No abstract

Dengesiz ve çok sınıflı veri setlerinde klasik sınıflandırıcıların kullanılması her zaman bir sorun oluşturmuştur. Bu çalışmada Avrupa Topluluğunda Ekonomik Faaliyetlerin İstatistiki Sınıflaması (NACE) kodlarının tanımları üzerinde çok bilinen sınıflandırıcılar ile bir metin madenciliği uygulaması yapılmıştır. Çalışmada öncelikle orjinal verinin dengesiz yapısı üzerinde uygulama yapılmış, daha sonra sınıf bazında ağırlıklandırma yöntemiyle dengeli hale getirilerek sonuç verisi üzerinde tekrar test edilerek performans ölçümü gerçekleştirilmiştir. Testlerde Karar Ağaçları, Naiv Bayes, Destek Vektör Makineleri, Çapsal Tabanlı Fonksiyonlar ve Rastgele Orman algoritmaları gibi yaygın kullanılan sınıflandırıcılar kullanılmıştır.  Çalışma bize Karar Ağaçlarının veri dengelenmesi neticesinde F-skor değerinin %17.43’ den %92’ ye çıkarak en iyi performansı verdiğini göstermiştir.

Vienna doğrultucu ve histerezis kontrolü, motor sürücüleri, yenilenebilir enerji sistemleri ve endüstriyel güç uygulamaları gibi birçok alanda kullanılır. Bu yapının sağladığı güç faktörü düzeltmesi, düşük harmonik bozulma ve verimli güç dönüşümü avantajları, geniş bir uygulama yelpazesinde tercih edilmesini sağlar. Bu çalışmada üç fazlı Vienna doğrultucunun Plexim programı kullanarak histereziskontrolörü sağlanmıştır. Kontrolör ile Vienna doğrultucu kullanarak 12.5kW gücünde 700VDC çıkış gerilimi elde edilmiştir. Histerezis kontrolör ile 311V ile 390V gerilim değerleri arasında çıkış gerilimini 0.003% den az hata ile kontrol edilmiştir.

Brushless DC motor (BLDCM) has been widely used in many different fields such as high efficiency and dynamic response and high speed range in recent years. Since the BLDC motor driver does not behave, it is complex to control it via the proportional-integral (PI) controller. In this article, the mathematical model of the BLDC motor and artificial neural network algorithm is derived to make the BLDC motor control. On the proposed drive, the controller synchronizes quickly with speed, learning the motor speed to follow and load quickly. The effectiveness of the proposed method is demonstrated by the model developed in MATLAB / Simulink. The simulation results show that the proposed artificial neural network controller provides a significant improvement in control performance compared to the PI controller for both control reference speed changes and load changes.

Bu çalışma, çok seviyeli bir kaskad inverter için optimum anahtarlama açılarının belirlenmesinde Kel Kartal Arama Optimizasyonu (BES) algoritmasını kullanmayı amaçlamaktadır. Çalışma, seçici harmonik eliminasyonu darbe genişlik modülasyonu (SHE-PWM) tekniği ve optimum toplam harmonik distorsiyonu (OMTHD) değeri dikkate alınarak gerçekleştirilmiştir. MATLAB simülasyonları kullanılarak belirtilen optimizasyon algoritmasının etkinliği ve performansı 7 seviyeli üç fazlı kaskad çok seviyeli inverter üzerinde değerlendirilmiştir. Simülasyon sonuçları, BES tabanlı SHE-PWM yönteminin çok seviyeli inverter için optimum anahtarlama açılarının belirlenmesinde başarılı olduğunu göstermektedir.