No abstract

No abstract

Hızla gelişen bilgisayar ve grafik ara yüzüne sahip cihaz teknolojileri, yüz tanıma çalışmalarında yeni ufuklar açmışlardır. Özellikle derin öğrenme ağ mimari yapılarından biri olan evrişimsel sinir ağları (Convolutional Neural Network-CNN), yüz tanıma çalışmalarında büyük başarılar sağlamaktadır. Bu başarılar da veri setlerinin büyüklüğü önemli rol oynamaktadır. Özellikle kullanılan veri setlerindeki yetersizlik başarı oranlarını etkileyebilmektedir. Bunun önüne geçmek için ise veri tipine göre değişik veri artırma teknikleri uygulanmaktadır. Yapılan bu çalışmada yüz tanımlama problemi için derin öğrenmeye dayalı adaptif bir yüz tanıma modeli (AYTM) geliştirildi. Geliştirilen bu model kontrast sınırlı uyarlanabilir histogram eşitleme (Contrast Limited Adaptive Histogram Equalization-CLAHE), CNN ve çok katmanlı algılayıcı (Multi Layer Perceptron-MLP)’ndan oluşmaktadır. İki farklı veri seti grubu kullanılarak geliştirilen modelin performans değerlendirilmesi yapılmıştır. Özellikle veri artırma işleminin model başarısını ciddi oranda artırdığı gözlendi ve veri artırma işleminin derin öğrenme uygulamalarında gerekliliği vurgulanmıştır.

ÖzRüzgar hızı tahminlemesi rüzgar güç dönüşüm sistemleri için oldukça önemlidir. Bu çalışmada kısa vadeli rüzgar hızı tahminlemesi için hibrit bir ayrıklaştırma yöntemi önerilmiştir. Önerilen yöntemde Toplu ampirik mod ayrıştırma (Ensemble Empirical Mode Decomposition, EEMD) ve Ampirik dalgacık dönüşümü (Emprical wavelet transform, EWT) birlikte kullanılmıştır. İlk defa kullanılan bu kombinasyon sonucunda elde edilen ayrıklaştırılmış rüzgar hızı sinyalleri kısmi otokorelasyon fonksiyonu (Partial autocorrelation function, PACF) ile öznitelik çıkarma işlemine tabi tutulmuştur. Elde edilen öznitelikler, geri beslemeli sinir ağına (Back propagation neural networks, BPNN) uygulanmak suretiyle çok adımlı rüzgar hız tahminleme işlemi gerçekleştirilmiştir. Önerilen modelin birbirinden bağımsız teknikler kullanılarak yapılan tekil ayrıklaştırmaya göre çok daha doğru ve güvenilir sonuçlar verdiği tespit edilmiştir. Çalışmada kullanılan veriler Tokat Gaziosmanpaşa Üniversitesi Taşlıçiftlik Kampüsü içerisinde kurulan ölçüm istasyonundan toplanmıştır. Önerilen hibrit model, yüksek hassasiyetli rüzgar hızı tahminleri için güvenilir, güçlü ve etkili olduğu kadar veri madenciliği uygulamalarında da kolaylıkla kullanılabilir. Tahmin performansının genel tahmin doğruluğu yaygın olarak kullanılan üç genel hata değerlendirme endeksi olan determinasyon katsayısı (determination coefficient (R 2 ), ortalama mutlak yüzde hata (mean absolute percent error (MAPE) ve ortalama karekök hata (root mean square error (RMSE)) ile gerçekleştirildi.