380399

BESSEL, BUTTERWORTH VE CHEBYSHEV AKTİF FİLTRE MODELLERİNDE
PARAMETRE KESTİRİMİ İÇİN PSO, DE VE ABC

OPTİMİZASYON ALGORİTMALARININ UYGULANMASI
Mustafa AKKUŞ
Yüksek Lisans Tezi
Elektrik-Elektronik Mühendisliği Anabilim Dalı
Temmuz – 2014
PARAMETRE KESTİRİMİ İÇİN PSO, DE VE ABC
OPTİMİZASYON ALGORİTMALARININ UYGULANMASI
Mustafa AKKUŞ
Dumlupınar Üniversitesi
Fen Bilimleri Enstitüsü
Lisansüstü Eğitim Öğretim ve Sınav Yönetmeliği Uyarınca
Elektrik-Elektronik Mühendisliği Anabilim Dalında
YÜKSEK LİSANS TEZİ
Olarak Hazırlanmıştır.
Danışman: Yrd. Doç. Dr. Hasan TEMURTAŞ
Temmuz – 2014
KABUL VE ONAY SAYFASI
Mustafa AKKUŞ’un YÜKSEK LİSANS tezi olarak hazırladığı

PARAMETRE KESTİRİMİ İÇİN PSO, DE VE ABC OPTİMİZASYON
ALGORİTMALARININ UYGULANMASI başlıklı bu çalışma, jürimizce Dumlupınar
Üniversitesi Lisansüstü Eğitim Öğretim ve Sınav Yönetmeliğinin ilgili maddeleri uyarınca
değerlendirilerek kabul edilmiştir.
25 / 07 / 2014
Üye : Prof. Dr. Nejat YUMUŞAK
Üye : Yrd. Doç. Dr. Hasan TEMURTAŞ
Üye : Yrd. Doç. Dr. Kadir VARDAR
Fen Bilimleri Enstitüsü Yönetim Kurulu'nun ....../...../2014 gün ve .............sayılı kararıyla

onaylanmıştır.
Prof. Dr. Hasan GÖÇMEZ

Fen Bilimleri Enstitüsü Müdürü
iv

PARAMETRE KESTİRİMİ İÇİN PSO, DE VE ABC OPTİMİZASYON
ALGORİTMALARININ UYGULANMASI
Mustafa AKKUŞ
DPÜ Fen Bilimleri Enstitüsü
Elektrik Elektronik Mühendisliği
Danışman: Yrd. Doç. Dr. Hasan TEMURTAŞ
Temmuz, 2014
ÖZET
Telekomünikasyon sistemleri, radyo, televizyon, veri haberleşmesi ve günlük hayatın

diğer birçok alanında kullanılan filtreler, elektrik ve elektronik sistemlerin en önemli elemanları
arasında yerini almıştır.
Filtre denince akla ilk önce süzme işlemi gelir ve frekansa göre süzme yapar. Bu
filtreler yapıları gereği elektriksel işaretlerin frekans spektrumlarına biçim vermek amacıyla
kullanılan devrelerdir. Oluşturulan ve hali hazırda bulunan pasif R, L, C devre elemanlarıyla
kurulan bu devreler aynı zamanda aktif devre elemanları olan opamp, transistör, vs. ve diğer R,
C devre elemanları veya bunların üçünü birlikte kullanılarak da gerçekleştirilebilir. Bir
devreden almak istenilen işarete farklı frekanstaki işaret karışıyorsa ve net bir işaret isteniyorsa
karışan frekansın durdurulması gerekir. Bu durdurulma işlemini yüzde yüz gerçekleştirmek
mümkün olmamakla beraber ideale yakın bir değer elde edilebilir.
Matematiksel işlemler ile gerçekleşen transfer fonksiyonunun frekansla değişimine

bağlı olarak alçak geçiren, yüksek geçiren, bant geçiren ve bant söndüren türden çeşitli filtreler
mevcuttur. Kesim frekansı, kalite faktörü, geçirme bandı kazancı ise önemli filtre
parametrelerindendir. Filtre karakteristiğinin keskinliğini belirleyen kalite faktörü ile kutup
frekansı ters orantılıdır.
Televizyon ve radyo yayınları, görüntü ve ses sinyallerinin modülasyonlara

uğratıldıktan sonra anten aracılığı ile havaya yayılması ile gerçekleştirilmektedir. Çeşitli
frekanslarda birçok televizyon ve radyo yayını, aynı anda alıcının antenine ulaşmaktadır. Alıcı
tarafta istenen yayının seçilmesi ve bunun dışında kalan yayınlar ile gürültülerin bastırılmasında
en önemli rol, filtrelere düşmektedir. Benzeri şekilde sismoloji, jeofizik, tıbbi elektronik, beyin
ve kalp sinyallerinin ölçümü ve uzaktan ölçüm işlemleri gibi birçok alanda filtrelerin kullanımı
bulunmaktadır.
v
Kullanılan devre elemanlarına göre aktif veya pasif olarak adlandırılan filtrelerin
transfer karakteristikleri, filtrenin çalışmasındaki en önemli performans parametresi olarak
kabul edilmektedir. İstenen transfer karakteristiğini elde edebilmek için filtre yapısında
kullanılan devre elemanlarının optimum seçimi büyük önem taşımaktadır.
Bu tez çalışmasında, çoklu geri besleme topolojisi kullanılarak, her bir katı ikinci
dereceden alçak geçiren filtrelerin kaskad bağlanması ile oluşturan beş katlı, onuncu dereceden
alçak geçiren Bessel, Butterworth ve Chebyshev filtrelerinin ABC, DE ve PSO optimizasyon
algoritmaları ile optimizasyonu yapılmıştır. Yapılan çalışma ile elde edilen onuncu dereceden
filtreye ait transfer karakteristiği sonuçları, istenen sonuçlar ile birebir uyuşmaktadır.
Anahtar Kelimeler: ABC, Aktif filtre, DE, Farksal gelişim algoritması, Filtre, İşlemsel
yükselteç, Parçacık sürü optimizasyonu algoritması, PSO, Yapay arı koloni algoritması.
vi
APPLICATION OF PSO, DE AND ABC OPTIMIZATION ALGORITHMS TO

BESSEL, BUTTERWORTH AND CHEBYSHEV ACTIVE FILTER MODELS FOR
PARAMETER ESTIMATION
Mustafa AKKUŞ
DPU Institute of Science and Technology
Electrical and Electronic Engineering
Supervisor: Asst. Prof. Dr. Hasan TEMURTAŞ
July, 2014
SUMMARY
Filters, used in telecommunication systems, radio, television, data communication and

many other areas of daily life, have taken place among the most important devices in electrical
and electronics systems.
Filters make filtration process and filter according to frequency. These filters,
inherently, are the circuits used in order to give form to the frequency spectrum of electrical
signals. The circuits, generated with readily available passive R, L, C circuit elements, can be
performed with active circuit elements such as opamps, transistors and etc. and the other R, C or
all three ones. If there are undesired attempts to the desired signals, the undesired frequencies
should be stopped. This breaking action is not able to be performed completely, but very close
values to ideal can be achieved.
There are various filter types such as low-pass, high-pass, band-pass and band-stop
according to the difference between the actual transfer function and mathematical operations.
Cutoff frequency, quality factor and pass-band gain are the important filter parameters. Quality
factor that determines the sharpness of the filter characteristic is inversely proportional to the
poly frequency.
Television and radio broadcasts are carried out by modulating the video and audio
signals and broadcasting with the use of transmitter antennas. The television and radio
broadcasts in several frequencies reach to the receiver antennas simultaneously. Filters have the
most important role in selecting the desired broadcast and suppressing the noise and other
undesired broadcast on the receiver side. Likewise, the uses of filters are available in several
areas such as seismology, geophysics, medical electronics, measurement of brain and heart
signals and remote measurement process.
vii
Transfer characteristics of the filters, called active or passive according the used circuit
elements, are considered to be the most important performance parameters. Optimal choice of
the circuit element values used in the filter construction is of great importance to obtain the
desired transfer characteristic.
In this thesis, tenth-order low-pass Bessel, Butterworth and Chebyshev filters, that use
multi-feedback topology and cascade connected five second-order low-pass filters, are
optimized with ABC, DE and PSO optimization algorithms. The results of the transfer
characteristics of the tenth order filter obtained by this study are in full agreement with the
desired results.
Keywords: ABC, Active filter, Artificial bee colony algorithm, DE, Differential evolution
algorithm, Filter, Operational amplifier, Particle swarm optimization algorithm, PSO.
viii
TEŞEKKÜR
Bu çalışmamda, tez danışmanlığımı kabul edip, karşıma çıkan her zorluğu aşmama
yardımcı olan danışman hocam Yrd. Doç. Dr. Hasan TEMURTAŞ’a, çalışmam sırasında
yardımlarını esirgemeyen, bölümümüzün değerli hocalarına, bu günlere ulaşmamda büyük pay
sahibi olan kıymetli aileme, babam Mahmut AKKUŞ’ a ve eşim Hatice GÖKÇE AKKUŞ’ a
sonsuz teşekkürlerimi sunarım.
ix
İÇİNDEKİLER
Sayfa
ÖZET ........................................................................................................................................... iv
SUMMARY ................................................................................................................................. vi
TEŞEKKÜR ............................................................................................................................... viii
ŞEKİLLER DİZİNİ.................................................................................................................... xiii
ÇİZELGELER DİZİNİ ............................................................................................................. xvii
SİMGELER VE KISALTMALAR DİZİNİ ............................................................................... xix
1. GİRİŞ ........................................................................................................................................ 1
2. LİTERATÜR TARAMASI....................................................................................................... 3
3. İŞLEMSEL YÜKSELTEÇLER ................................................................................................ 5
3.1. İşlemsel Yükselteçlerin Yapısı Ve Genel Özellikleri......................................................... 5

3.1.1. Giriş akımı ................................................................................................................... 6
3.1.2. Kazanç ......................................................................................................................... 6
3.1.3. Giriş direnci................................................................................................................. 6
3.1.4. Çıkış direnci ................................................................................................................ 6
3.1.5. Frekans cevabı............................................................................................................. 7
3.2. İdeal İşlemsel Yükseltecin Özellikleri ............................................................................... 7
3.3. İşlemsel Yükselteçlerin Kullanım Alanları ........................................................................ 7
3.3.1. Eviren yükselteç .......................................................................................................... 7
3.3.2. Evirmeyen yükselteç ................................................................................................... 8
3.3.3. Toplayıcı yükselteç ..................................................................................................... 9
3.3.4. Fark alıcı yükselteç ................................................................................................... 10
3.3.5. İntegral alıcı yükselteç .............................................................................................. 12
3.3.6. Türev alıcı yükselteç ................................................................................................. 13
3.3.7. Karşılaştırıcı .............................................................................................................. 14
3.3.8. Gerilim izleyici.......................................................................................................... 14
4. FİLTRELER............................................................................................................................ 16
4.1. Filtre Tanımı .................................................................................................................... 16

4.2. Aktif Filtreler ................................................................................................................... 18
x
İÇİNDEKİLER(devam)
Sayfa
4.2.1. Alçak geçiren filtre .................................................................................................... 18

4.2.1.1. Butterworth alçak geçiren filtre.......................................................................... 21
4.2.1.2. Chebyshev alçak geçiren filtre ........................................................................... 21
4.2.1.3. Bessel alçak geçiren filtre .................................................................................. 22
4.2.1.4. Kalite faktörü (Q) ............................................................................................... 23
4.2.1.5. Alçak geçiren filtre tasarımı ............................................................................... 24
4.2.2. Yüksek geçiren filtre ................................................................................................. 30
4.2.2.1. Yüksek geçiren filtre tasarımı ............................................................................ 30
4.2.2.2. Birinci dereceden yüksek geçiren filtre tasarımı ................................................ 31
4.2.2.3. İkinci dereceden yüksek geçiren filtre tasarımı .................................................. 33
4.2.3. Bant geçiren filtre ...................................................................................................... 36
4.2.3.1. Bant geçiren filtre tasarımı ................................................................................. 36
4.2.3.2. İkinci dereceden bant geçiren filtre tasarımı ...................................................... 37
4.2.3.3. Dördüncü dereceden bant geçiren filtre tasarımı ............................................... 41
4.2.4. Bant durduran filtre ................................................................................................... 44
4.2.4.1. Bant durduran filtre tasarımı .............................................................................. 44
4.2.4.2. Aktif Twin-T bant durduran filtre tasarımı ........................................................ 45
4.2.4.3. Aktif Wien-Robinson durduran filtre tasarımı ................................................... 47
4.2.5. Hep geçiren filtre....................................................................................................... 49
4.2.5.1. Hep geçiren filtre tasarımı .................................................................................. 49
4.2.5.2. Birinci dereceden hep geçiren filtre tasarımı ..................................................... 51
4.2.5.3. İkinci dereceden hep geçiren filtre tasarımı ....................................................... 52
4.3. Pasif Filtreler .................................................................................................................... 53
4.4. Aktif Filtrelerde Eleman Seçimlerinin Önemi Ve Optimizasyon .................................... 53
5. OPTİMİZASYON ................................................................................................................... 55
5.1. Optimizasyon Tanımı ....................................................................................................... 55

5.2. Optimizasyonun Önemi ................................................................................................... 58
5.3. Genel Optimizasyon Türleri ............................................................................................. 58
5.3.1. Farksal gelişim algoritması ....................................................................................... 58
5.3.1.1. Başlangıç popülasyonu....................................................................................... 61
5.3.1.2. Mutasyon ............................................................................................................ 62
5.3.1.3. Çaprazlama (Crossover) ..................................................................................... 62
5.3.1.4. Değerlendirme ve seçim ..................................................................................... 63
5.3.2. Parçacık sürü optimizasyonu algoritması .................................................................. 64
5.3.2.1. Başlangıç değerleri ............................................................................................. 66
5.3.2.2. Konum ................................................................................................................ 66
5.3.2.3. Parçacık hızı ....................................................................................................... 67
5.3.2.4. Atalet ağırlığı ..................................................................................................... 67
xi
Sayfa
5.3.2.5. Hızlandırma katsayıları ...................................................................................... 68

5.3.2.6. Uygunluk fonksiyonu ......................................................................................... 68
5.3.2.7. Parçacık ve genel en iyi değer ............................................................................ 68
5.3.2.8. Arama sonlandırma ............................................................................................ 69
5.3.3. Yapay arı koloni algoritması ..................................................................................... 71
5.3.3.1. Arıların davranışı ............................................................................................... 71
5.3.3.2. Tanımlamalar ve algoritma ................................................................................ 72
5.3.3.3. İşçi arı fazı .......................................................................................................... 73
5.3.3.4. Gözcü arı fazı ..................................................................................................... 74
5.3.3.5. Kâşif arı fazı ....................................................................................................... 75
6. TEZ KAPSAMINDA YAPILAN ÇALIŞMA ........................................................................ 77
6.1. Kullanılan Programlama Dili ........................................................................................... 77

6.2. Optimizasyonda Kullanılan Devreler Ve Maliyet Fonksiyonları..................................... 77
6.3. Farksal Gelişim Algoritması İle Optimizasyon ................................................................ 79
6.3.1. Onuncu dereceden alçak geçiren Butterworth filtresi ............................................... 79
6.3.2. Onuncu dereceden alçak geçiren Bessel filtresi ........................................................ 83
6.3.3. Onuncu dereceden 1-dB Chebyshev filtresi .............................................................. 86
6.4. Parçacık Sürü Algoritması İle Optimizasyon ................................................................... 92
6.4.1. Onuncu dereceden alçak geçiren Butterworth filtresi ............................................... 93
6.4.2. Onuncu dereceden alçak geçiren Bessel filtresi ........................................................ 96
6.4.4. Onuncu dereceden 3-dB Chebyshev filtresi ............................................................ 102
6.5. Yapay Arı Koloni Algoritması İle Optimizasyon .......................................................... 105
6.5.1. Onuncu dereceden alçak geçiren Butterworth filtresi ............................................. 106
6.5.2. Onuncu dereceden alçak geçiren Bessel filtresi ...................................................... 109
7. SONUÇLAR ......................................................................................................................... 119
KAYNAKLAR DİZİNİ ............................................................................................................ 121
EKLER
xii
Sayfa
EK 1: Farksal Gelişim Algoritması ile Optimizasyon için MATLAB Kodları

EK 2: Parçacık Sürü Algoritması ile Optimizasyon için MATLAB Kodları
EK 3: Yapay Arı Koloni Algoritması ile Optimizasyon için MATLAB Kodları
ÖZGEÇMİŞ
xiii
ŞEKİLLER DİZİNİ
Şekil Sayfa
3.1. İdeal opamp yapısı ................................................................................................................. 5

3.2. Eviren yükselteç devresi ........................................................................................................ 8
3.3. Evirmeyen yükselteç devresi.................................................................................................. 9
3.4. Toplayıcı yükselteç devresi .................................................................................................... 9
3.5. Fark alıcı yükselteç devresi .................................................................................................. 11
3.6. İntegral alıcı yükselteç devresi ............................................................................................. 12
3.7. Türev alıcı yükselteç devresi ................................................................................................ 13
3.8. Karşılaştırıcı yükselteç devresi ............................................................................................ 14
3.9. Gerilim izleyici devre........................................................................................................... 15
4.1. Filtre türleri .......................................................................................................................... 16
4.2. a) ikinci dereceden alçak geçiren pasif RLC filtresi b) ikinci dereceden alçak geçiren aktif
filtre ...................................................................................................................................... 17
4.3. Birinci dereceden alçak geçiren pasif RC filtresi ................................................................. 18
4.4. Dördüncü dereceden alçak geçiren pasif RC filtresi ............................................................ 19
4.5. İdeal alçak geçiren filtre için frekansa karşılık genlik ve faz cevap eğrileri Mavi – Birinci,
Yeşil – İkinci, Kırmızı – Üçüncü, Turkuaz – Dördüncü derece ........................................... 20
4.6. Farklı derecelerdeki Butterworth alçak geçiren filtresinin normalize frekansa karşılık genlik
cevabı .................................................................................................................................... 21
4.7. Farklı derecelerdeki Chebyshev alçak geçiren filtresinin normalize frekansa karşılık genlik
cevabı .................................................................................................................................... 22
4.8. Dördüncü dereceden Bessel, Butterworth ve Chebyshev filtrelerinin normalize frekansa
göre cevapları ....................................................................................................................... 23
4.9. Onuncu dereceden Chebyshev filtresine ait kazanç cevabında kalite faktörünün grafiksel
gösterimi ............................................................................................................................... 24
4.10. Yüksek dereceli filtre oluşturmak için filtre katlarının kaskad bağlanması ....................... 25
4.11. Birinci dereceden alçak geçiren filtre................................................................................. 26
4.12. Alçak geçiren filtre için Sallen-Key topolojileri ................................................................ 28
4.13. Alçak geçiren filtre için çoklu geri besleme (MFB) topolojisi .......................................... 29
4.14. Alçak geçiren filtrenin yüksek geçiren filtreye dönüştürülmesi ........................................ 30
4.15. Alçak geçiren filtreden elde edilen yüksek geçiren filtreye ait kazanç cevabı ................... 31
4.16. Birinci dereceden yüksek geçiren filtre.............................................................................. 32
4.17. Yüksek geçiren filtre için Sallen-Key topolojileri ............................................................. 33
4.18. Yüksek geçiren filtre için çoklu geri besleme (MFB) topolojisi ........................................ 35
xiv
ŞEKİLLER DİZİNİ (devam)
Şekil Sayfa
4.19. Alçak geçiren filtrenin kazanç cevabının bant geçiren filtrenin kazanç cevabına dönüşümü
.............................................................................................................................................. 36
4.20. Farklı kalite faktörü değerleri için ikinci dereceden bant geçiren filtrenin normalize kazanç
cevabı .................................................................................................................................... 38
4.21. İkinci dereceden bant geçiren filtre için Sallen-Key topolojisi .......................................... 39
4.22. Bant geçiren filtre için çoklu geri besleme (MFB) topolojisi ............................................ 40
4.23. Alçak geçiren filtrenin kazanç cevabının bant durduran filtrenin kazanç cevabına
dönüşümü ............................................................................................................................. 44
4.24. Pasit Twin-T bant durduran filtresi .................................................................................... 45
4.25. Aktif Twin-T bant durduran filtresi ................................................................................... 46
4.26. Pasif Wien-Robinson köprüsü............................................................................................ 47
4.27. Aktif Wien-Robinson bant durduran filtresi ...................................................................... 48
4.28. Birinci dereceden hep geçiren filtre ................................................................................... 51
4.29. İkinci dereceden hep geçiren filtre ..................................................................................... 52
5.1. a) Bir tepe noktasına sahip çözüm uzayı b) Birden fazla tepe noktasına sahip çözüm uzayı
.............................................................................................................................................. 56
5.2. Pratikte karşılaşılabilecek bir amaç fonksiyonu ................................................................... 57
5.3. Yaygın bir şekilde kullanılan bazı yapay zekâ optimizasyon teknikleri .............................. 59
5.4. PSO’da pozisyon değişimi ................................................................................................... 66
6.1. Çoklu geri besleme topolojisine sahip ikinci dereceden alçak geçiren aktif filtre ............... 77
6.2. İkinci dereceden filtrelerin kaskad bağlantısı ile onuncu dereceden filtre oluşturma şeması
.............................................................................................................................................. 77
6.3. Onuncu dereceden alçak geçiren Butterworth filtresinin her bir katına ait kazanç grafiği .. 81
6.4. Onuncu dereceden alçak geçiren Butterworth filtresine ait kazanç grafiği.......................... 82
6.5. Alçak geçiren Butterworth filtresinin FGA ile optimizasyonu süresince maliyet
fonksiyonunun değişimi ....................................................................................................... 83
6.6. Onuncu dereceden alçak geçiren Bessel filtresinin her bir katına ait kazanç grafiği ........... 85
6.7. Onuncu dereceden alçak geçiren Bessel filtresine ait kazanç grafiği .................................. 85
xv
Şekil Sayfa
6.8. Alçak geçiren Bessel filtresinin FGA ile optimizasyonu süresince maliyet fonksiyonunun
değişimi ................................................................................................................................ 86
6.9. Onuncu dereceden alçak geçiren 1-dB Chebyshev filtresinin her bir katına ait kazanç grafiği
.............................................................................................................................................. 88
6.10. Onuncu dereceden alçak geçiren 1-dB Chebyshev filtresine ait kazanç grafiği ................ 88
6.11. Alçak geçiren 1-dB Chebyshev filtresinin FGA ile optimizasyonu süresince maliyet
6.12. Onuncu dereceden alçak geçiren 3-dB Chebyshev filtresinin her bir katına ait kazanç
grafiği ................................................................................................................................... 91
6.13. Onuncu dereceden alçak geçiren 3-dB Chebyshev filtresine ait kazanç grafiği ................ 91
6.14. Alçak geçiren 3-dB Chebyshev filtresinin FGA ile optimizasyonu süresince maliyet
6.15. Onuncu dereceden alçak geçiren Butterworth filtresinin her bir katına ait kazanç grafiği 95
6.16. Onuncu dereceden alçak geçiren Butterworth filtresine ait kazanç grafiği ........................ 95
6.17. Alçak geçiren Butterworth filtresinin PSO ile optimizasyonu süresince maliyet
6.18. Onuncu dereceden alçak geçiren Bessel filtresinin her bir katına ait kazanç grafiği ......... 98
6.19. Onuncu dereceden alçak geçiren Bessel filtresine ait kazanç grafiği ................................ 98
6.20. Alçak geçiren Bessel filtresinin PSO ile optimizasyonu süresince maliyet fonksiyonunun
değişimi ................................................................................................................................ 99
grafiği ................................................................................................................................. 101
6.22. Onuncu dereceden alçak geçiren 1-dB Chebyshev filtresine ait kazanç grafiği .............. 101
6.23. Alçak geçiren 1-dB Chebyshev filtresinin PSO ile optimizasyonu süresince maliyet
fonksiyonunun değişimi ..................................................................................................... 102
grafiği ................................................................................................................................. 104
6.27. Onuncu dereceden alçak geçiren Butterworth filtresinin her bir katına ait kazanç grafiği
............................................................................................................................................ 107
6.28. Onuncu dereceden alçak geçiren Butterworth filtresine ait kazanç grafiği ...................... 108
6.29. Alçak geçiren Butterworth filtresinin YAK ile optimizasyonu süresince maliyet
6.30. Onuncu dereceden alçak geçiren Bessel filtresinin her bir katına ait kazanç grafiği ....... 110
xvi
Şekil Sayfa
6.31. Onuncu dereceden alçak geçiren Bessel filtresine ait kazanç grafiği .............................. 111
6.32. Alçak geçiren Bessel filtresinin YAK ile optimizasyonu süresince maliyet fonksiyonunun
değişimi .............................................................................................................................. 111
grafiği ................................................................................................................................. 113
6.35. Alçak geçiren 1-dB Chebyshev filtresinin YAK ile optimizasyonu süresince maliyet
grafiği ................................................................................................................................. 116
xvii
ÇİZELGELER DİZİNİ
Çizelge Sayfa
3.1. Temel İdeal Opamp Yaklaşımı .............................................................................................. 6

4.1. 3 farklı Q değeri için filtre değerleri .................................................................................... 43
5.1. Farksal Gelişim Algoritması'nın Parametreleri .................................................................... 60
6.1. Onuncu dereceden alçak geçiren Butterworth filtresinin FGA algoritması ile
optimizasyonunda kullanılan alt ve üst sınır değerleri ......................................................... 80
6.2. Onuncu dereceden alçak geçiren Butterworth filtresinin FGA algoritması ile optimizasyon
sonucunda elde edilen değerler............................................................................................. 81
6.3. Onuncu dereceden alçak geçiren Bessel filtresinin FGA algoritması ile optimizasyonunda
kullanılan alt ve üst sınır değerleri........................................................................................ 84
6.4. Onuncu dereceden alçak geçiren Bessel filtresinin FGA algoritması ile optimizasyon
6.5. Onuncu dereceden alçak geçiren 1-dB Chebyshev filtresinin FGA algoritması ile
optimizasyon sonucunda elde edilen değerler ...................................................................... 87
optimizasyon sonucunda elde edilen değerler ...................................................................... 90
6.9. Onuncu dereceden alçak geçiren Butterworth filtresinin PSO algoritması ile
6.10. Onuncu dereceden alçak geçiren Butterworth filtresinin PSO algoritması ile optimizasyon
6.11. Onuncu dereceden alçak geçiren Bessel filtresinin PSO algoritması ile optimizasyonunda
kullanılan alt ve üst sınır değerleri........................................................................................ 97
6.12. Onuncu dereceden alçak geçiren Bessel filtresinin PSO algoritması ile optimizasyon
6.13. Onuncu dereceden alçak geçiren 1-dB Chebyshev filtresinin PSO algoritması ile
optimizasyonunda kullanılan alt ve üst sınır değerleri ....................................................... 100
optimizasyon sonucunda elde edilen değerler .................................................................... 100
xviii
ÇİZELGELER DİZİNİ (devam)
Çizelge Sayfa
6.17. Onuncu dereceden alçak geçiren Butterworth filtresinin YAK algoritması ile
6.18. Onuncu dereceden alçak geçiren Butterworth filtresinin YAK algoritması ile optimizasyon
sonucunda elde edilen değerler........................................................................................... 107
6.19. Onuncu dereceden alçak geçiren Bessel filtresinin YAK algoritması ile optimizasyonunda
kullanılan alt ve üst sınır değerleri...................................................................................... 109
6.20. Onuncu dereceden alçak geçiren Bessel filtresinin YAK algoritması ile optimizasyon
sonucunda elde edilen değerler........................................................................................... 110
6.21. Onuncu dereceden alçak geçiren 1-dB Chebyshev filtresinin YAK algoritması ile
xix
SİMGELER VE KISALTMALAR DİZİNİ
Kısaltmalar Açıklamalar
ABC Artificial bee colony

YAK Yapay arı kolonisi
DE Differential evolution
FG Farksal gelişim
GA Genetic algorithm, Genetik algoritma
TS Tabu search
TA Tabu arama
CSA Clonal selection algorithm
KSA Klon seçim algoritması
PSO Particle swarm optimization, Parçacık sürü optimizasyonu
MHz Megahertz
VCVS Voltage controlled voltage source
GKGK Gerilim kontrollü gerilim kaynağı
MFB Multiple feedback
ÇGB Çoklu geri besleme
Opamp Operational amplifier
pA Piko amper
μA Mikro amper
FSF Frequency scaling factor
Q, QFT Kalite faktörü
K Filtre kazancı
1
1. GİRİŞ
İlk gerçek zamanlı bilgisayarların temelini oluşturan işlemsel yükselteçler, teknolojinin

ilerlemesiyle yerini transistörlere bırakmış olsa da, kendisine çok daha geniş ve farklı yerlerde
kullanım alanı bulmuştur. Elektronik devrelerde sinyallerin toplanması, çıkarılması,
karşılaştırılması, integral, türev ve logaritma alma gibi matematiksel işlemlere tabi tutulmasında
kullanılabilen işlemsel yükselteçler, sinyal doğrultma ve filtreleme işlemlerinde de yaygın
olarak kullanılmaktadır. İndüktör elemanının ideal olarak üretilememesinden dolayı belirli
frekanslarda kullanılamayan pasif filtrelerin yerine aktif filtreler kullanılmaktadır.
Telekomünikasyon sistemleri, modemler, ses işleme, güç besleme kaynakları, aktif filtrelerin
kullanıldığı alanlardan bazılarına örnek verilebilir. Çeşitli topoloji ve transfer karakteristiklerine
sahip olan aktif filtrelerde kullanılan elemanların değerleri, filtrenin kullanılacağı yere göre
büyük önem taşıyabilmektedir. Bundan dolayı eleman değerlerinin optimizasyonu önem
kazanmaktadır. Optimizasyon yapabilmek ve arama uzayında probleme en uygun çözümü
sağlamak için çeşitli optimizasyon yöntemleri bulunmaktadır.
Evrimsel optimizasyon teknikleri arasında yer alan farksal gelişim algoritması (FGA,
Differential Evolution – DE), sürekli verilerin yer aldığı, işleyişi ve kullandığı operatörleri ile
genetik algoritmaya benzeyen popülasyon temelli bir yapay zekâ optimizasyon tekniğidir.
Parçacık sürü algoritması (Particle Swarm Optimization – PSO) da sürü tabanlı bir
optimizasyon tekniğidir. PSO temelini, yiyecek arayışındaki kuş sürülerinin toplu
hareketlerinden almaktadır. Yapay arı koloni algoritması (YAK, Artificial Bee Colony – ABC)
ise arıların yiyecek arayışındaki hareketleri temel alan sürü tabanlı bir başka algoritmadır.
Algoritmaların filtre problemine uygun olarak düzenlenmesi, maliyet fonksiyonlarının

ve algoritmalara özgü parametrelerin belirlenmesi de önem taşımaktadır. Maliyet fonksiyonu en
iyi çözüme yaklaşmayı kontrol ederken optimizasyon parametreleri ise bu çözüme yaklaşma
hızını etkilemektedir.
Tez çalışmasında onuncu dereceden alçak geçiren filtre tasarlanması amaçlanmıştır. Bu

tasarım sırasında çoklu geri besleme topolojisi seçilmiş, filtrenin ikinci dereceden alçak geçiren
filtrelerden oluşması planlanmıştır. Oluşturulan katların birbirine kaskad bağlanması ile
hedeflenen onuncu dereceden alçak geçiren filtre elde edilmiştir. Filtrelerin transfer
karakteristiklerini Bessel, Butterworth ve Chebyshev tiplerine göre elde etmek için devre
elemanlarının belirlenmesinde ABC, DE ve PSO optimizasyon algoritmaları kullanılmıştır.
2
Başlangıçta çözüm havuzu rastgele oluşturulmuş olup optimizasyon süresince her iterasyonda
istenen sonuca yakınsayacak şekilde güncellenmiştir.
3
2. LİTERATÜR TARAMASI
Pasif filtre elemanlarından indüktörün belirli frekanslarda (<1 MHz)

kullanılamamasından dolayı, bu frekanslarda, aktif devre elemanlarından transistör ve işlemsel
yükselteç barındıran aktif filtreler kullanılmaktadır. Aktif filtrelerin çeşitli topolojileri olduğu
gibi çeşitli transfer karakteristiği türleri de mevcuttur. Literatürde Bessel, Butterworth ve
Chebyshev filtrelerinin evrimsel algoritmalar ile optimizasyonuna ilişkin az sayıda da olsa
çeşitli çalışmalar mevcuttur (Karki, 2002; Mancini, 2002; Kadioglu, Vural vd., 2010; Ayten,
Vural vd., 2011).
Butterworth ve Chebyshev filtrelerinin ABC (Artificial Bee Colony, Yapay Arı

