6 sonuçlar
Arama Sonuçları
Listeleniyor 1 - 6 / 6
Yayın MIMO sinyalleri için uzay-zaman blok kodu klasifikasyonu(IEEE, 2014-04-26) Turan, Merve; Öner, Mustafa Mengüç; Çırpan, Hakan AliBilinmeyen haberleşme sinyallerinin gözü kapalı ve işbirliksiz tanınması için geliştirilen teknikler, hem askeri hem de sivil uygulamalarda kullanım bulmuştur. Çok Girdili Çok Çıktılı (MIMO) haberleşme sistemleri, sinyal tanıma sistemleri için üstesinden gelinmesi gereken yeni problemler ortaya koymaktadır. MIMO haberleşmesinde kullanılan uzay zaman kodlarının gözükapalı tanınması bu problemlerin en önemlilerinden biri olarak görülebilir. Bu çalışmada uzay zaman blok kodlanmış sinyal vektörlerinin döngüsel-durağan (cyclostationary) karakteristiklerinin farklı uzay zaman blok kodlarını birbirinden ayırdetmek amacıyla kullanıldığı yenilikçi uzay-zaman kodu tanıma algoritmaları öneriyoruz.Yayın VİSKON-RS : Uzaktan algılama ile hızlı afet hasar analiz yazılımı(IEEE, 2015-06-19) Kahraman, Fatih; İmamoğlu, Mümin; Özcan, Büşra Yüksel; Huruoğlu, Cengiz; Alasağ, Tolga; Gemici, Ömer Faruk; Hocaoğlu, Muhammet A.; Ateş, Hasan FehmiAfet sonrası, acil müdahale ekiplerinin yönlendirilmesi ve iyileştirme çalışmalarının planlanması amacıyla hızlı hasar değerlendirmesine ihtiyaç duyulmaktadır. Bu çalışmada, AFAD ihtiyaçları doğrultusunda uzaktan (uzay/hava) algılama teknolojileri ile elde edilen görüntülerin afet hasar analizinde kullanılmasına yönelik VİSKON-RS yazılımı geliştirilmiştir. Geliştirilen yazılım; deprem, sel ve orman yangını gibi afet türlerinin hasar analizlerine özelleşmiş uygulamalar içermektedir. Ayrıca genel görüntü analizinde kullanılabilecek değişiklik analizi, eğitimli/eğitimsiz sınıflandırma, nesne tabanlı görüntü analizi ve doku analizi gibi uygulamalar yazılıma entegre edilmiştir. VİSKON-RS yazılımın temel amacı, afet sonrası uzaktan algılama verilerinin, açılması, işlenmesi, analiz edilmesi, sonuçların sergilenmesi ve karar destek sistemlerine aktarılması adımlarını içeren bütünleşik bir yazılım çözümü sunmaktır.Yayın NFC Research framework: A literature review and future research directions(Int Business Information Management Assoc-IBIMA, 2010) Özdenizci Köse, Büşra; Aydın, Mehmet Nafiz; Coşkun, Vedat; Ok, KeremNear Field Communication (NFC) is one of the emerging and promising technological developments, provides means to short range contactless communication for mobile phones and other devices alike. NFC has become an attractive research area for many academics due to its exploding growth and its promising applications and related services. An understanding the current status of NFC research area is necessary to maintain the advancement of knowledge in NFC research and to identify the gap between theory and practice. In this paper, we present a literature review on NFC. To facilitate the analysis of the literature, we propose a research framework and organize the NFC literature into four major categories; theory and development, applications and services, infrastructure, ecosystem. This rigorous and holistic literature review with the objective of bringing to the state-of-art in NFC design science research provides advancement of knowledge in NFC research and further research directions.Yayın Searching for the optimal ordering of classes in rule induction(IEEE, 2012-11-15) Ata, Sezin; Yıldız, Olcay TanerRule induction algorithms such as Ripper, solve a K > 2 class problem by converting it into a sequence of K - 1 two-class problems. As a usual heuristic, the classes are fed into the algorithm in the order of increasing prior probabilities. In this paper, we propose two algorithms to improve this heuristic. The first algorithm starts with the ordering the heuristic provides and searches for better orderings by swapping consecutive classes. The second algorithm transforms the ordering search problem into an optimization problem and uses the solution of the optimization problem to extract the optimal ordering. We compared our algorithms with the original Ripper on 8 datasets from UCI repository [2]. Simulation results show that our algorithms produce rulesets that are significantly better than those produced by Ripper proper.Yayın Model selection in omnivariate decision trees using Structural Risk Minimization(Elsevier Science Inc, 2011-12-01) Yıldız, Olcay TanerAs opposed to trees that use a single type of decision node, an omnivariate decision tree contains nodes of different types. We propose to use Structural Risk Minimization (SRM) to choose between node types in omnivariate decision tree construction to match the complexity of a node to the complexity of the data reaching that node. In order to apply SRM for model selection, one needs the VC-dimension of the candidate models. In this paper, we first derive the VC-dimension of the univariate model, and estimate the VC-dimension of all three models (univariate, linear multivariate or quadratic multivariate) experimentally. Second, we compare SRM with other model selection techniques including Akaike's Information Criterion (AIC), Bayesian Information Criterion (BIC) and cross-validation (CV) on standard datasets from the UCI and Delve repositories. We see that SRM induces omnivariate trees that have a small percentage of multivariate nodes close to the root and they generalize more or at least as accurately as those constructed using other model selection techniques.Yayın Malaria parasite detection with deep transfer learning(IEEE, 2018-12-06) Var, Esra; Tek, Faik BorayThis study aims to automatically detect malaria parasites (Plasmodium sp) on images taken from Giemsa stained blood smears. Deep learning methods provide limited performance when sample size is low. In transfer learning, visual features are learned from large general data sets, and problem-specific classification problem can be solved successfully in restricted problem specific data sets. In this study, we apply transfer learning method to detect and classify malaria parasites. We use a popular pre-trained CNN model VGG19. We trained the model for 20 epoch on 1428 P Vivax, 1425 P Ovule, 1446 E Falciparum, 1450 P Malariae and 1440 non-parasite samples. The transfer learning model achieves %80, %83, %86, %75 precision and 83%, 86%, 86%, 79% f-measure on 19 test images.
