Filtreler

2017 - 20192
Filtreleri Sıfırla

Ayarlar

Erişim Hakkı: info:eu-repo/semantics/openAccess × Konu: Aşırı Öğrenme Makineleri ×

Arama Sonuçları

Listeleniyor 1 - 2 / 2
  • Küçük Resim
    Öğe
    Yeni bir metot olan geri beslemeli lineer regresyon ile akıllı şebekeye bağlı meskenlerde kısa dönem yük tahmini
    (Batman Üniversitesi Fen Bilimleri Enstitüsü, 2019-10-18) Tekin, Hazret; Ertuğrul ,Ömer Faruk
    Bir ilin ya da bölgenin şebekeden çektiği elektrik enerjisini kısa veya uzun dönemli tahmin etmek klasik elektrik iletim ve dağıtım şebekesinin yönetimi açısından oldukça önemlidir. Günümüzde ise akıllı şebekeler kapsamında artık her bir meskenin kendi özelinde şebekeden çektiği yük miktarı önem kazanmıştır. Akıllı şebekeden elektrik çeken meskenler aynı zamanda güneş enerjisi gibi alternatif enerji kaynakları ile elektrik üretebilmektedir. Bu durum göz önüne alınarak böyle bir meskenin şebekeden çektiği elektrik yükünün tahmini bu çalışmada klasik yöntemlerden lineer regresyon ve yapay sinir ağları ile test edilmiş ancak istenen oranda başarı elde edilememiştir. Bu sebeple güneş enerjisi ile elektrik üretebilen bir meskenin şebekeden çektiği elektrik miktarını tahmin etmek için yeni bir metoda gereksinim duyulmuştur. Bu sebeple bu çalışmada birçok regresyon probleminde başarılı sonuçlar üreten lineer regresyon yöntemi geliştirilerek, dinamik sistemleri modelleyebilmesi ve herhangi bir zamana ait şebekeden çekilen elektrik miktarını tahminde tahmin başarısını arttıran ve geçmiş verileri de dikkate alan geri beslemeli lineer regresyon olarak isimlendirilen yeni bir yöntem önerildi. Önerilen yaklaşımı test etmek için, Smart Project kapsamında U Toplu İz Havuzunda paylaşılan Sundance veri seti kullanılmıştır. Önerilen yöntemin başarısını doğrulamak için her bir veri setine lineer regresyon ve aşırı öğrenme metotları uygulanmıştır. 59 farklı mesken için elde edilen sonuçlara bakıldığında, geri beslemeli lineer regresyon ile elde edilen kök ortalama kare hata (RMSE) değerlerinin lineer regresyon ve aşırı öğrenme yöntemine kıyasla daha düşük olduğu yani daha başarılı tahmin sonuçları verdiği saptanmıştır. Bu başarının nedeni zaman sıralı veri setlerinde ve sinyallerde geri beslemeli yöntemlerin dinamik modelleme kabiliyetleri sayesinde sistemi daha başarılı bir şekilde modelleyebilmeleridir.
  • Küçük Resim Yok
    Öğe
    Fingerprint recognition system based on law’s texture energy measures with extreme learning machines
    (INESEC, 2017) Çalışkan, Abidin; Acar, Emrullah; Budak, Cafer
    Fingerprint recognition systems are one of the most popular biometric systems used in many areas, including prisons, border controls, educational institutions and forensic medicine. This paper presents a new approach based on the texture features for fingerprint recognition system. The dataset which employed in this study is obtained from the Hong Kong Polytechnic University High-ResolutionFingerprint database. The proposed system was implemented in two basic stages. Firstly, the texture feature vectors were extracted from the images by using Law’s Texture Energy Measures (TEM) and totally 9 parameters were extracted for each image as a feature vector. Then, the obtained feature vectors were classified by using Extreme Learning Machines (ELM) model. Finally, the average performance of the proposed system was computed according to different tuning parameters and the highest accuracy rate was observed as 83.92 % among the all system architectures.