Kolonisi – YAK) ve PSO (Particle Swarm Optimization, Parçacık Sürü Optimizasyonu – PSO)
algoritmaları ile optimizasyonu, Ayten ve arkadaşları (Ayten, Vural vd., 2011) tarafından
gerçekleştirilmiştir. Bu çalışmada (Ayten, Vural vd., 2011) üçüncü ve beşinci dereceden alçak
geçiren filtreler kullanılmıştır. ABC ve PSO algoritmaları ile optimizasyon sonucunda elde
edilen transfer karakteristikleri, biribirine oldukça yakın hata değerine sahiptir. Yaygın
kullanılan bir diğer filtre türü olan Bessel filtresinin tasarlanmaması ve DE (Differential
Evolution, Farksal Gelişim Algoritması – FGA) algoritmasının kullanılmaması, yapılan
çalışmanın dar bir kapsama sahip olduğunu göstermektedir.
Kadioğlu ve arkadaşları, dördüncü dereceden Butterworth filtresinin optimizasyonunu

ABC algoritmasını kullanarak gerçekleştirmiştir (Kadioglu, Vural vd., 2010). VCVS (Voltage
Controlled Voltage Source, Gerilim kontrollü gerilim kaynağı – GKGK) Buttwerworth türü
filtrenin optimizasyonunda elde edilen değerler, aynı türden filtre kullanılarak başka
optimizasyon algoritmaları sonucu elde edilen değerlerle karşılaştırılmış, GA’ya (Genetic
Algorithm – Genetik Algoritma - GA) göre daha iyi ancak PSO’ya göre daha kötü sonuçlar elde
edilmiştir.
Alçak geçiren durum değişkenli aktif filtre devresinin GA, AIS (Artificial Immune
Sysytem, Yapay Bağışıklık Algoritması-YBA) ve TS (Tabu Search, Tabu Arama – TA)
algoritması kullanılarak optimizasyonu (Horrocks ve Spittle, 1993; Kalinli, 2006; 2014)
çalışmasında, VCVS alçak geçiren Butterworth filtrelerin CSA (Clonal Selection Algorithm,
Klonal Seçim Algoritması, KSA) kullanılarak optimizasyonu (Jiang, Z. vd., 2007) çalışmasında
ve bu yapıdaki filtrenin PSO ile optimizasyonu (Vural ve T., 2010) çalışmasında yapılmıştır.
Bu tez çalışmasında çoklu geri besleme (ÇGB, Multiple Feedback – MFB) topolojisine
sahip onuncu dereceden Bessel, Butterworth, 1-dB Chebyshev ve 3-dB Chebyshev alçak
4
geçiren filtrelerin optimizasyonu yapılmıştır. Literatür incelendiğinde, 3 çeşit filtre yapısının üç

farklı algoritma ile optimizasyonu yapılmadığı görülmüştür. Yapılan tez çalışması ile bu
eksikliğin giderilmesi amaçlanmıştır.
5
3. İŞLEMSEL YÜKSELTEÇLER
İlk gerçek zamanlı bilgisayarlar, kontrol işlemlerini hesaplamak için önceden

programlanmış denklemleri ve giriş verilerini kullanan analog bilgisayarlardı. Bu bilgisayarlar,
veri üzerinde matematiksel işlemler yapan seri devrelerden oluşmaktaydı. Analog
bilgisayarların en önemli parçaları, giriş sinyallerine toplama, çıkarma, çarpma, bölme, türev ve
integral alma gibi matematiksel işlemleri uygulayabilen işlemsel yükselteç (operational
amplifier, opamp) olarak adlandırılan parçalardı (Mancini, 2002). İlk zamanlarda opamp’lar,
vakum tüpler kullandıkları için oldukça büyük boyutlara sahipti ancak büyük boyutu ve yüksek
enerji ihtiyacı, yaptığı işe göre kabul edilebilir sayılıyordu.
Entegre devre elemanı teknolojisinin gelişmesi ile birlikte 1960’ların başında Robert J.
Widler tarafından tasarlanan ve Fairchild firması tarafından ilk ticari opamp olan μA709
üretilmiştir. Çok hassas, düşük stabiliteye sahip ve dışarıdan kompanze edilmeye ihtiyaç duyan
μA709 opamp’ın ardından, 1968 yılında, veri sayfasında belirtilen koşullarda kullanıldığında
dışarıdan kompanzasyona ihtiyaç duymayan μA741 üretilmiştir ve günümüzde hala popüler bir
opamp olarak konumunu korumaktadır (Mancini, 2002).
3.1. İşlemsel Yükselteçlerin Yapısı Ve Genel Özellikleri
Günümüzde üretilen opamp’ların özellikleri ideal değildir ancak ideal opamp

özelliklerine çok yakın özellikte opamp’lar üretilebilmektedir.
İdeal opamp’ın iç yapısı yapısı Şekil 3.1.’de görülmektedir. İdealde iki giriş ve bir çıkış
ucu yeterliyken gerçekte bu girişlere ek olarak iki adet besleme ucu bulunmaktadır.
IB=0 A
-
Zo=0 VOUT
VE=0 V Zi=
a=
+
IB=0 A
Şekil 3.1. İdeal opamp yapısı.
İdeal opamp’a ilişkin bazı parametreler Çizelge 3.1.’de verilmiştir. Ayrıca genel
özellikler ve opamp’ların yapıları, takip eden başlıklarda incelenecektir.
6
Çizelge 3.1. Temel İdeal Opamp Yaklaşımı.

Parametre Sembolü Değeri
Giriş akımı IIN 0
Giriş offset gerilimi VOS 0
Giriş empedansı ZIN ∞
Çıkış empedansı ZOUT 0
Kazanç a ∞
3.1.1. Giriş akımı
İdeal opamp’ların giriş uçlarından opamp içerisine doğru akan akım, sıfır olarak kabul
edilmektedir. Gerçekte ise FET opamp’lar için giriş akımları pA, yüksek hızlı bipolar opamp’lar
için ise 10 μA mertebelerindedir (Mancini, 2002).
3.1.2. Kazanç
İdeal opamp’ların kazançları sonsuz olarak kabul edilmektedir. Bir ideal opamp’ın çıkış
gerilimi, giriş koşullarını sağlayan herhangi bir gerilim değerine sahip olabilir. Gerçek
opamp’larda ise çıkış gerilimi, opamp besleme gerilimi civarında saturasyona girmektedir.
Gerçek opamp’larda çıkış gerilimi, opamp besleme gerilimleri tarafından sınırlandırılmaktadır
(Mancini, 2002).
3.1.3. Giriş direnci
İdeal bir opamp’ta giriş uçları arasındaki gerilim farkı sıfır olarak kabul edilmektedir.
Bu kabule göre giriş uçlarından herhangi birinin gerilimi değiştiğinde diğer ucun gerilimi de
aynı anda değişmektedir. Giriş uçlarındaki gerilimin sıfır olması ve giriş uçlarından içeriye akan
akımın sıfır olarak kabul edilmesi, ideal opamp’ın giriş direncinin sonsuz olduğunu
göstermektedir (Mancini, 2002).
3.1.4. Çıkış direnci
Bir ideal opamp’ın çıkış direnci sıfır olarak kabul edilmektedir. Böylece herhangi bir
yükü, herhangi bir gerilim düşümüne neden olmadan sürebilmektedir. Gerçekte opamp’ların
çıkış dirençleri çok küçük değerlere sahiptir. Bu değerler, ideal opamp yaklaşımının
kullanılmasını engellememektedir (Mancini, 2002).
7
3.1.5. Frekans cevabı
İdeal opamp’ların frekans cevapları sabittir. Bu, kazancın frekans artışına bağlı
olmadığını göstermektedir (Mancini, 2002).
3.2. İdeal İşlemsel Yükseltecin Özellikleri
 İdeal bir işlemsel yükselteçten beklenen özellikler şu şekilde sıralanabilir:

 Açık çevrim (geri beslemesiz) kazancı sonsuzdur. (K=∞)
 Bant genişliği sonsuzdur. (BG=∞)
 Gürültüsü yoktur.
 Hem iki giriş arası hem de her girişle toprak arası direnç sonsuzdur. (Rg=∞)
 Çıkış direnci sıfırdır. (Rç=0)
 Çıkış direnci sıfır olduğu için sonsuz akım sürebilir.
 Gerilim kaldırma kapasitesi sonsuzdur. Yani her gerilimde çalışır.
 Yukarıdakilerin hepsi her sıcaklıkta doğrudur.
Yukarıda ideal bir işlemsel yükseltece ait özellikler sıralanmıştır. Ancak çoğu zaman
ideal bir sistemin uygulamada aynı özellikleri göstermeyebileceği bir gerçektir. İşlemsel
yükselteçler için de bu kural geçerlidir ve ideal işlemsel yükselteç ile pratik işlemsel yükselteç
arasında farklılıklar vardır. “Bu durum iyi midir, kötü müdür?” gibi bir soru aklımıza takılabilir.
Ancak işlemsel yükseltecin ideal özellikleri ile yapamayacağımız bazı şeyleri, ideal olmayan
özelliklerinden yararlanarak gerçekleştirmemiz mümkündür.
3.3. İşlemsel Yükselteçlerin Kullanım Alanları
3.3.1. Eviren yükselteç
Eviren opamp bağlantısında opamp’ın evirmeyen ucu topraklanmaktadır. Varsayıma

göre giriş hata gerilimi sıfır olduğundan, geri besleme tarafından opamp’ın eviren ucu sanal
toprakta (toprak gerilimi seviyesinde) tutulmaktadır. Eviren yükselteç devresi Şekil 3.2.’de
verilmiştir (Mancini, 2002).
8
RG RF
VIN
I1 IB=0 I2
-
VE VOUT
+
IB=0
Şekil 3.2. Eviren yükselteç devresi.
Giriş uçlarından akan akımın sıfır olduğu varsayımından dolayı RG direncinden akan
akım, aynı zamanda RF direncinden de akmaktadır. Kirchoff kuralı kullanılarak aşağıdaki
eşitlikler yazılabilir.
I1  I 2 (3.1)
VIN V
  OUT (3.2)
RG RF
VOUT R
 F (3.3)
VIN RG
Eş. (3.3)’e dikkat edilirse kazanç, sadece geri besleme (RF) ve kazanç (RG) dirençlerinin
bir fonksiyonudur. Geri besleme, kazancın, opamp parametrelerinden bağımsız olmasını
sağlamaktadır. Direnç değerleri, tasarımcı tarafından oluşturulmak istenen empedans seviyesine
göre belirlenmektedir. Ayrıca çıkış gerilimi, giriş geriliminin, geri besleme ve kazanç dirençleri
oranında kuvvetlendirilmiş ya da zayıflatılmış halinin ters işaretlisi olmaktadır (Mancini, 2002).
3.3.2. Evirmeyen yükselteç
Evirmeyen opamp devresinde giriş gerilimi, opamp’ın evirmeyen ucuna

bağlanmaktadır. Bu durumda giriş kaynağı, sonsuz bir empedans görmektedir. Giriş offset
gerilimi VOS=VE=0 V olduğundan dolayı eviren giriş evirmeyen giriş ile aynı potansiyele sahip
olmaktadır. Opamp’ın eviren girişi VIN gerilimine gelene kadar, akımı, RF direncinden
akıtmaktadır. Böylece VIN gerilimi RG direncinde görülmektedir. Evirmeyen yükselteç devresi
Şekil 3.3.’te görülmektedir (Mancini, 2002).
9
RG RF
-
VOUT
VIN +
Şekil 3.3. Evirmeyen yükselteç devresi.
Opamp girişlerinden akım akışı olmadığı için VOUT çıkış gerilimi, gerilim bölücü
ilkesine göre,
RG
VIN  VOUT (3.4)
RG  RF
VOUT RG  RF R
 1 F (3.5)
VIN RG RG
olarak elde edilmektedir. Kazanç direncinin değeri (RG) geri besleme direncinin değerine (RF)
RF V
göre çok büyük bir değere sahipse oranı sıfıra yaklaşmakta ve OUT  1 olmaktadır.
RG VIN
3.3.3. Toplayıcı yükselteç
Toplayıcı yükselteç devresi, Şekil 3.4.’te görüldüğü gibi, eviren opamp devresinde,
opamp’ın evirmeyen ucuna toplanmak istenen gerilimlerin bağlanması ile gerçekleştirilmektedir
(Mancini, 2002).
R1 RF
V1
R2
V2
VN -
RN VOUT
+
Şekil 3.4. Toplayıcı yükselteç devresi.

10
Çıkış gerilimine, her bir girişin neden olduğu etki, toplamsallık (süper pozisyon)
kuralına göre hesaplanmaktadır. Ardından bulunan değerler toplanarak çıkış gerilimi elde
edilmektedir. Toplamsallık kuralının kullanılması ile çıkış gerilimi ifadesinin elde edilmesi,
aşağıdaki eşitliklerde verilmiştir (Mancini, 2002).
RF
VOUT _ N   VN (3.6)
RN
RF
VOUT _1   V1 (3.7)
R1
RF
VOUT _ 2   V2 (3.8)
R2
R R R 
VOUT    F VN  F V1  F V2  (3.9)
 RN R1 R2 
Eş. (3.9) incelendiğinde, bütün direnç değerlerinin eşit seçilmesi durumunda çıkış
gerilimi,
VOUT   VN  V1  V2  (3.10)
olmaktadır. Eş. (3.10), Şekil 3.4.’te verilen opamp devresinde bütün direnç değerlerinin eşit
seçilmesi durumunda çıkışın, giriş gerilimlerinin toplamlarının negatif işaretlisi olduğunu
göstermektedir (Mancini, 2002).
3.3.4. Fark alıcı yükselteç
Fark alıcı yükselteç devresi, opamp girişlerine Şekil 3.5.’te görüldüğü gibi uygulanan
iki gerilimin farkını çıkış gerilimi olarak veren devredir (Mancini, 2002).
11
R3 R4
V2
V-
-
R1 VOUT
V+
V1 +
R2
Şekil 3.5. Fark alıcı yükselteç devresi.
Çıkış gerilimi ifadesi, toplayıcı yükselteç devresinde olduğu gibi toplamsallık kuralı göz
önüne alınarak elde edilebilmektedir. V1 giriş geriliminin çıkış gerilimi üzerindeki etkisi,
aşağıdaki eşitliklere göre hesaplanmaktadır (Mancini, 2002).
R2
V  V1 (3.11)
R1  R2
 R2   R  R4 
VOUT _1  V  G    V1   3  (3.12)
 R1  R2  R3 
V2 giriş geriliminin çıkış gerilimi üzerindeki etkisi ise,
R4
VOUT _ 2   V2 (3.13)
R3
eşitliklerine göre elde edilmektedir. Opamp çıkış gerilimi, Eş. (3.12) ve Eş. (3.13) eşitliklerinin
toplamı ile elde edilmektedir. Toplamsallık kuralı uygulanarak elde edilen opamp çıkış gerilimi,
R4
VOUT  V1  V2  (3.14)
R3
olarak elde edilmektedir. Eş. (3.14) incelendiğinde opamp çıkış gerilimi, giriş gerilimleri
R4
farkının oranında kuvvetlendirilmiş ya da zayıflatılmış halidir. Bu iki direnç değeri aynı
R3
kabul edilirse çıkış gerilimi direkt olarak giriş gerilimleri farkına eşit olacaktır (Mancini, 2002).
12
3.3.5. İntegral alıcı yükselteç
İntegral alıcı yükselteç devresi, opamp devresi girişine uygulanan gerilim sinyalinin
integralini alarak opamp çıkışına aktarmaktadır. İntegral alıcı yükselteç devresi, Şekil 3.6.’da
verilmiştir.
IC CF
RS
VIN V-
-
I VOUT
V+
+
Şekil 3.6. İntegral alıcı yükselteç devresi.
Şekil 3.6.’ya göre integral alıcı devrenin evirmeyen ucu topraklanmakta ve geri besleme
direnci, bir kapasitör ile değiştirilmektedir. Opamp girişlerinden opamp içerisine herhangi bir
akım akmadığı varsayılmaktadır. Seri bağlı dirençten akan akım, kapasitör üzerinden akacaktır.
Bu akım,
VIN  V
I (3.15)
RS
eşitliğine göre hesaplanmaktadır. Burada, evirmeyen uç topraklandığı için opamp uçlarının
V  V  0V  olarak aynı potansiyelde olduğu kabul edilmektedir. Buna göre akım,
VIN
Ic  I  (3.16)
RS
olmaktadır. Opamp çıkış gerilimi ise,
1
 I  t  dt
t
VOUT  V   c (3.17)
CF 0
olmaktadır. Sonuç olarak, V  0V varsayımını ve Ic gerilimini kullanarak opamp çıkış gerilimi,

13
1 t
VOUT  
Rs CF V
0 IN dt (3.18)
şeklinde elde edilmektedir. Eş. (3.18) eşitliği incelendiğinde opamp çıkış gerilimi, girişe
uygulanan gerilimin negatif işaretlisinin integralinin alınarak belirli sabitlerle çarpılmış halidir.
3.3.6. Türev alıcı yükselteç
Türev alıcı yükselteç devresi, opamp devresi girişine uygulanan gerilim sinyalinin
türevini alarak opamp çıkışına aktarmaktadır. Türev alıcı yükselteç devresi, Şekil 3.7.’de
verilmiştir.
I RF
CG
V-
VIN -
I VOUT
V+
+
Şekil 3.7. Türev alıcı yükselteç devresi.
Şekil 3.7.’de görüldüğü üzere türev alıcı yükselteç devresinin evirmeyen ucu
topraklanmakta ve kazanç direnci, bir kapasitör ile değiştirilmektedir. Opamp girişlerinin
potansiyelinin aynı seviyede ( V  V  0V ) olduğu varsayılmaktadır. Bu varsayım göz önüne
alındığında giriş gerilimi, kapasitör üzerinde görülecektir. Buna göre seri akım,
dVIN
I  CG (3.19)
dt
olarak elde edilmektedir. Opamp çıkış gerilimi, geri besleme direnci üzerindeki gerilimin
negatifine eşit olup,
VOUT   I .RF (3.20)
şeklinde olacaktır. Eş. (3.19), Eş. (3.20)’de yerine yazılırsa,

14
dVIN
VOUT   RF CG (3.21)
dt
eşitliği elde edilmektedir. Eş. (3.21) eşitliği incelendiğinde opamp çıkış gerilimi, girişe
uygulanan gerilimin negatif işaretlisinin türevinin alınarak belirli sabitlerle çarpılmış halidir.
3.3.7. Karşılaştırıcı
Opamp kullanılarak gerçekleştirilen bir diğer devre, Şekil 3.8.’de görülen, iki gerilimin
karşılaştırılarak, karşılaştırma sonucuna göre pozitif veya negatif besleme gerilimi seviyesinde
gerilim elde edilen karşılaştırıcı devredir.
-V
R2
V- -
R1 VOUT
V+ +
+V
Şekil 3.8. Karşılaştırıcı yükselteç devresi.
İdeal durumda opamp çıkışında elde edilen gerilim, opamp girişine uygulanan
gerilimlerin farklarının, opamp açık çevrim kazancı ile çarpılmış değerine eşit olacaktır.
VOUT  AOC V  V  (3.22)
Opamp açık çevrim kazancı ( AOC ) çok yüksek değerlere sahiptir. Bundan dolayı opamp
çıkış gerilimi, opamp girişlerine uygulanan gerilimler arasındaki fark çok küçük olsa dahi,
saturasyona uğrayarak opamp besleme gerilimlerine eşit olacaktır.
V  V V
VOUT    (3.23)
V  V  V
3.3.8. Gerilim izleyici
Şekil 3.9.’da görülen opamp devresi, genelde empedans uyumlandırma işlemlerinde

kullanılan, çıkış geriliminin fazı ile giriş geriliminin fazının aynı olduğu birim kazanca sahip bir
devredir. Herhangi bir yükseltme ya da zayıflatma işlemi yapmadan, giriş gerilimi aynı şekilde
çıkışa aktarmaktadır.
15
Çıkışı yüksek ve girişi düşük empedansa sahip devrelerde güç aktarımını sağlıklı bir
şekilde yapılabilmesi için empedans uyumlandırma işlemini sağlamaktadır.
V-
-
VOUT
V+
VIN +
Şekil 3.9. Gerilim izleyici devre.
Şekil 3.9. incelendiğinde çıkış geriliminin giriş gerilimine eşit olduğu görülmektedir.
V  V (3.24)
V  VIN (3.25)
VOUT  V (3.26)
VOUT  VIN (3.27)

16
4. FİLTRELER
4.1. Filtre Tanımı
Filtre, belirli bir frekanstaki ya da frekans aralığındaki elektriksel sinyalleri herhangi bir
değişikliğe uğratmadan geçiren ve diğer frekanslardaki sinyallerin geçişini engelleyen bir
aygıttır. Filtreler, Şekil 4.1.’de görüldüğü gibi sınıflandırılabilir.
Şekil 4.1. Filtre türleri.
Filtreler, günümüzde çok geniş bir alanda kullanılmaktadır. Telekomünikasyonda,

modemlerde ve ses işlemede, ses frekansı aralığı olan 0 kHz ile 20 kHz frekansları arasında
çalışan bant geçiren filtreler kullanılmaktadır. Telefon merkezlerinde kanal seçimi için yüksek
frekanslı bant geçiren filtreler kullanılmaktadır. Sistem güç besleme kaynakları genellikle 60 Hz
hat frekansını ve yüksek frekans geçişlerini bastırmak için bant durduran filtreler
kullanmaktadır.
Giriş frekanslarını filtrelemeyen ancak her bir frekans bileşenine doğrusal faz kayması
(zaman gecikmesi) ekleyen hep geçiren filtreler de mevcuttur.
Yüksek frekanslarda (1 MHz ve üzeri) bütün bu filtreler, direnç (R), indüktör (L) ve
kapasitör (C) gibi pasif devre elemanlarını içermektedir. Bu tür filtreler, pasif RLC filtreler
olarak adlandırılmaktadır. Daha düşük frekanslarda (1 Hz ile 1 MHz arasında) filtreleme için
kullanılması gereken indüktör değeri ve boyutu büyümekte, ekonomik olarak üretim zorluğu
oluşturmaktadır. Bu zorluğu ortadan kaldırmak için aktif filtreler kullanılmaktadır.
Aktif filtreler, düşük frekanslarda pasif RLC filtre benzeri performans sergileyen, direnç
ve kapasitör gibi pasif devre elemanlarının yanında aktif aygıt olarak opamp kullanan
17
filtrelerdir. Örnek olarak ikinci dereceden alçak geçiren pasif RLC filtresi Şekil 4.2.a.’da, ikinci
dereceden alçak geçiren aktif filtre Şekil 4.2.b.’de görülmektedir.
L R
VIN VOUT C2
C
VIN +
R1 R2 VOUT
C1 -
a) b)
Şekil 4.2. a) ikinci dereceden alçak geçiren pasif RLC filtresi b) ikinci dereceden alçak geçiren
aktif filtre.
Aktif filtreler ile pasif filtrelerin farkları, Çizelge 4.1.’de görülmektedir.
Çizelge 4.1. Aktif filtreler ve pasif filtrelerin farkı.

Aktif Filtreler Pasif Filtreler
Aktif filtre devrelerinde tümdevre üretim

teknolojisinden kaynaklanan sınırlamalar nedeniyle Pasif filtre tasarımında bobin (self)
self (bobin) elemanı kullanılamaz. Bu eleman yerine elemanı kullanılır, bir sınırlama
negatif empedans dönüştürücülerden yararlanılarak yoktur.
kondansatörden self elde edilebilir.
Aktif filtrelerde, filtrenin geçirgen olduğu

frekanslarda herhangi bir zayıflatma olmaz. Çünkü Pasif filtrede filtrenin geçirgen
aktif filtre tasarımında kullanılan opamp, filtre edilen olduğu frekaslarda zayıflatma olur.
işaretleri yükselterek çıkışına aktarabilir.
Aktif filtre devrelerinin çıkış empedansı çok düşük,

giriş empedansı ise oldukça yüksektir. Bu nedenle,
Böyle bir durum pasif filtrelerde
aktif filtrelerin girişlerine veya çıkışlarına
söz konusu değildir.
bağlanacak devre veya devre elemanlarının
etkilenmesi söz konusu değildir.
Aktif filtrelerin her zaman besleme gerilimine Pasif filtreler herhangi bir besleme
gereksinimleri vardır. gerilimine gereksinim duymazlar.
Aktif filtre tasarımında kullanılan opampların band

Frekans bandı kullanılan bobin ve
genişlikleri sınırlı olduğunda her frekansta aktif filtre
kapasite değerleri ile ayarlanabilir.
tasarlamak oldukça zordur.
18
4.2. Aktif Filtreler
4.2.1. Alçak geçiren filtre
En basit alçak geçiren filtre, Şekil 4.3.’te görülen, direnç ve kapasitörden oluşan birinci
dereceden pasif RC devresidir.
R
VIN VOUT
Şekil 4.3. Birinci dereceden alçak geçiren pasif RC filtresi.
Şekil 4.3.’te görülen devrenin transfer fonksiyonu,
1
1
A s   RC  (4.1)
s
1 1  sRC
RC
olarak elde edilmektedir. Burada s, kompleks frekans bileşeni olup s  jw   şeklindedir. Bu

eşitlik bütün zaman sinyalleri için geçerli olup, saf sinüs dalgası için   0 ve böylece s  jw
olmaktadır.
Transfer fonksiyonunun normalize gösterimi için, s filtrenin köşe frekansı wc ’ye (-3 dB
frekansına) ait olmak üzere,
jw jf
S   j (4.2)
wc fc
1
eşitliği kullanılmaktadır. Şekil 4.3.’teki alçak geçiren filtrenin köşe frekansı, f c  ,
2 RC
kullanıldığında S  sRC eşitliği kullanılabilmektedir. Buna göre transfer fonksiyonu Eş. (4.3),
kazanç cevabının genliği ise Eş. (4.4) ile verildiği gibi olacaktır.
1
A s   (4.3)
1 S
19
1
A (4.4)
1  2
 1 olan frekanslar için eğim 20 dB/decade olacaktır. Daha dik bir eğim için n katlı
filtreler, Şekil 4.4.’te olduğu gibi seri bağlanabilmektedir. Opamp’ların empedans
dönüştürücüsü olarak çalışması, yükleme etkisini engellemektedir.
R
VIN + R
+ R
C - + R
C - +
C - VOUT
C -
Şekil 4.4. Dördüncü dereceden alçak geçiren pasif RC filtresi.
n katlı filtre için transfer fonksiyonu Eş. (4.5) ile verilmiştir.
1
A s   (4.5)
1  a1S 1  a2 S 1  a3 S ...1  an S 
Bütün filtrelerin aynı kesim frekansına sahip olması durumunda a katsayıları,
a1  a2  ...  an  a n
2 1 (4.6)
1
olmaktadır ve her parçalı filtrenin kesim frekansı fc, bütün filtrenin kesim frekansından kat
a
yüksektir.
20
Şekil 4.5. İdeal alçak geçiren filtre için frekansa karşılık genlik ve faz cevap eğrileri
Mavi – Birinci, Yeşil – İkinci, Kırmızı – Üçüncü, Turkuaz – Dördüncü derece.
Alçak geçiren filtrenin kazanç ve faz cevabı, verilen 3 kriterden birini sağlayacak
şekilde optimize edilebilmektedir:
o Maksimum geçiş bandı düzlüğü,

o Geçiş bandı ve durdurma bandı arasında ani geçiş,
o Doğrusal faz cevabı.
Bu kriterlerden birini sağlayabilmek için transfer fonksiyonu, karmaşık kutuplara sahip

olabilmeli ve Eş. (4.7)’deki yapıya sahip olmalıdır.
A0
A s  
b s
1
2
 a1s  1 b2 s  a2 s  1 ...  bn s 2  an s  1
2 (4.7)
A0
A s  
 b s  ai s  1
n
2 (4.8)
i
i 1
Eşitlikte yer alan A0 parametresi, DC’de geçiş bandı kazancını, ai ve bi ise filtre
katsayılarını temsil etmektedir. Payda, ikinci dereceden terimlerin çarpımı olduğundan dolayı
transfer fonksiyonu, seri bağlı ikinci dereceden alçak geçiren filtre katlarını temsil etmektedir. ai
ve bi katsayıları, bu durumda gerçek ve pozitif değer almakta; her bir ikinci dereceden filtre
katının karmaşık kutup konumlarını tanımlamaktadır.
21
Pasif RC filtrelerin transfer fonksiyonları, karmaşık kutupların olmamasından dolayı

daha ileri optimizasyona izin vermemektedir. Pasif bileşenler kullanarak eşlenik karmaşık
kutupların çarpımı için tek olasılık, RLC filtre uygulamalarıdır. Ancak düşük frekanslarda (<10
MHz) kullanılması gereken indüktörün değeri ve fiziksel boyutu oldukça büyük değerlere
ulaşacağı için bu filtreler, genellikle yüksek frekanslarda kullanılmaktadır.
4.2.1.1. Butterworth alçak geçiren filtre
Butterworth alçak geçiren filtresi maksimum geçiş bandı düzlüğü sağlamaktadır. Ancak
bir Butterworth filtresi genellikle geçiş bandında belirli sinyal seviyesinin istendiği veri toplama
uygulamalarında yumuşatma filtresi olarak kullanılmaktadır.
Şekil 4.6.’da yer alan grafik, farklı derecelerdeki Butterworth alçak geçiren filtrelerin
normalize frekansa karşılık genlik cevaplarını göstermektedir.
Butterworth filtreleri, sınır frekansına kadar sabit kalan, sınır frekansından az önce ise
dik bükülmeye sahip bir transfer karakteristiğine sahiptir. Sıçramaya karşı davranışı, yani girişte
kare sıçrama olduğu halde çıkış gerilinin zamana göre değişimi, derecesi arttıkça büyüyen
önemli bir salınma gösterir.
Şekil 4.6. Farklı derecelerdeki Butterworth alçak geçiren filtresinin normalize frekansa karşılık
genlik cevabı (Mancini, 2002).
4.2.1.2. Chebyshev alçak geçiren filtre
Chebyshev alçak geçiren filtresi, kesim frekansı civarında yüksek kazançlı eğim
sağlamaktadır. Ancak bu filtrede geçiş bandı kazancı, Şekil 4.7.’de görüldüğü gibi, sabit genliğe
22
sahip olmamakla birlikte dalgalanmalara sahiptir. Verilen bir derece için yüksek geçiş bandı
dalgalanması, yüksek eğim anlamına gelmektedir.
Şekil 4.7. Farklı derecelerdeki Chebyshev alçak geçiren filtresinin normalize frekansa karşılık
genlik cevabı (Mancini, 2002).
Artan filtre derecesi, dalgalanmanın genliğini etkilemektedir. Chebyshev filtreleri

genellikle sabit kuvvetlendirmeden ziyade sinyalin frekans bileşenlerinin önemli olduğu filtre
banklarında kullanılmaktadır.
Chebyshev filtrelerinde sınır frekansının üstünde kazanç en dik bir şekilde düşmektedir.
Geçirgenlik bölgesinde buna karşılık aynı seviyede kalmayıp, sabit genlikli bir dalgalanma
göstermektedir. Verilen bir derecede sınır frekansı üstünde düşüş, izin verilen dalgalanma ne
kadar büyükse, o denli diktir. Sıçrama davranışında görülen salınma, Butterworth filtresinde
görülen salınmadan daha kuvvetlidir.
4.2.1.3. Bessel alçak geçiren filtre
Bessel alçak geçiren filtresi, geniş bir frekans aralığında doğrusal faz cevabına sahiptir.
Böylece bu frekans aralığında grup gecikmesi sabit olmaktadır. Optimum kare dalga geçiş
davranışı sergilemesine rağmen Bessel filtresi, Butterworth filtresi gibi düz bir geçiş bandı
kazancına ve Chebyshev filtresi gibi geçiş bandından durdurma bandına geçişteki keskinliğe
sahip değildir.
23
Dördüncü dereceden alçak geçiren Bessel, Butterworth ve Chebyshev filtrelerinin

genlik cevapları Şekil 4.8.a.’da, faz cevapları Şekil 4.8.b.’de ve grup gecikme grafiği Şekil
4.8.c.’de verilmiştir.
(a) Kazanç cevabı (b) Faz cevabı (c) Grup gecikmesi
Şekil 4.8. Dördüncü dereceden Bessel, Butterworth ve Chebyshev filtrelerinin normalize

frekansa göre cevapları (Mancini, 2002).
Bessel filtreleri optimum bir kare formu geçirgenliği göstermektedir. Bunun için
gecikme süresinin mümkün olduğu kadar geniş bir frekans sahası içinde sabit kalması şarttır.
Yani bu frekans sahası içinndeki faz kayması frekansla orantılı olmalıdır. Bessel filtrelerinin
frekans bağımlılığı, Butterworth filtrelerindeki kadar dik bir düşüş göstermemektedir.
4.2.1.4. Kalite faktörü (Q)
Kalite faktörü (Q), filtre derecesine eşdeğer bir tasarım parametresidir. Problem, n.
dereceden Chebyshev alçak geçiren filtresi tasarlamak yerine Q kalite faktörüne sahip bir
Chebyshev alçak geçiren filtresi tasarlamak olarak tanımlanmaktadır.
Bant geçiren filtreler için Q, -3 dB noktasında,
fm
Q (4.9)
fu  fl
olarak tanımlanmaktadır. Bu eşitlikte fm değişkeni orta frekansı, fu değişkeni üst ve fl değişkeni

alt frekansı temsil etmektedir.
Alçak ve yüksek geçiren filtreler için Q, kutup kalitesini temsil etmekte,
bi
Q (4.10)
ai
24
olarak tanımlanmaktadır. Yüksek Q değerleri, grafiksel olarak, filtrenin kazanç cevabının tepe
noktası ile 0 dB çizgisi arasındaki mesafe olarak gösterilebilmektedir. Şekil 4.9.’da bir 10.
dereceden alçak geçiren Chebyshev filtresinin 5 katına ait kazanç cevabı ayrı ayrı gösterilmiştir.
Şekil 4.9. Onuncu dereceden Chebyshev filtresine ait kazanç cevabında kalite faktörünün
grafiksel gösterimi (Mancini, 2002).
Grafiksel hesaplamaya örnek olarak Şekil 4.9. göz önüne alındığında, 5. filtre katının
kazanç cevabı 31 dB logaritmik tepe değerine sahiptir. Q değeri,
Q5,dB  20log10  Q5  (4.11)
Q5,dB
Q5  10 20 (4.12)
eşitliğine göre 35.48 olarak elde edilmektedir.
4.2.1.5. Alçak geçiren filtre tasarımı
Kaskad bağlı ikinci dereceden alçak geçiren filtrenin transfer fonksiyonunu temsil eden
Eş. (4.8)’de tek bir katı temsil eden transfer fonksiyonu Eş. (4.13)’te verilmiştir.
25
A0
Ai  s   (4.13)
bi s  ai s  1
2
Birinci dereceden filtreler için Eş. (4.13)’te yer alan katsayılardan b katsayısı 0 değerini
almaktadır. Böylece eşitlik,
A0
A s   (4.14)
as  1
haline gelmektedir. Daha yüksek dereceli filtreler, birinci ve ikinci derecen filtre blokları ile
oluşturulmaktadır. Şekil 4.10.’da, 6. dereceye kadar kaskad bağlı filtre katları görülmektedir.
Çift sayılı dereceye sahip filtreler sadece ikinci dereceden filtre katlarından oluşmaktayken tek
sayılı dereceye sahip filtreler, buna ek olarak birinci dereceden filtre katı da içermektedir.
1. Derece
1. Derece
a=1
2. Derece
2. Derece
a1, b1
1. Derece 2. Derece
3. Derece
a1 a2, b2
2. Derece 2. Derece
4. Derece
a1, b1 a2, b2
1. Derece 2. Derece 2. Derece

