan davranlara yansr. Yapay sinir alarnn gerekletirilmesinde bu zellik esas tekil eder [47].

5.3. Yapay Sinir Ann Tanm ve Modeli

Yapay sinir alar, insan beyninin alma prensibini taklit etme esas zerine kurulmu bilgi ileme yntemleridir. Bu alar birbirine paralel olarak balanm ilem elemanlarndan (yapay sinir a hcresi, nron, nite, birim, dm) ve onlarn hiyerarik bir organizasyonundan oluurlar. Yapay sinir alarnn paralel yaplar, bilgisayarlar geleneksel

46

yntemlerden ok daha farkl kullanarak zellikle seri bilgisayarlarda bilinen yntemlerle yaplmas mmkn olmayan ve ok zor olan bir takm ilevleri (ses ve rnt tanma gibi) rahatlkla yapmalar, bu alar stn klmtr. Yapay sinir ann temel dncesiyle insan beyninin fonksiyonlar arasnda benzerlikler vardr. Yapay sinir alar, her ne kadar temel yap itibariyle bir ksm zellikleri insan beyninin fiziki zelliklerinden esinlenerek ortaya atlm ise de, kesinlikle u andaki halleri ile insan beyninin ne tam ne de yaklak bir modeli olarak deerlendirilemezler [48, 49]. Gnmzde her ne kadar karmak matematiksel hesaplamalar ve hafza ilemlerini eldeki mevcut bilgisayarlarla hzl ve doru yapmak mmkn ise de, ayn bilgisayarlarla beynin birok basit fonksiyonunu (grmek, duymak koklamak, ...vs.) yerine getirmek olduka zor olmaktadr. Ayrca biyolojik beyin, tecrbe ile renme ve bilgiyi kendi kendine yorumlama, hatta eksik bilgilerden sonular kartma kabiliyetine sahiptir. Bu, daha ok biyolojik sistemlerin, hcreler zerinde datlm bilgiyi paralel olarak ileme zelliklerinden kaynaklanr. Hcreler birbirine bal ve paralel altklarndan bazlarnn ilevini yitirmesi halinde, dierleri alt iin sinir sistemi, fonksiyonunu tamamen yitirmez. te yapay sinir alar, bu zellikleri bnyesinde toplayacak ekilde gelitirilmektedir [47]. Yapay sinir alar, biyolojik sinir alar gibi yapay sinir hcrelerinin veya ilem elemanlarnn bir araya gelmesinden oluur. Her bir ilem eleman ekil 5.3 te grld gibi be paradan oluur. Bunlar; giriler, arlklar, toplama fonksiyonu, aktivasyon fonksiyonu ve ktr.
X0 b W1 W2 X2 W3 X3 Xm

X1

f(.)

Wm

Xi : Giri Wi : Arlklar

ekil 5.3. Bir yapay sinir a hcresi

: Toplama Fonksiyonu
f V

: Aktivasyon Fonksiyonu : k

47

lem elemanna birden fazla giri gelmekte ve sadece bir k retilmektedir. Giriler,
dentritlere benzer ekilde dier yapay hcrelerden balantlar vastasyla ilem elemanna bilgi gelmesini salarlar. Baz durumlarda bir ilem eleman kendisine de bilgi geri gnderebilir (feedback). Bahsedilen bu bilgiler elemanlar arasnda bulunan balant hatlar zerinde depolanr ve her balantnn bir arl vardr. Bu arlk, bir ilem elemannn dieri zerindeki etkisini gsterir ve arlk bydke etki de byr. Arln sfr olmas hi bir etkinin olmamas, negatif olmas ise etkinin ters ynde olmas demektir. Bu arlklar sabit olabildikleri gibi deiken de olabilirler. Toplama fonksiyonu, bir ilem elemanna gelen net girii hesaplayan bir fonksiyondur. Net giri genellikle gelen bilgilerin ilgili balantlarn arlklar ile arplp toplanmas ile belirlenir ve bu nedenle toplama fonksiyonu olarak isimlendirilir. Aktivasyon fonksiyonu, toplama fonksiyonu tarafndan belirlenen net girii alarak, ilem elemannn kn belirleyen fonksiyondur ve genel olarak trevi alnabilen bir fonksiyon olmas tercih edilir. Toplama ve k fonksiyonlar, ilgili probleme bal olarak farkl

ekiller alabilirler. lem elemannn k nitesi ise k fonksiyonunun rettii drty dier
ilem elemanlarna veya d dnyaya aktarma ilevini yapar. lem elemanlar an topolojik yapsna bal olarak tamamen birbirinden bamsz ve paralel olarak alabilirler. ekil 5.3te verilmi olan yapay sinir hcresine x1 , x2 , x3 ...xm giri iaretleri uygulanmaktadr. Her giri iareti w1, w2 , w3 ...wm ilgili arlk deerleriyle arplrken basit hcre modelinde, v k ifadesi Denklem 5.1 deki gibi olur.
m

u = xiwi b
i =0

(5.1)

v=f(u)

(5.2)

Burada, giriler x, arlklar w vektr ile gsterilir. b, ise eik deer olarak adlandrlr. Giri iaretleri biyolojik hcrelerin sinapsislerindeki iaretlere kar den giri hattndaki elektriksel etkinlii, arlk vektryse biyolojik sinirlerdeki sinaptik gc ifade etmektedir. f(.) fonksiyonu, bir lineer veya lineer olmayan fonksiyondur. ekil 5.4 te, f(.) fonksiyonu iin kabul grm gerek biyolojik sinirlerin transfer fonksiyonuna yakn fonksiyonlar grlmektedir. Burada, v k etkinlii VAR/YOK olarak iki durum arasnda snrlandrlm olmaktadr. Bu iki durum arasndaki durum deitirmenin ayrntlar f(.) fonksiyonunun ayrntlaryla belirlenir. Yani v hcre k etkinlii, hcreye girilerden gelen toplam etkinlie, bir f(.) aktivasyon fonksiyonu zerinden baldr. ekil 5.4-b de verilen lineer aktivasyon fonksiyonu iin,

48

f(.)=u

(5.3) (5.4) (5.5)

ekil 5.4-a da verilen aktivasyon fonksiyonu iin,

f(.)=tanh(u) Bunlardan baka tanmlanabilecek farkl bir aktivasyon fonksiyonu ise, f(u)=v ile ifade edilebilir. Aktivasyon fonksiyonlar, ilem elemanlarnn snrsz saydaki giriini nceden belirlenmi snrda k olarak dzenlerler. En ok kullanlan drt tane aktivasyon fonksiyonu vardr. Bunlar, sigmoid, dorusal, doyumlu dorusal, eik fonksiyonlar olup, ekil 5.4de grlmektedir.

