Yapay Sinir Ağları Nedir

Yapay Sinir Ağları Hakkında özet bilgiler

Fann Nedir

Fast Artifical Neural Networks Kütüphanesi hakkında

FannTool

Nedir Ne işe yarar Nasıl Kullanırız

What are Artificial Neural Networks ?

short info about Artificial Neural Networks

What is FANN ?

about Fast Artifical Neural Networks library

FannTool

What is and How to use

1 Aralık 2013 Pazar

Performance Evaluation of Lateration, KNN and Artificial Neural Networks Techniques Applied to Real Indoor Localization in WSN



Leomário Machado, Mauro Larrat and Dionne Monteiro
Research Group on Computer Networks and Multimedia Communication
Federal University of Para – UFPA
Belém/PA - Brazil

Abstract-In Wireless Sensor Networks, several protocols and algorithms seek to prolong the network lifetime; among them, the localization algorithms are used as an accessory to provide the smallest distances for sending messages. This paper compares the Lateration, KNN and ANN as localization techniques to estimate planar coordinates using the RSSI in an indoor environment using a real WSN based on IRIS motes. The results show that a well worked out ANN is superior to Lateration and KNN.


Our application of ANN used for the localization of nodes in WSN is accomplished through the acquisition of RSSI from the messages sent from each node. Subsequently, these data are used to train and validate the network. For each location point, the mean and standard deviation are calculated to identify the 10% worst samples. With this, only accurate samples are used to train the ANN. To train the ANN, the collected points (x, y) are normalized maintaining those data output values between 0 and 1. To define the architecture of the ANN, several tests are done to achieve a satisfactory configuration of the ANN, i.e., number of hidden layers, number of neurons in each layer, activation function for each layer or neuron and training algorithm.

7 Kasım 2013 Perşembe

ESTIMATIVE OF ULTRAVIOLET SOLAR RADIATION IN BOTUCATU/SP/BRAZIL UTILIZING MACHINE LEARNING TECNICS.


Botucatu, 2013. XXXp. Dissertação (Mestrado em Agronomia / Energia na Agricultura) – Faculdade de Ciências Agronômicas, Universidade Estadual Paulista.
Author: THIAGO DO NASCIMENTO SANTANA DE ALMEIDA

SUMMARY
In this papper is evaluated the estimation of daily solar ultraviolet radiation (UV) using machine learning techniques in Botucatu / SP / Brazil. To develop the model was utilized the artificial neural networks with linear function, the support vector machine with linear function and with RBF function. As input to each of the techniques, were tested five groups containing different weather variables measured as routine in Botucatu radiometry solar station.

21 Eylül 2013 Cumartesi

Novel Patterns and Methods for Zooming Camera Calibration

Novel Patterns and Methods for Zooming Camera Calibration
Andrea Pennisi, Domenico Bloisi, Claudio Gaz, Luca Iocchi, Daniele Nardi
Department of Computer, Control, and Management Engineering
Sapienza University of Rome
via Ariosto 25
00185, Rome, Italy
In Journal of WSCG, volume 21, 2013.

Camera calibration is a necessary step in order to develop applications that need to establish a relationship between image pixels and real world points. The goal of camera calibration is to estimate the extrinsic and intrinsic camera parameters. Usually, for non-zooming cameras, the calibration is carried out by using a grid pattern of known dimensions (e.g., a chessboard). However, for cameras with zoom functions, the use of a grid pattern only is not sufficient, because the calibration has to be effective at multiple zoom levels and some features (e.g., corners) could not be detectable. In this paper, a calibration method based on two novel calibration patterns, specifically designed for zooming cameras, is presented. The first pattern, called in-lab pattern, is designed for intrinsic parameter recovery, while the second one, called on-field pattern, is conceived for extrinsic parameter estimation. As an application example, on-line virtual advertising in sport events, where the objective is to insert virtual advertising images into live or pre-recorded television shows, is considered. A quantitative experimental evaluation shows an increase of performance with respect to the use of standard calibration routines considering both re-projection accuracy and calibration time.

...
The second video, that contains the “+” sign captured at different zoom levels, is used to refine the calibration
parameters, in particular, the principal point (u;v) and the focal lengths fx and fy, and the radial distortion
coefficients k1 and k2 are considered. For regularizing these parameters an Artificial Neural Network (ANN) based approach [FANN Fast Artificial Neural Networks ] is used. Two different ANNs have been implemented, the former for managing the lower zoom levels, the latter for the higher ones.