5. Derece
a1 a2, b2 a3, b3
2. Derece 2. Derece 2. Derece

6. Derece
a1, b1 a2, b2 a3, b3
Şekil 4.10. Yüksek dereceli filtre oluşturmak için filtre katlarının kaskad bağlanması.
Opamp açık çevrim kazancı üzerindeki bağlayıcı gereksinimleri azaltmak için filtreler,
genellikle birim kazançla ( A0  1 ) çalışmaktadır. Kısmı filtrenin köşe frekansının yüksek
olması, kalite faktörünün de yüksek olmasına neden olmaktadır. Ayrı katlarda saturasyona
ulaşmamak için filtre katları, artan kalite faktörüne göre konumlandırılmalıdır.
26
Birinci dereceden alçak geçiren filtre tasarımı
Birinci dereceden evirmeyen alçak geçiren filtre tasarımı Şekil 4.11.a.’da, eviren alçak
geçiren filtre tasarımı Şekil 4.11.b.’de verilmiştir.
R2 C1
R3 R2
-
VOUT R1
VIN + VIN -
R1 VOUT
C1 +
a) Evirmeyen b) Eviren
Şekil 4.11. Birinci dereceden alçak geçiren filtre.
Şekil 4.11.a. ve Şekil 4.11.b.’de verilen evirmeyen ve eviren birinci dereceden alçak
geçiren filtrelere ait transfer fonksiyonları, sırasıyla Eş. (4.15) ve Eş. (4.16)’da verilmiştir.
R2
1
R3
A s  
(4.15)
1  wc R1C1s
R2

R1
A s  
(4.16)
1  wc R2C1s
Eş. (4.16)’da yer alan negatif işaret, giriş sinyalinin fazının eviren filtre tarafından 180 o
kaydırılarak çıkışa aktarıldığını göstermektedir. Eş.(4.15) ve Eş. (4.16) göz önüne alındığında,
Eş. (4.17) ve Eş. (4.18) ile gösterilen eviren filtre için, Eş. (4.19) ve Eş. (4.20) ile gösterilen
evirmeyen filtre için filtre katsayıları elde edilmektedir.
R2
A0  1  (4.17)
R3
a1  wc R1C1 (4.18)
27
R2
A0   (4.19)
R1
a1  wc R2C1 (4.20)
Filtre tasarımında kesim frekansı, DC kazanç sabiti ve kapasitör değeri belirlenerek

filtrede kullanılacak direnç değerleri, evirmeyen filtre için Eş. (4.21) ve Eş. (4.22), eviren filtre
için Eş. (4.23) ve Eş. (4.24)’e göre hesaplanmaktadır.
a1
R1  (4.21)
2 f c C1
R2  R3  A0  1 (4.22)
a1
R2  (4.23)
2 f c C1
R2
R1   (4.24)
A0
İkinci dereceden alçak geçiren filtre tasarımı
İkinci dereceden alçak geçiren filtre tasarımı için Sallen-Key ve Çoklu Geri Besleme
(Multiple Feedback, MFB) topolojileri kullanılmaktadır.
R4
Şekil 4.12.a.’da verilen genel Sallen-Key topolojisinde kazanç ayarı, A0  1 
R3
eşitliğine göre ayarlanabilmektedir. Ancak Şekil 4.12.b.’de verilen birim kazançlı topoloji
genellikle yüksek doğruluklu kazanca (birim kazanca) ve düşük kalite faktörüne (genellikle
Q<3) sahip filtre tasarımlarına uygulanmaktadır.
28
C2
VIN +
C2
R1 R2 VOUT
C1 -
VIN +
R1 R2 VOUT
R4 C1 -
R3
a) Genel Sallen-Key topolojisi b) Birim kazançlı Sallen-Key topolojisi
Şekil 4.12. Alçak geçiren filtre için Sallen-Key topolojileri.
Şekil 4.12.a.’da verilen yapıya ait transfer fonksiyonu Eş. (4.25) ile verilmiştir.
A0
A s   (4.25)
1  wc C1  R1  R2   1  A0  R1C2  s  wc2 R1 R2C1C2 s 2
Birim kazançlı Sallen-Key topolojisinde A0  1 olduğundan dolayı Şekil 4.12.b.’de

verilen topoloji için transfer fonksiyonu,
1
A s   (4.26)
1  wc C1  R1  R2  s  wc2 R1R2C1C2 s 2
olarak elde edilmektedir. Eş. (4.26)’ya göre transfer fonksiyonu parametrelerine bakıldığında,
A0  1 (4.27)
a1  wc C1  R1  R2  (4.28)
b1  wc2 R1R2C1C2 (4.29)
eşitlikleri görülmektedir. Eş. (4.28) ve Eş. (4.29) eşitlikleri kullanılarak, verilen C1 ve C2

kapasitörleri için direnç değerleri,
a1C2  a12C22  4b1C1C2

R1,2  (4.30)
4 f c C1C2
eşitliğine göre hesaplanabilmektedir. Karekök ifadesine göre gerçek değerler elde etmek için,
29
4b1
C2  C1 (4.31)
a12
koşulu sağlanmalıdır.
Şekil 4.13.’te verilen çoklu geri besleme (multiple feedback, MFB) topolojisi ise
genellikle yüksek kalite faktörü ve yüksek kazanç gerektiren filtrelerde kullanılmaktadır.
R2
C1
VIN -
R1 R3 VOUT
C2 +
Şekil 4.13. Alçak geçiren filtre için çoklu geri besleme (MFB) topolojisi.
Şekil 4.13.’te verilen yapıya ait transfer fonksiyonu Eş. (4.32) ile verilmiştir.
R2
R1
A s    (4.32)
 RR 
1  wc C1  R2  R3  2 3  s  wc2C1C2 R2 R3 s 2
 R1 
Eş. (4.32)’ye göre transfer fonksiyonu parametrelerine bakıldığında,
R2
A0   (4.33)
R1
 RR 
a1  wc C1  R2  R3  2 3  (4.34)
 R1 
b1  wc2C1C2 R2 R3 (4.35)
eşitlikleri görülmektedir. Eş. (4.33), Eş. (4.34) ve Eş. (4.35) eşitlikleri kullanılarak, verilen C1 ve
C2 kapasitörleri için direnç değerleri,
R2
R1  (4.36)
 A0
30
a1C2  a12C22  4b1C1C2 1  A0 

R2  (4.37)
4 f c C1C2
b1
R3  (4.38)
4 f C1C2 R2
2
c
2
eşitliğine göre hesaplanabilmektedir. R2 direncine gerçek değer elde etmek için,
4b1 1  A0 
C2  C1 (4.39)
a12
koşulu sağlanmalıdır.
4.2.2. Yüksek geçiren filtre
4.2.2.1. Yüksek geçiren filtre tasarımı
Alçak geçiren filtrede bulunan dirençlerin kapasitörlerle ve kapasitörlerin dirençlerle

değiştirilmesi ile yüksek geçiren filtreler oluşturulmaktadır. Eleman değiştirme yolu ile alçak
geçiren filtrenin yüksek geçiren filtreye dönüştürülmesine örnek olarak Şekil 4.14.
verilmektedir.
C2 R2
VIN + VIN +
R1 R2 VOUT C1 C2 VOUT
C1 - -
R1
Şekil 4.14. Alçak geçiren filtrenin yüksek geçiren filtreye dönüştürülmesi.
Bir yüksek geçiren filtrenin kazanç cevabının çizimi için, alçak geçiren filtrenin kazanç
cevabının köşe frekansına göre (   1 ) simetrisinin alınması yeterlidir. Böylece  parametresi
1 1
ile, s parametresi ise ile değiştirilmelidir. Eleman değişimi ile yapılan alçak geçiren
 s
filtreden yüksek geçiren filtreye dönüşüme ait kazanç cevabı Şekil 4.15.’te verilmiştir.
31
Şekil 4.15. Alçak geçiren filtreden elde edilen yüksek geçiren filtreye ait kazanç cevabı
(Mancini, 2002).
Bu durumda yüksek geçiren filtreye ait transfer fonksiyonu Eş. (4.40) ile verilen yapıda
olacaktır.
A
A s   n
 bi ai  (4.40)
  s
i 1
2

s
 1

Eş. (4.40) eşitliğinde yer alan A parametresi, geçiş bandı kazancını temsil etmektedir.
İkinci dereceden bir yüksek geçiren filtrenin tek bir katına ait transfer fonksiyonu Eş. (4.41),
birinci dereceden bir yüksek geçiren filtrenin tek bir katına ait transfer fonksiyonu ise Eş. (4.42)
ile verilmiştir.
A
A s  
bi ai (4.41)
 1
s2 s
A
A s  
ai (4.42)
1
s
4.2.2.2. Birinci dereceden yüksek geçiren filtre tasarımı
Birinci dereceden evirmeyen yüksek geçiren filtre tasarımı Şekil 4.16.a.’da, eviren
yüksek geçiren filtre tasarımı Şekil 4.16.b.’de verilmiştir.
32
C1
VIN + R2
VOUT
R1 -
C1 R1
VIN -
VOUT
R2 +
R3
a) Evirmeyen b) Eviren
Şekil 4.16. Birinci dereceden yüksek geçiren filtre.
Şekil 4.16.a. ve Şekil 4.16.b.’de verilen evirmeyen ve eviren birinci dereceden yüksek
geçiren filtrelere ait transfer fonksiyonları, sırasıyla Eş. (4.43) ve Eş. (4.44)’te verilmiştir.
R2
1
R3
A s   (4.43)
1 1
1
wc R1C1 s
R2

R1
A s   (4.44)
1 1
1
wc R1C1 s
Eş. (4.44)’da yer alan negatif işaret, giriş sinyalinin fazının eviren filtre tarafından 180 o
kaydırılarak çıkışa aktarıldığını göstermektedir. Eş.(4.43) ve Eş. (4.44) göz önüne alındığında,
Eş. (4.45) ve Eş. (4.46) ile gösterilen eviren filtre için, Eş. (4.46) ve Eş. (4.47) ile gösterilen
evirmeyen filtre için filtre katsayıları elde edilmektedir.
R2
A  1  (4.45)
R3
1
a1  (4.46)
wc R1C1
R2
A0   (4.47)
R1
Eş. (4.43) ve Eş. (4.44) incelendiğinde, Eş. (4.46) ile verilen katsayı, her iki filtre yapısı
için aynı olmaktadır. Filtre tasarımında kesim frekansı, DC kazanç sabiti ve kapasitör değeri
33
belirlenerek filtrede kullanılacak direnç değerleri, evirmeyen filtre için Eş. (4.48) ve Eş. (4.49),
eviren filtre için Eş. (4.48) ve Eş. (4.50)’e göre hesaplanmaktadır.
1
R1  (4.48)
2 f c a1C1
R2  R3  A  1 (4.49)
R2   R1 A (4.50)
4.2.2.3. İkinci dereceden yüksek geçiren filtre tasarımı
İkinci dereceden yüksek geçiren filtre tasarımında, alçak geçiren filtre tasarımında
olduğu gibi Sallen-Key ve Çoklu Geri Besleme (Multiple Feedback, MFB) topolojileri
kullanılmaktadır. Buradaki tek fark, direnç ve kapasitör elemanlarının yerlerinin değişmiş
olmasıdır.
R4
Şekil 4.17.a.’da verilen genel Sallen-Key topolojisinde kazanç ayarı, A  1 
R3
eşitliğine göre ayarlanabilmektedir. Ancak Şekil 4.17.b.’de verilen birim kazançlı topoloji
genellikle yüksek doğruluklu kazanca (birim kazanca) ve düşük kalite faktörüne (genellikle
Q<3) sahip filtre tasarımlarına uygulanmaktadır.
R2
R2
VIN +
C1 C2 VOUT
VIN +
- VOUT
R1 C C
-
R1
R4
R3
a) Genel Sallen-Key topolojisi b) Birim kazançlı Sallen-Key topolojisi
Şekil 4.17. Yüksek geçiren filtre için Sallen-Key topolojileri.
Şekil 4.17.a.’da verilen yapıya ait transfer fonksiyonu Eş. (4.51) ile verilmiştir.
34
A
A s  
R2  C1  C2   1  A  R1C2 1 1 1 (4.51)
1 
wc R1 R2C1C2 s wc2 R1R2C1C2 s 2
Birim kazançlı Sallen-Key topolojisinde A  1 olduğundan dolayı Şekil 4.17.b.’de
verilen topoloji için transfer fonksiyonu, basitleştirme için C1  C2  C kabul edildiğinde,
1
A s  
2 1 1 1 (4.52)
1  2 2 2
wc R1C s wc R1 R2C s
olarak elde edilmektedir. Eş. (4.52)’ye göre transfer fonksiyonu parametrelerine bakıldığında,
A  1 (4.53)
2
a1  (4.54)
wc R1C
1
b1  (4.55)
2
w R1 R2C 2
c
eşitlikleri görülmektedir. Eş. (4.54) ve Eş. (4.55) eşitlikleri kullanılarak, C olarak verilen
kapasitör değerleri için direnç değerleri,
1
R1  (4.56)
 f c Ca1
a1
R2  (4.57)
4 f c Cb1
eşitliğine göre hesaplanabilmektedir.
Şekil 4.18.’de verilen çoklu geri besleme (multiple feedback, MFB) topolojisi ise
genellikle yüksek kalite faktörü ve yüksek kazanç gerektiren filtrelerde kullanılmaktadır. Devre
hesaplamasında basitliği sağlamak için C1  C3  C varsayımı kullanılacaktır.
35
C2
R1
VIN -
C1=C C3=C VOUT
+
R2
Şekil 4.18. Yüksek geçiren filtre için çoklu geri besleme (MFB) topolojisi.
Şekil 4.18.’de verilen yapıya ait transfer fonksiyonu Eş. (4.58) ile verilmiştir.
C
C2
A s    (4.58)
2C2  C 1 2C  C 1
1  2 2
wc R1C2C s wc R1 R2C2C s 2
Eş. (4.58)’e göre transfer fonksiyonu parametrelerine bakıldığında,
C
A  (4.59)
C2
2C2  C
a1  (4.60)
wc R1C2C
2C2  C
b1  (4.61)
wc2 R1 R2C2C
eşitlikleri görülmektedir. Eş. (4.59), Eş. (4.60) ve Eş. (4.61) eşitlikleri kullanılarak, verilen C ve
C2 kapasitörleri için direnç değerleri,
1  2 A
R1  (4.62)
2 f c Ca1
a1
R2  (4.63)
2 f c b1C2 1  2 A 
eşitliğine göre hesaplanabilmektedir. MFB yüksek geçiren filtrenin geçiş bandı kazancı, C ve C 2
kapasitörlerinin geniş toleranslarından dolayı önemli bir şekilde değişiklik gösterebilmektedir.
36
Kazanç değişimini en düşük seviyede tutmak için düşük toleranslı kapasitörler kullanmak
gerekmektedir.
4.2.3. Bant geçiren filtre
4.2.3.1. Bant geçiren filtre tasarımı
Yüksek geçiren filtre tasarımı yapılırken, alçak geçiren filtre ile eleman değişimi
yapılarak,
1
s (4.64)
s
dönüşümü gerçekleştirilmekteydi. Bant geçiren filtre tasarımında da, bu değişime benzer olarak
1  1
s s   (4.65)
  s
dönüşümü gerçekleştirilmektedir. Bu durumda alçak geçiren filtrenin geçiş bandı karakteristiği,

Şekil 4.19.’da görüldüğü gibi, bant geçiren filtrenin üst geçiş bandına dönüşmektedir. Daha
sonra üst geçiş bandının normalize orta frekansa göre (   1 ) simetriği alınarak alt geçiş
bandının oluşturulmaktadır.
Şekil 4.19. Alçak geçiren filtrenin kazanç cevabının bant geçiren filtrenin kazanç cevabına
dönüşümü (Mancini, 2002).
Şekil 4.19.’dan görüldüğü gibi, alçak geçiren filtrenin köşe frekansı, bant geçiren
filtrenin alt ve üst -3 dB frekansına ( 1 ve  2 ) dönüşmektedir. Bu frekanslar arasındaki fark,
37
  2  1 (4.66)
normalize bant genişliği olarak adlandırılmaktadır. Normalize merkez frekans ise,
m  12  1 (4.67)
olmaktadır. Rezonans devreleri analojisinde kalite faktörü (Q), orta frekansın bant genişliğine
oranı olarak tanımlanmaktadır ve Eş. (4.68) ile verilmiştir.
fm fm m 1 1
Q     (4.68)
B f 2  f1 2  1 2  1 
Bir bant geçiren filtrenin en basit tasarımı, yüksek geçiren ve alçak geçiren iki filtrenin
birbirine seri olarak bağlanması ile elde edilmektedir. Böylece birinci dereceden bir alçak
geçiren ve yüksek geçiren filtre, ikinci dereceden bir bant geçiren filtre oluşturmaktadır. Alçak
geçiren ve yüksek geçiren filtreler ikinci dereceden olduğu takdirde bant geçiren filtrenin
derecesi dört olmaktadır.
4.2.3.2. İkinci dereceden bant geçiren filtre tasarımı
İkinci dereceden bant geçiren filtrenin frekans cevabını elde etmek için Eş. (4.65) ile
verilen dönüşüm, bir alçak geçiren filtreye uygulanmalıdır.
A0
A s   (4.69)
1 s
Eş. (4.69) ile verilen birinci dereceden alçak geçiren filtreye Eş. (4.65)’in uygulanması
sonucu elde edilen transfer fonksiyonu, Eş. (4.70) ile verilmiştir.
A0 s
A s   (4.70)
1  s  s 2
Bant geçiren filtre tasarımında önemli olan parametreler, merkez frekanstaki kazanç
( Amid ) ve bant geçiren filtrenin seçiciliğini temsil eden kalite faktörüdür ( Q ). Bu iki parametre
dikkate alınarak transfer fonksiyonu,
38
Amid
s
Q
A s   (4.71)
1
1  s  s2
Q
şeklinde yeniden düzenlenebilmektedir.
Farklı kalite faktörü değerleri için ikinci dereceden bant geçiren filtrenin normalize
kazanç cevabı Şekil 4.20.’de görülmektedir.
Şekil 4.20. Farklı kalite faktörü değerleri için ikinci dereceden bant geçiren filtrenin normalize
kazanç cevabı (Mancini, 2002).
Artan kalite faktörü değerine karşılık, filtrenin daha seçici olmasını sağlayan, kazanç
cevabının dikleşmesi Şekil 4.20.’den görülmektedir.
Alçak geçiren ve yüksek geçiren filtre tasarımlarında olduğu gibi Sallen-Key ve Çoklu
Geri Besleme (Multiple Feedback, MFB) topolojileri, bant geçiren filtrelerde de
kullanılmaktadır. İkinci dereceden bant geçiren filtre için Sallen-Key topolojisi, Şekil 4.21.’de
verilmiştir.
39
VIN +
R C VOUT
-
C 2R
R2
R1
Şekil 4.21. İkinci dereceden bant geçiren filtre için Sallen-Key topolojisi.
Şekil 4.21. ile verilen Sallen-Key topolojisine ait transfer fonksiyonu Eş. (4.72) ile
verilmiştir.
GRCwm s
A s   (4.72)
1  RCwm  3  G  s  R 2C 2 wm2 s 2
1
fm  (4.73)
2 RC
R2
G 1 (4.74)
R1
G
Amid  (4.75)
3G
1
Q (4.76)
3G
eşitlikleri görülmektedir. Eş. (4.73) ile verilen eşitlikte fm parametresi, orta frekansı; Eş. (4.74)
ile verilen eşitlikte G parametresi, iç kazancı; Eş. (4.75) ile verilen eşitlikte Amid parametresi,
orta frekanstaki kazancı ve Eş. (4.76) ile verilen eşitlikte Q parametresi, filtre kalitesini temsil
etmektedir. Eşitliklere dikkat edilirse, Sallen-Key topolojisi, orta frekansı değiştirmeden G
parametresini değiştirerek kalite faktörünü ayarlama avantajına sahiptir. Ancak kalite
faktörünün merkez kazançtan bağımsız ayarlanamaması, Sallen-Key topolojisinin bir
dezavantajıdır.
40
G = 3 için Amid parametresinin sonsuza giderek devreyi osilasyona sokabilmesinden

dolayı, G parametresinin ayarlanmasına dikkat edilmelidir.
Orta frekansı ayarlamak için fm ve C değerleri belirlenmeli, ardından R direnci

hesaplanmalıdır.
1
R (4.77)
2 f m C
Q ve Amid parametrelerinin, aynı parametreye bağımlı olmasından dolayı R2 direncinin

seçimi için iki seçenek bulunmaktadır. Orta frekanstaki kazancı ayarlayarak R2 direncinin
hesaplanması Eş. (4.78)’de, belirli bir kalite faktörü için R2 direncinin hesaplanması Eş.
(4.79)’da verilmiştir.
2 Amid  1
R2  (4.78)
1  Amid
2Q  1
R2  (4.79)
Q
Şekil 4.22.’de MFB bant geçiren filtre yapısı görülmektedir.
C
R2
VIN -
R1 C VOUT
+
R3
Şekil 4.22. Bant geçiren filtre için çoklu geri besleme (MFB) topolojisi
Şekil 4.22.’de verilen yapıya ait transfer fonksiyonu Eş. (4.80) ile verilmiştir.
41
R2 R3
 Cwm s
R1  R2
A s   (4.80)
2 R1 R3 RR R
1 Cwm s  1 2 3 C 2 wm2 s 2
R1  R3 R1  R3
1 R1  R3
fm  (4.81)
2 C R1 R2 R3
R2
 Amid  (4.82)
2 R1
Q   f m R2C (4.83)
1
B (4.84)
 R2C
eşitlikleri görülmektedir. Eş. (4.84) ile verilen B parametresi, bant genişliğini temsil etmektedir.
Bant geçiren filtre için MFB topolojisi, Amid, Q ve fm parametrelerinin bağımsız bir şekilde
ayarlanmasına imkân sağlamaktadır. Bant genişliği ve kazanç faktörü, R3 direncinin değerine
bağlı değildir. Böylece R3 direnci, Amid ve B parametrelerini etkilemeden orta frekansın
ayarlanmasında kullanılabilmektedir. Düşük kalite faktörü değerleri için filtre, R3 direnci
olmadan çalışabilmektedir. Ancak bu durumda kalite faktörü,
 Amid  2Q2 (4.85)
eşitliği ile Amid parametresine bağlı hale gelmektedir.
4.2.3.3. Dördüncü dereceden bant geçiren filtre tasarımı
İkinci dereceden filtrenin kazanç cevabının artan kalite faktörü ile dikleşmesi, Şekil
4.20.’de görülmektedir. Ancak keskin bir geçiş bandı-durdurma bandı geçişi gibi, orta frekansa
yakın düz bir kazanç cevabı gerektiren bant geçiren filtre uygulamaları vardır. Bu
gereksinimler, yüksek dereceli bant geçiren filtreler ile giderilebilmektedir.
Eş. (4.13) eşitliğinde Eş. (4.65) yerine konulursa, dördüncü dereceden bant geçiren
filtrenin genel transfer fonksiyonu,
42
s 2 A0   
2
b1
A s   (4.86)
     s 2  a1 s3  s 4
2
a
1  1 s   2  
b1  b1  b1
olarak elde edilmektedir. Alçak geçiren filtrelere benzer olarak, dördüncü dereceden bant
geçiren filtrenin transfer fonksiyonu, iki tane ikinci dereceden bant geçiren transfer
fonksiyonuna ayrılabilir. Bunun için matematiksel olarak,
Amid ,i Amid ,i s
as
Qi Qi a
A s    2 (4.87)
as
1   as  1  s   s 
2
Q1  
Q1a  a 
düzenlemesi yapılmaktadır. Eş. (4.87) ile verilen eşitlikte Amid,i parametresi, her bir filtre
parçasının orta frekansındaki kazanç değerini; Qi parametresi, her filtrenin kutup kalitesini; a
1
ve parametreleri ise tüm geçiş bandının orta frekansından türetilen ayrık filtrelerin orta
a
frekanslarına bağlı değişkenlerdir.
Yüksek kalite faktörlü bir dördüncü dereceden bant geçiren filtrede filtre parçalarının
orta frekansı, tüm orta frekanstan hafif şekilde farklıdır.
a faktörü, Eş. (4.88) kullanılarak iyi bir yaklaşımla belirlenmelidir.
2
 aa  1     0
2
a 
2 1
   2  (4.88)
 b1 1  a   a2
2
b1
Eş. (4.88) ile verilen a1 ve b1 katsayıları, hedeflenen filtre tipinin ikinci dereceden alçak
geçiren filtre katsayılarını temsil etmektedir. Filtre tasarımını kolaylaştırmak için üç farklı kalite
faktörüne göre (Q=1, Q=10 ve Q=100) bu katsayılar ve a faktörü, Çizelge 4.2.’de verilmiştir.
43
Çizelge 4.1. 3 farklı Q değeri için filtre değerleri.
Bessel Butterworth Chebyshev

a1 1.3617 a1 1.4142 a1 1.065
b1 0.618 b1 1 b1 1.9305
Q 1 10 100 Q 1 10 100 Q 1 10 100
∆Ω 0.01 0.1 1 ∆Ω 0.01 0.1 1 ∆Ω 0.01 0.1 1
α 1.0032 1.0324 1.438 α 1.0035 1.036 1.4426 α 1.033 1.0338 1.39
a faktörünün hesaplanmasının ardından filtre için gerekli bütün değerler, Eş. (4.89)-
Eş.(4…) ile verilen eşitlikler yardımı ile hesaplanmaktadır.
Birinci filtrenin orta frekansı Eş. (4.89), ikinci filtrenin orta frekansı Eş. (4.90) ile
hesaplanmaktadır.
fm
f m1  (4.89)
a
fm2  fm a (4.90)
Burada fm, bütün filtrenin orta frekansını temsil etmektedir. Ayrık filtreler için kutup
kalitesi (Qi),
Q Q
1  a  b 2
1
(4.91)
i
aa1
şeklinde hesaplanmaktadır ve iki filtre için de aynı değere sahiptir. Burada Q, bütün filtrenin
kutup kalitesini temsil etmektedir. fm1 ve fm2 orta frekanslarında filtrelerin kazancı, iki filtre için
de aynı olup Eş. (4.92) ile verilmiştir.
Qi Amid
Amid ,i  (4.92)
Q b1
Burada Amid, bütün filtrenin orta frekansındaki kazanç değerini temsil etmektedir.
44
4.2.4. Bant durduran filtre
4.2.4.1. Bant durduran filtre tasarımı
Bir bant durduran filtre, genellikle bir frekans aralığı yerine belirli frekansı bastırmak
için kullanılmaktadır. Aktif Twin-T ve aktif Wien-Robinson ikinci dereceden filtreler, en çok
kullanılan bant durduran filtreler arasındadır.
İkinci dereceden bant durduran filtrenin transfer fonksiyonunu oluşturmak için birinci
dereceden alçak geçiren filtrenin transfer fonksiyonundaki s parametresi,

s
1 (4.93)
s
s
ile değiştirilmelidir. Böylece transfer fonksiyonu,
A0 1  s 2 
A s   (4.94)
1  s  s 2
olarak yeniden düzenlenmiş olacaktır. Böylece birinci dereceden alçak geçiren filtrenin geçiş
bandı karakteristiği, Şekil 4.23.’te görüldüğü gibi, bant durduran filtrenin alt geçiş bandına
dönüşmüş olmaktadır. Daha sorna alt geçiş bandının, normalize orta frekansa (   1 ) göre
simetriği alınarak üst geçiş bandı oluşturulmaktadır.
Şekil 4.23. Alçak geçiren filtrenin kazanç cevabının bant durduran filtrenin kazanç cevabına
dönüşümü (Mancini, 2002).
45
Alçak geçiren filtrenin köşe frekansı, bant durduran filtrenin alt ve üst -3 dB
frekansındaki frekanslarına ( 1 ve  2 ) dönüşmektedir. Bu iki frekans arasındaki fark,
normalize bant genişliği (  ) olup,
  2  1 (4.95)
olarak gösterilmektedir. Bant geçici filtrenin seçiciliğine eşdeğer olarak, filtrenin reddetme
kalitesi Eş. (4.96) ile verilmektedir.
fm 1
Q  (4.96)
B 
Eş. (4.94) eşitliğinde yer alan  parametresi yerine Eş. (4.96) yazıldığında transfer
fonksiyonu,
A0 1  s 2 
A s  
s (4.97)
1  s2
Q
olarak yeniden düzenlenmektedir. Elde edilen Eş. (4.97), belirli bir kalite faktörüne göre bant
durduran filtre tasarlamak için kullanılmaktadır.
4.2.4.2. Aktif Twin-T bant durduran filtre tasarımı
Esas Twin-T filtresi, Şekil 4.24.’te görüldüğü gibi, kalite faktörü 0.25 (Q=0.25) olan ve
pasif RC elemanlarından oluşan bir filtredir.
C C
R/2
VIN VOUT
R R
2C
Şekil 4.24. Pasif Twin-T bant durduran filtresi.