1 f(v)

1 f(v)

1 f(v)

0 -1 -10 +10

0 -1 -10 +10

0 -1 -2 +2

0 -1 -2 +2

(a)

(b)

(c)

(d)

ekil 5.4. Aktivasyon fonksiyonlar. a) Sigmoid fonksiyonu, b) Dorusal aktivasyon fonksiyonu, c) Doyumlu dorusal aktivasyon fonksiyonu, d) Eik (Basamak) aktivasyon fonksiyonu.

5.4. Yapay Sinir Alarnn Yaps

Yapay sinir alarnn grevlerini gerekletirmede, sahip olduklar fiziksel yapnn da nemi vardr. Bugn 50ye yakn farkl yaplanma grlmekte ve bu say her geen gn artmaktadr [46, 52, 29]. Farkl yaplama, ilem elemanlarnn birbirleri ile olan balantlarndan ve uygulanan renme kuralndan kaynaklanmaktadr. lem elemanlar ya tamamen birbirleri ile balantl veya yerel olarak guruplar halinde balantl olabildikleri gibi deiik ekilde de birbirleri ile balanabilmektedirler. Bilgi ak bu balantlar zerinden tek ynl olduu gibi, ift ynl de olabilir. Bir gurup ilem eleman bir araya gelerek bir katman olutururlar. Genel olarak yapay sinir alarnda 3 katman bulunur. Bu katmanlar;
Girdi katman: Bu katmandaki proses elemanlar d dnyadan bilgileri alarak ara katmanlara

transfer etmekle sorumludurlar. Baz alarda girdi katmannda herhangi bir bilgi ileme olmaz.
Ara katmanlar: Girdi katmanndan gelen bilgiler ilenerek kt katmanna gnderirler.Bu

bilgilerin ilenmesi ara katmanlarda gerekletirilir. Bir a iin birden fazla ara katman olabilir.

49

kt katman: Bu katmandaki proses elemanlar ara katmandan gelen bilgileri ileyerek an

girdi katmanndan sunulan girdi seti (rnek) iin retmesi gereken kty retirler. retilen kt d dnyaya gnderilir. ekil 5.5 bu katmann bir biri ile olan ilikisini gstermektedir [53].

YSA

Ara Katmanlar

Girdi Katman

kt Katman

Girdi Bilgileri

ekil 5.5. Yapay Sinir A katmanlarnn birbiri ile ilikisi.

Balantlar

Girdi Seti

Girdi Katman

Ara Katman

k Katman

ekil 5.6. Bir yapay sinir rnei.

Bu katmann her birinde bulunan proses elemanlar ve katmanlar aras ilikileri

ematik olarak ekil 5.6 da gsterilmektedir. ekildeki yuvarlak ekiller proses elemanlarn

50

kt Seti

k Bilgileri

gstermektedir. Her katmanda birbirine paralel elemanlar sz konusudur. Proses elamanlarn birbirine balayan izgiler ise an balantlarn gstermektedir. Proses elemanlar ve balantlar ve bir yapay sinir an olutururlar. Bu balantlarn arlk deerleri renme srasnda belirlenmektedir [53].

5.5. Yapay Sinir Alarnda renme ve renme Algoritmalar

Daha ncede belirtildii gibi bir yapay sinir ann sahip olduu bilgi, ilem elemanlar arasndaki balant hatlar zerinde saklanr ve arlklar vastas ile gsterilir. A, olaylar hakknda giri ve klar arasndaki ilikiyi, elde bulunan mevcut rneklerden genellemeler yaparak renir ve bu genelleme ile yeni oluan ve ortaya kan daha nce hi grlmemi olaylar hakknda karar verir. Yani aa, bir rnek olay gsterildiinde, giri katmanndan alnp ara katmanlarda ilenerek, an o olay hakknda rettii sonu, k katmanna sunulur. Bu bilgiyi ileme, an sahip olduu tecrbeye gre, bilginin ara katmanlarda artrlmas ile gerekletirilir. Bu artrma olay modelden modele deimektedir. Mesela, ara katmanlardaki ilem elemanlar sahip olduklar balantlar ile kendi kararlarn retir ve k katmanndaki ilem elemanlarna gnderirler. k katmanndaki ilem elemanlar da, yine ilgili arlklar kullanarak an en son kararn olutururlar. Bu arlklar, tpk ilgili olayn belirli zelliklerini hafzada saklayan elemanlar gibi dnlebilirler. Bilgi ileme ise (rnt tanma gibi), bir olay gsterildiinde hafzadan ilgili zellikleri armak ve bunlar ile ilgili girileri birlikte analiz ederek karar vermek eklinde yorumlanabilir. Yapay sinir ann renme ilemini gerekletirebilmesi iin, sahip olduu btn arlklarn, ilgili problemde renilmesi istenen zellikleri genelletirecek ekilde doru deerlere sahip olmas gerekir. Bu doruluk ne kadar artarsa an renme ilemi o kadar iyi olur. Doru arlk deerleri, bir renme kuralna gre tespit edilir. ounlukla balantlara balang deerleri olarak rasgele arlklar atanr ve bu arlklar eldeki rnekler incelendike bir kurala gre deitirilerek doru arlk deerleri bulunmaya allr. Ksaca belirtmek gerekirse renme kurallar, bir ilem elemannn rnekleri grdke kazand tecrbeye gre, ilgili balant arlklarn nasl deitireceini belirleyen algoritmalardr. renme yntemleri temelde eiticili, eiticisiz ve takviyeli renme olarak grupta toplanr [46, 48].
Eiticili renme: Bu yntemde, dardan bir eiticinin sinir ana mdahalesi sz

konusudur. Eitici, sinir ann ilgili giri iin retmesi gereken sonucu sinir a sistemine verir. Yani yapay sinir ana giri/k ikilisinden oluan rnekler sunulur. Bu ikili, an renmesi gereken zellikleri temsil eder. A giri ksmn alr ve o anki balant arlklarnn

