Yazar "Uyar, Kübra" seçeneğine göre listele

Listeleniyor 1 - 3 / 3
  • Küçük Resim Yok
    Öğe
    Akıllı su damlacıkları ile b-spline eğri tahmini
    (Selçuk Üniversitesi Fen Bilimleri Enstitüsü, 2017) Uyar, Kübra; Ülker, Erkan
    B-spline curves are usually used in computer aided design (CAD), data visualization, surface modeling and many other fields. Data fitting with B-spline curves is a challenging problem encountered in reverse engineering. However, B-spline curves are the most preferred approximation curve because they are very flexible and have powerful mathematical properties. Because of this feature, they can offer a large variety of shapes efficiently. Prediction of control and knot points has significant impact on the final approximation. In addition to this, an unreasonable knot vector may introduce unpredictable and unacceptable shape. In literature, there is great interest on the algorithms inspired by natural phenomena such as simulated annealing, ant colony optimization and particle swarm optimization to solve optimization problems. Besides, many approaches and methods have been developed for different types of curves. In this study, Intelligent Water Drops (IWD) algorithm which is a optimization algorithm inspired from natural movement of water droplets in the river has been used in the approximation of B-spline curve. This algorithm contains a few essential elements of natural water drops and actions and reactions that occur between river's bed and the water drops that flow within. In this study, optimal knot points which conduct approximate B-spline curve are selected by IWD. The performance of proposed method is tested by using some test functions in literature. Experimental results show that proposed algorithm gives effective results.
  • Küçük Resim
    Öğe
    Akıllı su damlacıkları ile b-spline eğri tahmini
    (Selçuk Üniversitesi Fen Bilimleri Enstitüsü, 2017) Uyar, Kübra; Ülker, Erkan
    B-spline eğriler genellikle bilgisayar destekli tasarım(CAD), veri görselleştirme, yüzey modelleme ve diğer birçok alanda kullanılmaktadır. B-spline eğrileri ile veri uydurma ters mühendislikte karşılaşılan zorlayıcı bir problemdir. Buna rağmen B-spline lar esnek olması ve güçlü matematiksel özelliklere sahip olmasından dolayı en çok tercih edilen tahmin eğrisidir. Bu özelliklerinden dolayı çok çeşitli şekilleri etkili bir şekilde sunabilirler. B-spline yaklaştırmada kontrol ve düğüm noktalarının tahmini sonuç yaklaştırma üzerinde önemli bir etkiye sahiptir. Buna ek olarak, mantıksız bir düğüm vektörü öngörülemeyen ve kabul edilemez bir şekil sunabilir. Literatürde, optimizasyon problemlerini çözmek için benzetimli tavlama, karınca koloni optimizasyonu ve parçacık sürü optimizasyonu gibi doğal olaylardan ilham alınarak gerçekleştirilen algoritmalara büyük ilgi gösterilmiştir. Ayrıca farklı türdeki eğriler için bazı yaklaşım ve metotlar geliştirilmiştir. Bu çalışmada doğadaki doğal su damlacıklarının nehir üzerindeki hareketlerinden ilham alınarak gerçekleştirilen bir optimizasyon algoritması olan Akıllı Su Damlacıkları (ASD), B-spline eğri uydurmada kullanılmıştır. Bu algoritma doğal su damlacıklarının bazı temel unsurlarını ve su yatağı ile içinde akan su damlacıklarının eylem ve tepkilerini içermektedir. Bu çalışmada tahmini B-spline eğriyi üretecek optimal düğüm noktaları ASD ile seçilmektedir. Önerilen algoritmanın performansı literatürdeki bazı matematiksel test fonksiyonları kullanılarak test edilmiştir. Deneysel sonuçlar önerilen algoritmanın etkili sonuçlar verdiğini göstermektedir.