46
Kalite faktörünü artırmak için pasif filtre, bir yükseltecin geri besleme döngüsüne
uygulanmaktadır. Bu işlem, pasif filtreyi aktif filtreye dönüştürmektedir. Aktif filtreye
dönüştürülmüş olan Twin-T filtresi Şekil 4.25.’te verilmiştir.
C C
R/2
VIN
R R
+
VOUT
2C -
R2
R1
Şekil 4.25. Aktif Twin-T bant durduran filtresi.
Şekil 4.25.’te verilen aktif Twin-T filtresinin transfer fonksiyonu Eş. (4.98) ile
verilmektedir.
G 1  s 2 
A s   (4.98)
1  2  2  G  s  s2
Eş. (4.97) ve Eş. (4.98) eşitliğine göre filtre parametreleri,
1
fm  (4.99)
2 RC
R2
G 1 (4.100)
R1
AG (4.101)
1
Q (4.102)
22  G
olarak belirlenmektedir. Eşitliklere göre fm parametresi, orta frekansı; G parametresi, iç kazancı;

A0 parametresi geçiş bandı kazancını ve Q parametresi reddetme kalitesini temsil etmektedir. Q
faktörünün, orta frekansı değiştirmeden, iç kazanç parametresi ile değiştirilebilir olması, Twin-T
filtresinin bir avantajıdır. Ancak Q ve A0 birbirinden bağımsız olarak belirlenememektedir.
47
Bant durduran filtrenin orta frekansını ayarlamak için fm ve C değerleri belirlenmekte,

ardından Eş. (4.103) eşitliği yardımı ile R direncinin değeri hesaplanmaktadır.
1
R (4.103)
2 f m C
Q ve A0 parametrelerinin birbirine bağımlı olmasından dolayı R2 direnci, R1 direncine

bağlı olarak belirli bir kazanç değeri için Eş. (4.104) veya belirli bir kalite faktörü için Eş.
(4.105) eşitliklerine göre hesaplanabilmektedir.
R2   A0  1 R1 (4.104)
 1 
R2  R1 1   (4.105)
 2Q 
4.2.4.3. Aktif Wien-Robinson durduran filtre tasarımı
Şekil 4.26. ile verilen Wien-Robinson köprüsü, farksal çıkışlı pasif bant durduran
filtredir.
VIN
R 2R1
C VOUT
R C R1
Şekil 4.26. Pasif Wien-Robinson köprüsü.
Köprünün çıkış gerilimi, sabit gerilim bölücü ile bant geçiren filtrenin çıkışı arasındaki
potansiyel farktır. Kalite faktörü, Twin-T filtresine oldukça yakındır. Yüksek kalite faktörü
değerlerine ulaşabilmek için filtre, bir yükseltecin geri besleme döngüsüne uygulanmaktadır. Bu
şekilde oluşturulan aktif filtre Şekil 4.27.’de görülmektedir.
48
R3
R2 R1 2R1
R4
C R
VIN - -
VOUT
+ +
Şekil 4.27. Aktif Wien-Robinson bant durduran filtresi.
Şekil 4.27.’de verilen aktif Wien-Robinson filtresinin transfer fonksiyonu Eş. (4.106) ile
verilmektedir.

 
1  s 2 
A s    1 (4.106)
3
1 s  s2
1
Eş. (4.106) ile verilen transfer fonksiyonunda yer alan  ve  parametreleri Eş.
(4.107) ve Eş. (4.108) ile verilmektedir.
R2
 (4.107)
R3
R2
 (4.108)
R4
Eş. (4.106) ile verilen transfer fonksiyonu göz önüne alınarak, Eş. (4.97) ile verilen
genel denklemdeki filtre katsayıları,
1
fm  (4.109)
2 RC

A0   (4.110)
1
1 
Q (4.111)
3
49
olarak belirlenmektedir. Devrede kullanılan bileşen değerlerini hesaplamak için aşağıdaki

prosedür takip edilmelidir. Prosedüre göre öncelikle fm ve C parametreleri belirlenerek R direnç
değeri, kalite faktörü (Q) belirlenerek a parametresi, kazanç değeri (A0) belirlenerek 
parametresi ve R2 direnci seçilerek R3 ve R4 direnç değerleri hesaplanmaktadır.
1
R (4.112)
2 f m C
a  3Q  1 (4.113)
  3QA0 (4.114)
R2
R3  (4.115)

R2
R4  (4.116)

Aktif Twin-T filtresi ile karşılaştırıldığında Wien-Robinson filtresi, kalite faktörünü

etkilemeden geçiş bandı kazancını ayarlamaya imkân sağlamaktadır. Eğer fm frekansı bileşen
toleranslarından dolayı tamamen bastırılamazsa R2 direnci ayarlanmalıdır.
4.2.5. Hep geçiren filtre
4.2.5.1. Hep geçiren filtre tasarımı
Hep geçiren filtre, önceki filtreler ile karşılaştırıldığında, frekans aralığının tamamında
sabit bir kazanca sahip olan ve faz cevabının frekans ile doğrusal değişimini sağlayan
filtrelerdir. Bu özelliklerinden dolayı hep geçiren filtreler, faz kompanzasyon ve sinyal
geciktirme devrelerinde kullanılmaktadır.
Alçak geçiren filtrelere benzer olarak yüksek dereceli hep geçiren filtreler, birinci ve
ikinci dereceden hep geçiren filtre katları kullanılarak oluşturulmaktadır. Alçak geçiren filtre
cevabı kullanılarak hep geçiren filtrelerin transfer fonksiyonunun elde edilebilmesi için DC
kazanç katsayısı (A0), paydanın eşleniği ile değiştirilmektedir. Bu durumda hep geçiren filtrenin
genel transfer fonksiyonu Eş. (4.117) ile verilmektedir.
50
 b s  ai s  1
n
2
i
A s   i 1
(4.117)
 b s  ai s  1
n
2
i
i 1
Hep geçiren filtrenin transfer fonksiyonunda yer alan ai ve bi katsayıları, katlarda yer
alan filtrelerin katsayılarını temsil etmektedir. Eş. (4.117) eşitliği ile verilen transfer
fonksiyonunun genliği Eş. (4.118), fazı ise Eş. (4.119) ile verilmektedir.
 1  b  
n
2 2
i  ai2  2 e ja
A s   i 1
(4.118)
 1  b  
n
2 2
i  ai2  2 e  ja
i 1
n
 ai  
  2a  2 tan 1  2  (4.119)
i 1  1  bi  
Eş. (4.118) ve Eş. (4.119) incelendiğinde hep geçiren filtrenin kazancının 1 olduğu ve
filtrenin  kadarlık faz kaydırmasına sahip olduğu görülmektedir.
Sinyalin en az faz bozulması ile transfer edilebilmesi için hep geçiren filtre, belirli
frekans bandında sabit bir grup gecikmesine sahip olmalıdır. Grup gecikmesi,
d
t gd   (4.120)
dw
eşitliği ile verilmektedir. Grup gecikmesini normalize formda gösterebilmek için, TC, hep
geçiren filtrenin köşe frekansının periyodu olmak üzere,
t gd wc
Tgd   t gd . f c  t gd . (4.121)
TC 2
eşitliği kullanılmaktadır. Eş. (4.120) eşitliği Eş. (4.121) eşitliğinde yerine yazılırsa,
1 d
Tgd   (4.122)
2 d 
elde edilmektedir. Eş. (4.119) eşitliği Eş. (4.122) eşitliğinde yerine yazılırsa,
51
1 n ai 1  bi 2 
Tgd  1  (4.122)
 i 1 a2
i  2bi  2  bi2 4
elde edilmektedir. Düşük frekanslardaki ( 0    1 ) grup gecikmesi için   0 yazılarak,
n
1
Tgd ,0 

ai 1
i (4.123)
eşitliği elde edilecektir.
4.2.5.2. Birinci dereceden hep geçiren filtre tasarımı
Birinci dereceden hep geçiren filtre tasarımı, Şekil 4.28’de verilmiştir. Tasarımı verilen
filtrenin kazancı düşük frekanslarda +1, yüksek frekanslarda -1 olmaktadır. Bu, kazancın
genliğinin 1 iken fazın 0 ile 180o arasında değişmesini sağlamaktadır.
R1 R1
-
VIN VOUT
+
R C
Şekil 4.28. Birinci dereceden hep geçiren filtre.
Şekil 4.28. ile verilen birinci dereceden hep geçiren filtrenin transfer fonksiyonu Eş.
(4.124) ile verilmiştir.
1  RCwc s
A s   (4.124)
1  RCwc s
Transfer fonksiyonu incelendiğinde filtre katsayılarının,
ai  2 fc RC (4.125)
bi  1 (4.126)
52
olduğu görülmektedir. Belirli bir frekans ve kapasitör değeri için birinci dereceden hep geçiren
filtrede kullanılacak olan direnç değeri,
ai
R (4.127)
2 f c C
eşitliği ile hesaplanmaktadır. Eş. (4.125) eşitliği Eş. (4.123) eşitliğinde yerine yazılıp, wc
parametresinin Eş. (4.121) ile yerine yazılması ile birinci dereceden hep geçiren filtrenin
maksimum grup gecikmesini veren Eş. (4.128) sonuç eşitliği elde edilecektir.
t gd ,0  2RC (4.128)
4.2.5.3. İkinci dereceden hep geçiren filtre tasarımı
Şekil 4.29.’da ikinci dereceden hep geçiren filtre için uygulanabilecek tasarımlardan biri
verilmiştir.
C R2
R
R1
VIN - R3
C -
+ VOUT
+
Şekil 4.29. İkinci dereceden hep geçiren filtre.
Şekil 4.29. ile verilen ikinci dereceden hep geçiren filtreye ait transfer fonksiyonu Eş.
(4.129) ile verilmektedir.
1   2 R1   R2  Cwc s  R1 R2C 2 wc2 s 2

A s   (4.129)
1  2 R1Cwc s  R1 R2C 2 wc2 s 2
Eş. (4.129) ile verilen transfer fonksiyonu incelendiğinde, genel transfer fonksiyonunda
yer alan filtre katsayılarının,
a1  4 f c R1C (4.130)
b1  a1 fc R2C (4.131)

53
a12 R
  (4.132)
b1 R3
olduğu görülmektedir. Filtre tasarımı için fc frekansı, C kapasitörü ve R direncinin değerleri

belirlenmeli, ardından R1, R2 ve R3 dirençlerinin değerleri, Eş. (4.133), Eş. (4.134) ve Eş.
(4.135) eşitlikleri ile hesaplanmalıdır.
a1
R1  (4.133)
4 f c C
b1
R2  (4.134)
a1 f c C
R
R3  (4.135)

Şekil 4.29. ile verilen ikinci dereceden hep geçiren filtre için maksimum grup gecikmesi
Eş. (4.136) ile verilmektedir.
t gd ,0  4R1C (4.136)
Daha yüksek dereceli hep geçiren filtreler, birinci ve ikinci dereceden hep geçiren
filtrelerin seri bağlanması ile elde edilmektedir.
4.3. Pasif Filtreler
Pasif filtreler sadece direnç, kapasitör ve indüktör elemanlarından oluşan ve transistör

veya opamp gibi herhangi bir aktif eleman içermeyen filtrelerdir. İndüktör elemanının frekansa
bağlımlı davranışının ideal olmamasından dolayı genellikle yüksek frekanslarda (1 MHz ve
üzeri) kullanılan pasif filtrelerde sinyal kazancı, giriş sinyalinin üzerinde olamaz. Ayrıca pasif
filtrelere bağlanan yük direnci, aktif filtrelerin aksine, filtrenin kesim frekansını ve kazancını
etkilemektedir.
Aktif filtrelerde olduğu gibi pasif elemanlarla da alçak geçiren, yüksek geçiren, bant
geçiren ve bant durduran filtreler yapılabilmektedir. Ancak ideal filtre davranışına yakın
sonuçlar elde edebilmek için yüksek dereceli filtreler yapmaya ihtiyaç duyulmaktadır.
4.4. Aktif Filtrelerde Eleman Seçimlerinin Önemi Ve Optimizasyon
Çizelge 4.1. incelendiğinde, birbirine oldukça yakın filtre parametreleri kullanmasına

rağmen filtrelerin transfer karakteristiği, Bessel, Butterworth ve Chebyshev olarak üç farklı
54
şekilde karşımıza çıkmaktadır. Ayrıca bu filtre türleri içerisinde parametrelerin iyi belirlenmesi,
filtrenin ideale daha yakın davranışlar sergilemesini sağlamaktadır.
Optimizasyon, verilen bir problemin, belirlenen sınırlar içerisinde en iyi çözüme sahip
olması için uygulanan bir yöntemdir. Günlük hayatta karşılaşılan problemlerin büyük bir
kısmına uygulanabilen optimizasyon işleminin kullanım alanlarından biri de filtrelerin
optimizasyonudur. Filtre parametrelerinin belirlenen çözüm uzayında en iyi sonucu verecek
şekilde ayarlanması, ideal filtre yaklaşımına daha yakın filtreler elde etmenin, en yaygın
kullanılan önemli yollarından biridir.
55
5. OPTİMİZASYON
5.1. Optimizasyon Tanımı
Optimizasyon, çeşitli parametrelere göre performansı ya da özellikleri değişen sistem ya

da problemlerde bazı özelliklerin artarken istenmeyen özelliklerin de azalması, yani çalışma ve
kullanılma durumunda sistemin veya problemin çözümünün en uygun hale getirilmesidir. Bir
alanı tamamen kapsama alanına alacak şekilde en az sayıda baz istasyonunun kurulması, bir
alanı kapsayacak ve kör nokta kalmayacak şekilde görüntüleme sağlayacak en az sayıda kamera
kullanılması, bir matematiksel modelde doğru sonuca en yakın parametrelerin elde edilmesi,
çamaşırların kısa sürede düşük maliyetle daha temiz yıkama yapması gibi işlemler,
optimizasyon gerektiren mühendislik problemlerine örnek olarak verilebilmektedir.
Örneklerden de anlaşılabileceği gibi optimizasyonda esas amaç, kazancı maksimize ve kaybı
minimize edecek en uygun sistemi elde etmektir. Bu amaca erişmek için çeşitli yöntemler
geliştirilmiş ve halen de geliştirilmeye devam etmektedir (Ermiş, 2009).
Çeşitli bilim dallarında ve bu bilim dallarına ait uygulama alanlarında yer alan çoğu
problem, doğrusal olan veya doğrusal olmayan yapıda optimizasyon problemi olarak
modellenmektedir. Ancak uygulamada mevcut problemlerin önemli bir kısmı doğrusal olmayan
yapıdadır ve bu yapıdaki problemlerin optimizasyonunu yapabilmek için çeşitli yöntemler
geliştirilmiştir (Ermiş, 2009).
Doğal seçilim kuramını temel alan ve doğadaki hayatta kalma çabasını matematiksel
olarak modelleyerek mühendislik problemlerine ait en uygun çözümü bulmada kullanan
evrimsel algoritmaların büyük bir kısmı, iyi olanın seçilerek yaşamaya devam etmesi ve kötü
olanın elenmesi prensibine göre çalışan iteratif (tekrarlı, ardışık) yöntemlerdir (Ermiş, 2009).
Evrimsel algoritmalar, amaç fonksiyonu ile belirtilen çözüme ulaşmak için çaprazlama ve
mutasyon gibi işlemleri kullanmaktadır. Bu algoritmalar, çözüm için belirtilen amaç
fonksiyonunun en yüksek veya en düşük değeri için çözüm uzayında iteratif çözümler yaparak
en uygun sonuca ulaşmaya çalışmaktadır. Amaç fonksiyonu, en yüksek değere ulaşmak için
kullanıldığında uygunluk fonksiyonu; en düşük değere ulaşmak için kullanıldığında maliyet
fonksiyonu olarak adlandırılmaktadır. İteratif çözüm, amaç fonksiyonunun, istenen değere
ulaşması ile sonlandırılmaktadır (Ermiş, 2009).
Günümüze kadar yapılan çalışmalarda genellikle, geleneksel optimizasyon teknikleri

arasında yer alan hesaba dayanan yöntemler üzerinde durulmuştur. Hesaba dayalı yöntemler,
dolaylı ve doğrudan yöntemler olarak iki başlık altında incelenebilir.
56
Amaç fonksiyonunun gradyanının sıfır olarak alınması ile ortaya çıkan doğrusal
olmayan denklem takımının çözümünü temel alan yöntem, dolaylı yöntem olarak
adlandırılmaktadır. Şekil 5.1.a’da görülen yüzeydeki yerel maksimumun n-boyutlu yüzeylere
genellemesi olan dolaylı yöntemde çözüm araması, bütün yönlerdeki türevin sıfır olduğu tepe ve
çukur olma ihtimali yüksek noktalar çevresinde gerçekleştirilmektedir. Doğrudan yöntemde ise
tahmini bir çözüm noktası belirlenmekte ve arama, bu nokta civarında çeşitli yönlerde hareket
edilerek gerçekleştirilmektedir.
Yerel arama gerçekleştirdiği için yerel noktalara takılması, bahsedilen yöntemlerin

önemli bir dezavantajıdır ve çözüm araması, hareket noktasına yakın yerlerde
sonlanabilmektedir. Bu durumu daha iyi anlamak için Şekil 5.1. örnek olarak verilebilir. Şekil
5.1.a. bir uzay bölgesini; Şekil 5.1.b. ise bu uzayın daha geniş bir durumunu temsil etsin. Şekil
5.1.b. göz önüne alındığında, çözüm araması küçük tepe civarında başlarsa optimum nokta,
küçük tepe olarak bulunur. Ancak şekle bakıldığında daha yüksek bir tepe, yani daha optimum
bir çözüm noktası mevcuttur. Yerel optimumlara takılmak, daha iyi çözümlere ulaşmayı
engelleyebilmektedir. Mevcut olan bu soruna bir çözüm, çözüm aramasına, problem uzayında
seçilecek farklı bir noktadan tekrar başlamaktır. Şekil 5.1.a. ile gösterilen ve tek bir optimum
çözüme sahip durumlarda hesaba dayalı arama yöntemleri kolay bir şekilde kullanılabilirken;
Şekil 5.1.b. ile gösterilen optimum çözüm noktası olarak algılanabilecek birden fazla tepeye
sahip durumlarda yerel minimuma takılma, ayrı bir problem olarak ortaya çıkmaktadır.
b)
a)
Şekil 5.1. a) Bir tepe noktasına sahip çözüm uzayı b) Birden fazla tepe noktasına sahip
çözüm uzayı.
Hesaba dayalı yöntemlerin bir diğer dezavantajı ise, optimum çözümü aranan amaç
fonksiyonunun türevlenebilir olmasının gerekmesidir. Teorik uygulamalarda kolay
hesaplanabilir amaç fonksiyonlarının olabilmesine rağmen pratik uygulamalarda bu durum,
teorinin tersine zorluklara neden olabilmektedir. Gerçek hayattaki problemler, süreksizliklere
57
sahip olabileceği gibi, Şekil 5.2.’de görüldüğü üzere bir çok yerel minimum ve maksimum
noktalara sahip olabilmektedir.
Gerçek hayattaki problemler göz önüne alındığında hesaba dayalı problemlerin

kullanımı bütün problemler için kullanışlı olmayıp, belirli uygulama alanları ile
sınırlanmaktadır.
110
100
90
80
f(x)
70
60
50
40
0.0 0.2 0.4 0.6 0.8 1.0
x
Şekil 5.2. Pratikte karşılaşılabilecek bir amaç fonksiyonu.
Literatürde yer alan çalışmaların bir kısmı da nümerik yöntemler üzerinde

yoğunlaşmıştır. Nümerik yöntemler, belirli bir bölgedeki noktaların amaç fonksiyonunun
değerlerine göre yeni noktaların hesaplanması esasına dayanmaktadır. Arama uzayının pratik
uygulamalarda geniş olması ve bu uzayda yer alan noktaların tek tek hesaba katılmasının
mümkün olmayışı, nümerik yöntemlerin bir dezavantajı olarak görülmektedir.
Bahsedilen arama yöntemlerinin dezavantajları, araştırmacılara, yeni yöntemler

üzerinde çalışma konusunda motivasyon olmuştur ve bir diğer yöntem olan olasılıklı (rastgele)
arama yöntemleri, ilgiyi üzerine çekmiştir.
58
5.2. Optimizasyonun Önemi
Problemlerin optimize edilmesindeki zorluk düzeyi, problemde yer alan verilerin

türlerine ve değişkenlerin sayılarına göre belirlenmektedir. Deterministik yöntemleri kullanarak
optimizasyon problemlerinin çözümü, problemin yapısına göre modelleme ve çözüm sürecinde,
istenilen sonuca ulaşılamama ya da kabul edilemez sürelerde ulaşabilme gibi çeşitli zorluklar
ortaya çıkarmaktadır.
Deterministik yöntemlerin ortaya çıkarabildiği zorluklardan dolayı yeni bir yöntem

olarak sezgisel yöntemler geliştirilmiştir. Popülasyonu baz alarak birden fazla noktada çözüm
araması yapan sezgisel yöntemler arasında yer alan algoritmalara genetik algoritma, yapay arı
koloni algoritması, karınca koloni algoritma örnek olarak verilebilmektedir.
Farklı şekillerde tanımlanabilen amaç fonksiyonları, algoritmaların en önemli

noktasıdır. Basit bir çözüme sahip problemlerde dahi, uygun olmayan bir şekilde tanımlanabilen
amaç fonksiyonu, yakınsama sağlamayı engelleyebilmektedir (Ermiş, 2009).
Evrimsel algoritmalar genellikle rastgelelik üzerine kurulmuştur ve bundan dolayı

optimum çözümün bulunması ya da bulunan sonucun optimum çözüm olması garanti değildir.
Bulunan sonucun en uygun çözüm olduğunun söylenebilmesi için bütün arama uzayının
bilinmesi ve taranması gerekmektedir; ancak evrimsel algoritmalar, arama uzayının tamamında
arama gerçekleştirmezler. Bundan dolayı bulunan sonuç, isteğe uygun ve verilen parametrelere
göre belirlenebilen, en iyi çözüme yakın bir sonuç olmaktadır (Ermiş, 2009).
5.3. Genel Optimizasyon Türleri
5.3.1. Farksal gelişim algoritması
Prince ve Storn tarafından 1995 yılında geliştirilen ve evrimsel optimizasyon teknikleri

arasında yer alan farksal gelişim algoritması (FGA, Differential Evolution – DE), sürekli
verilerin yer aldığı, işleyişi ve kullandığı operatörleri ile genetik algoritmaya benzeyen
popülasyon temelli bir yapay zekâ optimizasyon tekniğidir (Mayer, Kinghorn vd., 2005).
Yaygın bir şekilde kullanılan yapay zekâ optimizasyon algoritmalarından bazıları Şekil 5.3.’te
şema olarak verilmiştir.
59
Şekil 5.3. Yaygın bir şekilde kullanılan bazı yapay zekâ optimizasyon teknikleri.
Farksal gelişim algoritması, gerçek değerli parametreler içeren optimizasyon

problemlerinin en uygun çözümünü elde etmek için kullanılmaktadır (Karaboga, 2004). Farklı
yapı ve farklı parametrelere sahip uygulamalarda kullanılabilirliğini göstermek için birçok
farksal gelişim algoritması varyasyonu geliştirilmiştir. Genetik algoritmayı temel olarak
kullanan farksal gelişim algoritması, güncelliğini koruyan bir algoritma olarak çalışmalarda
kendisine yer bulmaktadır.
Farksal gelişim algoritması, bahsedildiği üzere, genetik algoritmayı temel olarak

kullanmaktadır. Bu algoritma, eş zamanlı olarak birden fazla noktada çözüm araması yapmasına
olanak tanıyan popülasyon tabanlı bir algoritma olup, iteratif çözüm işlemi süresince problem
için daha iyi çözümleri araştırmaktadır.
Farksal gelişim algoritmasında, genetik algoritma temelini kullanmasına rağmen

değişkenler, ikili değerler yerine gerçek değerleri ile kullanılmaktadır. Çaprazlama, mutasyon
ve seçim operatörlerini kullandığı için genetik algoritma ile benzeşmesine karşın, genetik
algoritmadan farklı olarak bu operatörler, tüm popülasyona uygulanmamaktadır. Popülasyonu
oluşturan kromozomlar birer birer ele alınıp, rastgele seçilen farklı 3 kromozomun da
kullanılmasıyla yeni bir popülasyon üyesi elde edilmektedir. Bahsedilen süreçte çaprazlama ve
mutasyon operatörleri kullanılmaktadır. Popülasyonda mevcut kromozom ile yeni elde edilen
kromozomun karşılaştırılması sonucu daha iyi sonuç veren kromozom, evrimsel algoritmaların
doğal seçilim esasına göre bir sonraki popülasyona aktarılmaktadır.
Farksal gelişim algoritmasının üstünlüklerinden biri, hızlı ve efektif bir şekilde

programlanabilmesidir. Farklı algoritmalarda yüzlerce, hatta binlerce satırlara ulaşabilen kodlar
60
kullanılması gerekebilirken, farksal gelişim algoritmasının basit bir şekilde uygulaması için
ortalama olarak 20 satırlık bir kod yeterlidir.
Farksal gelişim algoritmasının parametreleri Çizelge 5.1.’de verilmiştir (Ermiş, 2009).
Çizelge 5.1. Farksal Gelişim Algoritması'nın Parametreleri.
Parametre Açıklama
NP Popülasyon sayısı (kromozom sayısı)
D Değişken sayısı (gen sayısı)
CR Çaprazlama oranı [0.1 – 1.0]
F Farksal ağırlık
xj,i,G G neslindeki i. kromozomun j. parametresi (gen)
nj,i,G+1 Mutasyon ve çaprazlama sonucu oluşan ara kromozom
uj,i,G+1 xj,i,G’den bir sonraki nesil için üretilen kromozom
r1,2,3 Kromozom üretiminde kullanılmak için rastgele seçilmiş kromozomlar
xj(l), xj(u) Değişkenlerin alt ve üst limitleri
Farksal gelişim algoritmasında çözüme kromozom, kromozomun her bir parçasına gen
adı verilmektedir. Bu algoritmada çözüm, aynı olan genlerin farklı dizilişleri arasından en iyi
olan geni seçmektir. Popülasyonu oluşturan kromozomlar arasındaki tek fark, genlerin
dizilişidir. Popülasyonda yer alan bu kromozomların gen sıralamasının çözüm üzerindeki
etkisini ortaya çıkaracak bir uygunluk (fitness) fonksiyonu kullanılmalıdır. Gen olarak
adlandırılan fonksiyon değişkenlerinden her biri, her bir kromozom için birbirinden farklı
değere sahip olmalıdır (Ermiş, 2009).
Bir optimizasyon problemi için parametreler, f(X) amaç fonksiyonunu ve gk(X),

probleme ait sınırlılığı temsil etmek üzere,
gk  X   0 (5.1)
x(jl )  x j  x(u)
j , j  1,..., n (5.2)
61
X  x1 , x2 , x3 ,..., xn , (5.3)
olarak genelleştirilebilir (Ermiş, 2009). Burada x j  değişkenleri kısıtlayan alt sınırı, x j  ise üst
l u
sınırı temsil etmektedir. X değişkeni ise gerçek değerlerin bulunduğu bir dizidir.
Optimizasyonda en uygun değeri bulmaya çalışırken sağlanması gereken amaç

fonksiyonu, farksal gelişim algoritmasında maliyet fonksiyonu olarak ta adlandırılmaktadır.
Arama sürecinde belirlenmiş sınırların dışına çıkılmasını engellemek ve aramayı sınırlı alanda
gerçekleştirmek için uygunluk fonksiyonunun değeri, ceza katsayısı ile düşürülmekte; bir
anlamda uygunluk fonksiyonu cezalandırılmaktadır (Ermiş, 2009). Algoritmada kullanılan
problem değişkenlerinin belirlenen sınırların içinde ya da dışında olma durumu, süreç boyunca
kontrol edilmesi gereken bir durumdur. Aksi durumda arama, istenmeyen bölgelere
yönelebilmekte, hatta sonsuza gidebilmektedir. Bu olumsuz durum, belirlenen sınırların dışına
çıkmış olan değişkene sınırın alt ve üst değerlerinden uygun olanının verilmesi ya da sınırlar
dâhilinde rastgele yeni bir değer verilmesi ile aşılabilmektedir. Amaç fonksiyonu, sınırlamalar
ve değişkenlerin belirlenmesinin ardından farksal gelişim algoritmasının işlem adımlarına
geçilir (Ermiş, 2009).
5.3.1.1. Başlangıç popülasyonu
Optimizasyon işlemine başlamadan önce gerekli olan veriler ve parametreler

belirlenmelidir. Belirlenmesi gereken en önemli parametrelerden biri, başlangıç
popülasyonudur. Kromozomlardaki gen sayıları (D), optimize edilecek problemdeki değişkenler
tarafından belirlenmektedir. NP değişkeni, optimizasyon probleminde tanımlı popülasyon
sayısını, yani kromozom sayınını temsil etmektedir. Farksal gelişim algoritmasında, yeni
kromozom üretmek için ayrıca popülasyonda yer alan farklı üç kromozoma daha ihtiyaç
duyulduğu için, popülasyon sayısı üçten büyük olmalıdır.
Algoritmada ilk olarak D boyuta sahip NP adet kromozomdan oluşan başlangıç

popülasyonu (Po), Eş. (5.4) yardımı ile üretilmelidir (Ermiş, 2009).

i  NP  j  D : x j ,i ,G 0  xjl   rand j 0,1 xju   xjl   (5.4)
Algoritma, başlangıç popülasyonunun üretilmesinin akabinde, iterasyon belirtilen

maksimum iterasyon sayısına (Gmax) ulaşana dek algoritmaya özgü operatörlerin uygulanmasına
devam edilmektedir. En son iterasyondaki en iyi kromozom, aranan çözüme ait vektördür.
62
5.3.1.2. Mutasyon
Farksal gelişim algoritmasının operatörlerinden biri olan mutasyon, popülasyon

üyelerinin (kromozomların) bazı genlerinde, parametreler ile ayarlanabilen oranlarda değişiklik
yapma işlemidir. Mutasyon işlemi, mutasyona uğrayan kromozomun önceden temsil ettiği
çözüm noktasının çözüm uzayında hareket ettirilmesini sağlamaktadır. En iyi çözüme ulaşmak
için yapılan çözüm uzayındaki bu hareketin başarısı için hareketin yönü ve miktarı oldukça
önemlidir.
Matematiksel olarak mutasyon,

j  D : n j ,i ,G 1  x j ,r3 ,G  F . x j ,r2 ,G  x j ,r1 ,G  (5.5)
olarak ifade edilmektedir (Ermiş, 2009). Eşitliğe bakılırsa, popülasyonda yer alan ve rastgele
seçilen kromozomlardan ikisinin farkı alınarak elde edilen sonuç, genelde değeri 0 ile 1 arasında
seçilmiş olan F parametresi ile çarpılmaktadır. Seçilmiş ve kullanılmamış olan son kromozom,
elde edilen ağırlıklandırılmış fark kromozomu ile toplanmaktadır. Elde edilen sonuç değeri (
n j ,i ,G 1 ), çaprazlamada kullanılacak olan ve mutasyona uğratılmış olan yeni ara kromozomdur
(Ermiş, 2009).
5.3.1.3. Çaprazlama (Crossover)
Farksal gelişim algoritması, çaprazlama yöntemi olarak, klasik genetik algoritmanın

kullandığı düzenli çaprazlamaya, çaprazlama oranının (crossover ratio, CR) eklenmiş halini
kullanmaktadır. Çaprazlama sonucu elde edilecek olan kromozom, deneme kromozom olarak
adlandırılmaktadır. Çaprazlama oranı, deneme kromozomunda yer alacak genleri
belirlemektedir. Deneme kromozomunun genleri, düzenli çaprazlamadan farklı olarak, CR
olasılıkla fark kromozomundan, 1 – CR olasılıkla mevcut kromozomdan alınmaktadır. Rastgele
üretilen sayı CR’nin altında veya eşit ise, gen, ara kromozomdan ( n j ,i ,G 1 ), büyük ise mevcut
kromozomdan ( x j ,i ,G ) alınmaktadır. Böylece istenen oranda gen, yeni fark kromozomundan
alınmış olacaktır. Algoritmada kullanılan çaprazlama işlemi matematiksel olarak,
n j ,i,G 1 rand 0,1  CR  j  jrand

j  D : u j ,i ,G 1   (5.6)
 x j ,i ,G diğer durumda
63
şeklinde ifade edilmektedir (Ermiş, 2009). Eş. (5.6)’da yer alan veya ifadesinin devamında yer
alan j  jrand eşitlik koşulu, yeni üretilen kromozomdan en az bir genin kullanılmasını garanti
altına almaktadır. Görüleceği üzere, rastgele olarak seçilen jrand parametresinin temsil ettiği gen,
herhangi bir koşula bakılmaksızın direkt olarak n j ,i,G 1 kromozomundan seçilmiş olacaktır.
5.3.1.4. Değerlendirme ve seçim
Popülasyondaki yeni nesil bireyler, mevcut ve yeni üretilen ara kromozomların, yeni
nesilde yer alma olasılığının uygunluğuna bağlı olarak değerlendirilmesi ve bu değerlendirmeye
göre seçilmesi sonucu oluşturulmaktadır. Değerlendirme ve seçim işlemi,
ui,G 1 f  ui,G 1   f  xi ,G 

i  NP : xi ,G 1   (5.7)
 xi ,G
 diğer durumda
koşullarına uygun olarak yapılmaktadır (Ermiş, 2009). Karşılaştırma sonucu uygunluğu daha iyi
olan kromozom, yeni nesile yeni birey olarak eklenmektedir.
Algoritmanın işleyişi, sembolik olarak aşağıdaki gibi genellenebilmektedir.
o Bütün X kromozomları, arama uzayında rastgele olarak konumlanır.

o Sonlandırma kriteri sağlanana kadar (iterasyon sayısının sağlanması ya da yeterli
uygunluğa erişilmesi) aşağıdaki işlemler devam eder.
o Popülasyondaki her bir X kromozomu için aşağıdaki işlemler yapılır.
 Popülasyondan rastgele 3 kromozom (a, b ve c) seçilir. Bu
kromozomlar birbirinden ve X kromozomundan farklı olmalıdır.
 n, optimize edilecek problemin boyutu ve R 1,..., n olmak üzere,
rastgele bir R sırası seçilir.