51

temsil ettii bilgi ile bir k oluturur. Bu k, olmas gereken kt ile mukayese edilir ve aradaki hata tekrar aa aktarlarak arlklar bu hatay azaltacak ekilde deitirilirler.
Eiticisiz renme: Bu durumda hi bir eiticiye ihtiya yoktur. Bu nedenle ou

zaman buna kendinden organizeli renme (self-organized learning) denilmektedir. A, kendine gsterilen rnekleri alr ve belli bir kritere gre snflandrr, bu kriter nceden bilinmeyebilir. A, kendi renme kriterlerini kendisi oluturmaktadr.
Takviyeli renme: Bu yntemde de yine eiticiye ihtiya vardr. Yukardaki yntemden

fark ise, bu durumda eiticinin, an retmesi gereken sonu yerine, onun rettii sonucun sadece doru veya yanl olduunu sylemesidir. Bu ise aa bir takviye sinyalinin gnderilmesi ile gerekletirilir. Bu yntem, ilgili rnek iin beklenen ktnn oluturulamad durumlarda ok faydaldr. renme ilemi, balangtaki rasgele seilmi arlklarn, belirli bir kurala gre deitirilmesi esasna dayanmaktadr. Bu renme kurallarndan ikisi aada aklanmaktadr. Bu algoritmalarda, wj = [wj1 wj2 ... wjp] vektr adaki i. hcreye gelen n tane giriin arlk katsaylarn, x = [x1 x2 ... xn] vektr aa gelen n tane girii, yj ve djde srasyla i. hcrenin hesaplanan ve istenen kn temsil etmektedirler.
Delta Kural (Eim dme) renme Algoritmas: Eim dme (gradient descent)

renme algoritmas veya delta kural renme algoritmas, sadece tretilebilir fonksiyonlara sahip olan alara uygulanabilmektedir. Eiticili bir renme algoritmasdr. w deiimi, hatann eiminin tersi yndedir. Bylece, hata fonksiyonunun minimum olduu yere doru hareket edilmektedir. k. rnek iin, a k ile arzu edilen k arasndaki farka (hataya) gre yeni arlk deerleri,

w j (k + 1) = w j (k) .

E(k) w j (k)

(5.6)

olur. E(k), hata fonksiyonunu temsil etmektedir ve aadaki gibi tanmlanmtr.

2 E (k ) = 1 (d (k ) y (k ) ) 2

(5.7)

a k, hata fonksiyonunda yerine yazlrsa,

2 E(k) = 1 [d(k) f (w(k).x(k))] 2

(5.8)

olur. Buradan yeni arlklar bulmak iin, hata fonksiyonunun arlklara gre ksmi trevleri aadaki gibi hesaplanr.

E(k) f(w(k).x(k)) = [d(k) f (w(k).x(k))]. .x (k) w i (k) (w(k).x(k)) i

Bilinen geriye yaylma algoritmasnn esas da, bu renme kuralna dayanmaktadr.

(5.9)

52

Geriye Yaylm renme Algoritmas: leri beslemeli a yaplarnda kullanlan bir

algoritmadr. leri beslemeli bir yapay sinir a iin arzu edilen k ile a k arasndaki fark (hata), ktan girie doru yanstlr. Bunun iin, k anndaki hatann an her bir arla gre eimi hesaplanarak, ilgili arla uygulanacak deiim miktar bulunur.

5.6. Yapay Sinir Alarnn Temel zellikleri

Yapay sinir alarn hem popler yapan, hem de geleneksel bilgi ileme metotlarndan ayran zellikleri vardr. Bu zellikleri, her ne kadar ilgili problemin yapsna ve kullanlan sinir a modeline bal olsa da, genel olarak aadaki gibidir [47].
renme: Yapay sinir alarnn istenilen davran gsterebilmesi iin hcreler

arasndaki balantlarn doru yaplmas gerekir. YSA problemden ald rnekleri inceleyerek aradaki ilikiyi kavramaya alr yani problemi renir.
Genelleme: Klasik snflandrma yntemlerinde, istenilen k retmek iin girilerin

tamamna ihtiya duyulmaktadr. Fakat yapay sinir alar, giriinde deiimler olsa bile doru k retebilirler [17]. YSA, eitim aamasnda verilmeyen giri sinyalleri iin de sistemle ayn davran gsterebilir [37].
karm Yapma: Yapay sinir alar tam doru olmayan bir eitme kmesinden, tam

doruyu karabilirler. Ses tanmak iin eitilmi bir yapay sinir ana, grltl bir ses verildiinde a kta doru sesi retebilir. Yani, eksik veya bozuk girilere uygun sonucu verebilmektedir.
Hata tolerans: yi eitilmi ve genelleme kapasitesi yksek bir sinir a, veriler eksik

olsa da karar verme ilemine devam eder. Bunun dnda yapay sinir a zerinde bir takm problemler ve bozukluklar olabilir. Geleneksel sistemlerin tersine yapay sinir alar, bu durumda da almasna devam eder. Verilerdeki eksiklik veya yapay sinir andaki yapsal bozukluk arttka yapay sinir ann performans yava yava azalmaya balamaktadr. Fakat sistem fonksiyonunu tamamen durdurmaz ve mutlaka bir sonu retmektedir. Bu zellikler yapay sinir ann yapsndan kaynaklanmaktadr. nk a paralel bir yapya sahip olduundan, bilgi tm hcrelere dalm durumdadr. Bundan dolay birka balantnn etkisiz hale gelmesi, sonucu etkilemez [54].
Hz: Gerek zaman uygulamalarnda bilgi ileme hz nemli bir yer tekil eder.

Sistemlerin her geen gn biraz daha karmak olduu, dolays ile daha fazla hacimde veriyi daha verimli bir ekilde ileme gereklilii, yeni yazlm/donanm sitemlerinin zorunluluunu ortaya karmtr. Yapay sinir alarnn da, yine birbirlerine bal ve paralel ilem

53

elemanlarndan olutuundan byle hzl ileyebilmeleri, bu alara zellikle endstriyel hayatta ok nemli olan gerek zamanl alma kabiliyeti kazandrr [17, 32].