  • Küçük Resim
    Öğe
    Konvolüsyonel sinir ağlarında ağ eğitiminin iyileştirilmesi
    (Selçuk Üniversitesi, Fen Bilimleri Enstitüsü, 2022) Uyar, Kübra; Taşdemir, Şakir
    Literatürde görüntü analizi problemlerinin çözümü için makine öğrenmesi yöntemleri kullanılarak farklı yaklaşımlar geliştirilmiştir. Fakat makine öğrenmesi yöntemleri ile görüntülerin analiz edilebilmesi için öncelikle özellik çıkarımının yapılması gerekmektedir. Ham veri üzerinde özellik keşfinin otomatik olarak yapılabilmesi için derin öğrenme mimarileri geliştirilmiştir. Yapay zekânın bir alt dalı olan derin öğrenme derin katmanlı ağ mimarilerinin genel bir adı olarak ifade edilmektedir. Özellikle görüntü analizi uygulamalarında kullanılan derin öğrenme modellerinin ortaya çıkması ile nesne sınıflandırmadaki hata oranında keskin bir düşüş yaşanmıştır. Derin katmanlar boyunca veriye ait farklı özelliklerin keşfedilmesi derin öğrenmenin başarısının temel nedenidir. Derin sinir ağlarının etkili performansı farklı gerçek dünya problemlerinin çözümüne olanak sağlamıştır. Derin öğrenme yöntemleri arasında yer alan konvolüsyonel sinir ağları görüntü temelli uygulamalarda özellikle özellik çıkarımında doğru, etkili ve güvenilir bir yöntem olarak bilinmektedir. Bu tez çalışması kapsamında konvolüsyonel sinir ağlarında ağ eğitiminin iyileştirilmesi amacıyla farklı yaklaşımlar önerilmiştir. Özgün bölge bazlı çalışan konvolüsyonel sinir ağları modelinin tasarlanması, bulanık mantık yaklaşımı ile konvolüsyonel sinir ağlarının eğitimi sırasında kullanılan hiperparametrelerin analiz ve optimizasyonu ve istatistiksel dağılımlar ve üç boyutlu referans görüntüler kullanılarak konvolüsyon filtrelerinin tasarlanması tez çalışmasının kapsamını oluşturmaktadır. İlk olarak ResNet50 modeli modifiye edilerek bölge bazlı çalışan Faster R-CNN modeli tasarlanmıştır. Kapsamlı bir analiz sunmak amacıyla makine öğrenmesi ve derin öğrenme yöntemleri test edilmiştir. Yapay Sinir Ağları, AdaBoost, Karar Ağacı, Lojistik Regresyon, Naive Bayes, Rastgele Orman ve Destek Vektör Makineleri makine öğrenmesi yöntemleri olarak kullanılırken literatürde sıklıkla kullanılan farklı yapılardaki 13 farklı konvolüsyonel sinir ağı modeli ve özgün olarak tasarlanan ResNet50 modifiyeli Faster R-CNN modeli derin öğrenme yöntemi olarak kullanılmıştır. İkinci olarak konvolüsyonel sinir ağlarında ağ eğitimi sırasında kullanılan topoloji ve eğitim parametrelerinin sınıflandırma performansı üzerine etkilerini analiz etmek amacıyla bir bulanık ağaç yapısı oluşturulmuştur. Başlangıç öğrenme hızı, devir sayısı, paket boyutu ve kullanılan konvolüsyonel sinir ağı modeline bağlı olarak sınıflandırma sonucu tahmin edilmeye çalışılmıştır. Ayrıca kural tabanının ve bulanık model parametrelerinin uzman kişiye gerek kalmadan otomatik olarak belirlenmesi bu çalışmaya özgünlük katmaktadır. Son olarak, konvolüsyonel sinir ağlarında konvolüsyon katmanlarında bulunan filtrelerin ilk değerlerinin belirlenmesi amacıyla iki farklı filtre oluşturma yaklaşımı önerilmiştir. Bu iki filtre oluşturma yaklaşımı literatüre yeni bir bakış açısı sağlamaktadır. Bu yaklaşımlar derin ağlar kullanmak yerine daha basit mimarilerle daha başarılı sınıflandırma sonuçlarının elde edilebileceğini göstermektedir. Önerilen yaklaşımların analiz edilebilmesi için özgün olarak hazırlanmış olan histoloji ve radyoloji veri setleri kullanılmıştır. Histoloji veri seti bağ, epitel, kan, kas ve sinir dokuya ait görüntülerden oluşmaktadır. Radyolojik görüntü olarak beyin bilgisayarlı tomografi görüntüleri alınmış olup normal, kanamalı ve ventriküler genişlemeli retrospektif görüntüler incelenmiştir. Ek olarak literatürde sıklıkla kullanılan ve başta CIFAR10 ve CIFAR100 olmak üzere bazı veri setleri de benchmark veri setleri olarak kullanılmıştır. Deneysel çalışmalar önerilen yaklaşımların ağ eğitimini iyileştirdiğini göstermektedir. Özgün olarak hazırlanmış gerçek dünya verileri üzerinde gerçekleştirilen derin öğrenme/sınıflandırma çalışmaları tıp uzmanları için bilgisayar destekli tıbbi karar destek sistemi olarak da kullanılabilmektedir.