 Kromozomun potansiyel yeni konumu y   y1 ,..., yn  olmak üzere
aşağıdaki gibi hesaplanır.

 Her bir i için 0 ile 1 aralığında düzgün dağıtılmış bir rakam ( ri )
seçilir.
 Eğer ri  CR ya da i  R ise yi  ai  F . bi  ci  , aksi halde
yi  xi olarak hesaplanır.
 Eğer f  y   f  x  koşulu sağlanıyorsa mevcut kromozom, yeni

kromozomla değiştirilir.
64
o Popülasyondan en yüksek uygunluk ya da en düşük maliyetli sonucu,

problemin en uygun sonucu olarak belirle.
5.3.2. Parçacık sürü optimizasyonu algoritması
1995 yılında James Kennedy ve Russell Eberhart tarafından ortaya konan parçacık sürü
optimizasyon (Particle Swarm Optimization, PSO) algoritması, evrimsel optimizasyon
algoritmaları arasında yoğun bir şekilde kullanılmaktadır (Kennedy ve Eberhart, 1995). PSO,
temelini, yiyecek arayışındaki kuş sürülerinin toplu hareketlerinden almaktadır. Doğada,
yiyecek civarında bir kuş bulunduğunda, bir süre sonra başka kuşlar da bu bölgeye gelmektedir.
Algoritmaya göre sürü üyeleri, yiyecek arayışı sırasında bölgeye rastgele dağılmakta ve
yiyeceğin pozisyonu bilinmemektedir. Bütün sürü üyeleri, aramanın yapıldığı alanda, aynı anda
ve ani hareketlerle yönlerini değiştirerek yayılarak yiyecek aramaktadırlar. Ardından, aynı anda
bir yerde toplanarak yiyeceğin pozisyonu hakkında bilgi alışverişinde bulunurlar. Sürü bireyleri,
yiyeceğin konumuna olan uzaklıklarını ve yiyeceğe en yakın sürü bireyini bilirler. Elde edilen
bilgiler, sürü bireylerinin yiyeceğe yaklaşmasını sağlamaktadır (Hu, Shi vd., 2004).
PSO algoritmasında sürü bireylerine parçacık adı verilmekte ve bu parçacıkların

konumları, birer çözüme karşılık gelmektedir. Parçacık konumundaki değişim miktarı, parçacık
hızını belirtmektedir. Her parçacık çözüme ulaşmak için, konum değerlerinin uygunluk
fonksiyonunda değerlendirilmesiyle, kendisinin keşfettiği en iyi konum değerini ve sürü
bireyleri arasında keşfedilen en iyi konum değerini elde etmiş olan parçacığı baz almaktadır.
PSO’nun, optimizasyon yöntemleri arasında daha üstün olmasını sağlayacak bazı

avantajları mevcuttur. Bu avantajlar aşağıdaki şekilde sıralanabilmektedir.
o PSO’da az sayıda parametre kullanılmaktadır.

o PSO’da parçacık adı verilen sürü üyeleri, kendilerine ve sürüdeki diğer bireylerin en
iyi konum bilgisine sahiptir. PSO’da arama sırasında en iyi konum bilgisinden
yararlanılmaktadır.
o PSO’da arama uzayı bir değişikliğe uğramamakla birlikte kötü sonuçlar elimine
edilerek arama uzayı daraltılmaktadır. Arama uzayının değiştirilmemesi veya
herhangi bir kısıtlama ile engellenmemesi, PSO’nun yereldeki uygun çözümlere
takılmamasını sağlar.
PSO’da arama işlemi, parçacıkların belirli mesafelerle rastgele bir şekilde

konumlanması ve rastgele hız değerine sahip olması ile başlamakta ve nesil olarak adlandırılan
her yeni iterasyonda, sürü parçacıklarının konumlarının uygunluk değerleri uygunluk
65
fonksiyonuna göre hesaplanmaktadır. Fonksiyonun çıktıları göz önüne alınarak en uygun

parçacık belirlenmektedir. Parçacıklar, iterasyonlar süresinde elde ettikleri en iyi uygunluk
değerini belleklerinde tutmaktadır. Her bir parçacığın konum ve hız değerleri, sürüdeki ve
parçacığın nesiller boyu ulaşmış olduğu en iyi uygunluk değerlerine göre güncellenmektedir.
Optimizasyon işlemi, başlangıçta belirlenen iterasyon sayısına ulaştığında sonlandırılmaktadır.
d parametresi, problem boyutu ve i parametresi, sürüdeki ilgili parçacığın indisi olmak
üzere Xi parçacığının konum vektörü X i   xi ,n    xi1 , xi 2 ,..., xid  , n  1,2,..., d  olarak
belirlenmektedir. Sürüdeki en iyi uygunluk değerini alan parçacık değeri gbest , her bir
parçacığın iterasyonlar süresinde aldığı en iyi uygunluk değeri ise pbest olarak
adlandırılmaktadır ve Pi   Pi ,n    Pi1 , Pi 2 ,..., Pid  , n  1,2,..., d  şeklinde gösterilmektedir.
Benzeri şekilde i. parçacığa ait olan hızın değişimini gösteren vektör ifadesi
Vi  Vi ,n   Vi1 ,Vi 2 ,...,Vid  , n  1,2,..., d  olmaktadır. Bu tanımlamalar göz önüne alınarak i.
parçacığa ait hız ve konum vektörleri,
Vijt 1  wVijt  c1r1  Pij  xij   c2 r2  gbest  xij  (5.8)
X ijt 1  X ijt  Vijt 1 (5.9)
olarak güncellenmektedir. Eş. (5.8) ve Eş. (5.9)’da kullanılan t parametresi, iterasyon sayısını; w
parametresi, atalet ağırlığını; c1 ve c2 parametreleri, hızlandırma katsayılarını temsil etmektedir.
r1 ve r2 parametreleri, PSO’da rastgelelik sağlayan, 0 ile 1 arasında rastgele değer alan
parametrelerdir. j indisi ise j  1,2,..., d  şeklinde olmaktadır.
Eş. (5.8) ifadesini biraz irdelemek yerinde olacaktır. wVijt kısmı, parçacık hızındaki ani
değişimleri engellemektedir. Ani yön değişimleri, parçacığın çözüm uzayında çözümden

uzaklaşmasına neden olabilmektedir. Bundan dolayı, parçacığın t. iterasyondaki hızı, (t+1).
iterasyondaki hızını belirli bir oranda etkilemektedir. Eşitlikte yer alan c1r1  Pij  xij  ifadesi,
parçacığın iterasyonlar boyunca sahip olduğu en iyi değeri kullandığı kısımdır. Eşitlikteki son
kısım olan c2 r2  gbest  xij  ifadesi ise benzer şekilde, parçacığın, sürüdeki en iyi konum değerini
kullandığı kısımdır (Eberhart ve Kennedy, 1995). cn rn faktörleri, ölçekleme sağlamaktadır.

66
Güncellenen hızın sınırlandırılması isteniyorsa, Vmax şeklinde bir sınırlandırma

parametresi kullanılabilir. Bu değişken sabit bir değere sahip olabileceği gibi probleme göre
iterasyonlar süresinde dinamik olarak ta ayarlanabilir (Ortakci, 2011).
PSO’da bir parçacığa ait örnek bir pozisyon değişimi Şekil 5.4.’te gösterilmiştir.
Şekil 5.4. PSO’da pozisyon değişimi.
5.3.2.1. Başlangıç değerleri
d adet parçacıktan oluşan bir sürüyü ele alalım. Bu sürüde yer alan d adet parçacığın
konumları ve hızları, i  1,2,..., d  olmak üzere,
X i  X min   X max  X min  .rand () (5.10)
Vi  Vmax  .rand () (5.11)
eşitliklerine göre hesaplanmaktadır. Bu eşitliklerde hız değeri, en fazla Vmax değerini alacak
şekilde dinamik olarak sınırlandırılmaktadır (Ortakci, 2011).
5.3.2.2. Konum
PSO’da parçacıkların konumları, problemin çözümüne ait en önemli parçadır.

Optimizasyon işleminin  X min , X max  gibi belirli bir çözüm aralığında yapılması isteniyorsa, bu
aralığın dışına çıkan X i için aşağıda tanımlanan şekilde kısıtlar uygulanabilmektedir (Ortakci,
2011).
o X i  X max  X i  X max  Vi  0
o X i  X min  X i  X min  Vi  0
67
5.3.2.3. Parçacık hızı
Parçacık hızı, parçacığın arama uzayıda çözüme ulaşmayı sağlayan en önemli

parametrelerden biridir. Parçacık, hız değerinin işareti ve büyüklüğüne göre arama uzayında
yönlenerek en uygun çözüme ulaşmaya çalışmaktadır. Hız değerleri, parçacıkların çözüm
uzayında kalmasını sağlamak için kontrol altında tutulmalıdır. Yukarıda bahsedildiği gibi
parçacığın hızı, Vmax parametresi ile kontrol altında tutulabilmektedir. Vmax , sabit bir değer ya da
rastgele bir değer alabileceği gibi problemin içeriğine göre
Vmax  X max (5.12)
gibi sabit, ya da,
Vmax   X max  X min  R  , R  0.1  0.2 (5.13)
gibi dinamik değerler de alabilmektedir (Ortakci, 2011). Eğer herhangi bir parçacığa ait hız,
Vmax sınır değerini aşarsa,
o Vi  Vmax  Vi  Vmax
o Vi  Vmax  Vi  Vmax
şeklinde bir kısıtlama uygulanabilir.
5.3.2.4. Atalet ağırlığı
PSO’nun ilk önerildiği halde hız parametresi herhangi bir katsayı ile çarpılmazken
(Kennedy ve Eberhart, 1995) daha sonra yapılan çalışmalarda hız güncelleme kısmında parçacık
hızı atalet ağırlığı parametresini çarpan olarak almıştır (Ortakci, 2011). Atalet ağırlığı
parametresini içeren PSO’da parçacıklar, atalet ağırlığına göre yerel ya da genel arama
yapabilmektedir. Büyük değerli atalet ağırlığına sahip algoritmada parçacıklar, kişisel ve genel
en iyi değerlere daha az bağlı kalarak çözüm uzayında daha genel aramalar gerçekleştirirken
küçük değerli atalet ağırlığına sahip algoritmalarda bu durum, en iyi uygunluğa sahip çözümü
arama yolunda, genellikten bölgeselliğe doğru daralmaktadır.
Atalet ağırlığı parametresi, arama süresinde sabit bir değere ya da iterasyonlar süresince
azalan bir değere sahip olacak şekilde dinamik olarak ayarlanabilmektedir (Ortakci, 2011).
Atalet ağırlığının dinamik kullanılması, genelden yerele doğru bir arama sağlamaktadır.
Öncelikle büyük atalet ağırlığı ile genel arama yapan parçacıklar, iterasyon arttıkça azalan atalet
ağırlığı sayesinde daha ayrıntılı ve kişisel en iyi ve genel en iyi değere bağlı olarak yerel
68
aramalar yapmaktadır. Pratik uygulamalarda atalet ağırlığı [0.4 – 0.9] aralığında seçilmektedir.
Atalet ağırlığının dinamik olarak ayarlanması,
w  wmax 
 wmax  wmin  t (5.12)
K
şeklinde yapılmaktadır. K parametresi, algoritmanın çalışacağı toplam iterasyon sayısı sınırını, t

parametresi ise o anki iterasyon sayısını temsil etmektedir.
5.3.2.5. Hızlandırma katsayıları
PSO, hızlandırma katsayısı da denebilen, bir anlamda ölçeklendirme görevi üstlenen c1

ve c2 katsayılarını içermektedir. c1 katsayısı, parçacığın pbest değerine, c2 parametresi ise gbest
değerine doğru yaklaşmasını kontrol etmektedir. Bu parametrelere yüksek değerler atandığında
parçacıklar birbirlerinden uzaklaşmakta; küçük değerler atandığında ise parçacık hareketleri
sınırlanmakta ve arama uzayı yeterli düzeyde aranamamaktadır. Problemin özelliklerine ve
türüne göre hızlandırma parametreleri farklılık gösterse de genelde bu değerler c1  c2  2
olarak seçilmektedir. Algoritmanın en uygun değer civarında yaptığı salınım miktarı, hız
parametrelerinin büyüklüğü ile doğrudan ilişkilidir (Ortakci, 2011).
5.3.2.6. Uygunluk fonksiyonu
Parçacığa ait konum bilgilerinin ve gerekli kısıtların dikkate alınması ile uygunluk
değeri veren fonksiyon, uygunluk fonksiyonu olarak adlandırılmaktadır. Parçacığa ait pbest ve
sürüye ilişkin gbest değerleri, uygunluk fonksiyonunda en iyi sonuca sahip olan parçacıklara göre
güncellenmektedir.
5.3.2.7. Parçacık ve genel en iyi değer
Optimizasyon işleminde iterasyonlar süresince parçacıkların bütün konumları, bir dizi

halinde saklanmaktadır. Arama süresince parçacıklar, en iyi ve en uygun çözüm için çözüm
uzayında tarama gerçekleştirmektedir. Her bir parçacık, iterasyon içerisinde o anki ve daha
önceki konumlarını karşılaştırarak, en iyi değere ulaşana kadar taramaya devam ederler. O an
ulaşılan değer, o ana kadar elde edilen değerlerden daha iyiyse o parçacığa ait en iyi değer, en
son değer ile güncellenmektedir. Parçacıkların, sürünün diğer üyeleri ile karşılaştırma
yapmadan, sadece kendi geçmiş konumlarını göz önüne alarak yaptıkları karşılaştırmalar
sonucu elde ettikleri en iyi değer, pbest olarak adlandırılmaktadır.
69
Bütün parçacıklar arasında en iyi uygunluk değerine sahip olan parçacık konumu, genel
en iyi olarak adlandırılmakta da gbest parametresi ile temsil edilmektedir. Her iterasyonda bütün
parçacıkların değeri gbest ile karşılaştırılarak, daha iyi bir değer elde edilmişse gbest en iyi değer
ile güncellenmekte, aksi halde en son değerini korumaktadır.
5.3.2.8. Arama sonlandırma
PSO algoritmasında optimum çözümün araması, kullanıcı tarafından belirlenmiş

herhangi bir şarta bağlı olarak sonlandırılabilmektedir. Bu şartlar, başlangıçta belirlenmiş sabit
bir iterasyon sayısı, işlemci çalışma süresi, optimum değerin aranması sürecinde gbest değerinin
son değerleri arasındaki farkların azalarak belli bir değerin altına düşmesi ya da istenen bir
koşulun sağlanması bu şartlara örnek olarak verilebilmektedir.
Algoritmanın işleyişi, sembolik olarak aşağıdaki gibi genellenebilmektedir.
BAŞLA
p adet parçacığı çözüm uzayında rastgele konumlandır
p adet parçacığa rastgele yön ve değerde hız ata
TEKRARLA
p adet parçacık için döngü başlat
uygunluk değerlerini hesapla
pbest değerini güncelle
gbest değerini güncelle
parçacıkların hız ve konum bilgilerini güncelle
p adet parçacık için döngü sonu
DÖNGÜ BİTİR (Sonlandırma kriteri sağlanıyorsa)
SON
Sembolik olarak özetlenen algoritmanın daha geniş bir hali, aşağıda verilmiştir. f
fonksiyonu, minimize edilmek istenen maliyet fonksiyonumuz olsun. Bu fonksiyon parametre
olarak gerçek sayılardan oluşan bir vektör alsın ve çıktı olarak gerçek bir sayı üretsin. f
70
fonksiyonunun gradyanı bilinmiyor olsun. Arama uzayındaki bütün b’ler için f  a   f  b 
koşulunu sağlayan bir a değerini bulmak, başarı kriterimiz olsun.
S, sürü içerisindeki parçacık sayısını temsil etsin. Her parçacık arama uzayında xi
konumunda bulunsun ve vi parçacık hızına sahip olsun. pi , i. parçacık için bilinen en iyi
pozisyon ve g, bütün sürü içinde en iyi pozisyona sahip parçacığın pozisyonu olsun. Bu
tanımlamalara göre algoritma aşağıdaki gibi olacaktır.
o i  1,..., S olacak şekilde her bir i parçacığı için aşağıdaki işlemler yapılır.
o Her bir parçacık, bl arama uzayının alt sınırını ve bu arama uzayının üst sınırını
temsil etmek üzere, xi ~ U  bl , bu  şeklinde, düzgün dağıtılmış rastgele vektöre
göre konumlandırılır.
o Parçacığın bilinen en iyi pozisyonu, başlangıç pozisyonu olarak kabul edilir ve
pi  xi ataması yapılır.
o f  pi   f  g  koşulu sağlanıyorsa genel en iyi konum, g  pi şeklinde

güncellenir.
o Parçacıkların hızı, konum atamasına benzer olarak vi ~ U   bu  bl , bu  bl 

şeklinde atanır.
o Sonlandırma kriteri sağlanana kadar (iterasyon sayısı, kabul edilebilir uygunluk
değerine ulaşma, işlemci süresi vb.) aşağıdaki işlemler tekrarlanır.
o i  1,..., S olacak şekilde her bir i parçacığı için aşağıdaki işlemler yapılır.
 rp , rg ~ U  0,1 olacak şekilde rastgele iki sayı üretilir.
 n  1,..., d olmak üzere her bir boyut için aşağıdaki işlem yapılır.
 Parçacığın hızı, vi ,n  w.vi ,n  c p rp  pi ,n  xi ,n   cg rg  gi ,n  xi ,n 
ifadesine göre güncellenir.

 Parçacığın konumu xi  xi  vi ifadesine göre güncellenir.
 f  xi   f  pi  ise aşağıdaki işlemler yapılır.
 Parçacığın bilinen en iyi pozisyonu, pi  xi ifadesine göre

güncellenir.
 f  pi   f  g  ise sürünün bilinen en iyi pozisyonu, g  pi
ifadesine göre güncellenir.
71
o En iyi çözüm g değişkeninde saklanmaktadır.
5.3.3. Yapay arı koloni algoritması
Yapay arı koloni algoritması (YAK, Artificial Bee Colony – ABC), 2005 yılında Derviş
Karaboğa tarafından, uygun çözüm aranacak problemler için gerçek değerli parametrelerle
optimizasyon sağlayan sürü tabanlı bir optimizasyon algoritmasıdır (Ashrafinia, 2007). Sürü
yaklaşımını kullanan popülasyon tabanlı bir algoritma olan ABC, yiyecek arayan arıların
davranışına göre çalışmaktadır. Çok boyutlu sayısal problemler için diğer evrimsel
algoritmalarla karşılaştırıldığında iyi bir doğruluğa ve verime sahiptir.
ABC algoritmasında her bir çözüm, optimizasyon problemine ait bir vektör değişkeni
olarak temsil edilmektedir. Evrimsel algoritmalarda olduğu gibi ACB algoritmasında da her bir
çözüm adayı, birey ve bireylerden oluşan grup, popülasyon olarak adlandırılmaktadır. Her bir
bireyin, analojik olarak, yemek kaynağı konumu olduğu varsayılmaktadır. Her bireye ait
uygunluk fonksiyonu ise yiyecek kaynağının nektar kalitesini temsil etmektedir.
5.3.3.1. Arıların davranışı
Bal arısı sürülerinin yiyecek seçimi modeli, yiyecek kaynağı, çalışan ve çalışmayan
arılar olmak üzere, kolektif zekânın ortaya çıktığı üç bileşenden oluşmaktadır (Ashrafinia,
2007). Bu bileşenler aşağıda maddelendirilerek açıklanmıştır.
o Yiyecek kaynakları: bir yiyecek kaynağının kalitesi, kaynağın yuvaya olan uzaklığı,
nektarın fazlalığı ya da kalitesi ve nektarı çıkarmak için gerekli çabaya bağlıdır.
Basit anlamda bir yiyecek kaynağının kârlılığı, nektar olarak adlandırılan tek bir
büyüklük ile temsil edilebilir.
o İşçi (çalışan) arılar: Bir çiçekten kovana gelen arı, kovana polen dışında, yemek
kaynağına ait bilgileri de getirmekte ve bu bilgisini kovanda bekleyen diğer arılara,
arılar arasındaki iletişimin kaynağı olan arı dansı yaparak aktarmaktadır.
o İşsiz (çalışmayan) arılar: İşsiz arılar, ya ilk kez yiyecek aramasına çıkacakları ya da
daha önceden başka bir yiyecek konumunu tükettikleri için yeni yiyecek konumunu
öğrenmelidir. Çoğu arı, konumu bilen arıların yaptığı arı dansına göre yiyecek
kaynağını tespit etmeye çalışmaktadır. Bu arılar iki gruba ayrılabilir:
 Gözcü (izleyici) arılar: Gözcü arılar yiyecek kaynağına ait bilgileri (açı,
mesafe ve kalite gibi) yuvaya gelip dans eden arıların dansına göre
öğrenirler. Bir işçi arı kovana gelip bilgisini aktardıktan sonra bilgiye sahip
72
olan gözcü arı, artık bir işçi arı olur ve yiyecek kaynağına doğru uçmaya
başlar.
 Kâşif (izci) arılar: Kâşif arılar, izleyici arıların aksine, herhangi bir
yönlendirme olmaksızın yiyecek için etrafa bakınırlar. Bu davranışın bir
sonucu olarak bazı arılar kalitesi düşük yiyecek kaynağı tespit ederken
bazıları ise daha kaliteli yiyecek kaynaklarını keşfedebilmektedir.
5.3.3.2. Tanımlamalar ve algoritma
Algoritmaya geçmeden önce algoritmaya ilişkin tanımlamaları yapmak, algoritmanın

anlaşılması açısından oldukça gereklidir. Aşağıdaki tanımlamalarda ve , sırasıyla, gerçek
sayılar ve tam sayılar kümesini ifade etmektedir.
o Bir yiyecek kaynağının pozisyonunu, gerçek sayılardan oluşan

x   x1 , x2 ,..., xD   D
vektörü temsil etmektedir. Bu vektör aynı zamanda problem
için bir çözüm olmakla birlikte, popülasyon içerisinde birey olarak anılmaktadır.
o Bir yiyecek kaynağı pozisyon parametresi olan x j  , yiyecek kaynağının bir
koordinatını temsil etmektedir. Y  , problem uzayında izin verilen gerçek sayılar

kümesidir.
o Bir yiyecek kaynağının kalitesi F : Y  , arılar tarafından ölçülen çözümün
iyiliğidir (Nektar kalitesi, uygunluk fonksiyonuna karşılık gelmektedir.). Y  D

,
problemin bütün uygun çözümlerinin bulunduğu bölgedir.
o Bir yerel çevre olan X   x1 , x 2 ,..., x N  vektörü, N tane yiyecek pozisyonu
grubudur. Burada N, algoritma tarafından her jenerasyonda kullanılan ve yiyecek

kaynaklarının sayısını temsil eden bir sabittir. x, algoritmanın popülasyon setine, N
popülasyon boyutuna ve xi, popülasyondaki i. bireye karşılık gelmektedir.
ABC algoritmasında çalışma yöntemi, arıların yiyecek kaynağı ararken ve diğer arılarla
bilgilerini paylaşırken yaptıkları davranışı temel almaktadır. ABC algoritmasına göre arılar, işçi
arılar, gözcü arılar ve kâşif arılar olmak üzere üç farklı kategoride sınıflandırılmaktadır.
Bu algoritmada her jenerasyonda N adet işçi arı vardır ve bu arılardan her biri, bir
yiyecek kaynağının yerini tutmaktadır. Bu yerler, problemin çözümüne dair çözüm adaylarıdır.
ABC algoritması işleyişine ait ana adımlar, pseudo kod olarak aşağıda verilmiştir.
73
BAŞLA
kâşif arıları gönder (Başlangıç popülasyonunun oluşturulması)
TEKRARLA
işçi arı fazı
gözcü arı fazı
kâşif arı fazı
bulunan en iyi konumu sakla
DÖNGÜ BİTİR (Sonlandırma kriteri sağlanıyorsa)
SON
Optimizasyon işleminin başlangıcında algoritma, kâşif arıları göndererek yiyecek

kaynaklarının konumlarına ait başlangıç setini üretmektedir. Bu aşamada N adet rastgele vektör
seti oluşturulmaktadır. Burada N, işçi arı sayısını belirtmektedir. Yerel bölge X içerisinde her
biri D parametre içeren xi , i 1,2,..., N  olmak üzere N adet xi   x1i , x2i ,..., xDi  vektör
T
bulunmaktadır.
Kâşif arı yeni bir yiyecek kaynağı bulduğunda yeni bir parametreler vektörü oluşturulur
ve bu arı kaynak ile eşleştirilerek bir işçi arı olmaktadır. İşçi arı, yiyecek kaynağının konumunu
hafızasına görsel bilgiye göre nektar kalitesini tespit etmek için kaydetmektedir. Bu adımın
tamamlanması sonucu olarak, her biri ile eşleşmiş N yiyecek kaynağı bulunan ve bütün N vektör
çözümü için uygunluk değerleri bilinen toplam N adet işçi arı olacaktır. Sonraki adımda
algoritma, üretim döngüsünü işleyecektir. Bu döngü, sonlandırma koşulu yerine getirilene kadar
üç tür arı fazı için tekrarlanacaktır.
5.3.3.3. İşçi arı fazı
İşçi arı fazında, xi konumundaki i. yiyecek kaynağı ile eşleşen ve nektar kalitesini
hafızasında tutan işçi arı, yeni yiyecek kaynaklarına,
vij  xij   ij  xij  xkj  (5.13)

74
eşitliğine göre ulaşmaktadır. Burada x ij parametresi, şu anki yiyecek kaynağı konumunun j.
bileşenini; v ij parametresi, yeni yiyecek kaynağı konumunun j. bileşenini temsil etmektedir. j ve
k indisleri için j 1,2,..., D ve k 1,2,..., N  tanımlamaları yapılmaktadır. j indisi yiyecek
kaynağı konum vektörünün rastgele seçilmiş bileşeni ve k indisi, i  k.x k eşitliğine göre
rastgele seçilmiş yiyecek kaynağı indisini temsil etmektedir.  ij parametresi, yiyecek kaynağını
arı tarafından görsel olarak karşılaştıran ve x ij civarındaki komşu yiyecek kaynağının çarpımını
kontrol eden [-1, 1] aralığında seçilmiş rastgele bir rakamdır. Eğer yeni yiyecek kaynağının
nektar kalitesi, halen hafızasında olan yiyecek kaynağından daha iyiyse işçi arı, yeni yiyecek
kaynağının konumunu ve bu yiyecek kaynağına ait nektar kalitesini aklında tutacaktır.
İşçi arılar ile ilgili dikkate alınması gereken bazı durumlar vardır. Bunlar:
o Bu fazda algoritma, x i çözüm vektörünün sadece bir parametresini (j. bileşenini)

Eş. (5.13)’e göre düzenlemekte ve x i vektörünün geri kalan bileşenlerini v i
vektörüne kopyalamaktadır.
o Üretilen herhangi bir parametre, daha önceden belirlenen alt ve üst sınırları aştığı
takdirde algoritma, o parametreye sınırlar dahilinde kabul edilebilir bir değer
atamaktadır. Bu değer, aşılan sınır değeri olabilir.
o Her işçi arıya (ya da ona karşılık düşen yiyecek kaynağına) ilişkilendirilmiş deneme
(trial) adında bir değişken vardır. Bu değer başlangıçta sıfır olarak alınmaktadır ve
uygunluk fonksiyonunun her çalışmasında değeri artmaktadır. Eğer yeni uygunluk
değeri öncekilere göre daha iyiyse deneme değişkeni tekrar sıfırlanmakta, aksi halde
değeri artırılmaktadır. Algoritma bu değişkeni kâşif arı fazında bir işçi arının kâşif
arıya dönüşmesi işlemine karar verebilmek için kullanmaktadır.
Daha önce bahsedildiği üzere N adet işçi arı yeni yiyecek kaynağı konumlarını bulup
nektarları test ettikten sonra en iyi yiyecek kaynağını aç gözlülük seçimine (greedy selection)
göre seçmekte ve kovanlarına dönmektedirler. Gözcü arılar, yuvaya gelecek olan işçi arıların
gelerek dans etmesini beklemekte ve yiyecek kaynağı konumuna ait bilgileri aldıktan sonra
birer işçi arıya dönüşerek yiyecek kaynağına doğru yol almaktadırlar.
5.3.3.4. Gözcü arı fazı
Bu fazda ilk olarak işçi arılar gözcü arılarla yiyecek kaynağının nektar kalitesi ile ilgili
bilgiyi paylaşmaktadır. Gözcü arı nektar miktarına göre olası bir yiyecek kaynağını seçmektedir.
75
İyi nektar kalitesi, gözcü tarafından seçilen en yüksek olasılıkla sonuçlanmaktadır. Bir gözcü
arı, farklı seçim metotları ile bir işçi arıyı takip edebilir. ABC algoritmasında tipik seçim
metodu, rulet tekerleği (roulette wheel) metodudur (Ashrafinia, 2007). Bu metotta seçme
olasılığı,
F  xi 
pi 
F x 
N
k (5.14)
k 1
şeklinde hesaplanmaktadır. Burada Fi  F  xi  , i 1,2,..., N , i. çözümün uygunluk değerini
temsil etmektedir.
Gözcü arılar işçi arılardan bilgiyi aldıktan sonra bir işçi arı olarak bu bilgiye göre ilgili
yiyecek kaynağına doğru uçmaya başlamaktadır. Artık bu gözcü arı, bilgisi aktarılan yiyecek
kaynağı ile ilişkilendirilmiş bir işçi arı olmuştur. Artık yeni işçi arı, önceki işçi arı ile aynı
işlemleri tekrarlayacaktır. Yeni aldığı bilgiye göre yiyecek kaynağına gidip civarında aramalar
yapacak, bulduğu en iyi sonucu hafızasına alacaktır. Ardından bulunan konumlardaki nektarlar
test edilerek aç gözlülük seçimine göre en iyi konum hafızada tutulacaktır.
5.3.3.5. Kâşif arı fazı
Kâşif arılar, yeni yiyecek kaynağı aramakla ve onların nektarlarını değerlendirmekle

görevli serbest arılardır. Kâşif arı yiyecek kaynağı bulduğunda işçi arıya dönüşür. Eğer yiyecek
kaynağında nektar kalitesi iyileştirilemiyorsa algoritma o yiyecek kaynağından vazgeçmektedir
ve o yiyecek kaynağı ile ilişkili olan işçi arı, kâşif arıya dönüşerek yeni yiyecek kaynakları
aramaktadır. Kâşif arı eski bir işçi arı olmakla beraber bir yiyecek kaynağı ile ilişkilendiğinde
tekrar işçi arı olmaktadır. Algoritma süresince kovanda N adet arı bulunmaktadır.
ABC algoritmasının her döngüsünde en fazla bir işçi arı, kâşif olarak seçilmekte ve
sınıflandırılmaktadır (Ashrafinia, 2007). Eğer kâşif olacak fazla sayıda işçi arı varsa algoritma
sadece bir arıyı rastgele seçmektedir. Sınıflandırma bir kontrol parametresi olan deneme (trial)
parametresinin önceden belirlenen üst sınır olan t değerinden az olmasına göre kontrol
edilmektedir. Eğer yiyecek kaynağı t adet denemeden sonra iyileştirilemezse algoritma onu
kâşif arı fazında popülasyondan silmektedir ve yiyecek kaynağı ile ilişkili işçi arı kâşif arı
olarak yeni yiyecek kaynakları aramaktadır. Diğer anlamda, kâşif arılar xi trial i  t koşulu
sağlandığı sürece yiyecek kaynağına gönderilmektedir.