54

6. GENET K DALGACIK YAPAY S N R AI (GDYSA) YAKLAIMIYLA SAYISAL MODLASYON TANIMA UYGULAMALARI

Bu tez almasnda, saysal modlasyon tanma iin Genetik Dalgack Yapay Sinir Alar (GDYSA) tabanl bir metod gelitirilmitir. Burada GDYSA nn kullanm amac genetik algoritma ile zellik karmnda kullanlacak en uygun dalgack tipini ve en iyi norm entropi p parametresi deerini seerek, bu etkili zellikleri Yapay Sinir Alar (YSA) snflandrcs ile snflandrmak ve bylelikle modlasyon tanmada optimum zellikleri elde ederek, en etkin modlasyon tanma ilemini gerekletirmektir. Ayrca GDYSA nn zellik karm aamasnda; fonksiyonlar, operatrleri veya veriyi farkl frekanstaki bileenlerine ayrp, ayr ayr her bileen zerinde almamza izin veren dalgack dnm kullanlmtr.

6.1. Saysal Modleli aretlerin Oluturulmas

Saysal modleli iaretler elde etmek iin 0-60 dB SGO ( aret Grlt Oran )

aralnda Gaussian Beyaz Grlt (Additive White Gaussian Noise - AWGN) iaretlere ilave edilmitir. Grlt ilave edilerek her bir modlasyon eidinden 10 adet iaret oluturulmutur. Her modlasyon tipinden 15 adet, toplam 60 adet iaret elde edilmitir. Bu iaretler YSAnn eitimi ve testi iin kullanlmtr.

ASK8 aretlerinin Oluturulmas

Grlt ilave edilerek oluturulan 10 adet ASK8 iaretin tayc frekans Fc=10 Hz,

rnekleme oran Fs=25 Hz, seviyesi M=8 modleli gsterilmektedir.

1 0.8 0.6 0.4 0.2 0

eklinde deitirilerek toplam 30

adet ASK8 de

iaret elde edilmitir. Bir ASK8

modleli iaret rnei ekil 6.1

Genlik

-0.2 -0.4 -0.6 -0.8 -1

500

1000

1500

2000

2500

3000

3500

4000

4500

5000

rnek says
ekil 6.1. a) M=8 , Fc =10 Hz iin bir ASK8 modleli iaret rnei.

55

ASK Modleli Sinyal 0.8 0.75 0.7 0.65 0.6

Genlik

0.55 0.5 0.45 0.4 0.35 1000 1200 1400 1600 1800 2000

rnek says
ekil 6.1. b) M=8 , Fc =10 Hz iin bir ASK8 modleli iaretin zoomlu rnei.

FSK8 aretlerinin Oluturulmas

Grlt ilave edilerek oluturulan 10 adet FSK8 iaretin tayc frekans Fc=10 Hz,

rnekleme oran Fs=25 Hz, seviyesi M=8

eklinde deitirilerek toplam 30

adet FSK8

modleli iaret elde edilmitir. Bir FSK8 modleli iaret rnei ekil 6.2 de gsterilmektedir.

1 0.8 0.6 0.4 0.2 0

Genlik

-0.2 -0.4 -0.6 -0.8 -1

500

1000

1500

2000

2500

3000

3500

4000

4500

5000

rnek says
ekil 6.2. a) M=8 , Fc =10 iin bir FSK8 modleli iaret rnei.

56

fsk Modleli Sinyal 1 0.95 0.9 0.85 0.8 Genlik 0.75 0.7 0.65 0.6 0.55 0.5

1200

1400

1600

1800

2000

2200

rnek says
ekil 6.2. b) M=8 , Fc =10 Hz iin bir FSK8 modleli iaretin zoomlu rnei.

PSK8 aretlerinin Oluturulmas

Grlt ilave edilerek oluturulan 10 adet PSK8 iaretin tayc frekans Fc=10 Hz,

rnekleme oran Fs=25 Hz, seviyesi M=8

eklinde deitirilerek toplam 30

adet PSK8

modleli iaret elde edilmitir. Bir PSK8 modleli iaret rnei ekil 6.3 de gsterilmektedir.

1 0.8 0.6 0.4 0.2 0

Genlik

-0.2 -0.4 -0.6 -0.8 -1

500

1000

1500

2000

2500

3000

3500

4000

4500

5000

rnek says
ekil 6.3. a) M=8 , Fc =10 iin bir PSK8 modleli iaret rnei.

57

Psk Modleli Sinyal 0.95 0.9 0.85 0.8 Genlik 0.75 0.7 0.65 0.6 0.55 0.5 1600 1800 2000 2200 2400 2600

rnek says
ekil 6.3. b) M=8 , Fc =10 Hz iin bir PSK8 modleli iaretin zoomlu rnei.

QASK8 aretlerinin Oluturulmas

Grlt ilave edilerek oluturulan 10 adet QASK8 iaretin tayc frekans Fc=10 Hz,

rnekleme oran Fs=25 Hz, seviyesi M=8 eklinde deitirilerek toplam 30 adet QASK8 modleli iaret elde edilmitir. Bir QASK8 modleli iaret rnei ekil 6.4 te gsterilmektedir.

4 3 2 1

Genlik

0 -1 -2 -3 -4

500

1000

1500

2000

2500

3000

3500

4000

4500

5000

rnek says
ekil 6.4.a) M=8 , Fc =10 Hz iin bir QASK8 modleli iaret rnei.

58

qask Modleli Sinyal 3.2 3 2.8 2.6 2.4

Genlik

2.2 2 1.8 1.6 1.4 1400 1600 1800 2000 2200 2400 2600

rnek says ekil 6.4.b) M=8 , Fc =10 Hz iin bir QASK8 modleli iaretin zoomlu rnei.

6.2. zellik karm

Bu tez almasnda saysal modlasyonda zellik karma iin genetik algoritma ve ayrk dalgack dnm kullanlmtr. Genetik algoritma, dalgack dnmde kullanlacak en uygun dalgack tipi ve en iyi norm entropi p parametre deerini semek iin kullanlmtr.

6.2.1. Genetik Algoritma

Bu almada Genetik algoritma ierisinde gerekletirilen ilemler aada sralanmtr.

