WordPress.com istatistik yardımcı maymunları bu blog için bir 2013 yıllık raporu hazırladılar.
İşte bir alıntı:
Bir New York metrosu 1.200 kişi kapasitelidir. Bu blog, 2013 içinde yaklaşık 6.400 kez görüntülendi. Eğer bu bir NYC metro treni olsaydı, bu kadar çok insanı taşımak için yaklaşık 5 tur atacaktı.
Uncategorized kategorisinde yayınlandı
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.
Artificial Neural Networks, Estimative Models, Support Vector Machine, Tezler, Thesis, yapay sinir ağları kategorisinde yayınlandı
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.
Article, Artificial Neural Networks, Augmented reality, Makale, Virtual advertisement, Zooming camera calibration kategorisinde yayınlandı
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.
The software FANN TOOL 1.2 (http://code.google.com/p/fanntool/) was used to implement the networks.
Article, Artificial Neural Networks, avian production, broilers, Makale, metabolisable energy, multilayer perceptron, yapay sinir ağları kategorisinde yayınlandı
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.
Artificial Neural Networks, Örnek, Example, Gemi İnşa, Hidrodinamik, Hydrodynamics, residuary resistance, yapay sinir ağları kategorisinde yayınlandı
Barajlarının deformasyonların ölçülmesi ve modellenmesi, Güvenlik açısında önemlidir. Biz bu çalışmamızda Yapay Sinir Ağları ile bir modelleme yapacağız.
“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
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…
Eğtim Verileri için Ortalama Mutlak Hata Yüzde : % 2.4
Test Verileri için Ortalama Mutlak Hata Yüzde : % 3,67
Arch Dam, Artificial Neural Networks, Örnek, Deformasyon Analizi, Deformation Analysis, Example, Kemer Baraj, Pendulum, yapay sinir ağları kategorisinde yayınlandı
1) FannTool Sitesine söz verdiğimiz eklemede bulunduk
2) Veri Madenciliği Kupası Başlıyor ;
DATA MINING CUP competition 2013
In a few weeks one of the worldwide largest data mining contest the “DATA MINING CUP” competition will start. Last year over 80 international teams from 22 countries participated.
In spring each year the prudsys AG wants to enthuse domestic and international students for intelligent data analysis (data mining) and challenge them to find the best solution to a data mining problem in competition with others.
2013 we want to follow on last year and will place two competition parts again. This year both parts are focussed on the forecast of completing order in online shops.
Besides a classic Data Mining task the second part requires to develop an agent again. More details will be be released with the start of the DMC 2013.We are looking forward to your ideas!
start of registration: March 4, 2013
start of DMC competition: April 3, 2013
3) Alman Trafik İşaretleri Yarışması Başladı ;
The “German Traffic Sign Detection” Competition has started!
Results will be presented at IJCNN’13 in Dallas Texas, and FREE REGISTRATION prizes are to be won!
************************
Competition Design
************************
The “German Traffic Sign Detection Benchmark” is a multi-class detection problem in natural images. We do cordially invite you to participate. Our benchmark has the following properties:
* single-image detection problem
* images with zero to four relevant objects
* 900 images (divided in 600 training and 300 evaluation images)
* division in three categories
* industry-relevant application: traffic sign detection
The first competition information was released on December 1, 2012, when the preliminary training data was published. Interested teams are invited to download the training dataset and develop their algorithms based thereon. In February there will be a submission phase where teams are invited to upload their results on a new unannotated test dataset. It will then be possible to immediately compare all competing algorithms via our website.
4) OpenCV 2.4.4 yayınlandı; Java kısmında ve Android portunda epey bir ilerleme var, GPU üzerindeki çalışmalar hem CUDA hemde OpenCL üzerinden devam ediyor….
diğer, OpenCv, programlama, veri madenciliği, yapay sinir ağları, yapay zeka kategorisinde yayınlandı
Bu çalışma Epileptik ve Normal EEG verilerinin , Yapay Sinir Ağları ile ve PoincarePlot2D metoduyla çıkarılan öznitelikleri kullanarak sınıflandırılması üzerinedir.
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.
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
şeklindeki bir zaman serisinin 2 boyutlu bir koordinat sisteminde sırayla
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 20×20 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.
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.
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.
İkinci YSA ; İlk YSA sonucunda Epilepsi Hastasından alınmış bir EEG ise, Verinin alınma konum ve yerine karar veriliyor.
Kriz dışında 3 durum var. 300 veriden 225’ini eğitim ve 75’inide test için kullanıyoruz.
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.
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.
Article, Artificial Neural Networks, Örnek, Example, Makale, Medical, Tıp, yapay sinir ağları kategorisinde yayınlandı
Ölmüş dediler
Ölmüşmü dedi göz yaşlarım
Pencereye koştum durmuşmu diye dünya
(bir an öyle düşündüm)
Nasılda yürüyor insallar daha
Güneş nasıl olur da aydınlatırdışarda bir adam gülmekte
uzakta bir çocuk ağlamaktadırÖmer gibi kılıç çekti üstüme beynim
Ayetler sundu kalbim Ebubekir…Sabah Kara – Babey Şiirinden –
EEG, ElektroEnsefaloGrafi’nin kısaltmasıdır. Beynimiz çok düşük şiddette sürekli eletkrik akımı üretir ve dalgaları düzenli bir şekilde yayar, EEG bu sinyalin kaydedilmesi işlemidir.