76
Terkedilen yiyecek kaynağı, rastgele bir konum çarpımı olan yeni yiyecek kaynağı ile
değiştirilmektedir. Kâşif arılar, terkedilen xi yiyecek kaynağı ile değiştirmek üzere,
xˆ i   xˆ1i , xˆ2i ,..., xˆDi  olarak rastgele yeni yiyecek kaynaklarını oluşturmaktadır. Bu parametreler,
xˆ ij  xmin  rand . xmax  xmin  (5.15)
eşitliğine göre üretilmektedir. Burada xmax ve xmin parametreleri, alt ve üst sınırları temsil
etmektedir.
Her döngünün sonunda N adet işçi arının buldukları nektar kaliteleri sıralanarak en iyi
çözüm seçilmektedir. Eğer bir önceki jenerasyona göre daha iyi bir değer elde edilmişse
algoritma bu yiyecek konumunu ve karşılık düşen uygunluk değerini kaydetmektedir.
77
6. TEZ KAPSAMINDA YAPILAN ÇALIŞMA
6.1. Kullanılan Programlama Dili
Bu tez çalışması sırasında, ikinci dereceden beş katlı yapı kullanılarak tasarlanan çoklu
geri beslemeli aktif Butterworth, Bessel ve Chebyshev filtrelerini oluşturan direnç ve kapasitör
değerleri, farksal gelişim algoritması, parçacık sürü algoritması ve yapay arı koloni algoritması
ile MATLAB (MathWorks, 2013) kullanılarak optimize edilmiştir. Algoritmanın MATLAB
kullanarak yazımı, çalıştırılması ve elde edilen sonuçlara göre grafiklerin çizilmesi,
algoritmaların düzenlenmesi ve daha iyi sonuçlara erişme yolunda büyük kolaylık sağlamıştır.
6.2. Optimizasyonda Kullanılan Devreler Ve Maliyet Fonksiyonları
Bu tez çalışmasında, çoklu geri besleme topolojisi kullanan ikinci dereceden aktif
Butterworth, Bessel ve Chebyshev filtreleri tasarlanmıştır. Tasarlanan filtreye ait devre şeması
Şekil 6.1.’de verilmiştir.
R2
C1
VIN -
R1 R3 VOUT
C2 +
Şekil 6.1. Çoklu geri besleme topolojisine sahip ikinci dereceden alçak geçiren aktif filtre.
Onuncu dereceden bir filtre oluşturmak için Şekil 6.1.’de verilen ikinci dereceden alçak
geçiren filtre, beş filtre katı olarak kaskad bağlanmıştır. Kaskad bağlantıya ait temsili bağlantı
şeması Şekil 6.2.’de görülmektedir.
2. Derece 2. Derece 2. Derece 2. Derece 2. Derece

VIN VOUT
a1, b1 a2, b2 a3, b3 a4, b4 a5, b5
1. LPF 2. LPF 3. LPF 4. LPF 5. LPF
Şekil 6.2. İkinci dereceden filtrelerin kaskad bağlantısı ile onuncu dereceden filtre oluşturma
şeması.
78
Çoklu geri besleme topolojisine sahip alçak geçiren aktif filtrenin transfer fonksiyonu
Eş. (4.32) ile verilmişti. Bu eşitliğe ek olarak Eş. (6.1) ve Eş. (6.2) ile verilen FSF ve QFT
parametreleri ve Eş. (6.3) ve Eş. (6.4) ile verilen a ve b parametrelerine ilişkin eşitlikler,
optimizasyon algoritmalarında kullanılmıştır. Kazancın -1 olması için R1 ve R2 direnç
değerlerinin birbirlerine eşit olduğu kabul edilmiştir.
1
FSF  (6.1)
2 f c R2 R3C1C2
R2 R3C1C2
QFT  (6.2)
R2  R3 1  K  C1
1
a (6.3)
FSF .QFT . f c
1
b (6.4)
 FSF . f c 
2
Eşitliklerde yer alan K parametresi, filtre kazancını; FSF parametresi, frekans ölçekleme
faktörünü (frequency scaling factor, FSF) ve QFT parametresi, kalite faktörünü temsil
etmektedir.
Optimizasyon sırasında iki farklı maliyet fonksiyonunun farklı katsayılarla çarpımı

kullanılacaktır. Bu sayede FSF ve QFT parametrelerinin maliyet fonksiyonuna etkisi,
çarpımdaki sabitlerle ayarlanabilmektedir. Maliyet fonksiyonunu oluşturan iki ana fonksiyon
Eş. (6.5) ve Eş. (6.6), algoritma tarafından kullanılan kullanılan maliyet fonksiyonu ise Eş. (6.7)
ile verilmiştir.
MaliyetF1    FSF  FSFbulunan 

2
istenen
(6.5)
MaliyetF2   QFT  QFTbulunan 

2
istenen
(6.6)
MaliyetF   MaliyetF1  1    MaliyetF2 (6.7)
Optimizasyon sırasında maliyet fonksiyonunun en düşük olduğu çözüm, istenen çözüm

olacaktır. Eşitlikte verilen α parametresi, maliyet fonksiyonlarının etkisini ayarlamak için
kullanılmaktadır.
79
ABC algoritmasında, FGA ve PSO algoritmasına ek olarak uygunluk fonksiyonu, Eş.

(6.8)’de verildiği gibi kullanılmaktadır.
1
Uygunluk  (6.8)
1  MaliyetF
Eş. (6.1)-(6.8) eşitlikleri, optimizasyon algoritmalarında kullanılmıştır. İstenen değer

olarak (Karki, 2002) referansında verilen değerler kullanılmış, optimizasyon algoritmaları ile
devre elemanlarının en uygun değerleri elde edilerek devam eden alt başlıklarda
tablolandırılmıştır. Ayrıca her bir filtre için ayrı ayrı kazançlar, onuncu dereceden filtrenin
kazancı ve iterasyonlara karşılık hata değeri, alt başlıklarda grafiksel olarak verilmiştir.
6.3. Farksal Gelişim Algoritması İle Optimizasyon
Farksal gelişim algoritması ile çoklu geri besleme topolojisi kullanan ikinci dereceden
beş katlı filtrelerden oluşan onuncu dereceden aktif alçak geçiren filtrenin optimizasyonu için
yazılan ve çalıştırılan kodlar EK-1 ile ekte verilmiştir.
Farksal gelişim algoritmasında, hızlılığı ve doğruluğu sağlayabilecek iterasyon sayısı

250 ve popülasyon 50 alınmıştır. Ölçekleme faktörü 0.5 ve çaprazlama sabiti 0.9 olarak
seçilmiştir. Maliyet fonksiyonunda FSF parametresinin maliyet fonksiyonuna etkisini belirleyen
α değeri 0.6 seçilmiştir. Böylece QFT parametresi, maliyet fonksiyonunu 0.4 oranında
etkileyecektir.
Tasarlanan filtrenin merkez frekansı 1 kHz olarak belirlenmiş ve hesaplamalar buna

göre yapılmıştır. Optimizasyon işleminde her biri aynı anda iki iş yapabilen 4 çekirdekli Intel i7
işlemci ve 8 GB RAM’e sahip dizüstü bilgisayar kullanılmıştır. Butterworth ve Bessel filtreleri
ile 1-dB ve 3-dB Chebyshev filtrelerinin optimizasyonlarına ait süre bilgileri, tablolar ve
grafikler, alt başlıklar halinde verilmiştir.
6.3.1. Onuncu dereceden alçak geçiren Butterworth filtresi
Farksal gelişim algoritması kullanarak onuncu dereceden alçak geçiren Butterworth

filtresinin optimizasyonu yaklaşık olarak 0.57 saniyede tamamlanmıştır. MATLAB’da
kullanılan rastgelelik fonksiyonunun, bir seed değerine göre değer üretmesi ve bu seed
değerinin her çalışmada değişmesinden dolayı, aynı değerleri elde etmek için kodun belirli
sayıda çalıştırılması gerekmektedir.
80
Optimizasyonda yer alan parametrelere ilişkin kullanılacak alt ve üst sınır değerleri
Çizelge 6.1.’de verilmiştir.
Çizelge 6.1. Onuncu dereceden alçak geçiren Butterworth filtresinin FGA algoritması ile
optimizasyonunda kullanılan alt ve üst sınır değerleri.
Filtre Katları
Parametre
#1 #2 #3 #4 #5
FSF 1 1 1 1 1
QFT 0.5062 0.5612 0.7071 1.1013 3.1969
R2 Alt Sınır (kΩ) 10 10 10 10 10
R2 Üst Sınır (kΩ) 30 30 30 30 30
R3 Alt Sınır (kΩ) 10 10 10 10 10
R3 Üst Sınır (kΩ) 30 30 30 30 30
C1 Alt Sınır (nF) 3 3 2 1 0.5
C1 Üst Sınır (nF) 10 10 8 5 2
C2 Alt Sınır (nF) 8 8 11 15 50
C2 Üst Sınır (nF) 25 27 34 55 152
Optimizasyon sonucu istenen ve bulunan FSF ve QFT değerleri ile R1, R2, R3, C1 ve C2
değerleri Çizelge 6.2.’de verilmiştir.
81
Çizelge 6.2. Onuncu dereceden alçak geçiren Butterworth filtresinin FGA algoritması ile
optimizasyon sonucunda elde edilen değerler.
Filtre Katları
Parametre
#1 #2 #3 #4 #5
İstenen FSF 1 1 1 1 1
Bulunan FSF 0.99983 1.00029 1.00003 1.00004 0.999965
İstenen QFT 0.5062 0.5612 0.7071 1.1013 3.1969
Bulunan QFT 0.505684 0.564909 0.707544 1.101 3.19743
İstenen a 0.0019755 0.0017819 0.00141423 0.000908018 0.000312803
Bulunan a 0.00197786 0.00176969 0.0014133 0.000908232 0.000312762
İstenen b 1.00E-06 1.00E-06 1.00E-06 1.00E-06 1.00E-06
Bulunan b 1.00034E-06 9.99429E-07 9.99936E-07 9.99922E-07 1.00007E-06
R1 (kΩ) 12.5141 10.0032 29.5501 10.2235 28.7119
R2 (kΩ) 12.5141 10.0032 29.5501 10.2235 28.7119
R3 (kΩ) 10.1967 10.0067 26.3292 10.3515 29.9079
C1 (nF) 9.56579 9.38328 2.73613 4.67397 0.562282
C2 (nF) 20.7592 26.9529 11.8982 51.2056 52.4648
2. dereceden alçak geçiren filtrelerin her birine ait, optimizasyon sonucu elde edilen
kazanç grafikleri Şekil 6.3.’te görülmektedir.
3.5
2. dereceden 1. LPF
3.0 2. dereceden 2. LPF
2. dereceden 3. LPF
2. dereceden 4. LPF
2.5
2. dereceden 5. LPF
2.0
Kazanç
1.5
1.0
0.5
0.0
0.0 0.5 1.0 1.5 2.0 2.5 3.0

Frekans (KHz)
Şekil 6.3. Onuncu dereceden alçak geçiren Butterworth filtresinin her bir katına ait kazanç
grafiği.
82
Optimizasyonu yapılan onuncu dereceden alçak geçiren filtreye ait, optimizasyon

sonucu elde edilen kazanç grafiği Şekil 6.4.’te verilmiştir.
1.2
İstenen
Bulunan
1.0
0.8
Toplam Kazanç
0.6
0.4
0.2
0.0
0.0 0.5 1.0 1.5 2.0 2.5 3.0
Frekans (KHz)
Şekil 6.4. Onuncu dereceden alçak geçiren Butterworth filtresine ait kazanç grafiği.
Şekil 6.4.’te verilen grafikten görüldüğü gibi, optimizasyon sonucunda elde edilen
kazanç grafiği, istenen kazanç grafiği ile üst üste gelmektedir. İterasyonlar süresince maliyet
fonksiyonunun değerindeki değişim ise Şekil 6.5.’te verilmiştir.
83
0.4
Maliyet Fonksiyonu
0.3
Maliyet Fonksiyonu
0.2
0.1
0.0
50 100 150 200 250
İterasyon Sayısı
Şekil 6.5. Alçak geçiren Butterworth filtresinin FGA ile optimizasyonu süresince maliyet
fonksiyonunun değişimi.
Optimizasyon için 250 iterasyon değeri belirlenmiştir. Şekil 6.5. incelendiğinde ilk 100
iterasyon boyunca maliyet fonksiyonunda ciddi bir düşüş görülmektedir. 100. iterasyon ile 150.
iterasyon arasında kabul edilebilir değerler elde edilmekle birlikte daha iyi sonuç elde
edebilmek için 250 iterasyon çalıştırılmıştır. Maliyet fonksiyonundaki azalış miktarı çok düşük
değerlere geldiğinden dolayı iterasyonun bundan sonra devam etmesi, sonucu fazla
etkilemeyecektir.
6.3.2. Onuncu dereceden alçak geçiren Bessel filtresi
Farksal gelişim algoritması kullanarak onuncu dereceden alçak geçiren Bessel filtresinin
optimizasyonu yaklaşık olarak 0.57 saniyede tamamlanmıştır. MATLAB’da kullanılan
rastgelelik fonksiyonunun, bir seed değerine göre değer üretmesi ve bu seed değerinin her
çalışmada değişmesinden dolayı, aynı değerleri elde etmek için kodun belirli sayıda
çalıştırılması gerekmektedir.
Çizelge 6.3.’te verilmiştir.
84
Çizelge 6.3. Onuncu dereceden alçak geçiren Bessel filtresinin FGA algoritması ile
Filtre Katları
Parametre
#1 #2 #3 #4 #5
FSF 1.949 1.987 2.068 2.211 2.485
QFT 0.504 0.538 0.62 0.81 1.415
R2 Alt Sınır (kΩ) 1 1 1 1 1
R2 Üst Sınır (kΩ) 10 10 10 10 10
R3 Üst Sınır (kΩ) 10 10 10 10 10
C1 Alt Sınır (nF) 1 1 1 1 1
C1 Üst Sınır (nF) 15 15 15 15 15
C2 Üst Sınır (nF) 50 50 50 50 50
değerleri Çizelge 6.4.’te verilmiştir.
Çizelge 6.4. Onuncu dereceden alçak geçiren Bessel filtresinin FGA algoritması ile
Filtre Katları
Parametre
#1 #2 #3 #4 #5
İstenen FSF 1.949 1.987 2.068 2.211 2.485
Bulunan FSF 1.994 2.00118 2.10364 2.21553 2.46632
İstenen QFT 0.504 0.538 0.62 0.81 1.415
Bulunan QFT 0.517339 0.511454 0.603656 0.831785 1.41778
İstenen a 0.00101802 0.000935448 0.000779934 0.000558375 0.000284392
Bulunan a 0.000969393 0.000977029 0.00078748 0.00054264 0.000285985
İstenen b 2.63255E-07 2.53282E-07 2.33829E-07 2.04561E-07 1.61937E-07
Bulunan b 2.51507E-07 2.49705E-07 2.25974E-07 2.03726E-07 1.64400E-07
R1 (kΩ) 4.50328 10 2.01082 4.93895 5.41043
R2 (kΩ) 4.50328 10 2.01082 4.93895 5.41043
R3 (kΩ) 3.01031 2.11646 9.98286 7.09627 6.59399
C1 (nF) 14.6603 10.9253 5.70296 4.51423 2.4473
C2 (nF) 32.0559 27.3542 50 32.6166 47.6951
85
kazanç grafikleri Şekil 6.6.’da görülmektedir.
1.6
1.4
1.2
1.0
Kazanç
0.8

2. dereceden 2. LPF
2. dereceden 4. LPF
2. dereceden 5. LPF
0.2
0.0 0.5 1.0 1.5 2.0 2.5 3.0
Frekans (KHz)
Şekil 6.6. Onuncu dereceden alçak geçiren Bessel filtresinin her bir katına ait kazanç grafiği.

sonucu elde edilen kazanç grafiği Şekil 6.7.’de verilmiştir.
1.2
İstenen
Bulunan
1.0
0.8
Toplam Kazanç
0.6
0.4
0.2
0.0
0.0 0.5 1.0 1.5 2.0 2.5 3.0
Frekans (KHz)
Şekil 6.7. Onuncu dereceden alçak geçiren Bessel filtresine ait kazanç grafiği.
86
Şekil 6.7.’de verilen grafikten görüldüğü gibi, optimizasyon sonucunda elde edilen
fonksiyonunun değerindeki değişim ise Şekil 6.8.’de verilmiştir.
1.0
Maliyet Fonksiyonu
0.8
Maliyet Fonksiyonu
0.6
0.4
0.2
0.0
50 100 150 200 250
İterasyon Sayısı
Şekil 6.8. Alçak geçiren Bessel filtresinin FGA ile optimizasyonu süresince maliyet
Optimizasyon için 250 iterasyon değeri belirlenmiştir. Şekil 6.8. incelendiğinde 250
iterasyon boyunca belirli aralıklarla düşüşler görülmekle birlikte kısa süreli düşüşlere karşılık
uzun süreli sabit devam eden iterasyonlar bulunmaktadır. İterasyonların devam etmesiyle daha
hassas değerler elde edilebilir, ancak bulunan değerler, kabul edilebilir aralıkta olduğundan
dolayı, hızlılığı düşürmemek için 250 iterasyon, optimum değer olarak kabul edilmiştir.
6.3.3. Onuncu dereceden 1-dB Chebyshev filtresi
Farksal gelişim algoritması kullanarak onuncu dereceden alçak geçiren 1-dB Chebyshev
değerinin her çalışmada değişmesinden dolayı, aynı ya da daha iyi değerleri elde etmek için
kodun belirli sayıda çalıştırılması gerekmektedir. 1-dB Chebyshev filtresinde en iyi değeri
bulmak için 250 iterasyonluk kod, birçok defa çalıştırılmış ve en uygun değer, 46.41 saniye
sonra elde edilmiştir.
87
Çizelge 6.5. Onuncu dereceden alçak geçiren 1-dB Chebyshev filtresinin FGA algoritması ile
Filtre Katları
Parametre
#1 #2 #3 #4 #5
FSF 0.2121 0.476 0.7214 0.9024 0.9981
QFT 0.7495 1.8639 3.5609 6.9414 22.2779
R2 Üst Sınır (kΩ) 5 10 5 15 5
R3 Üst Sınır (kΩ) 20 5 15 5 5
C1 Üst Sınır (nF) 50 50 5 5 5
C2 Alt Sınır (nF) 50 100 100 1000 1000
C2 Üst Sınır (nF) 500 1000 1000 1000 5000
değerleri Çizelge 6.6.’da verilmiştir.
Filtre Katları
Parametre
#1 #2 #3 #4 #5
İstenen FSF 0.2121 0.476 0.7214 0.9024 0.9981
Bulunan FSF 0.213998 0.472397 0.722492 0.900387 0.998479
İstenen QFT 0.7495 1.8639 3.5609 6.9419 22.2779
Bulunan QFT 0.740898 1.85402 3.5544 6.93712 22.2627
İstenen a 0.00629054 0.00112712 0.000389282 0.000159633 0.000044973
Bulunan a 0.00630712 0.00114177 0.000389404 0.0001601 0.0000449866
İstenen b 2.22289E-05 4.41353E-06 1.92153E-06 1.22801E-06 1.00381E-06
Bulunan b 2.18363E-05 4.48112E-06 1.91573E-06 1.23351E-06 1.00305E-06
R1 (kΩ) 4.43563 5.50256 2.07975 9.2219 3.21215
R2 (kΩ) 4.43563 5.50256 2.07975 9.2219 3.21215
R3 (kΩ) 12.7647 2.19458 11.969 2.80247 1.45457
C1 (nF) 33.4994 18.3708 2.38206 1.71855 1.16966
C2 (nF) 291.62 511.662 818.381 703.489 4649.13
88
25
2. dereceden 1. LPF
2. dereceden 2. LPF
20 2. dereceden 3. LPF
2. dereceden 4. LPF
2. dereceden 5. LPF
15
Kazanç
10
0.0 0.5 1.0 1.5 2.0 2.5 3.0

Frekans (KHz)
Şekil 6.9. Onuncu dereceden alçak geçiren 1-dB Chebyshev filtresinin her bir katına ait kazanç
grafiği.

sonucu elde edilen kazanç grafiği Şekil 6.10.’da verilmiştir.
1.2
İstenen
Bulunan
1.0
0.8
Toplam Kazanç
0.6
0.4
0.2
0.0
0.0 0.5 1.0 1.5 2.0 2.5 3.0
Frekans (KHz)
Şekil 6.10. Onuncu dereceden alçak geçiren 1-dB Chebyshev filtresine ait kazanç grafiği.
89
Şekil 6.10.’da verilen grafikten görüldüğü gibi, optimizasyon sonucunda elde edilen
kazanç grafiği, istenen kazanç grafiği ile büyük oranda üst üste gelmektedir. İterasyonlar
süresince maliyet fonksiyonunun değerindeki değişim ise Şekil 6.11.’de verilmiştir.
1.0
Maliyet Fonksiyonu
0.8
Maliyet Fonksiyonu
0.6
0.4
0.2
0.0
50 100 150 200 250
İterasyon Sayısı
Şekil 6.11. Alçak geçiren 1-dB Chebyshev filtresinin FGA ile optimizasyonu süresince maliyet
iterasyon boyunca büyük düşüşler yaşanmaktadır. 150. iterasyondan sonra azalma oranı
düşmektedir. Bu aralık, kabul edilebilir sınırlarda olduğundan dolayı iterasyonlar, 250 değerine
ulaşınca sonlandırılmıştır.
Farksal gelişim algoritması kullanarak onuncu dereceden alçak geçiren 3-dB Chebyshev
bulmak için 250 iterasyonluk kod, birçok defa çalıştırılmış ve en uygun değer, 1.23 saniye sonra
elde edilmiştir.
90
Filtre Katları
Parametre
#1 #2 #3 #4 #5
FSF 0.1796 0.4626 0.7126 0.8954 0.9916
QFT 1.0289 2.935 5.7012 11.1646 35.9274
R2 Üst Sınır (kΩ) 5 10 5 10 5
R3 Üst Sınır (kΩ) 10 5 10 5 5
C1 Üst Sınır (nF) 50 20 5 5 5
C2 Alt Sınır (nF) 50 100 100 200 5000
C2 Üst Sınır (nF) 500 1000 1000 2000 15000
Filtre Katları
Parametre
#1 #2 #3 #4 #5
İstenen FSF 0.1796 0.4626 0.7126 0.8954 0.9916
Bulunan FSF 0.180291 0.46258 0.712497 0.895691 0.992772
İstenen QFT 1.0289 2.935 5.7012 11.1646 35.9274
Bulunan QFT 1.01536 2.9384 5.7018 11.1655 35.9234
İstenen a 0.00541154 0.000736523 0.000246143 0.000100032 0.0000280697
Bulunan a 0.00546266 0.000735704 0.000246153 9.99918E-05 0.0000280397
İstenen b 3.10018E-05 4.67292E-06 1.96928E-06 1.24729E-06 1.01701E-06
Bulunan b 3.07647E-05 4.67333E-06 1.96985E-06 1.24647E-06 1.01462E-06
R1 (kΩ) 4.85134 6.93344 4.38842 6.61447 2.00725
R2 (kΩ) 4.85134 6.93344 4.38842 6.61447 2.00725
R3 (kΩ) 7.69347 2.98977 5.50081 4.02601 1.08042
C1 (nF) 42.9587 9.06769 2.54557 1.08507 1.07067
C2 (nF) 486.024 629.772 811.996 1092.69 11068.5
91
kazanç grafikleri Şekil 6.12.’de görülmektedir.
40
2. dereceden 1. LPF
2. dereceden 2. LPF
2. dereceden 3. LPF
2. dereceden 5. LPF
20
Kazanç
10
0.0 0.5 1.0 1.5 2.0 2.5 3.0

Frekans (KHz)
grafiği.

1.6 İstenen
Bulunan
1.4
1.2
Toplam Kazanç
1.0
0.8
0.6
0.4
0.2
0.0
0.0 0.5 1.0 1.5 2.0 2.5 3.0
Frekans (KHz)
92
fonksiyonunun değerindeki değişim ise Şekil 6.14.’te verilmiştir.
Maliyet Fonksiyonu
3
Maliyet Fonksiyonu
0
50 100 150 200 250
İterasyon Sayısı
Şekil 6.14. Alçak geçiren 3-dB Chebyshev filtresinin FGA ile optimizasyonu süresince maliyet
iterasyon boyunca büyük düşüşler yaşanmaktadır. 150. iterasyondan sonra azalma oranı
düşmektedir. Bu aralık, kabul edilebilir sınırlarda olduğundan dolayı iterasyonlar, 250 değerine
6.4. Parçacık Sürü Algoritması İle Optimizasyon
Parçacık sürü algoritması ile çoklu geri besleme topolojisi kullanan ikinci dereceden beş
katlı filtrelerden oluşan onuncu dereceden aktif alçak geçiren filtrenin optimizasyonu için
Parçacık sürü algoritmasında, hızlılığı ve doğruluğu sağlayabilecek iterasyon sayısı 250

ve popülasyon 50 optimum değerleri belirlenmiştir. Atalet faktörü için wo ve wi parametreleri
sırasıyla 0.9 ve 0.1, hızlandırma sabitleri c1 ve c2 parametreleri ise 2 olarak seçilmiştir. Maliyet
fonksiyonunda FSF parametresinin maliyet fonksiyonuna etkisini belirleyen α değeri 0.6
seçilmiştir. Böylece QFT parametresi, maliyet fonksiyonunu 0.4 oranında etkileyecektir.
93

ile 1-dB ve 3-dB Chebyshev filtrelerinin optimizasyonlarına ait süre bilgileri, tablolar ve
grafikler, alt başlıklar halinde verilmiştir.
Parçacık sürü algoritması kullanarak onuncu dereceden alçak geçiren Butterworth

değerinin her çalışmada değişmesinden dolayı, aynı değerleri elde etmek için kodun belirli
sayıda çalıştırılması gerekmektedir.
Çizelge 6.9.’da verilmiştir.
Çizelge 6.9. Onuncu dereceden alçak geçiren Butterworth filtresinin PSO algoritması ile
Filtre Katları
Parametre
#1 #2 #3 #4 #5
FSF 1 1 1 1 1
QFT 0.5062 0.5612 0.7071 1.1013 3.1969
R2 Alt Sınır (kΩ) 10 10 10 10 10
R2 Üst Sınır (kΩ) 30 30 30 30 30
R3 Alt Sınır (kΩ) 10 10 10 10 10
R3 Üst Sınır (kΩ) 30 30 30 30 30
C1 Alt Sınır (nF) 3 3 2 1 0.5
C1 Üst Sınır (nF) 10 10 8 5 2
C2 Alt Sınır (nF) 8 8 11 15 50
C2 Üst Sınır (nF) 25 27 34 55 152
94
Çizelge 6.10. Onuncu dereceden alçak geçiren Butterworth filtresinin PSO algoritması ile
Filtre Katları
Parametre
#1 #2 #3 #4 #5
Bulunan FSF 0.999987 0.999986 1.00007 0.999989 0.999942
İstenen QFT 0.5062 0.5612 0.7071 1.1013 3.1969
Bulunan QFT 0.505927 0.56186 0.707151 1.10036 3.19694
İstenen a 0.0019755 0.0017819 0.00141423 0.000908018 0.0003128030
Bulunan a 0.0019766 0.00177983 0.00141403 0.0009088 0.0003128170
İstenen b 1.00000E-06 1.00000E-06 1.00000E-06 1.00000E-06 1.00000E-06
Bulunan b 1.00003E-06 1.00003E-06 9.99864E-07 1.00002E-06 1.00012E-06
R1 (kΩ) 10 24.1404 10 15.8007 13.9842
R2 (kΩ) 10 24.1404 10 15.8007 13.9842
R3 (kΩ) 20.2764 25.955 30 30 10
C1 (nF) 6.2229 3.72474 3.215 1.90816 1.46499
C2 (nF) 20.0756 10.854 26.2591 28.0051 123.657
95
3.5
2. dereceden 1. LPF
2. dereceden 3. LPF
2. dereceden 4. LPF
2.5
2. dereceden 5. LPF
2.0
Kazanç
1.5
1.0
0.5
0.0
0.0 0.5 1.0 1.5 2.0 2.5 3.0

Frekans (KHz)
grafiği.