1. Balang Poplasyonunun Oluturulmas : Genetik algoritmann ilk aamas

populasyonda kullanlacak birey saysn belirlemektir. Bu tez almasnda rastgele 20 birey balang poplasyonu iin seilmitir. 16 eit dalgack ailesi kullanldndan norm entropi de kullanlan p parametresi poplasyonun her bir bireyi iin 4 bit tarafndan gsterilmektedir ve p parametresi iin hassas deer 1/16 dr. P parametresinin deeri, 1.7320, 1.7990, 1.6660, 1.3320, 1.1990, 1.9320, 1.2660, 1.0660, 1.8650, 1.1330, 1.9980, 1.0000, 1.3990, 1.5330 ve 1.4650 olarak elde edilmitir.

2. zellik karm Mekanizmas : Rastgele bir birey ele alndnda ilgili bireyin temsil
ettii norm entropi, Shannon entropi, logaritmik enerji entropi, sure entropi ve eik

59

entropi deerleri hesaplanr. Buradan elde edilen entropi deerleri zellik vektrnde zellik olarak kullanlr.

3. Snflandrma Mekanizmas : Snflandrma mekanizmasnda ise zellik karm

mekanizmasnda elde edilen zellik vektr ok katmanl ileri beslemeli bir YSA snflandrcnn girilerine verilerek bu zelliklerin snflandrlma ilemi gerekletirilmitir.

4. aprazlama Operatr : Elde edilen 10 adet iyi bireyin rastgele 6 tanesi kendi
aralarnda rastgele aprazlama ilemine tabi tutulur. Kullanlan aprazlama oran %60 tr.

5. Mutasyon Operatr : Bu uygulamada mutasyon operatr olarak bit tersleme

yntemi kullanlmtr. Geriye kalan 4 bireyin rastgele birer bitine bit tersleme ilemi uygulanarak buradan yeni 4 adet birey elde edilmitir. Aada ekil 6.5 de gelitirilen optimum entropi tabanl zellik karma ynteminin blok diyagram verilmitir.

Balang populasyonunu oluturma

zellik karm Mekanizmas

YSA kullanarak Snflandrma Mekanizmas

aprazlama lemi

Mutasyon lemi

Gelecek Populasyonun Oluturulmas

Nesil=Nesil +1

ekil 6.5. Entropi tabanl zellik karma ynteminin blok diyagram.

60

6.2.2. Dalgack Dnm

Bu almada saysal modlasyon iaretlerinde zellik karmak iin genetik

algoritmayla birlikte ayrk dalgack dnm kullanlmtr. Elde edilen her bir modleli iaret dalgack dnmnden geirilerek zellikleri karlmtr. Saysal modlasyon iaretlerinin (ASK, FSK, PSK, QASK) dalgack ayrmlar iin 7 seviyedeki ayrm yaps ekil 6.6 da gsterilmitir. Dalgack dnm ile iaretlerin dier modlasyon tanma yntemlerinde ortaya kmayan en ince ayrntlarna da ulalmtr.
Orjinal Sinyal

cD1

cD2 cD3
cD4 cD5

cD7

cD6

ekil 6.6. 7 seviyede ayrm yaps.

Dalgack ayrm db2, db4, db5, db10, sym2, sym3, sym5, sym8, bior1.3, bior2.2, bior3.5, bior6.8, coif1, coif2, coif3, coif5 dalgack ayrm filtreleri kullanlarak saysal modlasyon iaretlerine uygulanmtr. Bylece 7 -yaklam cA katsays elde edilmitir. Bu dalgack katsay iaretlerinin her birinin Norm entropi deerleri hesaplanp 1/200 ile normalize edilmitir.

ekil 6.7 (a-d) de srasyla ASK, PSK, FSK ve QASK modlasyonlarnn dalgack
dnm uygulanarak elde edilen dalgack dnm katsay rnek iaretleri grlmektedir.

61

1 A1 0 -1 0.5 0 0 2000 A3 4000 6000

0.5 0 -0.5 0.1 0 -0.1 0.1 0 -0.1 0

A2

2000 A4

4000

6000

Byklk

-0.5 0.1 0 -0.1 0.1 0 -0.1

2000 A5

4000

6000

2000 A6

4000

6000

2000 A7

4000

6000

2000

4000

6000

2000

4000

6000

rnekler

ekil 6.7(a). ASK8 iaretinin dalgack dnm aacnda bulunan iaretleri.

1 0 -1 0 2000 A3 4000

A1

0.5 0

A2

Byklk

0.5 0 -0.5 0.5 0 -0.5 0.5 0 -0.5

6000

-0.5 0.5 0 -0.5 0.5 0 -0.5

2000 A4

4000

6000

2000 A5

4000

6000

2000 A6

4000

6000

2000 A7

4000

6000

2000

4000

6000

2000

4000

6000

rnekler
ekil 6.7 (b). FSK8 iaretinin dalgack dnm aacnda bulunan iaretleri.

62

1 0 -1 0.5 0 -0.5

A1

0.5 0 -0.5 0.2 0 -0.2 0.2 0 -0.2

A2

2000

4000

6000 A3

2000

4000

6000 A4

Byklk

0.2 0 -0.2 0.2 0 -0.2

2000

4000

6000 A5

2000

4000

6000 A6

2000

4000

6000 A7

2000

4000

6000

2000

4000

6000

rnekler ekil 6.7 (c). PSK8 iaretinin dalgack dnm aacnda bulunan

Byklk

rnekler
ekil 6.7 (d). QASK8 iaretinin dalgack dnm aacnda bulunan

63

Dalgack dnmnn sonucunda elde edilen iaretler entropi ileminden geirilmitir. Entropi, iaretteki dzensizliin ltdr. Kayna bilinmeyen modleli iaretlerin zelliklerinin karlmas iin bu metot kullanlmaktadr. Entropi birok alanda uygulanmaktadr fakat en fazla iaret ilemede kullanlmaktadr. Entropi iin birok kriter bulunmaktadr. Bunlar Shannon entropisi, Norm entropi, Log energy entropisi ve Threshold entropisidir. GDYSA kullanarak saysal modlasyon tanma almasnda entropi kullanlmtr. Elde edilen entropi deerleri N=200 entropi olarak norm blenle normalize edilmitir.