28 Ağustos 2013 Çarşamba

Prediction of the energy values of feedstuffs for broilers using meta-analysis and neural networks


Prediction of the energy values of feedstuffs for broilers using meta-analysis and neural networks
F. C. M. Q. Mariano,C. A. Paixão,R. R. Lima,R. R. Alvarenga,P. B. Rodrigues and G. A. J. Nascimento (2013).
animal, Volume 7, Issue09, September 2013 pp 1440-1445
http://journals.cambridge.org/action/displayAbstract?aid=8962130


Abstract

Several researchers have developed prediction equations to estimate the metabolisable energy (ME) of energetic and protein concentrate feedstuffs used in diets for broilers. The ME is estimated by considering CP, ether extract, ash and fibre contents. However, the results obtained using traditional regression analysis methods have been inconsistent and new techniques can be used to obtain better estimate of the feedstuffs’ energy value. The objective of this paper was to implement a multilayer perceptron network to estimate the nitrogen-corrected metabolisable energy (AMEn) values of the energetic and protein concentrate feeds, generally used by the poultry feed industry. The concentrate feeds were from plant origin. The dataset contains 568 experimental results, all from Brazil. This dataset was separated into two parts: one part with 454 data, which was used to train, and the other one with 114 data, which was used to evaluate the accuracy of each implemented network. The accuracy of the models was evaluated on the basis of their values of mean squared error, R 2, mean absolute deviation, mean absolute percentage error and bias. The 7-5-3-1 model presented the highest accuracy of prediction. It was developed an Excel® AMEn calculator by using the best model, which provides a rapid and efficient way to predict the AMEn values of concentrate feedstuffs for broilers.

FannTool;

 The software FANN TOOL 1.2 (http://code.google.com/p/fanntool/) was used to implement the networks.


29 Mart 2013 Cuma

Yacht Hydrodynamics

Yapay Sinir Ağlarının Gemi İnşa mühendisliği konusundaki bir uygulamasından bahsedeceğiz.

Yaz dizaynı için konun uzmanı olmadığımızdan  orjinal verilere atıfta bulunacağız

Data Set Information:

Prediction of residuary resistance of sailing yachts at the initial design stage is of a great value for evaluating the ship’s performance and for estimating the required propulsive power. Essential inputs include the basic hull dimensions and the boat velocity.

The Delft data set comprises 308 full-scale experiments, which were performed at the Delft Ship Hydromechanics Laboratory for that purpose.
These experiments include 22 different hull forms, derived from a parent form closely related to the ‘Standfast 43’ designed by Frans Maas.

Attribute Information:

Variations concern hull geometry coefficients and the Froude number:

1. Longitudinal position of the center of buoyancy, adimensional.
2. Prismatic coefficient, adimensional.
3. Length-displacement ratio, adimensional.
4. Beam-draught ratio, adimensional.
5. Length-beam ratio, adimensional.
6. Froude number, adimensional.

The measured variable is the residuary resistance per unit weight of displacement:

7. Residuary resistance per unit weight of displacement, adimensional. 

Veri setine UC Irvine Machine Learning Repository den Yacht Hydrodynamics adıyla ulaşabilirsiniz.

Veriler  Delft Teknik Üniversitesinin  Gemi Hidromekanik Labaratuvarındayapılan deneylerden alınmıştır. Bizim Çalışmamıza benzer bir çalışma da yapılmıştır

"Prediction of Total Resistance Coefficients Using Neural Networks"
 I.Ortigosa, R. López and J.García
Daha detaylı bilgi ve Çalışmaya ulaşmak için bakınız sayfa 15

Biz öncelikle Verileri FANNTool 'un DataProcessing kısmıyla açıp verileri normalize edip FANN formatına çevirdik. ilk 6 sütün giriş Son sütüun Çıkış değeri olarak  seçildi. Verilerin 184 adedi Eğitim ve 124 adedi Test için kullanıldı. Değişik konfigurasyonlarda Pek çok YSA eğitildi.
Ulaşılan sonuçları şöyle gösterelim




Bu sonuçlar Test verileri üzerinden çıkarılmıştır, Eğitim veri sonuçları daha da başarılıdır.


10 Mart 2013 Pazar

Baraj Yatay Deformasyon Modellenmesi


Barajlarının deformasyonların ölçülmesi ve modellenmesi, Güvenlik açısında önemlidir. Biz bu çalışmamızda Yapay Sinir Ağları ile bir modelleme yapacağız.

Veriler :

"Schlegeis barajı Avusturya’nın en önemli hidroelektrik santrallerinden biridir. Çift eğrilikli beton kemer şeklinde 1973 yılında hizmete giren baraj 131m yüksekliğinde ve kret uzunluğu 725m’dir.