1.2
İstenen
Bulunan
1.0
0.8
Toplam Kazanç
0.6
0.4
0.2
0.0
0.0 0.5 1.0 1.5 2.0 2.5 3.0
Frekans (KHz)
96
0.4
Maliyet Fonksiyonu
0.3
Maliyet Fonksiyonu
0.2
0.1
0.0
50 100 150 200 250
İterasyon Sayısı
Şekil 6.17. Alçak geçiren Butterworth filtresinin PSO ile optimizasyonu süresince maliyet
iterasyon boyunca maliyet fonksiyonunda ciddi bir düşüş görülmektedir. 200. iterasyondan
sonra maliyet fonksiyonundaki azalış miktarı çok düşük değerlere geldiğinden dolayı iterasyon
250’ye ulaştığında sonlandırılmıştır.
Parçacık sürü algoritması kullanarak onuncu dereceden alçak geçiren Bessel filtresinin
optimizasyonu yaklaşık olarak 18.76 saniyede tamamlanmıştır. MATLAB’da kullanılan
rastgelelik fonksiyonunun, bir seed değerine göre değer üretmesi ve bu seed değerinin her
çalışmada değişmesinden dolayı, aynı değerleri elde etmek için kodun belirli sayıda
çalıştırılması gerekmektedir.
97
Çizelge 6.11. Onuncu dereceden alçak geçiren Bessel filtresinin PSO algoritması ile
Filtre Katları
Parametre
#1 #2 #3 #4 #5
FSF 1.949 1.987 2.068 2.211 2.485
QFT 0.504 0.538 0.62 0.81 1.415
R2 Üst Sınır (kΩ) 10 10 10 10 10
R3 Üst Sınır (kΩ) 10 10 10 10 10
C1 Üst Sınır (nF) 15 15 15 15 15
C2 Üst Sınır (nF) 50 50 50 50 50
Çizelge 6.12. Onuncu dereceden alçak geçiren Bessel filtresinin PSO algoritması ile
Filtre Katları
Parametre
#1 #2 #3 #4 #5
İstenen FSF 1.949 1.987 2.068 2.211 2.485
Bulunan FSF 1.949 1.987 2.068 2.211 2.485
İstenen QFT 0.504 0.538 0.62 0.81 1.415
Bulunan QFT 0.465438 0.631559 0.605534 0.756324 1.42347
İstenen a 0.00101802 0.000935448 0.000779934 0.000558375 0.0002843920
Bulunan a 0.00110237 0.000796872 0.000798567 0.000598003 0.0002827010
İstenen b 2.63255E-07 2.53282E-07 2.33829E-07 2.04561E-07 1.61937E-07
Bulunan b 2.63254E-07 2.53282E-07 2.33829E-07 2.04561E-07 1.61937E-07
R1 (kΩ) 9.9998 4.06469 7.31883 5.81176 10
R2 (kΩ) 9.9998 4.06469 7.31883 5.81176 10
R3 (kΩ) 10 2.19519 6.21032 2.18039 3.18563
C1 (nF) 5.84827 15 6.43866 9.35608 2.7483
C2 (nF) 11.4024 47.9351 20.2389 43.7046 46.8519
98
1.6
1.4
1.2
1.0
Kazanç
0.8
0.6
2. dereceden 1. LPF
2. dereceden 2. LPF
2. dereceden 4. LPF
2. dereceden 5. LPF
0.2
0.0 0.5 1.0 1.5 2.0 2.5 3.0
Frekans (KHz)

1.2
İstenen
Bulunan
1.0
0.8
Toplam Kazanç
0.6
0.4
0.2
0.0
0.0 0.5 1.0 1.5 2.0 2.5 3.0
Frekans (KHz)
99
0.6
Maliyet Fonksiyonu
0.5
0.4
Maliyet Fonksiyonu
0.3
0.2
0.1
0.0
50 100 150 200 250
İterasyon Sayısı
Şekil 6.20. Alçak geçiren Bessel filtresinin PSO ile optimizasyonu süresince maliyet
iterasyon boyunca belirli aralıklarla düşüşler görülmekle birlikte kısa süreli düşüşlere karşılık
uzun süreli sabit devam eden iterasyonlar bulunmaktadır. İterasyonların devam etmesiyle daha
hassas değerler elde edilebilir, ancak bulunan değerler, kabul edilebilir aralıkta olduğundan
dolayı, hızlılığı düşürmemek için 250 iterasyon, optimum değer olarak kabul edilmiştir.
Parçacık sürü algoritması kullanarak onuncu dereceden alçak geçiren 1-dB Chebyshev
100
Çizelge 6.13. Onuncu dereceden alçak geçiren 1-dB Chebyshev filtresinin PSO algoritması ile
Filtre Katları
Parametre
#1 #2 #3 #4 #5
FSF 0.2121 0.476 0.7214 0.9024 0.9981
QFT 0.7495 1.8639 3.5609 6.9414 22.2779
R2 Üst Sınır (kΩ) 5 10 5 15 5
R3 Üst Sınır (kΩ) 20 5 15 5 5
C1 Üst Sınır (nF) 50 50 5 5 5
C2 Alt Sınır (nF) 50 100 100 1000 1000
C2 Üst Sınır (nF) 500 1000 1000 1000 5000
Filtre Katları
Parametre
#1 #2 #3 #4 #5
İstenen FSF 0.2121 0.476 0.7214 0.9024 0.9981
Bulunan FSF 0.212029 0.476138 0.720825 0.902552 0.998189
İstenen QFT 0.7495 1.8639 3.5609 6.9419 22.2779
Bulunan QFT 0.749487 1.86387 3.56095 6.94188 22.2779
İstenen a 0.00629054 0.00112712 0.000389282 0.000159633 0.0000449730
Bulunan a 0.00629275 0.00112681 0.000389587 0.000159606 0.0000449690
İstenen b 2.22289E-05 4.41353E-06 1.92153E-06 1.22801E-06 1.00381E-06
Bulunan b 2.22438E-05 4.41097E-06 1.92460E-06 1.22760E-06 1.00363E-06
R1 (kΩ) 5 9.95697 4.99987 3.92614 3.59141
R2 (kΩ) 5 9.95697 4.99987 3.92614 3.59141
R3 (kΩ) 7.51635 1.41704 15 3.25198 1.78282
C1 (nF) 49.9944 14.0205 1.77157 2.43547 1
C2 (nF) 299.883 564.808 366.921 1000 3970.48
101
25
2. dereceden 1. LPF
2. dereceden 2. LPF
2. dereceden 4. LPF
2. dereceden 5. LPF
15
Kazanç
10
0.0 0.5 1.0 1.5 2.0 2.5 3.0

Frekans (KHz)
grafiği.

1.2
İstenen
Bulunan
1.0
0.8
Toplam Kazanç
0.6
0.4
0.2
0.0
0.0 0.5 1.0 1.5 2.0 2.5 3.0
Frekans (KHz)
102
süresince maliyet fonksiyonunun değerindeki değişim ise Şekil 6.23.’te verilmiştir.
1.4
Maliyet Fonksiyonu
1.2
1.0
Maliyet Fonksiyonu
0.8
0.6
0.4
0.2
0.0
50 100 150 200 250
İterasyon Sayısı
Şekil 6.23. Alçak geçiren 1-dB Chebyshev filtresinin PSO ile optimizasyonu süresince maliyet
iterasyon boyunca büyük düşüşler yaşanmaktadır. 200. iterasyondan sonra azalma oranı sabit
kalmaktadır. Bu aralık, kabul edilebilir sınırlarda olduğundan dolayı iterasyonlar, 250 değerine
Parçacık sürü algoritması kullanarak onuncu dereceden alçak geçiren 3-dB Chebyshev
bulmak için 250 iterasyonluk kod, birçok defa çalıştırılmış ve en uygun değer, 6.40 saniye sonra
elde edilmiştir.
103
Filtre Katları
Parametre
#1 #2 #3 #4 #5
FSF 0.1796 0.4626 0.7126 0.8954 0.9916
QFT 1.0289 2.935 5.7012 11.1646 35.9274
R2 Üst Sınır (kΩ) 5 10 5 10 5
R3 Üst Sınır (kΩ) 10 5 10 5 5
C1 Üst Sınır (nF) 50 20 5 5 5
C2 Alt Sınır (nF) 50 100 100 200 5000
C2 Üst Sınır (nF) 500 1000 1000 2000 15000
Filtre Katları
Parametre
#1 #2 #3 #4 #5
İstenen FSF 0.1796 0.4626 0.7126 0.8954 0.9916
Bulunan FSF 0.179602 0.462585 0.712599 0.8954 0.991594
İstenen QFT 1.0289 2.935 5.7012 11.1646 35.9274
Bulunan QFT 1.0289 2.935 5.7012 11.1646 35.9274
İstenen a 0.00541154 0.000736523 0.000246143 0.000100032 0.0000280697
Bulunan a 0.00541148 0.000736546 0.000246144 0.000100032 0.0000280699
İstenen b 3.10018E-05 4.67292E-06 1.96928E-06 1.24729E-06 1.01701E-06
Bulunan b 3.10012E-05 4.67322E-06 1.96929E-06 1.24729E-06 1.01703E-06
R1 (kΩ) 4.55257 10 5 3.95433 2.46746
R2 (kΩ) 4.55257 10 5 3.95433 2.46746
R3 (kΩ) 9.168 1.26535 2.5951 1.99185 1
C1 (nF) 37.6286 9.35501 3.84438 2.00562 1
C2 (nF) 500 1000 1000 2000 10440.5
104
40
2. dereceden 1. LPF
2. dereceden 2. LPF
2. dereceden 3. LPF
2. dereceden 5. LPF
20
Kazanç
10
0.0 0.5 1.0 1.5 2.0 2.5 3.0

Frekans (KHz)
grafiği.

1.4 İstenen
Bulunan
1.2
1.0
Toplam Kazanç
0.8
0.6
0.4
0.2
0.0
0.0 0.5 1.0 1.5 2.0 2.5 3.0
Frekans (KHz)
105
fonksiyonunun değerindeki değişim ise Şekil 6.26.’da verilmiştir.
1.6
Maliyet Fonksiyonu
1.4
1.2
Maliyet Fonksiyonu
1.0
0.8
0.6
0.4
0.2
0.0
50 100 150 200 250
İterasyon Sayısı
6.5. Yapay Arı Koloni Algoritması İle Optimizasyon
Yapay arı koloni algoritması ile çoklu geri besleme topolojisi kullanan ikinci dereceden
beş katlı filtrelerden oluşan onuncu dereceden aktif alçak geçiren filtrenin optimizasyonu için

ile 1-dB ve 3-dB Chebyshev filtrelerinin optimizasyonlarına ait parametrelere ilişkin bilgiler,
süre bilgileri, tablolar ve grafikler, alt başlıklarda verilmiştir.
106
Yapay arı koloni algoritması kullanarak onuncu dereceden alçak geçiren Butterworth
filtresinin optimizasyonunda iterasyon sayısı 250 ve popülasyon 50 olarak belirlenmiştir.
Maliyet fonksiyonuna FSF parametresinin katkısını belirleyen α değeri 0.6, rastgelelik
derecesini ayarlayan β değeri 1 olarak seçilmiştir. Bir kaynağın kullanılabilirliğini sınırlayan
trial limit parametresi 25 olarak kullanılmıştır. Algoritma, yaklaşık olarak 29.01 saniyede
tamamlanmıştır. MATLAB’da kullanılan rastgelelik fonksiyonunun, bir seed değerine göre
değer üretmesi ve bu seed değerinin her çalışmada değişmesinden dolayı, aynı değerleri elde
etmek için kodun belirli sayıda çalıştırılması gerekmektedir. Butterworth filtresinde en iyi
değeri bulmak için 250 iterasyonluk kod, birçok defa çalıştırılmış ve en uygun değer, 29.01
saniye sonra elde edilmiştir.
Çizelge 6.17. Onuncu dereceden alçak geçiren Butterworth filtresinin YAK algoritması ile
Filtre Katları
Parametre
#1 #2 #3 #4 #5
FSF 1 1 1 1 1
QFT 0.5062 0.5612 0.7071 1.1013 3.1969
R2 Alt Sınır (kΩ) 10 10 10 10 10
R2 Üst Sınır (kΩ) 30 30 30 30 30
R3 Alt Sınır (kΩ) 10 10 10 10 10
R3 Üst Sınır (kΩ) 30 30 30 30 30
C1 Alt Sınır (nF) 3 3 2 1 0.5
C1 Üst Sınır (nF) 10 10 8 5 2
C2 Alt Sınır (nF) 8 8 11 15 50
C2 Üst Sınır (nF) 25 27 34 55 152
107
Çizelge 6.18. Onuncu dereceden alçak geçiren Butterworth filtresinin YAK algoritması ile
Filtre Katları
Parametre
#1 #2 #3 #4 #5
Bulunan FSF 1.0022 0.998504 0.994505 1.00401 0.996896
İstenen QFT 0.5062 0.5612 0.7071 1.1013 3.1969
Bulunan QFT 0.512544 0.558577 0.704685 1.09346 3.18983
İstenen a 0.0019755 0.0017819 0.00141423 0.000908018 0.0003128030
Bulunan a 0.00194677 0.00179295 0.00142692 0.000910877 0.0003144730
İstenen b 1.00000E-06 1.00000E-06 1.00000E-06 1.00000E-06 1.00000E-06
Bulunan b 9.95614E-07 1.00300E-06 1.01108E-06 9.92032E-07 1.00624E-06
R1 (kΩ) 12.2485 16.7104 26.7567 17.7445 15.8209
R2 (kΩ) 12.2485 16.7104 26.7567 17.7445 15.8209
R3 (kΩ) 19.2529 19.2233 14.1019 12.5512 12.9433
C1 (nF) 6.10467 5.17353 4.13207 3.38346 1.20002
C2 (nF) 17.5183 15.2876 16.4266 33.347 103.723
3.5
2. dereceden 1. LPF
2. dereceden 3. LPF
2. dereceden 4. LPF
2.5
2. dereceden 5. LPF
2.0
Kazanç
1.5
1.0
0.5
0.0
0.0 0.5 1.0 1.5 2.0 2.5 3.0

Frekans (KHz)
grafiği.
108

1.2
İstenen
Bulunan
1.0
0.8
Toplam Kazanç
0.6
0.4
0.2
0.0
0.0 0.5 1.0 1.5 2.0 2.5 3.0
Frekans (KHz)
fonksiyonunun değerindeki değişim ise Şekil 6.29.’da verilmiştir.
0.25
Maliyet Fonksiyonu
0.20
Maliyet Fonksiyonu
0.15
0.10
0.05
0.00
50 100 150 200 250
İterasyon Sayısı
Şekil 6.29. Alçak geçiren Butterworth filtresinin YAK ile optimizasyonu süresince maliyet
109
iterasyon boyunca maliyet fonksiyonunda ciddi bir düşüş görülmektedir. 200. iterasyondan
sonra maliyet fonksiyonundaki azalış miktarı çok düşük değerlere geldiğinden dolayı iterasyon
250’ye ulaştığında sonlandırılmıştır.
Yapay arı koloni algoritması kullanarak onuncu dereceden alçak geçiren Bessel
filtresinin optimizasyonunda iterasyon sayısı 250 ve popülasyon 50 olarak belirlenmiştir.
Maliyet fonksiyonuna FSF parametresinin katkısını belirleyen α değeri 0.6, rastgelelik
derecesini ayarlayan β değeri 1 olarak seçilmiştir. Bir kaynağın kullanılabilirliğini sınırlayan
trial limit parametresi 25 olarak kullanılmıştır. Algoritma, yaklaşık olarak 53.26 saniyede
tamamlanmıştır. MATLAB’da kullanılan rastgelelik fonksiyonunun, bir seed değerine göre
değer üretmesi ve bu seed değerinin her çalışmada değişmesinden dolayı, aynı değerleri elde
etmek için kodun belirli sayıda çalıştırılması gerekmektedir. Bessel filtresinde en iyi değeri
Çizelge 6.19.’da verilmiştir.
Çizelge 6.19. Onuncu dereceden alçak geçiren Bessel filtresinin YAK algoritması ile
Filtre Katları
Parametre
#1 #2 #3 #4 #5
FSF 1.949 1.987 2.068 2.211 2.485
QFT 0.504 0.538 0.62 0.81 1.415
R2 Üst Sınır (kΩ) 10 10 10 10 10
R3 Üst Sınır (kΩ) 10 10 10 10 10
C1 Üst Sınır (nF) 15 15 15 15 15
C2 Üst Sınır (nF) 50 50 50 50 50
110
Çizelge 6.20. Onuncu dereceden alçak geçiren Bessel filtresinin YAK algoritması ile
Filtre Katları
Parametre
#1 #2 #3 #4 #5
İstenen FSF 1.949 1.987 2.068 2.211 2.485
Bulunan FSF 1.94168 1.98164 2.06988 2.22161 2.47792
İstenen QFT 0.504 0.538 0.62 0.81 1.415
Bulunan QFT 0.576025 0.506011 0.588234 0.782311 1.41233
İstenen a 0.00101802 0.000935448 0.000779934 0.000558375 0.0002843920
Bulunan a 0.000894091 0.000997274 0.000821304 0.000575379 0.0002857440
İstenen b 2.63255E-07 2.53282E-07 2.33829E-07 2.04561E-07 1.61937E-07
Bulunan b 2.65244E-07 2.54653E-07 2.33404E-07 2.02612E-07 1.62865E-07
R1 (kΩ) 5.0384 1.79775 7.76981 6.77389 6.35102
R2 (kΩ) 5.0384 1.79775 7.76981 6.77389 6.35102
R3 (kΩ) 5.23117 8.48813 2.91035 1.67533 7.88601
C1 (nF) 9.18014 8.4543 9.61807 9.04479 2.05567
C2 (nF) 27.7681 50 27.1835 50 40.0695
1.6
1.4
1.2
1.0
Kazanç
0.8

2. dereceden 2. LPF
2. dereceden 4. LPF
2. dereceden 5. LPF
0.2
0.0 0.5 1.0 1.5 2.0 2.5 3.0
Frekans (KHz)

111
1.2
İstenen
Bulunan
1.0
0.8
Toplam Kazanç
0.6
0.4
0.2
0.0
0.0 0.5 1.0 1.5 2.0 2.5 3.0
Frekans (KHz)
1.0
Maliyet Fonksiyonu
0.8
Maliyet Fonksiyonu
0.6
0.4
0.2
0.0
50 100 150 200 250
İterasyon Sayısı
Şekil 6.32. Alçak geçiren Bessel filtresinin YAK ile optimizasyonu süresince maliyet
iterasyon boyunca belirli aralıklarla ciddi düşüşler görülmekle birlikte kısa süreli düşüşlere
karşılık uzun süreli sabit devam eden iterasyonlar bulunmaktadır. İterasyonların devam
112
etmesiyle daha hassas değerler elde edilebilir, ancak bulunan değerler, kabul edilebilir aralıkta
olduğundan dolayı, hızlılığı düşürmemek için 250 iterasyon, optimum değer olarak kabul
edilmiştir.
Yapay arı koloni algoritması kullanarak onuncu dereceden alçak geçiren 1-dB
Chebyshev filtresinin optimizasyonunda iterasyon sayısı 500 ve popülasyon 500 olarak
belirlenmiştir. Maliyet fonksiyonuna FSF parametresinin katkısını belirleyen α değeri 0.6,
rastgelelik derecesini ayarlayan β değeri 1 olarak seçilmiştir. Bir kaynağın kullanılabilirliğini
sınırlayan trial limit parametresi 30 olarak kullanılmıştır. Algoritma, yaklaşık olarak 422.43
saniyede tamamlanmıştır. MATLAB’da kullanılan rastgelelik fonksiyonunun, bir seed değerine
göre değer üretmesi ve bu seed değerinin her çalışmada değişmesinden dolayı, aynı değerleri
elde etmek için kodun belirli sayıda çalıştırılması gerekmektedir. 1-dB Chebyshev filtresinde en
iyi değeri bulmak için 500 iterasyonluk kod, birçok defa çalıştırılmış ve en uygun değer, 422.43
saniye sonra elde edilmiştir.
Çizelge 6.21. Onuncu dereceden alçak geçiren 1-dB Chebyshev filtresinin YAK algoritması ile
Filtre Katları
Parametre
#1 #2 #3 #4 #5
FSF 0.2121 0.476 0.7214 0.9024 0.9981
QFT 0.7495 1.8639 3.5609 6.9414 22.2779
R2 Üst Sınır (kΩ) 5 10 5 15 5
R3 Üst Sınır (kΩ) 20 5 15 5 5
C1 Üst Sınır (nF) 50 50 5 5 5
C2 Alt Sınır (nF) 50 100 100 1000 1000
C2 Üst Sınır (nF) 500 1000 1000 1000 5000
113
Filtre Katları
Parametre
#1 #2 #3 #4 #5
İstenen FSF 0.2121 0.476 0.7214 0.9024 0.9981
Bulunan FSF 0.21078 0.466468 0.711071 0.887385 0.981345
İstenen QFT 0.7495 1.8639 3.5609 6.9419 22.2779
Bulunan QFT 0.750425 1.86792 3.60223 6.95658 22.0536
İstenen a 0.00629054 0.00112712 0.000389282 0.000159633 0.0000449730
Bulunan a 0.00632213 0.00114768 0.000390405 0.000161991 0.0000462060
İstenen b 2.22289E-05 4.41353E-06 1.92153E-06 1.22801E-06 1.00381E-06
Bulunan b 2.25082E-05 4.59574E-06 1.97776E-06 1.26992E-06 1.03838E-06
R1 (kΩ) 3.69418 3.75192 2.57804 6.82337 2.93629
R2 (kΩ) 3.69418 3.75192 2.57804 6.82337 2.93629
R3 (kΩ) 20 1.85787 7.20051 2.47103 1.39505
C1 (nF) 23.0282 24.4599 3.6595 2.19131 1.28421
C2 (nF) 335.1 682.766 737.46 870.633 5000
25
2. dereceden 1. LPF
2. dereceden 2. LPF
2. dereceden 4. LPF
2. dereceden 5. LPF
15
Kazanç
10
0.0 0.5 1.0 1.5 2.0 2.5 3.0

Frekans (KHz)
grafiği.
114

1.2
İstenen
Bulunan
1.0
0.8
Toplam Kazanç
0.6
0.4
0.2
0.0
0.0 0.5 1.0 1.5 2.0 2.5 3.0
Frekans (KHz)
süresince maliyet fonksiyonunun değerindeki değişim ise Şekil 6.35.’te verilmiştir.
1.4
Maliyet Fonksiyonu
1.2
1.0
Maliyet Fonksiyonu
0.8
0.6
0.4
0.2
0.0
100 200 300 400 500
İterasyon Sayısı
Şekil 6.35. Alçak geçiren 1-dB Chebyshev filtresinin YAK ile optimizasyonu süresince maliyet
115
Yapay arı koloni algoritması kullanarak onuncu dereceden alçak geçiren 3-dB
Chebyshev filtresinin optimizasyonunda iterasyon sayısı 500 ve popülasyon 1000 olarak
belirlenmiştir. Maliyet fonksiyonuna FSF parametresinin katkısını belirleyen α değeri 0.6,
rastgelelik derecesini ayarlayan β değeri 1 olarak seçilmiştir. Bir kaynağın kullanılabilirliğini
sınırlayan trial limit parametresi 30 olarak kullanılmıştır. Algoritma, yaklaşık olarak 1115.06
saniyede tamamlanmıştır. MATLAB’da kullanılan rastgelelik fonksiyonunun, bir seed değerine
göre değer üretmesi ve bu seed değerinin her çalışmada değişmesinden dolayı, aynı değerleri
elde etmek için kodun belirli sayıda çalıştırılması gerekmektedir. 3-dB Chebyshev filtresinde en
iyi değeri bulmak için 500 iterasyonluk kod, birçok defa çalıştırılmış ve en uygun değer,
1115.06 saniye sonra elde edilmiştir.
Filtre Katları
Parametre
#1 #2 #3 #4 #5
FSF 0.1796 0.4626 0.7126 0.8954 0.9916
QFT 1.0289 2.935 5.7012 11.1646 35.9274
R2 Üst Sınır (kΩ) 5 10 5 10 5
R3 Üst Sınır (kΩ) 10 5 10 5 5
C1 Üst Sınır (nF) 50 20 5 5 5
C2 Alt Sınır (nF) 50 100 100 200 5000
C2 Üst Sınır (nF) 500 1000 1000 2000 15000
116
Filtre Katları
Parametre
#1 #2 #3 #4 #5
İstenen FSF 0.1796 0.4626 0.7126 0.8954 0.9916
Bulunan FSF 0.178189 0.462139 0.713199 0.89779 0.990211
İstenen QFT 1.0289 2.935 5.7012 11.1646 35.9274
Bulunan QFT 1.02803 2.93509 5.70788 11.1625 35.9263
İstenen a 0.00541154 0.000736523 0.000246143 0.000100032 0.0000280697
Bulunan a 0.005459 0.000737235 0.000245649 9.97843E-05 0.0000281099
İstenen b 3.10018E-05 4.67292E-06 1.96928E-06 1.24729E-06 1.01701E-06
Bulunan b 3.14948E-05 4.68225E-06 1.96598E-06 1.24065E-06 1.01987E-06
R1 (kΩ) 4.70972 3.42824 3.95714 5.49305 2.06374
R2 (kΩ) 4.70972 3.42824 3.95714 5.49305 2.06374
R3 (kΩ) 8.6473 3.20267 4.22963 1.98049 1.08844
C1 (nF) 39.4844 11.932 3.14876 1.67983 1.05499
C2 (nF) 496.11 905.309 944.922 1719.64 10901.2
40
2. dereceden 1. LPF
2. dereceden 2. LPF
2. dereceden 3. LPF
2. dereceden 5. LPF
20
Kazanç
10
0.0 0.5 1.0 1.5 2.0 2.5 3.0

Frekans (KHz)
grafiği.
117

1.6
İstenen
1.4 Bulunan
1.2
1.0
Toplam Kazanç
0.8
0.6
0.4
0.2
0.0
0.0 0.5 1.0 1.5 2.0 2.5 3.0
Frekans (KHz)
Maliyet Fonksiyonu
0.8
0.6
Maliyet Fonksiyonu
0.4
0.2
0.0
100 200 300 400 500
İterasyon Sayısı
118
iterasyon boyunca büyük düşüşler yaşanmaktadır. 100. iterasyondan sonra azalma büyük oranda
sabit kalmaktadır. Kabul edilebilir değerlere yaklaşık 500. iterasyonda ulaşıldığından
optimizasyon işlemi, 500. iterasyona sonlandırılmıştır.
119
7. SONUÇLAR
Teknolojinin ilerlemesi ve literatürün gelişmesi, yapılan çalışmaların da literatüre göre

daha iyiye yönelmesini sağlamıştır. Yapılan çalışmaların en iyiye yönelmesini ve çalışmaların
devamlılığını sağlayan, literatürde yer alan optimizasyon yöntemleridir.
Filtreler, genellikle pasif devre elemanlarının kullanılması ile oluşturulmaktadır ve

elektronikte yaygın bir kullanım alanına sahiptir. R, L, C elemanlarının kullanılması ile
oluşturulan pasif filtrelerin çalışma performansları, kullanılan devre elemanlarının
performansları ile belirlenmektedir. Belirli bir frekansın altında (~1 MHz), indüktör elemanının
davranışının ideallikten uzaklaşması, pasif filtrelerin bu frekansın altında kullanılmasını
engellemektedir. Bundan dolayı pasif filtreler, bu frekanslar için yerini, transistör veya işlemsel
yükselteçler gibi aktif devre elemanlarının kullanıldığı aktif filtrelere bırakmıştır.
İlk olarak toplama, çıkarma, integral, türev, logaritma gibi basit matematiksel işlemlerin
yapılmasında kullanılanılan ve ilk bilgisayarların temelini oluşturan işlemsel yükselteçler, pasif
filtrelerin, indüktör elemanının doğrusal olmayan davranışını ortadan kaldırmak için aktif
filtrelerde kullanılmaya başlanmıştır.
Bu tez çalışmasında, çoklu geri besleme topolojisi kullanılarak, her bir katı ikinci
dereceden alçak geçiren filtrelerin kaskad bağlanması ile oluşturan beş katlı, onuncu dereceden
alçak geçiren Bessel, Butterworth ve Chebyshev filtrelerinin ABC, DE ve PSO optimizasyon
algoritmaları ile optimizasyonu yapılmıştır.
Yapılan çalışmada 1-dB Chebyshev ve 3-dB Chebyshev filtrelerinin optimizasyonları,

Bessel ve Butterworth filtrelerinin optimizasyonlarına göre daha uzun sürmüştür. İstenen filtre
cevabını elde etmek için ABC algoritmasında, diğer algoritmalara göre popülasyon ve iterasyon
sayıları değiştirilmiştir. Bundan dolayı süre, diğer algoritmalara göre daha yüksek çıkmıştır.
Çalışmaya ait sonuçlar incelendiğinde, ABC, DE ve PSO algoritmalarının onuncu

dereceden alçak geçiren Bessel, Butterworth ve Chebyshev filtrelere başarılı bir şekilde
uygulandığı ve istenen performans sonuçlarının yüksek doğrulukla elde edildiği görülmektedir.
Bu tür optimizasyon uygulamalarında sonuçlara yüzde hesabı olarak bakmak yerine

maliyet fonksiyonu kullanılır. Çünkü gerçek değer bilinmemektedir, optimizasyon ile bulunan
değerler gerçek değer kabul edilmektedir maliyet fonksiyonun sıfıra yaklaşmış olması gerçek
değerlere yaklaştığımız manasına gelmektedir. Ayrıca onuncu dereceden filtrede yirmibeş tane
değişken için değer bulmamız gerekiyor her biri için yüzdelik işlem demektir ayrı ayrı hata
120
yüzdesi hesaplamak gereksizdir Bir değişkenin gerçek değeri sıfırsa hata yüzdesi bulunamaz ve
mantıksızdır.
121
KAYNAKLAR DİZİNİ
Ashrafinia, S. (2007), Novel ABC- and BBO-Based Evolutionary Algorithms and Their
Illustrations to Wireless Communications,
B.Sc., Sharif University of Technology.
Ayten, U. E., Vural, R. A. ve Yildirim, T. (2011), Low-pass Filter Approximation with

Evolutionary Techniques, ELECO 2011, Bursa.
Eberhart, R. ve Kennedy, J. (1995), A new optimizer using particle swarm theory, In: Sixth
International Symposium on Micro Machine and Human Science, Nagoya.
Ermiş, S. (2009), Türevsel evrim algoritması kullanarak c şekilli kompakt mikroşerit antenin
rezonans frekansı denkleminin elde edilmesi, Yüksek Lisans Tezi, Mersin Üniversitesi.
Horrocks, D. H. ve Spittle, M. C. (1993), Component Value Selection for Active Filter Using
Genetic Algorithms, IEE/IEEE Workshop on Natural Algorithms in Signal Processing,
Chelmsford, UK.
Hu, X., Shi, Y. ve R., E. (2004), Recent advances in particle swarm, Evolutionary Computation
CEC2004 Congress on, CEC.
Jiang, M., Z., Y. ve Z., G. (2007), Optimal Components Selection for Analog Active Filters
Using Clonel Selection Algorithms, ICIC 2007.
Kadioglu, T., Vural, R. A. ve Yildirim, T. (2010), Artificial Bee Colony based Butterworth filter
optimization, Electrical, Electronics and Computer Engineering (ELECO), 2010 National
Conference on.
Kalinli, A. (2006), Component Value Selection for Active Filters Using Parallel Tabu Search
Algorithm, AEU Int. Journal of Electronics and Comm.: 85-92.
Kalinli, A. (2014), Optimal Circuit Design Using Immune Algorithm, ICARIS 2014.
Karaboga, D. (2004), Yapay Zeka Optimizasyonu Algoritmaları, İstanbul, Atlas Yayın Dağıtım.
Karki, J. (2002), Active Low-Pass Filter Design.
Kennedy, J. ve Eberhart, R. (1995), Particle swarm optimization, Neural Networks Proceedings