Bylece toplam normalize edilmi 7 entropi deeri 60 iaretin her biri iin bulunmutur. Ayn zamanda bu entropi deerlerinin her biri dalgack entropi olarak adlandrlmaktadr. Entropi ilemi sonunda iaretlerin zellik vektr karlmtr. Bu vektr her bir modlasyon tipi iin (15X7) boyutundadr. Dalgack dnm 7 seviyede alndndan iaretlerin her birinin norm entropi deerleri hesaplanarak, her bir iaret iin 7 zellik karlmtr. Toplam (60X7) lk matris eitim aamasnda, (60X7) lk matris test aamasnda kullanlmtr. Dalgack dnm 7 seviyede alndndan 7 adet yaklak (A) iaret oluturulmu ve bu iaretlerin her birinin Norm entropi deerleri hesaplanarak, her bir iaret iin zellik karlmtr. 4 (modlasyon eidi) x 15 ( her bir modlasyon eidi iin kullanlan rnek says) x 7 ( her bir modleli iaretin zellik says) matrisi eitim aamasnda kullanlmtr.

6.3. Snflandrma
Bu almada, snflandrma iin yapay sinir alar snflandrcs kullanlmtr. Bu mekanizma, zellik karm mekanizmasndan elde edilen zellikler kullanlarak uzman snflama iin gerekletirilmitir. Eitim parametreleri ve bu almada kullanlan YSAnn yaps Tablo1 de gsterilmitir.
Tablo1. YSA yaps ve eitim parametreleri.

YAPILAR
Katman says Katmanlarn nron says 3 Giri:7 Gizli:15 k:1 Aktivasyon fonksiyonlar Eitim parametreleri renme kurallar Momentum sabiti Toplam Kare Hata Log-sigmoid Geriye yaylm 0.95 0.00001

64

Bunlar, bir ka farkl deneme ile, yani gizli katman nron says, momentum ve renme oranlarnn deerleri ve etkinletirme fonksiyonlarnn trleri, en iyi baarm iin seildi. ekil 6.8 de ise bu yntem ile elde edilen zellikler ile kullanlan YSA nn eitim baarm grlmektedir. yle ki gizli katman says, gizli katmann boyutu, moment sabitinin deeri ve renme oran ve aktivasyonun tipi birka farkl deneyden sonra en iyi performans iin seilmitir. YSA eitiminde saysal Modlasyon tiplerinden ASK8= 1, numaralandrlmtr. Bu almann admlar unlardr: zellik karm mekanizmasndan elde edilen (7X60) zellik vektr YSA snflandrcnn giriine verilmitir. YSA snflaycnn knda karar alan 4 saysal modlasyondan olumutur. Ortalama Karesel Hata (OKH ) YSA snflaycnn eitim sonunda elde edilmitir. YSA snflaycnn hedef hata deeri (HHD), OKHya eit HHD ya da birey iin daha az istenmitir. Eer bu durum fark edilirse, bu bireyin uygunluk fonksiyonu ok yksek olacaktr. OKH-HHD nin bu karlatrmas poplasyonun bireylerinin uygunluk fonksiyonu gibi genetik algoritma iin kullanlmtr. modleli iaretlerden 60 tanesi kullanlmtr. ve QASK8= 4 olarak FSK8 = 2, PSK8= 3,

65

ekil 6.8. YSAnn eitim baarm.

6.4. Deneysel Sonular

Saysal modleli iaretler ASK8, PSK8, FSK8 ve QASK8 olmak zere 4 farkl iaret deneysel olarak incelenmitir. Her bir iaretten 15 adet rnek alnm ve toplam 60 iaret deneyde kullanlmtr. Bu iaretler test ve eitim aamasnda kullanlmtr. Test aamasnda kullanlan bu iaretlerden %100 baar oran elde edilmitir. Bu iaretlerin her biri, farkl beyaz grlt geniliine sahip grlt iareti olarak kullanlmtr. ( aret/Grlt Oran(SNR)=0-60 dB). 60 tane iaret, en uygun zellik karm ve GDYSA snflama mekanizmas iin kullanlmtr. Ayrca bu iaretler GDYSA performansn test etmek iin de kullanlmtr. Bu deneylerde, %95 doru snflandrma 4 farkl saysal iaret snflayc arasndan GDYSAnn eitiminden elde edilmitir. Saysal modlasyon iaretlerinden en uygun zellik karma iin nerilen yaklamn gvenirlilii ve geerlilii ok yksektir. GDYSA algoritmas kullanlarak elde edilen p parametre deeri, dalgack ailesi parametre deeri ve hata deeri ve GDYSA algoritmasnn performans snflaycs Tablo2 de verilmitir

66

Tablo2. GDYSA algoritmas kullanarak elde edilen optimum deerler ve GDYSA nn snflama performans

Elde edilen en uygun P parametresi

1.732 1.799 1.000 1.666 1.399 1.266 1.998 1.865 1.465 1.998 1.533 1.535 1.666

Wavtip
coif5 coif1 db5 sym5 db2 db10 bior2.2 db4 sym8 coif3 sym2 bior1.3 db10

Hata Deeri
0.000010 0.000010 0.000008 0.000010 0.000009 0.000010 0.000009 0.000009 0.000010 0.000006 0.000009 0.000009 0.000009

GDYSAnin snflama performans

%98 %97 %95 %98 %96 %93 %95 %96 %98 %98 %95 %96 %94

ekil 6.9. GDYSA kullanarak saysal modlasyon tanmann eitim performans.