Asılı (Düz) ve ters pendulumlar kemer barajın düşey ekseni boyunca gövdenin bağıl yatay hareketlerini doğruluklu olarak belirlemek için yerleştirilen düzeneklerdir. 




Gövdenin oturduğu kaya zemine gömülen ters pendulum teli sayesinde gövdenin mutlak yatay hareketleri 0.5mm doğrulukla belirlenebilir.


Su kotu değerleri 9 yıllık dönem boyunca her gün sabah saat 09:00 da kaydedilen baraj gölü su düzeyi kayıtlarıdır. Hava sıcaklığı, 24 saatlik kayıtların günlük ortalama değerlerini gösterir. Analize konu olan pendulum değerleri ise, barajın en büyük düşey kesitinin yatay konum değişimleridir. Bu değişimler memba(su tarafı), mansap(gövdenin su olmayan tarafı) ile gövdenin dayandığı vadi yamaçlarına (sağ ve sol sahil) göre tanımlanır. Elektronik olarak kaydedilen bu değerler; kuzey (memba), güney (mansap), doğu (sağ sahil) ve batı  (sol sahil) yönleriyle ifade edilir."

 Veriler ve gereken bilgiler YTÜ meslek yüksek okulu öğretim üyesi ve Harita Y. Mühendisi Seyfullah Demirkaya 'dan alınmıştır

Modelleme

 Biz bu çalışmamızda deformasyon modellemesini Yapay Sinir Ağlarıyla yaptık, Öncelikle verilerin
YSA sistemine uygulanmasına bakalım

 Girişler :
W_LEVEL  : Su sevyesi metre
T_H12_UP, T_H12_MI, T_H12_DO , T_H15_UP , T_H15_MI,T_H15_DO   :
Beton sıcaklıkları
   UP  : Upstream: Memba (Baraj gövdesinin su tarafı)
   DO : Downstream: Mansap (Barajın hava olan tarafı)
   MI  : Mid: Gövdenin ortası 
T_AIR_M :  Hava Sıcaklığı
Çıkış :
PENDULUM : Ölçülen deformasyon ( mili metre )

Giriş ve çıkış değerleri kararlaştırıldıktan sonra, veriler üzerinde gereken normalizasyon işlemi yapılmış ve Eğitim ve Tes için veriler ikiye ayrılmıştır.

YSA kütüphanesi olarak FANN kullanılmıştır. YSA eğitimi FannTool ile  gerçekleştirilmiştir. İstendiğinde Eğitilmiş YSA ile Tahmin yapmak üzre program yazılabilir...



Sonuç:


Eğtim Verileri için Ortalama Mutlak Hata Yüzde :  %  2.4
Test Verileri için Ortalama Mutlak Hata Yüzde :     % 3,67


2 Mart 2013 Cumartesi

Yapay Sinir Ağları ile Epilepsi İçin Otomatik EEG analizi


Özet :

Bu çalışma Epileptik ve Normal EEG verilerinin , Yapay Sinir Ağları ile ve PoincarePlot2D metoduyla çıkarılan öznitelikleri kullanarak sınıflandırılması üzerinedir.

Giriş :


Epilepsi Dünya nufusunun %1'ni etkileyen bir rahatsızlıktır. Beynimiz milyarlarca sinir hücresinden oluşur ve bu hücreler üzerinde sürkeli bir elektiriksel iletişim vardır. Epilepside Beynin normalde çalışması ile ilgili elektriğin, aşırı ve kontrolsüz yayılımı sonucu oluşan ve herhangi bir uyarı olmaksızın tekrarlayan, çoğunlukla geçici bilinç kaybına neden olan bir hastalıktır.

EEG yani Elektroensefalografi beynin elektriksel aktivitesini ölçmek için kullanılan bir metoddur. Aynı zamanda epilepsili hastaları ve şüphe oluşturan nöbet bozuklukları olan hastaları incelemekte kullanılan önemli bir tetkiktir.

Uzun süreli EEG sinyallerinin incelenmesi ve istenen bilgilerin çıkarılması oldukça uzun zaman alan ve tecrübe gerektiren bir iştir. Bu yüzden  Otomatik EEG analiz sistemleri üzerinde çalışmalar yapılmaktadır. Bu çalışmada benzeri bir sistem üzerinedir.

Metod :

Pek çok Yapay Zeka uygulamasında olduğu gibi ilk aşamalardan biri Öznitelik Çıkarma işlemidir. Biz bu çalışmada PoicarePlot2D diye adlandırdığımız -deneysel- bir metodu uyguladık.

