PROF. DR. AHMET ARSLAN

Grid hesaplama sistemleri ve uygulamaları

Çok sayıda matematiksel işlem yapılması gereken durumlarda tercihimiz genellikle yüksek işlem kapasitesine sahip bilgisayarlar olmuştur. Bilgisayarların işlem kapasitesindeki artış ise fiyat/performans oranını parabolik biçimde yükseltmektedir. Yüksek işlem gücüne sahip fakat pahalı bilgisayarlar yerine, nispeten daha yavaş birçok bilgisayara paralel olarak hesaplama yaptırmak, zaman ve maliyet açısından çok daha verimli olmaktadır. Elbette bu işlem yalnızca paralelleştirilebilen algoritmalar için geçerlidir. Grid Hesaplama Sistemleri ?Süper Bilgisayar? olarak da adlandırılan, çok sayıda bilgisayarın bir araya gelerek şekillendirdiği paralel ve dağıtık hesaplama sistemleridir. Bu çalışmamızda grid hesaplama sistemleri incelenerek, web servisleri yardımıyla bir grid hesaplama sistemi uygulaması geliştirilmiştir. Uygulamada belirli noktalar arasındaki en kısa yolu bulma problemi web servisleri kullanılarak paralel bir şekilde çözülmüş ve sonuçlar değerlendirilmiştir.

Doppler işaretlerinin kaotik ölçütlerle sınıflandırılması

Bu tez çalışmasında, Transcranial Doppler (TCD) sinyallerini kaotik ölçütlerle otomatik olarak sınıflandırmak için kullanılabilecek yeni bir yaklaşım önerilmiştir. TCD sinyalleri 82 hasta ve 23 sağlıklı bireyin beyinlerinin temporal bölgesinden kaydedilmiştir. Tanının doğrulanması için TCD sinyallerine ait sonogramlar birbirleriyle ve manyetik rezosans görüntüleme kayıtlarıyla karşılaştırılmıştır. 82 hastanın, 20 tanesinde beyin damarında balonlaşma, 10 tanesinde beyin kanaması, 22 tanesinde beyinde su toplama ve geri kalan 30 tanesinde beyin tümörü tespit edilmiştir. Yapay veriler yöntemiyle yapılan doğrusalsızlık testleri TCD sinyallerinin doğrusal stokastik süreçle üretildiğine dair hükümsüz hipotezi reddetmektedir. Durağanlık analizleri, TCD sinyallerinin sinüs sinyali gibi tam deterministik sinyallerle rasgele sinyaller arasında bir dinamik durağanlığa sahip olduğunu göstermektedir. Sinyallere ait kaotik çekicilerin faz uzayında doğru biçimde yeniden oluşturulması için gerekli olan zaman gecikmesi ve en küçük gömülme boyutu değerleri elde edilmiştir. Bu verilerle, TCD sinyallerine ait kaotik çekiciler faz uzayında yeniden oluşturularak en büyük Lyapunov üsteli ve ilinti boyutu hesaplanmıştır. Kaosun en güçlü nicel göstergesi olan en büyük Lyapunov üsteli tüm TCD sinyalleri için pozitif bulunmuştur. İlinti boyutu da, yine tüm TCD sinyalleri için 2’den büyük ve kesirli olarak bulunmuştur. Burg autoregressive (AR) yönteminin TCD sinyallerine uygulanmasıyla elde edilen sonogramlar incelendiğinde, kaotik ölçütlerin TCD sinyallerinin tahmin edilemezlik ve karmaşıklık seviyesini gösterdiği tespit edilmiştir. Sonogram ne kadar periyodik ve düzenli ise, en büyük Lyapunov üstelinin değeri o kadar düşük olmaktadır. Benzer şekilde, sonogram karmaşıklaştıkça ilinti boyutunun değeri yükselmektedir. Elde edilen kaotik ölçütler çeşitli sınıflandırma algoritmalarına uygulanarak performansları karşılaştırılmıştır. Bunun için, yapay sinir ağlı bulanık sistemlerden ANFIS ve NEFCLASS yöntemleri ile Karar Ağacı, k-En Yakın Komşu ve Çok Katmanlı Algılayıcı Sinir Ağı algoritmaları incelenmiştir. Elde edilen sonuçlara göre, kaotik ölçütlerin özellik olarak çıkarıldığı önişleme algoritması ile Çok Katmanlı Algılayıcı Sinir Ağını birleştiren yöntem, incelenen beyin rahatsızlıklarını en yüksek doğruluk oranıyla sınıflandırmıştır. Karşılaştırma amacıyla, sınıflandırma algoritmalarının performansları doğrusal bir yöntem olan güç spektrum yoğunluğu kestirimi yöntemi ile elde edilen spektral parametrelerle de test edilmiştir. Kaotik ölçütlerin, spektral özelliklere göre daha yüksek sınıflandırma doğruluğu sağladığı gözlenmiştir.