IEEE International Conference on, Perth.
Mancini, R. (2002), Op Amps For Everyone, Texas Instruments.
MathWorks (2013), MATLAB 2013a.
Mayer, D. G., Kinghorn, B. P. ve Archer, A. A. (2005), Differential Evolution – An Easy and

Efficient Evolutionary Algorithm for Model Optimisation, Agricultural Systems 83: 315-328.
122
KAYNAKLAR DİZİNİ(devam)
Ortakci, Y. (2011), Parçacık Sürü Optimizasyonu Yöntemlerinin Uygulamalarla

Karşılaştırılması, Yüksek Lisans Yüksek Lisans, Karabük Üniversitesi.
Vural, R. A. ve T., Y. (2010), Component Value Selection for Analog Active Filter Using
Particle Swarm Optimization, ICCAE 2nd International Conference on Computer and
Automation Engineering.
123
EKLER
EK 1: Farksal Gelişim Algoritması ile Optimizasyon için MATLAB Kodları
close all
clear,clc
tic
sec = 4;
clc
str1 = 'Differential Evolution Algorithm';
str2 = 'Low-Pass Multiple-Feedback Architecture';
switch sec
case 1
FSF = [ 1 1 1 1 1 ];
QFT = [ 0.5062 0.5612 0.7071 1.1013 3.1969 ];
str3 = '5 * 2.Order Lowpass Butterworth Filter';
r2Min = [ 10 10 10 10 10 ]*1e3;
r2Max = [ 30 30 30 30 30 ]*1e3;
r3Min = [ 10 10 10 10 10 ]*1e3;
r3Max = [ 30 30 30 30 30 ]*1e3;
c1Min = [ 3 3 2 1 0.5 ]*1e-9;
c1Max = [ 10 10 8 5 2 ]*1e-9;
c2Min = [ 8 8 11 15 50 ]*1e-9;
c2Max = [ 25 27 34 55 152 ]*1e-9;
case 2
FSF = [ 1.9490 1.9870 2.0680 2.2110 2.4850 ];
QFT = [ 0.5040 0.5380 0.6200 0.8100 1.4150 ];
str3 = '5 * 2.Order Lowpass Bessel Filter';
r2Min = [ 1 1 1 1 1 ]*1e3;
r2Max = [ 10 10 10 10 10 ]*1e3;
r3Min = [ 1 1 1 1 1 ]*1e3;
r3Max = [ 10 10 10 10 10 ]*1e3;
c1Min = [ 1 1 1 1 1 ]*1e-9;
c1Max = [ 15 15 15 15 15 ]*1e-9;
c2Min = [ 5 5 5 5 5 ]*1e-9;
c2Max = [ 50 50 50 50 50 ]*1e-9;
case 3
FSF = [ 0.2121 0.4760 0.7214 0.9024 0.9981 ];
QFT = [ 0.7495 1.8639 3.5609 6.9419 22.2779 ];
str3 = '5 * 2.Order Lowpass 1-dB Chebyshev Filter';
r2Min = [ 1 1 1 1 1 ]*1e3;
r2Max = [ 5 10 5 15 5 ]*1e3;
r3Min = [ 1 1 1 1 1 ]*1e3;
r3Max = [ 20 5 15 5 5 ]*1e3;
c1Min = [ 5 5 1 1 1 ]*1e-9;
c1Max = [ 50 50 5 5 5 ]*1e-9;
c2Min = [ 50 100 100 100 1000 ]*1e-9;
c2Max = [500 1000 1000 1000 5000 ]*1e-9;
case 4
FSF = [ 0.1796 0.4626 0.7126 0.8954 0.9916 ];
QFT = [ 1.0289 2.9350 5.7012 11.1646 35.9274 ];
r2Min = [ 1 1 1 1 1 ]*1e3;
r2Max = [ 5 10 5 10 5 ]*1e3;
r3Min = [ 1 1 1 1 1 ]*1e3;
r3Max = [ 10 5 10 5 5 ]*1e3;
124
c1Min = [ 5 5 1 1 1 ]*1e-9;
c1Max = [ 50 20 5 5 5 ]*1e-9;
c2Min = [ 50 100 100 200 5000 ]*1e-9;
c2Max = [500 1000 1000 2000 15000 ]*1e-9;
otherwise, return
end
KZC = [ -1 -1 -1 -1 -1];
IteN = 250;
M = 50;
N = length(KZC);
alfa = 0.6;
CR = 0.9;
F = 0.5;
Kzc = repmat(KZC,[M 1]);
Fsf = repmat(FSF,[M 1]);
Qft = repmat(QFT,[M 1]);
fc = 1e3;
r2 = rand(M,N);
r3 = rand(M,N);
c1 = rand(M,N);
c2 = rand(M,N);
for m = 1 : M
r2(m,:) = r2Min + (r2Max-r2Min).*r2(m,:);
c1(m,:) = c1Min + (c1Max-c1Min).*c1(m,:);
end
fsf = 1 ./ (2*pi*fc*sqrt(r2.*r3.*c1.*c2));
qft = sqrt(r2.*r3.*c1.*c2)./((r2+r3.*(1-Kzc)).*c1);
mal1 = sqrt(sum((Fsf-fsf).^2,2));
mal2 = sqrt(sum((Qft-qft).^2,2));
mal = alfa*mal1 + (1-alfa)*mal2;
snc_r2 = zeros(IteN,N);
snc_c1 = zeros(IteN,N);
sncMal = zeros(IteN,1);
for Ite = 1 : IteN
for m = 1 : M
while true
i = randi(M);
j = randi(M);
k = randi(M);
if m~=i && m~=j && m~=k && i~=j && i~=k && j~=k
break
end
end
r2Gec = r2(k,:) + F*(r2(i,:)-r2(j,:));
r3Gec = r3(k,:) + F*(r3(i,:)-r3(j,:));
c1Gec = c1(k,:) + F*(c1(i,:)-c1(j,:));
c2Gec = c2(k,:) + F*(c2(i,:)-c2(j,:));
for n = 1 : N
if rand > CR, r2Gec(n) = r2(m,n); end
if rand > CR, r3Gec(n) = r3(m,n); end
if rand > CR, c1Gec(n) = c1(m,n); end
if rand > CR, c2Gec(n) = c2(m,n); end
end
125
r2Gec = min(max(r2Gec,r2Min),r2Max);
r3Gec = min(max(r3Gec,r3Min),r3Max);
c1Gec = min(max(c1Gec,c1Min),c1Max);
c2Gec = min(max(c2Gec,c2Min),c2Max);
fsf = 1 ./ (2*pi*fc*sqrt(r2Gec.*r3Gec.*c1Gec.*c2Gec));
qft = sqrt(r2Gec.*r3Gec.*c1Gec.*c2Gec) ...
./ ((r2Gec+r3Gec.*(1-KZC)).*c1Gec);
malGec1 = sqrt(sum((FSF-fsf).^2,2));
malGec2 = sqrt(sum((QFT-qft).^2,2));
malGec = alfa*malGec1 + (1-alfa)*malGec2;
if malGec < mal(m)
r2(m,:) = r2Gec;
r3(m,:) = r3Gec;
c1(m,:) = c1Gec;
c2(m,:) = c2Gec;
mal(m) = malGec;
end
end
[malBest m] = min(mal);
snc_r2(Ite,:) = r2(m,:);
snc_r3(Ite,:) = r3(m,:);
snc_c1(Ite,:) = c1(m,:);
snc_c2(Ite,:) = c2(m,:);
sncMal(Ite) = malBest;
end
zaman = toc;
r2 = snc_r2(IteN,:);
c1 = snc_c1(IteN,:);
r1 = - r2 ./ KZC;
qft = sqrt(r2.*r3.*c1.*c2)./((r2+r3.*(1-KZC)).*c1);
mal = sncMal(IteN);
kzcNet = prod(KZC);
Nokta = abs(kzcNet)/sqrt(2);
fre = fc*linspace(0,3,301)';
ALpf = 1 ./ (QFT.*FSF*fc);
BLpf = 1 ./ (FSF*fc).^2;
HLpf = repmat(abs(KZC),size(fre)) ...
./ sqrt( (1-(fre.^2)*BLpf).^2 + (fre*ALpf).^2 );
QLpf = (-180/pi)*atan((fre*ALpf)./(1-(fre.^2)*BLpf));
HLPF = prod(HLpf,2);
QLPF = sum(QLpf,2);
aLpf = 1 ./ (qft.*fsf*fc);
bLpf = 1 ./ (fsf*fc).^2;
hLpf = repmat(abs(KZC),size(fre)) ...
./ sqrt( (1-(fre.^2)*bLpf).^2 + (fre*aLpf).^2 );
qLpf = (-180/pi)*atan((fre*aLpf)./(1-(fre.^2)*bLpf));
hLPF = prod(hLpf,2);
qLPF = sum(qLpf,2);
fprintf('%s\n%s\n%s\n',str1,str2,str3)
fprintf('\nIteration Number = %d', IteN)
fprintf('\n Population Size = %d', M)
fprintf('\n Dimension = %d', 4*N)
fprintf('\nÇalisma Frekansi = %d KHz', fc/1000)
fprintf('\n Süre = %g\n',zaman)
126
fprintf('\n r1 (K) = ')

for n = 1 : N, fprintf(' %12g', r1(n)/1000), end
fprintf('\n c1 (nF) = ')
for n = 1 : N, fprintf(' %12g', c1(n)*1e9), end
fprintf('\nIstenen FSF = ')
for n = 1 : N, fprintf(' %12g', FSF(n)), end
fprintf('\nBulunan FSF = ')
for n = 1 : N, fprintf(' %12g', fsf(n)), end
fprintf('\nIstenen QFT = ')
for n = 1 : N, fprintf(' %12g', QFT(n)), end
fprintf('\nBulunan QFT = ')
for n = 1 : N, fprintf(' %12g', qft(n)), end
fprintf('\n Kazançlar = ')
for n = 1 : N, fprintf(' %12g', KZC(n)), end
fprintf('\n Net Kazanç = %g', kzcNet)
fprintf('\n Maliyet = %g\n', mal)
str4 = repmat('2.Order 0.Lpf',[N,1]);
for n = 1 : N
str4(n,9) = sprintf('%g',n);
end
fprintf('\n Istenen a = ')
for n = 1 : N, fprintf(' %12g', ALpf(n)), end
fprintf('\n Bulunan a = ')
for n = 1 : N, fprintf(' %12g', aLpf(n)), end
fprintf('\n Istenen b = ')
for n = 1 : N, fprintf(' %12g', BLpf(n)), end
fprintf('\n Bulunan b = ')
for n = 1 : N, fprintf(' %12g', bLpf(n)), end
fprintf('\n')
% Fig1
figure('Units','normalized','Position',[.09 .35 .4 .5])
plot(fre/1000,QLpf)
xlabel('Frekans ( KHz )')
ylabel('Faz Açisi')
title('Istenen 2.Dereceden Filtreler')
legend(str4)
% Fig2
plot(fre/1000,qLpf)
title('Bulunan 2.Dereceden Filtreler')
legend(str4)
% Fig3
plot(fre/1000,HLpf)
127
ylabel('Kazanç')
hold on
plot(fc/1000,Nokta,'k*')
legend(str4)
% Fig4
plot(fre/1000,hLpf)
ylabel('Kazanç')
hold on
legend(str4)
% Fig5
plot(fre/1000,[QLPF qLPF])
ylabel('Toplam Faz Açisi')
title(str3)
legend(char('Istenen','Bulunan'))
% Fig6
plot(fre/1000,[HLPF hLPF])
ylabel('Toplam Kazanç')
title(str3)
hold on
% Fig7
plot(sncMal)
xlabel('Iterasyon Sayisi')
ylabel('Maliyet Fonksiyonu')
title(str3)
128
EK 2: Parçacık Sürü Algoritması ile Optimizasyon için MATLAB Kodları
close all
clear,clc
tic
sec = 4;
clc
str1 = 'Particle Swarm Optimization Algorithm';
switch sec
case 1
FSF = [ 1 1 1 1 1 ];
QFT = [ 0.5062 0.5612 0.7071 1.1013 3.1969 ];
r2Min = [ 10 10 10 10 10 ]*1e3;
r2Max = [ 30 30 30 30 30 ]*1e3;
r3Min = [ 10 10 10 10 10 ]*1e3;
r3Max = [ 30 30 30 30 30 ]*1e3;
c1Min = [ 3 3 2 1 0.5 ]*1e-9;
c1Max = [ 10 10 8 5 2 ]*1e-9;
c2Min = [ 8 8 11 15 50 ]*1e-9;
c2Max = [ 25 27 34 55 152 ]*1e-9;
case 2
FSF = [ 1.9490 1.9870 2.0680 2.2110 2.4850 ];
QFT = [ 0.5040 0.5380 0.6200 0.8100 1.4150 ];
r2Min = [ 1 1 1 1 1 ]*1e3;
r2Max = [ 10 10 10 10 10 ]*1e3;
r3Min = [ 1 1 1 1 1 ]*1e3;
r3Max = [ 10 10 10 10 10 ]*1e3;
c1Min = [ 1 1 1 1 1 ]*1e-9;
c1Max = [ 15 15 15 15 15 ]*1e-9;
c2Min = [ 5 5 5 5 5 ]*1e-9;
c2Max = [ 50 50 50 50 50 ]*1e-9;
case 3
FSF = [ 0.2121 0.4760 0.7214 0.9024 0.9981 ];
QFT = [ 0.7495 1.8639 3.5609 6.9419 22.2779 ];
r2Min = [ 1 1 1 1 1 ]*1e3;
r2Max = [ 5 10 5 15 5 ]*1e3;
r3Min = [ 1 1 1 1 1 ]*1e3;
r3Max = [ 20 5 15 5 5 ]*1e3;
c1Min = [ 5 5 1 1 1 ]*1e-9;
c1Max = [ 50 50 5 5 5 ]*1e-9;
c2Min = [ 50 100 100 100 1000 ]*1e-9;
c2Max = [500 1000 1000 1000 5000 ]*1e-9;
case 4
FSF = [ 0.1796 0.4626 0.7126 0.8954 0.9916 ];
QFT = [ 1.0289 2.9350 5.7012 11.1646 35.9274 ];
r2Min = [ 1 1 1 1 1 ]*1e3;
r2Max = [ 5 10 5 10 5 ]*1e3;
r3Min = [ 1 1 1 1 1 ]*1e3;
r3Max = [ 10 5 10 5 5 ]*1e3;
c1Min = [ 5 5 1 1 1 ]*1e-9;
c1Max = [ 50 20 5 5 5 ]*1e-9;
129
c2Min = [ 50 100 100 200 5000 ]*1e-9;

c2Max = [500 1000 1000 2000 15000 ]*1e-9;
otherwise, return
end
KZC = [ -1 -1 -1 -1 -1];
IteN = 250;
M = 50;
N = length(KZC);
alfa = 0.6;
wi = 0.9;
wo = 0.1;
cc1 = 2;
cc2 = 2;
Vr2 = zeros(M,N);
Vr3 = zeros(M,N);
Vc1 = zeros(M,N);
Vc2 = zeros(M,N);
fc = 1e3;
r2 = rand(M,N);
r3 = rand(M,N);
c1 = rand(M,N);
c2 = rand(M,N);
for m = 1 : M
end
malLbest = mal;
r2Lbest = r2;
r3Lbest = r3;
c1Lbest = c1;
c2Lbest = c2;
[malGbest m] = min(malLbest);
r2Gbest = r2Lbest(m,:);
c1Gbest = c1Lbest(m,:);
for Ite = 1 : IteN
w = wi + (wo-wi)*(Ite-1)/(IteN-1);
Vr2 = w*Vr2 + cc1*rand(M,N).*(r2Lbest-r2) ...
+ cc2*rand(M,N).*(repmat(r2Gbest,[M 1])-r2);
Vr3 = w*Vr3 + cc1*rand(M,N).*(r3Lbest-r3) ...
+ cc2*rand(M,N).*(repmat(r3Gbest,[M 1])-r3);
130
Vc1 = w*Vc1 + cc1*rand(M,N).*(c1Lbest-c1) ...

+ cc2*rand(M,N).*(repmat(c1Gbest,[M 1])-c1);
Vc2 = w*Vc2 + cc1*rand(M,N).*(c2Lbest-c2) ...
+ cc2*rand(M,N).*(repmat(c2Gbest,[M 1])-c2);
r2 = r2 + Vr2;
r3 = r3 + Vr3;
c1 = c1 + Vc1;
c2 = c2 + Vc2;
for m = 1 : M
r2(m,:) = min(max(r2(m,:),r2Min),r2Max);
r3(m,:) = min(max(r3(m,:),r3Min),r3Max);
c1(m,:) = min(max(c1(m,:),c1Min),c1Max);
c2(m,:) = min(max(c2(m,:),c2Min),c2Max);
end
for m = 1 : M
if mal(m) < malLbest(m)
malLbest(m) = mal(m);
r2Lbest(m,:) = r2(m,:);
r3Lbest(m,:) = r3(m,:);
c1Lbest(m,:) = c1(m,:);
c2Lbest(m,:) = c2(m,:);
end
end
[malGbest m] = min(malLbest);
sncMal(Ite) = malGbest;
snc_r2(Ite,:) = r2Gbest;
snc_r3(Ite,:) = r3Gbest;
snc_c1(Ite,:) = c1Gbest;
snc_c2(Ite,:) = c2Gbest;
end
zaman = toc;
r1 = - r2 ./ KZC;
mal = sncMal(IteN);
kzcNet = prod(KZC);
BLpf = 1 ./ (FSF*fc).^2;
131
QLPF = sum(QLpf,2);
bLpf = 1 ./ (fsf*fc).^2;
qLPF = sum(qLpf,2);
for n = 1 : N
end
fprintf('\n')
% Fig1
plot(fre/1000,QLpf)
legend(str4)
132
% Fig2
plot(fre/1000,qLpf)
legend(str4)
% Fig3
plot(fre/1000,HLpf)
ylabel('Kazanç')
hold on
legend(str4)
% Fig4
plot(fre/1000,hLpf)
ylabel('Kazanç')
hold on
legend(str4)
% Fig5
title(str3)
% Fig6
title(str3)
hold on
% Fig7
plot(sncMal)
title(str3)
133
EK 3: Yapay Arı Koloni Algoritması ile Optimizasyon için MATLAB Kodları
close all
clear,clc
tic
sec = 4;
clc
str1 = 'Artificial Bee Colony Algorithm';
switch sec
case 1
FSF = [ 1 1 1 1 1 ];
QFT = [ 0.5062 0.5612 0.7071 1.1013 3.1969 ];
r2Min = [ 10 10 10 10 10 ]*1e3;
r2Max = [ 30 30 30 30 30 ]*1e3;
r3Min = [ 10 10 10 10 10 ]*1e3;
r3Max = [ 30 30 30 30 30 ]*1e3;
c1Min = [ 3 3 2 1 0.5 ]*1e-9;
c1Max = [ 10 10 8 5 2 ]*1e-9;
c2Min = [ 8 8 11 15 50 ]*1e-9;
c2Max = [ 25 27 34 55 152 ]*1e-9;
case 2
FSF = [ 1.9490 1.9870 2.0680 2.2110 2.4850 ];
QFT = [ 0.5040 0.5380 0.6200 0.8100 1.4150 ];
r2Min = [ 1 1 1 1 1 ]*1e3;
r2Max = [ 10 10 10 10 10 ]*1e3;
r3Min = [ 1 1 1 1 1 ]*1e3;
r3Max = [ 10 10 10 10 10 ]*1e3;
c1Min = [ 1 1 1 1 1 ]*1e-9;
c1Max = [ 15 15 15 15 15 ]*1e-9;
c2Min = [ 5 5 5 5 5 ]*1e-9;
c2Max = [ 50 50 50 50 50 ]*1e-9;
case 3
FSF = [ 0.2121 0.4760 0.7214 0.9024 0.9981 ];
QFT = [ 0.7495 1.8639 3.5609 6.9419 22.2779 ];
r2Min = [ 1 1 1 1 1 ]*1e3;
r2Max = [ 5 10 5 15 5 ]*1e3;
r3Min = [ 1 1 1 1 1 ]*1e3;
r3Max = [ 20 5 15 5 5 ]*1e3;
c1Min = [ 5 5 1 1 1 ]*1e-9;
c1Max = [ 50 50 5 5 5 ]*1e-9;
c2Min = [ 50 100 100 100 1000 ]*1e-9;
c2Max = [500 1000 1000 1000 5000 ]*1e-9;
case 4
FSF = [ 0.1796 0.4626 0.7126 0.8954 0.9916 ];
QFT = [ 1.0289 2.9350 5.7012 11.1646 35.9274 ];
r2Min = [ 1 1 1 1 1 ]*1e3;
r2Max = [ 5 10 5 10 5 ]*1e3;
r3Min = [ 1 1 1 1 1 ]*1e3;
r3Max = [ 10 5 10 5 5 ]*1e3;
c1Min = [ 5 5 1 1 1 ]*1e-9;
c1Max = [ 50 20 5 5 5 ]*1e-9;
134
c2Min = [ 50 100 100 200 5000 ]*1e-9;

c2Max = [500 1000 1000 2000 15000 ]*1e-9;
otherwise, return
end
KZC = [ -1 -1 -1 -1 -1];
IteN = 300;
M = 30000;
N = length(KZC);
alfa = 0.6;
beta = 1;
fc = 1e3;
r2 = rand(M,N);
r3 = rand(M,N);
c1 = rand(M,N);
c2 = rand(M,N);
for m = 1 : M
end
fit = 1 ./ ( 1 + mal);
trial = zeros(M,1);
trialLimit = 30;
[malMin m] = min(mal);
r2Min = r2(m,:);
r3Min = r3(m,:);
c1Min = c1(m,:);
c2Min = c2(m,:);
for Ite = 1 : IteN
% Employed Bees
for m = 1 : M
r2Gec = r2(m,:);
r3Gec = r3(m,:);
c1Gec = c1(m,:);
c2Gec = c2(m,:);
k = randi(M);
while k == m, k = randi(M); end
n = randi(N);
rnd = (1-2*rand)*beta;
switch randi(4)
case 1
r2Gec(n) = r2Gec(n) + rnd*(r2Gec(n)-r2(k,n));
r2Gec(n) = min(max(r2Gec(n),r2Min(n)),r2Max(n));
135
case 2
case 3
c1Gec(n) = c1Gec(n) + rnd*(c1Gec(n)-c1(k,n));
c1Gec(n) = min(max(c1Gec(n),c1Min(n)),c1Max(n));
case 4
end
fsfGec = 1 ./ (2*pi*fc*sqrt(r2Gec.*r3Gec.*c1Gec.*c2Gec));
qftGec = sqrt(r2Gec.*r3Gec.*c1Gec.*c2Gec) ...
mal1Gec = sqrt(sum((FSF-fsfGec).^2,2));
mal2Gec = sqrt(sum((QFT-qftGec).^2,2));
malGec = alfa*mal1Gec + (1-alfa)*mal2Gec;
fitGec = 1 / ( 1 + malGec);
if fitGec > fit(m)
trial(m) = 0;
r2(m,:) = r2Gec;
r3(m,:) = r3Gec;
c1(m,:) = c1Gec;
c2(m,:) = c2Gec;
mal(m) = malGec;
fit(m) = fitGec;
else
trial(m) = trial(m) + 1;
end
end
prob = 0.1 + 0.9*fit/max(fit);
% Onlooker bees
t = 0;
m = 1;
while t < M
if rand <= prob(m)
t = t + 1;
r2Gec = r2(m,:);
r3Gec = r3(m,:);
c1Gec = c1(m,:);
c2Gec = c2(m,:);
k = randi(M);
while k == m, k = randi(M); end
n = randi(N);
rnd = (1-2*rand)*beta;
switch randi(4)
case 1
case 2
case 3
case 4
136
end
if fitGec > fit(m)
trial(m) = 0;
r2(m,:) = r2Gec;
r3(m,:) = r3Gec;
c1(m,:) = c1Gec;
c2(m,:) = c2Gec;
mal(m) = malGec;
fit(m) = fitGec;
else
trial(m) = trial(m) + 1;
end
end
m = m + 1;
if m > M, m = 1; end
end
[trialMax m] = max(trial);
if trialMax > trialLimit
trial(m) = 0;
r2Gec = r2Min + (r2Max-r2Min).*rand(1,N);
r3Gec = r3Min + (r3Max-r3Min).*rand(1,N);
c1Gec = c1Min + (c1Max-c1Min).*rand(1,N);
c2Gec = c2Min + (c2Max-c2Min).*rand(1,N);
r2(m,:) = r2Gec;
r3(m,:) = r3Gec;
c1(m,:) = c1Gec;
c2(m,:) = c2Gec;
mal(m) = malGec;
fit(m) = fitGec;
end
[malBest m] = min(mal);
if malBest < malMin
malMin = malBest;
r2Min = r2(m,:);
r3Min = r3(m,:);
c1Min = c1(m,:);
c2Min = c2(m,:);
end
sncMal(Ite) = malMin;
snc_r2(Ite,:) = r2Min;
snc_r3(Ite,:) = r3Min;
snc_c1(Ite,:) = c1Min;
snc_c2(Ite,:) = c2Min;
137
end
zaman = toc;
r1 = - r2 ./ KZC;
mal = sncMal(IteN);
kzcNet = prod(KZC);
BLpf = 1 ./ (FSF*fc).^2;
QLPF = sum(QLpf,2);
bLpf = 1 ./ (fsf*fc).^2;
qLPF = sum(qLpf,2);
for n = 1 : N
138
end
fprintf('\n')
% Fig1
plot(fre/1000,QLpf)
legend(str4)
% Fig2
plot(fre/1000,qLpf)
legend(str4)
% Fig3
plot(fre/1000,HLpf)
ylabel('Kazanç')
hold on
legend(str4)
% Fig4
plot(fre/1000,hLpf)
ylabel('Kazanç')
hold on
legend(str4)
% Fig5
title(str3)
139
% Fig6
title(str3)
hold on
% Fig7
plot(sncMal)
title(str3)
140
ÖZGEÇMİŞ
Mustafa AKKUŞ, 11.07.1982 tarihinde Türkiye Afyon Karahisar ili, merkeze bağlı Sülümenli
kasabası’nda doğmuştur. Orta öğrenimini Kütahya Kılıçarslan Ortaokulu’nda, lise öğrenimini
Kütahya Endüstri Meslek Lisesi Elektrik Bölümü’nde ve yükseköğrenimini İstanbul Marmara
Üniversitesi Teknik Eğitim Fakültesi Elektrik Öğretmenliği Bölümü’nde tamamlamıştır.
27.07.2012 tarihinde Mersin İl Emniyet Müdürlüğü Çevik Kuvvet Şube Müdürlüğü’nde göreve
başlamış ve halen Emniyet Genel Müdürlüğü Haberleşme Daire Başkanlığı Güvenlik Sistemleri
Yönetimi Şube Müdürlüğünde çalışmaya devam etmektedir. Evli ve bir çocuk babasıdır.

380399

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

380399

Uploaded by

Copyright:

Available Formats

BESSEL, BUTTERWORTH VE CHEBYSHEV AKTİF FİLTRE MODELLERİNDE

PARAMETRE KESTİRİMİ İÇİN PSO, DE VE ABC

Danışman: Yrd. Doç. Dr. Hasan TEMURTAŞ

Mustafa AKKUŞ’un YÜKSEK LİSANS tezi olarak hazırladığı

Üye : Prof. Dr. Nejat YUMUŞAK

Üye : Yrd. Doç. Dr. Hasan TEMURTAŞ

Üye : Yrd. Doç. Dr. Kadir VARDAR

Fen Bilimleri Enstitüsü Yönetim Kurulu'nun ....../...../2014 gün ve .............sayılı kararıyla

Prof. Dr. Hasan GÖÇMEZ

BESSEL, BUTTERWORTH VE CHEBYSHEV AKTİF FİLTRE MODELLERİNDE

Telekomünikasyon sistemleri, radyo, televizyon, veri haberleşmesi ve günlük hayatın

Matematiksel işlemler ile gerçekleşen transfer fonksiyonunun frekansla değişimine

Televizyon ve radyo yayınları, görüntü ve ses sinyallerinin modülasyonlara

APPLICATION OF PSO, DE AND ABC OPTIMIZATION ALGORITHMS TO

Filters, used in telecommunication systems, radio, television, data communication and

TEŞEKKÜR ............................................................................................................................... viii

ŞEKİLLER DİZİNİ.................................................................................................................... xiii

ÇİZELGELER DİZİNİ ............................................................................................................. xvii

SİMGELER VE KISALTMALAR DİZİNİ ............................................................................... xix

3. İŞLEMSEL YÜKSELTEÇLER ................................................................................................ 5

3.1. İşlemsel Yükselteçlerin Yapısı Ve Genel Özellikleri......................................................... 5

4.1. Filtre Tanımı .................................................................................................................... 16

4.2.1. Alçak geçiren filtre .................................................................................................... 18

5.1. Optimizasyon Tanımı ....................................................................................................... 55

5.3.2.5. Hızlandırma katsayıları ...................................................................................... 68

6. TEZ KAPSAMINDA YAPILAN ÇALIŞMA ........................................................................ 77

6.1. Kullanılan Programlama Dili ........................................................................................... 77

7. SONUÇLAR ......................................................................................................................... 119

KAYNAKLAR DİZİNİ ............................................................................................................ 121

EK 1: Farksal Gelişim Algoritması ile Optimizasyon için MATLAB Kodları

3.1. İdeal opamp yapısı ................................................................................................................. 5

ŞEKİLLER DİZİNİ (devam)

ŞEKİLLER DİZİNİ (devam)

ŞEKİLLER DİZİNİ (devam)

3.1. Temel İdeal Opamp Yaklaşımı .............................................................................................. 6

ÇİZELGELER DİZİNİ (devam)

SİMGELER VE KISALTMALAR DİZİNİ

ABC Artificial bee colony

İlk gerçek zamanlı bilgisayarların temelini oluşturan işlemsel yükselteçler, teknolojinin

Algoritmaların filtre problemine uygun olarak düzenlenmesi, maliyet fonksiyonlarının

Tez çalışmasında onuncu dereceden alçak geçiren filtre tasarlanması amaçlanmıştır. Bu

Pasif filtre elemanlarından indüktörün belirli frekanslarda (<1 MHz)

Butterworth ve Chebyshev filtrelerinin ABC (Artificial Bee Colony, Yapay Arı

Kadioğlu ve arkadaşları, dördüncü dereceden Butterworth filtresinin optimizasyonunu

geçiren filtrelerin optimizasyonu yapılmıştır. Literatür incelendiğinde, 3 çeşit filtre yapısının üç

İlk gerçek zamanlı bilgisayarlar, kontrol işlemlerini hesaplamak için önceden

3.1. İşlemsel Yükselteçlerin Yapısı Ve Genel Özellikleri

Günümüzde üretilen opamp’ların özellikleri ideal değildir ancak ideal opamp

Şekil 3.1. İdeal opamp yapısı.

Çizelge 3.1. Temel İdeal Opamp Yaklaşımı.

3.1.1. Giriş akımı

3.1.3. Giriş direnci

3.1.4. Çıkış direnci

3.1.5. Frekans cevabı

3.2. İdeal İşlemsel Yükseltecin Özellikleri

 İdeal bir işlemsel yükselteçten beklenen özellikler şu şekilde sıralanabilir:

3.3. İşlemsel Yükselteçlerin Kullanım Alanları

3.3.1. Eviren yükselteç

Eviren opamp bağlantısında opamp’ın evirmeyen ucu topraklanmaktadır. Varsayıma

Şekil 3.2. Eviren yükselteç devresi.

3.3.2. Evirmeyen yükselteç

Evirmeyen opamp devresinde giriş gerilimi, opamp’ın evirmeyen ucuna

Şekil 3.3. Evirmeyen yükselteç devresi.

3.3.3. Toplayıcı yükselteç