An Approach for Online Weight Update Using Particle Swarm Optimization in Dynamic Fuzzy Cognitive Maps

Altundoğan, Turan Göktuğ; Karaköse, Mehmet

doi:10.1109/ubmk.2018.8566363

Cited by 5 publications

(1 citation statement)

References 10 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Uygulama Alanı [13] Uzman Görüşleri Ekoloji [14] Bulanık Fonksiyonları Bilgisayarlı Görme [15] Gözetimsiz Öğrenme Yöntemleri BBH Dinamikleştirme [16] Karar Fonksiyonları BBH Dinamikleştirme [17] Büyük Veri Setleri ve Uzman Görüşleri BBH Tasarımı [18] Bulanık Çıkarım Sistemleri Sınıflandırma [19] Uzman Görüşleri Sağlık [20] Evrimsel Algoritmalar BBH Tasarımı [21] Derin Yapay Sinir Ağları, Sezgisel Optimizasyon Yöntemleri BBH Dinamikleştirme, BBH Tasarımı, Nesne Takip Uygulamaları [22] Derin Yapay Sinir Ağları, Sezgisel Optimizasyon Yöntemleri BBH Dinamikleştirme, BBH Tasarımı [23] Derin Yapay Sinir Ağları, Sezgisel Optimizasyon Yöntemleri Çoklu Nesne Takibi [24] Genetik Algoritma BBH Tasarımı [25] Parçacık Sürü Optimizasyonu BBH Dinamikleştirme…”

Section: Ağırlık Belirleme Yöntemiunclassified

Deri̇n Yapay Si̇ni̇r Ağlari Kullanan Di̇nami̇k Bulanik Bi̇li̇şsel Hari̇talarla Çoklu Görüde Nesne Taki̇bi̇

Altundoğan

Karaköse

2021

Fırat Üniversitesi Mühendislik Bilimleri Dergisi

View full text Add to dashboard Cite

Çoklu görüde nesne takibi, birden fazla görüntüleme aygıtının kullanıldığı görüntüleme sistemlerinde tek bir görüntüleme aygıtından elde edilen görüntü kareleri üzerinde tespit edilen nesnelerin diğer görüntüleme aygıtlarından gelen görüntü kareleri üzerinde de bulunduğu yerin hesaplanmasına dayalı nesne takip işlemidir. Burada bahsi geçen problemin çözümü için genelde görüntüleme sistemi içerisinde bulunan farklı kamera konum ve oryantasyonların içerisinde kullanıldığı hesaplama metotlarından yararlanılmaktadır. Makine öğrenmesi ve yapay zeka tabanlı yöntemlerin bilgisayarlı görü alanında problemlerin çözme kabiliyetinin artmasıyla beraber ÇGNT işlemini gerçekleştirmek için farklı yapay zeka ve makine öğrenmesi tabanlı yöntemlerden yararlanılabilmektedir. Bu çalışmada ÇGNT için bulanık bilişsel haritalardan yararlanan yeni bir yöntem geliştirilmiştir. Bulanık bilişsel haritalar, ele aldığı gerçek dünya sistem veya problemlerine ait özellikleri konsept olarak kabul eder ve bu konseptler arasındaki ilişkileri kullanarak iteratif bir şekilde modelleme veya hesaplama işlemini geçekleştiren graf tabanlı yapılardır. Günümüzde endüstri, sağlık, enerji, bilgisayar bilimi vs. gibi birçok alanda problemlerin çözümünde BBH’lar kullanılmaktadır. Bulanık bilişsel haritaların literatürde bilgisayar bilimi alanında sağladığı çözüm önerileri için daha dinamik bir yapıya ihtiyaç duyulmuştur. Bu çalışmada çoklu görüde nesne takibi işlemi için geliştirdiğimiz bulanık bilişsel harita yapısında konsept ilişkilerinin dinamik bir şekilde güncellenmesi için derin yapay sinir ağlarından yararlanılmıştır. Deneysel sonuçların analizi farklı başarım hesaplama işlemleriyle gerçekleştirilmiştir. ÇGNT odaklı yöntemlerin başarım hesaplamasında kullanılan Birleşim Kesişimi (Intersection of Union) yöntemi ile yapılan analizlerde minimum %67,4 maksimum %99,8 ve ortalama %88,2 başarım elde edildiği gözlemlenmiştir. Ele alınan problem için hesaplanan kesişim oranı literatür çalışmaları incelendiğinde çok yüksek bir başarıma sahiptir.

show abstract