EEG sinyallerinin işlenmesi ve üzerinden bilgi çıkarılmasının pek çok uygulama alanı var. İlk etapta çeşitli hastalık teşhisleri için ;
Bir başka alan, Brain Computer Interface yani Beyin Bilgisayar Arabirimi çalışmaları için Bu alanında
oyun oynamaktan tutunda
yapay organ kontrolüne kadar sayılmayacak kadar uygulama imkanı var.
Bir başka alanda nöro-pazarlama – Neuromarketing – ; Pazarlama dünyası son dönemde bu tür araştırmalara merak sardı. Büyük şirketler müşteri profili çıkarmak için nörolojik testlere başvuruyor ve geliştirdikleri yönteme ‘neuro marketing’ diyorlar.
Mesela DaimlerChrysler de şöyle bir uygulama yaptırmış
Almanya’da Ulm Üniversitesi’nden nöropsikiyatrist Henrik Walter, insanların beyinlerini düşünme anında inceliyor. DaimlerChrysler adına yürüttüğü araştırmada, otomobillerin erkek beyini üzerindeki etkisini incelemiş. MR cihazına bağlı 12 erkek deneğe farklı sınıf ve modellerde otomobil resimleri gösterilmiş. Spor araba gösterildiğinde beyinlerin ‘ödüllendirme’ bölgesinde belirgin hareklilik tespit edilmiş. Bu bilgi şirketin otomobil pazarlarken veya reklam kampanyası hazırlarken kullanabileceği bir veri olarak kayıtlara geçmiş.
Sonuç olarak Dünyada pek çok araştırmacı EEG sinyallerinin işlenmesi ve sınıflandırılması için çalışma yürütmektedir. Bizde ucundan kıyısından bir giriş yapalım istedik.
Bu konuda bir çalışma yapmaya niyet edince gördükkü çalışma yapmanın başlıca eksikliği işlenmiş veriye ulaşma zorluğu olduğunu gördük. Herkese açık EEG veritabanları var. Fakat bu verilerin pekçoğunun uzun uğraşlarla uygun formatlara çevrilmesi gerekiyor. Bu yüzden biz onlardan en en sade olan biriyle başladık.
Veri tabanına Bu adresden ulaşabilirsiniz. Veri tabanı hakkındaki bilgi şöyle
For each set (A-E) there is a ZIP-file containing 100 TXT-files. Each
TXT-file consists of 4096 samples of one EEG time series in ASCII code.
SET A Z.zip with Z000.txt – Z100.txt (564 kBSET A (Z.zip) ; (healthy volunteer, eyes open)
SET B (O.zip) ; (healthy volunteer, eyes closed)
SET C (N.zip) ; (seizure-free intervals of five patients from hippocampal formation of opposite hemisphere)
SET D (F.zip) ; (seizure-free intervals of five patients from epileptogenic zone)
SET E (S.zip) ; (epileptic seizure segments)
Özetlersek 5 sınıfa ayrılmış veriler var ve her sınıfda 100 adet veri dosyası var her dosyada 4096 değer var.
İkinci zorluk bu tür verilerin doğrudan YSA ile sınıflandırılması için çok büyük olmasıyla başlıyor Bu durumda yapmamız gereken şey Öznitelik çıkarmak ve bu öznitelikleri YSA ya verip onun üzerinden sınıflandırmaya çalışmak gerekiyor.
Bu konu üzerine bir hazırlığımız olmadığından bir süre bu konu üzerine araştırma ve sonrasında kodlama işlemi yapmak zorunda kaldık halen de bitmiş değil
Yazmış olduğumuz programdan bir kaç ekran görüntüsü verip geçiyoruz
Bütün bunlardan sonra Elimizde Öznitelikleri çıkarılmış ve sınıflandırılmaya hazır veriler hazırlanmış oldu. Bundan sonra sıra bizim emaktar olan FannTool’a kalıyor.
Veritabanı ile ilgili açıklamalara bakarsanız Epilepsi hastasının üç tipte EEG verisi var ( kriz sırasında, kriz dışında epileptik bölgeden, kriz dışında epileptik bölge dışından ) 3×100 veri. iki tipte sağlıklı kişlerden alına veriler var ( göz açık ve kapalı ) 2×100 veri
YSA için Çıkış verisi 1 ( Epilepsi (300) yada Sağlıklı (200) )
her verinin uzunluğu 4096 ve öznitelik çıkarma işlemi sonrasında 400 ‘e iniyor.
Yani YSA giriş 400
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.
İkinci 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.
Üçüncü YSA ; İlk YSA sonucunda Epilepsi Hastasından bir EEG ise, Verinin alınma konum ve yerine karar veriliyor. Kriz sırasında, Epileptik taraftan Kriz dışında, Epileptik olmayan taraftan Kriz dışında. 3 durum var. 300 veriden 225’ini eğitim ve 75’inide test için kullanıyoruz.
Sonuç olarak YSA ile yaptığımız bütün sınıflandırmalarda ulaştığımız sonuç hem eğitim hemde Test verileri için %100 başarı
Görüş ve Önerilerinizi duymak isteriz.
Not :
FANN, programlama, yapay sinir ağları, yapay zeka kategorisinde yayınlandı
Derin Deli Mavi 
Son Yorumlar