Destek vektör makinelerinin etkin eğitimi için yeni yaklaşımlar

Sınıflandırma; yeni karşılaşılan veri örneklerinin önceden karşılaşılmış olan verilerden elde edilen bilgilerle fikir yürütülerek farklı sınıflara ayrıştırılması işlemidir. Sınıflandırma işleminin amacı, veri gruplarını oluşturan sınıf özellikleri ve bu sınıfların çıkış karakterleri arasındaki ilişkilerin keşfedilerek, bu ilişkiler ile yeni bir veri örneğinin sınıf etiketini tahmin etmektir. Sınıflandırıcılar, eğiticili ve eğiticisiz olmak üzere ikiye ayrılır. Eğiticili öğrenmede, verilerle birlikte ait olduğu sınıflar da önceden sisteme bildirilir. Eğiticisiz öğrenmede ise, sınıflar önceden bilinmez ancak tahmin edilebilirler. Genellikle kümeleme metotları eğiticisiz olarak çalışırlar. Makine öğrenmesi yöntemleri, eğiticili (sınıflandırma ve regresyon) ve eğiticisiz (kümeleme) öğrenme problemlerinde kullanılmaktadır. Destek Vektör Makineleri ise, eğiticili veya yarı eğiticili olarak çalışabilen ve sınıflandırma ile regresyon uygulamalarında kullanılan bir makine öğrenmesi yöntemidir. Destek Vektör Makineleri (DVM), güçlü bir teorik alt yapıya sahiptir. Çünkü istatistiksel öğrenme teorisinden yararlanan Vapnik-Chervonenkis boyutu ve Yapısal Risk Minimizasyonu prensipleri üzerine kurulmuş olan bir yöntemdir. Bu yaklaşımlar DVM’ne üstün bir genelleme yeteneği kazandırmaktadır. Bu yüzden birçok uygulama alanında başarıyla kullanılmaktadır. Fakat bazı zayıf yönleri de bulunmaktadır. Gerçekleştirilen tez çalışmasında, bu zayıf yönlerin kuvvetlendirilmesi hedeflenmiştir. Bu çerçevede; K-En Yakın Komşuluk (KEYK), Renyi entropi ve en küçük kareler regresyonu gibi metotlar yeni DVM eğitim algoritmaları geliştirilmesinde yardımcı metotlar olarak kullanılmıştır. Ayrıca, bu yardımcı metotlardan elde edilen ölçülerin değerlendirilmesinde Öklit uzaklıklarından da faydalanılmıştır. Bu yardımcı metotlar, DVM’ne yerel kontrol özelliği katmak için kullanılmış ve bu metotların yardımı ile zayıf yönleri kuvvetlendirilen yeni DVM eğitim algoritmaları geliştirilmiştir. Geliştirilen metotlar (KKDVM, RKKDVM ve parametre düzenleyici yaklaşım) UCI (California Üniversitesi Bilimsel Veri Tabanı) ndan alınan İris, Şarap, Araç ve Tiroid veri kümeleri üzerinde ve Fırat Tıp Merkezi Kardiyoloji bölümünden elde edilen Dopler kalp kapakçıkları işaretlerine uygulanmıştır. DVM çeşitleri arasında, aynı amaç çerçevesinde geliştirilmiş olan En Küçük Kareler Destek Vektör Makineleri (EKKDVM) metodu ile de aynı veri kümeleri kullanılarak uygulamalar yapıldı. Tiroid veri kümesinde EKKDVM %95.62, KKDVM %96.62 ve RKKDVM %97.26, İris veri kümesinde EKKDVM %94.66, KKDVM %98.67 ve RKKDVM %100.00, Şarap veri kümesinde EKKDVM %96.59, KKDVM %97.73 ve RKKDVM %96.59 ve Araç veri kümesinde EKKDVM %68.72 ve RKKDVM %83.88 sınıflandırma doğruluğu test edilmiştir. Parametre düzenleyici yaklaşımın ise, en iyi parametre değerlerine başarıyla ulaştığı gözlenmiştir. Bu uygulama sonuçlarıyla, geliştirilen metodların üstünlüğü ortaya çıkarılmıştır. Anahtar Kelimeler ? Sınıflandırma, Destek Vektör Makineleri, Entropi, K-En Yakın Komşuluk, Regresyon, Dopler İşaretleri.