Poicare Plot  adını fransız matematikçi H. Poincare den alan bir metoddur.  Basitçe anlatırsak
X1, X2,... Xn 
şeklindeki bir zaman serisinin  2 boyutlu bir koordinat sisteminde  sırayla

 (X1, X2 ) ,   (X2, X3 ) ,  (X3, X4) , .... ,   (Xn-1, Xn )

noktalarının  çizilmesidir.

 Mesela Basit bir sinus serisinin

Poincare Grafiğine dönüşmüş hali

 Şeklinde görünür.

Öznitelik çıkarma işleminde veri seti ile Poincare Grafiği oluşturulur ve çıkan şeklinden yola çıkılarak 20x20 lik bir matris oluşturulur.


Sinus verisi için çıkarılan öznitelik matrisi bu şekildedir.

İkinci aşama ise çıkarılan özniteliklerin seçilecek bir Yapay zeka Algoritmasıyla sınıflandırılmasından ibarettir. Biz çalışmamızda Yapay Sinir Ağı metodunu kullandık. YSA için FANN kütüphanesini kullandık .  Eğitimi ve sonuçların testi içinde FannTool programından faydalandık.

Veri Seti :


Çalışmamızda kullandığımız ,  Bonn Üniversitesinde,  Epileptoloji Bölümünün hazırladığı  bir EEG veri setidir.  Verilere  bu adresden ulaşabilirsiniz. 
Bütün kayıtların alımı 128 kanallı kayıt sisteminde 12-bit A/D dönüstürücü ile yapılmıştır. Örnekleme frekansı 173.61 Hz dir. Band-geçiren filtre aralıgı ise 0.53–40 Hz (12 dB/octave) dir.
5 sınıfa ayrılmış veriler var ve her sınıfda 100 adet veri dosyası var her dosyada 4096 değer var.

  • Sınıf A  : Sağlıklı Gönüllülerden alınmış Göz Açık ( Z )
  • Sınıf B  : Sağlıklı Gönüllülerden alınmış Göz Kapalı ( O )
  • Sınıf C  :  Epilepsi hastası Kriz dışında Epileptik olmayan bölgeden  ( N )
  • Sınıf D  : Epilepsi hastası Kriz dışında Epileptik olan bölgeden  ( F )
  • Sınıf E  : Epilepsi hastası Kriz esnasında  ( S )

Uygulama :


Öncelikle  Veri setimizden

PoincarePlot2D metoduyla

Öznitelik çıkarma işlemini gerçekleştiriyoruz.




Bütün Sınıflandırma işlemini tek YSA ile yapmaya kalkıştığımızda Yaptığımız çeşitli denemeler sonucunda Test için ulaşabildiğimiz en yüksek başarı % 70 lerin biraz üstünde oluyor.

Bu yüzden bizde sınıflandırma işlemini parçalara ayırıyoruz ve her parça için ayrı YSA eğitiyoruz.
Bütün sınıflandırmayı 3 YSA ile gerçekleştiriyoruz

Birinci YSA ;  EEG verisi Sağlıklı birinden mi Epilepsi hastasından mı alınmış  kararını veriyor
500 veriden  375'ini eğitim ve 125'inide test için kullanıyoruz.

400 giriş 1 Çıkış

İkinci YSA ;  İlk YSA sonucunda Epilepsi Hastasından alınmış bir EEG ise, Verinin alınma konum ve yerine karar veriliyor.
  • Kriz sırasında, 
  • Kriz dışında, Epileptik taraftan 
  • Kriz dışında, Epileptik olmayan taraftan 

Kriz dışında 3 durum var. 300 veriden  225'ini eğitim ve 75'inide test için kullanıyoruz.


400 giriş 3 Çıkış

Üçüncü YSA ;  İlk YSA sonucunda Sağlıklı bireylerden alınmış bir EEG ise Göz Kapalımı, Açıkmı  kararını veriyor.  200 veriden  150'ini eğitim ve 50'inide test için kullanıyoruz.
 400 giriş 1 Çıkış  



Sonuç :

YSA ile yaptığımız bütün sınıflandırmalarda  ulaştığımız sonuç;
hem Eğitim hemde Test verileri için %100 başarı
Aynı veri seti kullanılarak yapılan  diğer çalışmaların başarıları aşağıdaki tabloda görülmektedir.





Yapılmış olan benzeri çalışmalar hakkındaki detaylı bilgiye
Automated Epileptic Seizure Detection Methods: A Review Study 
çalışmasından ulaşabilirsiniz yukardaki tabloda o çalışmadan alınmıştır.