67

7. SONU 7.1. Sonular ve Tartma

Bu tez almasnn yaplmasndaki temel ama, gnmzde askeri ve sivil haberleme ortamlarnda yaygn olarak kullanlan saysal modlasyon tekniklerinin bilgisayar ortamnda otomatik olarak tannmasn salayan akll bir saysal modlasyon tanma uygulamas gerekletirmektir. Bu amala tez almasnda, saysal modleli iaretlerden, bu iaretleri temsil edecek en iyi zelliklerin karlmas ve bu zelliklerin YSA snflandrcs kullanlarak snflandrlmas iin bir Genetik Dalgack Yapay Sinir Alar (GDYSA) uzman sistemi gelitirilmitir. Bu GDYSA yapsnn zellik karm mekanizmasnda, optimum zellik karmn salamak iin srasyla deiik dalgack ailelerinin kullanm ile oluturulmu dalgack dnm ve dalgack entropi hesaplama yntemleri kullanlmtr. Gelitirilen bu GDYSA yaps ncelikle zellik karm ksmnda probleme en uygun dalgack aile trn seer. kinci aamada ise bu seilen dalgack aile tr kullanlarak elde edilen dalgack dnm katsaylarn, en uygun parametre deerine sahip dalgack entropi hesaplamasndan geirerek, en iyi zelliklerin bulunmas ve daha sonrada bu zelliklerin YSA snflandrcsna verilerek snflandrlmas amalanmaktadr. Bu tez almasnda GDYSA yaps kullanlarak gerekletirilen saysal modlasyon tanma uygulamalar, farkl trdeki saysal modleli iaretler kullanlarak gerekletirilmitir. Bu uygulamalarn sonucunda elde edilen ve GDYSA uzman sisteminin saysal modleli iaretleri tanma performansn gsteren sonular, Tablo 2 de verilmitir. Bu elde edilen sonular, GDYSA nn saysal modleli iaretleri tanmlamak iin uygun bir yntem olduunu gstermektedir. Burada GDYSA yapsnn kullanlmasndaki temel amalardan biride ileride saysal modleli iaretlerin yorumlanmas alannda yaplabilecek gerek uygulamalara bir zemin oluturmaktr. Bylece vericiden gelen henz demodle edilmemi iaretin iinde ne tr saysal modlasyon trnn olup olmadn kestirerek, herhangi bir operatr kiiye ihtiya duyulmadan bu modlasyon trlerinin otomatik olarak tannmas salanabilecektir.

7.2. neriler
Gnmz teknolojisinde saysal modlasyonlarn otomatik olarak tannmasnn gerektii her yerde GDYSA uzman sistemi tercih edilebilir.

68

Bu almada snrl sayda saysal modleli iaret kullanlmtr. Daha sonradan bu alanda yaplacak almalarda ise daha geni bir veri taban kullanlarak GDYSAnn baarm denenebilir. Bu almada saysal modleli iaretlerin yorumlanmas amalanmtr. Ayn yntemler analog modleli iaretlerin yorumlanmas iinde uygulanabilir. Ayrca GDYSA uzman sistemi gerek haberleme sistemlerinde de saysal ya da analog modlasyon tanma amal kullanlabilir. Askeri ve sivil haberleme ortamlarnda yaygn olarak kullanlan saysal modlasyon tekniklerinin bilgisayar ortamnda otomatik olarak tannmasn salamak iin Genetik Dalgack Yapay Sinir Alar kullanlabilir.

7.3. Yaynlar
Bu tez almasnda gerekletirilen uygulamalar bir adet uluslar aras konferans yayn [33] ve bir adet dergi yayn ile sonulandrlmtr.

69

KAYNAKLAR
1. Tomasi,W., 1994, Elektronik letiim Teknikleri. MEB, Ankara. 2. Derin, H., Akar, M., 1987, Mhendislik Fakltesi, Ankara. 3. Trkolu, ., 2002, Haberleme Teknii-I Ders Notlar. Frat niversitesi, Elaz. 4. Azzouz, E. E., Nandi, A. K., 1997, Automatic Modulation Recognition-I, Journal of Franklin Inst., 334B, No.2, 241-273. 5. Azzouz, E. E., Nandi, A. K., 1997, Automatic Modulation Recognition-II, Journal of Franklin Inst., 334B, No.2, 275-305. 6. Dominguez, L. V., Borello, J. M. P., Garcia, J. P., &Mezaua, B. P., 1991, A general approach to the automatic classification of radio communication signals, Signal Processing, 22, 239250. letiim Kuram Modlasyon Yntemleri. ODT

7. Jondral, F., 1985, Automatic classification of high frequency signals,Signal Processing, 9, 177190. 8. Azzouz, E.E., Nandi, A.K., 1996, Automatic modulation recognition of communication signals, Kluwer Academic Publishers. 9. Ghani, N., Lamontagne, R., 1993, Neural networks applied to the classification of spectral features for automatic modulation recognition, Military Communication Conference, 93, 111-115. 10. Fabrizi, P. M., Lopes L. B., Lockhart, G. B., 1986, Receiver recognition of analogue modulation types, in IERE Conference on Radio Receiver and Associated Systems, Bangor Wales, 135-140. 11. Guldemir, H, Sengr, A.,2006, Comparison of Clustering Algorithms for Analog Modulation Classification, Expert Systems with Applications, 30, No.4, 642-649.

70

12. Avc, E., 2007, Performance comparison of wavelet families for analog modulation classification using expert discrete wavelet neural network system, Elsevier Expert Systems with Applications, 33, No.1, (in Press). 13. Aisbett, J., 1997, Automatic modulation recognition using the time domain parameters, Signal Processing, 13, 323328. 14. Nandi, A. K., Azzouz, E. E., 1997, Modulation recognition using artificial neural networks, Signal Processing, 56, 165-175. 15. Yarc, K., ztrk, O., 1999, Elektronik Ders Kitab. Beta Yaynevi, stanbul. 16. Rajan, J.J., 1994, Time series classification, Doktora Tezi, Cambridge niversitesi, 191s. 17. Trkolu, ., 2003, rnt Tanma Ders Notlar. Frat niversitesi, Elaz. 18. Rothe, H., 1998, Approaches to pattern recognition, advanced pattern recognition techniques, NATO-RTO Lecture Series 214, Lisbon Portugal, 1.1 1.29. 19. Duda, R.O. and Hart, P.E., 1989, Pattern Classification and Scene Analysis. Stanford Research Institute, 483s. 20. Phan, F., Tzanakou, E.M. and Sideman, S., 2000, Speaker identification using neural networks and wavelets, IEEE Engineering in Medicine and Biology, Ocak/ubat, 92101. 21. Trkolu, . ve Hanbay, D., 2001, Yapay sinir a ve HFD kullanarak DTMF sinyal rntlerini tanma sistemi, Elektrik-Elektronik-Bilgisayar Mhendislii 9.Ulusal Kongresi, 19-23 Eyll 2001, Kocaeli, 431-434.

22. Chau, T., 1994, Pattern recognition of processed EMG signals for two-site Myoelectric control, Uygulamal Master Lisans Tezi, Toronto niversitesi, 96s.

71

23. Kil, D.H. ve Shin, F.B., 1996, Pattern Recognition and Prediction with Applications to Signal Characterization. AIP Press, USA, 417s.