Basketbol için bulanık mantık temelli bir yetenek belirleme uzman sistemi geliştirilmesi

Sporun dev bir endüstri olduğu günümüzde yetenekli sporcuların küçük yaşlarda belirlenebilmesi çok önemli hale gelmiştir. Yetenekli sporcuların belirlenmesi genelde ailelerin yönlendirmesi veya tesadüfler sonucunda gerçekleşmektedir. Bu durum, iyi bir sporcu olabilecek bazı bireylerin hiç bu şansı yakalayamamasına sebep olmaktadır. Bu çalışmada, bulanık mantık temelli bir uzman sistem yazılımı geliştirilerek, basketbolda yetenek belirlenmesi değerlendirilmiştir. Bunun için spor uzmanlarının tecrübelerinden faydalanılarak modelleme yapılmıştır. Geliştirilen sistemde kullanılan ölçüm ve testler, her ortamda çok rahatlıkla yapılabilecek şekilde seçilmiş, bu sayede genel taramalar yapılarak yetenekli sporcuların zamanında ve doğru bir şekilde belirlenebilmesi hedeflenmiştir. İnsan düşünce yapısına paralellik gösteren bulanık mantık yönteminin, sporda yetenek belirleme alanında kullanılabilir bir yöntem olduğu ortaya konulmuştur.

Transfer öğrenmede yeni yaklaşımlar

Klasik makine öğrenmesi teknikleri, sadece yeterli miktarda ve uygun eğitim verisi olduğunda verimli çalışabilmektedir. Gerçek hayatta ise makine öğrenmesi yöntemlerini tam anlamıyla verimli bir şekilde çalıştıracak, tüm durumları kapsayan eğitim verisi bulmak bazı durumlarda zor, bazı durumlarda ise maliyetli bir iştir. Ayrıca koşulların değişmesiyle eldeki eğitim verisi güncelliğini kaybederek artık kullanılamaz duruma da gelebilir. Bu gibi durumlarda benzer görevler arası bilgi alışverişine olanak sağlayarak makine öğrenmesi için gerekli eğitim verisine olan ihtiyacı azaltmaya çalışan yaklaşımların bütününe ?Transfer Öğrenme? denir. Bu tez çalışmasında transfer öğrenmeye, optimizasyon problemleri penceresinden bakılarak yeni yaklaşımlar geliştirilmiştir. Ayrıca optimizasyon problemleri için geliştirilen yaklaşımları sınıflandırma problemlerinde de kullanabilmek amacıyla genetik algoritmalar – yapay sinir ağları hibrit yaklaşımı kullanılmıştır. Bu çalışmalara ek olarak ?örnek transferi? yaklaşımı için genetik algoritmalardan faydalanılarak yeni bir ağırlıklandırma metodu geliştirilmiştir. Son olarak, transfer öğrenme yaklaşımlarından ?parametre transferi? ve ?örnek transferi? yaklaşımları birleştirilerek yüksek performanslı bir transfer yaklaşımı geliştirilmiş ve mevcut yöntemle karşılaştırılmıştır. Sonuç olarak bu tez çalışmasında transfer öğrenmenin temel sorunlarına çözüm olabilecek ve transfer öğrenmenin performansını arttırabilecek yeni yaklaşımlar ortaya konulmuş, transfer öğrenmenin avantajlarının optimizasyon problemlerinde de kullanılabilmesine olanak sağlayacak yöntemler geliştirilmiştir.