24. Rutledge, G.A., 2000, Dictionary Projection Pursuit: A wavelet packet technique for acoustic spectral feature extraction, Doktora Tezi, Victoria niversitesi, 193s.

25. Englehart, K., 1998,

Signal Representation for Classification of the Transient

Myolectric Signal. Doktora Tezi, New Brunswick niversitesi, Kanada, 319s.

26. Young, T.Y. and Fu, K.S., 1986, Handbook of pattern recognition and image processing. Academic Press, Inc, 159s.

27. Bishop, C.M., 1996, Neural networks for pattern recognition. Clarendon Press, Oxford, 482s. 28. Banks, S.P., 1990, Signal Processing, Image Processing and Pattern

Recognition,Prentice-Hall, New York, 409s. 29. Trkolu, ., 1996, Yapay sinir alar ile nesne tanma, Yksek Lisans Tezi, Frat niversitesi, Fen Bilimleri Enstits, Elaz, 112 s. 30. Ward, M., 1998, Detection and classification of transient underwater sounds by a finite impuls response neural network, Yksek Lisans Tezi, New Brunswick Fredericton, Kanada. 31. Kaita, T., Tomita, S. ve Yamanaka, J., 2002, On a higher-order neural network for distortion invariant pattern recognition, Pattern Recognition Letters, 23,8,977-984. 32. Trkolu, ., ve Arslan, A., 1996, Yapay sinir alar ile bozuk rnt tanma, Frat niversitesi Fen ve Mhendislik Bilimleri Dergisi, 8, 147-158. niversitesi,

72

33. Avc, E., Bicer, Z. Erdem Yakut, S., 2006, An Adaptive Wavelet Entropy Method for Intelligent Digital Modulation Classification, Fifteenth Turkish Symposium on Artificial Intelligence and Neural Networks (TAINN 2006), MULA,117-124, No.2. 34. Avc, E., Trkolu, ., ve Poyraz, M., 2005, Intelligent Target Recognition Based on Wavelet Packet Neural Network, Expert Systems with Applications, 29, No.1, 175-182. 35. Matlab 6.5 Wavelet Toolbox Help , 2006.

36. Avci, E., Avci, D., A novel approach for digital radio signal classification: Wavelet packet energymulticlass support vector machine (WPEMSVM) Mart 2007. ARTICLE Expert Systems with Applications, In Press, Uncorrected Proof, Available online 1

37. Avc, E., 2007, Performance comparison of wavelet families for analog modulation classification using expert discrete wavelet neural network system, Elsevier Expert Systems with Applications, 33, No.1, (in Press).

38. Hanbay, D., Trkolu, ., ve Demir, Y., 2008, Prediction of Wastewater Treatment Plant Performance Based on Wavelet Packet Decomposition and Neural Networks, Expert systems with applications, 34, No.4.

39. Shannon, C.E., 1948, A mathematical theory of communication, Bell System Technology Journal, 27, 379-423. 40. Tonga, S., Bezerianosa, A., Paula, J., Zhub, Y. ve Thakora, N., 2002, Nonextensive entropy measure of EEG following brainin jury from cardiac arrest, Elsevier Physica A, 305, 619 628. 41. Principe, J.C., Euliano, N.R. ve Lefebvre, W.C., 2000, Neural and Adaptive Systems. John Wiley & Sons, 1. Bask, New York, 656s. 42. KURT M., SEMETAY C., M..Teknik Eitim Fakltesi Makina Blm.

73

43. Avc, E., Trkolu, ., ve Poyraz, M., An Expert Target Recognition System Using Genetic Wavelet Neural Network.

44. Avc E., 2005, Akll Radar ile Hedef Tanma Sistemi, Frat niversitesi, Doktora.

45. EMEL G.G., TAKIN ., 2002, Genetik Algoritmalar ve Uygulama, Uluda niversitesi ktisadi ve dari Bilimler Fakltesi Dergisi Cilt XXI, Say 1, s. 129-152.

46. Zurada, M.J., 1992, Introduction to Artificial Neural Systems, West Publishing Company, Inc. New York. 47. Bal C., 2002, Doru Akm Motorlarnn Hz Denetiminde Yapay Sinir Alarnn

Performans Analizi, F.. Fen Bilm. Enst. Yksek Lisans Tezi. 48. Hanbay D. 2005, Akll Donanm ve uygulamalar, F.. Fen Bilm. Enst. Doktora Semineri. 49. Haykin, S., 1994, Neural Networks, A Comprehensive Foundation, Macmillan College Publishing Comp. Inc. 50. Narendra, K.S., ve Parthasarathy, K., 1990, Identification and Control of Dynamical Systems Using Neural Networks, IEEE Transactions on Neural Networks, Vol.1, No:1, 4-27. 51. Hunt, K.J., Sbarbaro, D., Zbikowski R., and et all, 1992, Neural Networks for Control Systems A Survey, Automatica, Vol.28, No:6, 1083-1112. 52. Karlk, B., 1995, Yapay Sinir Alar, Yksek lisans ders notlar. 53. ztemel, E., 2003, Yapay Sinir Alar, Papatya Yaynclk, stanbul.

74

54. BALOLU, ., 2003, Modl Yapay Sinir Alar le Dorusal Olmayan Sistemlerin Denetimi, Yksek Lisans, F.. Fen Bilimleri Enstits.

75

ZGEM
Zeynep B ER zeynepbicer@hotmail.com.tr Frat niversitesi Teknik Eitim Fakltesi Elektronik Bilgisayar Eitimi Blm ELAZI

1982 ylnda Malatyada dodu. lk, orta ve lise renimini Malatyada tamamladktan sonra 2001 ylnda Frat niversitesi Teknik Eitim Fakltesi Elektronik Bilgisayar Eitimi Bilgisayar retmenlii Blmn kazand. 2005 ylnda bu blmden mezun oldu.. Ayn yl Frat niversitesi Fen Bilimleri Enstits Elektronik Bilgisayar Eitimi Ana Bilim Dal Telekomnikasyon iBilim Dalnda yksek lisans eitimine balad. 2005 yl eyll aynda Malatya Kemal zalper lkretim Okulunda Bilgisayar retmeni olarak greve balad. Halen bu grevi srdrmektedir. Yabanc dili ngilizcedir.

76