Sosyal ağ analizi için bayes ağlarının kullanımı The use of bayesian network for social network analysis

İnanç ağları olarak da bilinen bayes ağları belirsizlik hakkında bilgi sunmak için kullanılır. Sosyal ağlar kişilerin sosyal ilişkilerine göre birbirlerine bağlandığı yapılardır. Bu yapıda kişiler düğüm, ilişkiler bağlantı olarak ifade edilir. Tez çalışmasında kişilerin etkinliklere katılım verileri kullanılarak sosyal ağ analizi için bayes ağı kurulmuştur. Bayes ağı ile bireyler arasındaki etkileşim modellenmiştir. K2, bayes ağlarının eğitimi için kullanılan bir algoritmadır. Tezde K2 algoritması kullanılarak ağ yapısı oluşturulmuştur. K2 algoritmasının performansı ağı oluşturan düğümlerin sırasına bağlıdır. Doğru bir ağ yapısı için bir düğümünün ebeveyninin kendinden önceki sırada verilmiş olması gerekmektedir. K2 algoritması için düğümlerin sırasının belirlenmesi amacıyla bir yöntem önerilmiştir. Ayrıca sıralamayı bulmak için genetik algoritma kullanılmıştır. Düğümler rassal, genetik algoritma ve önerilen yöntem kullanılarak sıralanmıştır. Her bir sıralama K2 algoritmasına girdi olarak verilmiş ve her biri için otomatik olarak ağ yapıları oluşturulmuştur. Bulunan ağ yapılarının skorları karşılaştırılmıştır. Önerilen yöntemin bulduğu sıralama genetik algoritmanın başlangıç popülasyonuna eklenerek hibrit bir yöntem ile sonuçlar iyileştirilmiştir. Bayes ağı kurulduktan sonra, bayes ağı üzerinden sosyal ağ analizi yapılmıştır. Ağ içindeki bir bireyin bir etkinliğe katılma olasılığı başka bireylerin aynı etkinliğe katılma durumlarına göre analiz edilmiş ve analiz sonuçları sunulmuştur.

İngilizce’den Türkçe’ye makine çevirisi modülü

Bu çalışmada, çok yeni fakat giderek yaygınlaşan ve zamanla her sektörde ihtiyaç haline gelecek olan Makine Çevirisi konu edilmiştir. Makine Çevirisi, uygulama alanları, kullanılan yöntemler araştırılmıştır. Makine Çevirisi’nin somut uygulaması olarak İngilizce’den Türkçe’ye çeviri modülünün altyapısı kurulmuş ve bir başlangıç projesi hazırlanmıştır. Proje boyunca karşılaşılan güçlüklere çözümler aranmış, değerlendirme ve analizler yapılmıştır. Projede, en geçerli yöntemlerden Öge Dizilişi (Kural Tabanlı Çeviri) yöntemi kullanılmıştır. Bu yöntem, insanın, dili öğrenme şekline en çok benzeyen ve en gelişmiş olandır.

Bilgi sistemlerinde fark fonksiyonu tabanlı özellik seçme yönteminin geliştirilmesi

Bilgi sistemlerinde özellik seçmenin amacı şart özelliklerinin orijinal kümesi ile aynı sınıflandırma başarısı sağlayan özelliklerin bir veya birkaç tane minimal alt kümesini bulmaktır. Genellikle bir veri kümesi özelliklerin birden fazla minimal alt kümelerine sahip olabilir ve bunların hepsini bulmak bir NP-hard (belirsiz polinomal-zor) problemdir. Bu yüzden bir veri kümesine ait olan özelliklerin bir veya birkaç minimal alt kümesini bulan sezgisel algoritmalar geliştirilmiştir. Fakat bu algoritmaları kullanmak en iyi çözümü kaçırma riskini de beraberinde getirmektedir. Çünkü özelliklerin bulunan alt kümesi bazen en iyi küme olmayabilir. Bu yüzden, özelliklerin en iyi alt kümesini bulmak istendiğinde bu iş için yegâne olan fark fonksiyonu tabanlı özellik seçme yaklaşımı kullanılır. Fakat maalesef bu yaklaşıma dayanan algoritmalar bellek taşmasından dolayı işini bitirmeden sonlanırlar. Bu algoritmalar için bellek taşmasının sebebi fark fonksiyonun disjunktif normal forma çevrilirken üstel olarak artan hafıza karmaşıklığıdır. Bu yüzden, bu çalışmada, disjunktif normal formun orijinal fark fonksiyonundan değil indirgenmiş fark fonksiyonundan elde edilmesi yöntemi geliştirilmiş ve bu yolla karmaşıklık kendi kareköküne kadar azaltılmıştır. Böylece, iki aşamadan oluşan lojik fonksiyon tabanlı bir özellik seçme yöntemi geliştirilmiştir. Birinci aşamada veri kümesinin doğruluk tablo görüntüsü kullanılarak indirgenmiş fark fonksiyonu oluşturulur, ikinci aşamada ise elde edilen indirgenmiş fark fonksiyonu iteratif olarak bölünerek disjunktif normal forma çevrilir ve böylece işlenmekte olan veri kümesine ait özelliklerin minimal alt kümeleri elde edilir. Geliştirilen özellik seçme yöntemi bu özelliği sayesinde diğer özellik seçme yöntemleri ile işlenemeyen veri kümelerini de başarı ile işlenebilmektedir.

Bulanık mantık ile grup asansör kontrol sisteminin tasarımı ve simülasyonu Design and simulation of group elevator control system using fuzzy logic

Yüksek binaların sayısının artmasıyla yüksek seviyeli asansör kontrol sistemleri önem kazanmıştır. Artan bina nüfusuna cevap vermek ve yüksek taşıma kapasitesine ulaşmak için birden fazla kabine ihtiyaç doğmuştur. Bu kabinlerin verimli bir biçimde çalışması ve kabinler arasında koordinasyonun sağlanması için grup kontrol algoritmaları geliştirilmiştir. Grup asansör kontrol sistemleri bir binadaki yolcuları verimli bir şekilde taşımak için üç veya daha fazla kabini yöneten sistemlerdir. Bu sistemlerin temel amacı, bir çağrı oluştuğunda o çağrıya cevap verecek uygun kabinin seçilmesidir. Bu seçim esnasında sistemin birçok parametreyi göz önüne alması gerekir. Bunlar arasında yolcuların katta bekleme süresini ve bir kattan diğerine gidiş süresini azaltmak, her katta hizmet temin etmek ve taşıma kapasitesini mümkün olduğunca yüksek tutmak sayılabilir. Günümüzde akıllı yöntemlerden pratikte en yaygın olarak kullanılanı bulanık mantıktır. Grup asansör sistemini bulanık mantık denetleyicileri ile tasarlamak bu alanda birçok fayda sağlamaktadır. Bunlardan en önde geleni ise maksimum sayıda insanı minimum bekleme zamanında istedikleri katlara ulaştırılması ve enerji tasarrufunun sağlanmasıdır. Geliştirilen sistem, farklı koşullardaki trafik durumuna göre kendini ayarlayarak istenilen performansa ulaşabilmektedir. Çalışmamız, Bulanık Mantık grup asansör kontrol modeline yeni değişiklikler yaparak performans seviyesini optimal çözüme bir adım daha yaklaştırmaktadır. Uzman kural tabanını esas alan BM denetleyiciler sayesinde, ciddi farklıklar içeren trafik saatleri sınıflandırılmaktadır. Bu sınıflandırmaya dayanarak daha spesifik BM her sınıf model için gerçekleştirilir. Sistem, kontrol mekanizmasında maksimum kabin hızı buna karşılık minimum güç tüketimini hedeflemektedir