3 results
Search Results
Now showing 1 - 3 of 3
Article Citation - WoS: 1Citation - Scopus: 1Autonomous Multiple Teams Establishment for Mobile Sensor Networks by Svms Within a Potential Field(Elsevier Sci Ltd, 2012) Nazlibilek, SedatIn this work, a new method and algorithm for autonomous teams establishment with mobile sensor network units by SVMs based on task allocations within a potential field is proposed. The sensor network deployed into the environment using the algorithm is composed of robot units with sensing capability of magnetic anomaly of the earth. A new algorithm is developed for task assignment. It is based on the optimization of weights between robots and tasks. The weights are composed of skill ratings of the robots and priorities of the tasks. Multiple teams of mobile units are established in a local area based on these mission vectors. A mission vector is the genetic and gained background information of the mobile units. The genetic background is the inherent structure of their knowledge base in a vector form but it can be dynamically updated with the information gained later on by experience. The mission is performed in a magnetic anomaly environment. The initial values of the mission vectors are loaded by the task assignment algorithm. The mission vectors are updated at the beginning of each sampling period of the motion. Then the teams of robots are created by the support vector machines. A linear optimal hyperplane is calculated by the use of SVM algorithm during training period. Then the robots are classified as teams by use of SVM mechanism embedded in the robots. The support vector machines are implemented in the robots by ordinary op-amps and basic logical gates. Team establishment is tested by simulations and a practical test-bed. Both simulations and the actual operation of the system prove that the system functions satisfactorily. (C) 2012 Elsevier Ltd. All rights reserved.Doctoral Thesis Farklı Derin Öğrenme Teknikleri ve Meta-sezgisel Algoritmalara Dayalı Tıbbi Veri Kümesi Sınıflandırması(2023) Kadhım, Yezı Alı; Mıshra, Alok; Doruk, Reşat ÖzgürTıp, bilgisayar bilimindeki ilerlemenin önemli ilerleme kaydettiği alanlardan biridir. Bilgisayarların Tıpta kullanımı kesinliği artırır ve veri işlemeyi ve teşhisi hızlandırır. Şu anda, derin öğrenme algoritmalarının önemli bir rol oynadığı çeşitli bilgisayar destekli teşhis sistemleri bulunmaktadır. Daha hassas ve daha hızlı sistemlere ihtiyaç vardır. Bilgisayar destekli teşhis (CAD), yıllar içinde teşhis tahmini için etkili ve doğru bir yöntem olduğunu kanıtlamıştır. Bu çalışma, teşhisi olabildiğince doğru bir şekilde gerçekleştirmek amacıyla otomatik bir CAD sisteminin geliştirilmesine odaklanmaktadır. Derin öğrenme yöntemleri, tıbbi görüntü veri kümeleri üzerinde etkileyici sonuçlar üretebilmiştir. Bu tezde, iki farklı tıbbi veri kümesinden COVID-19, ve birkaç tıbbi veri seti tespitini kapsayacak şekilde en uygun özellikleri seçmek için meta-sezgisel yöntemin yardımıyla beyin tümörü. Birkaç önceden eğitilmiş evrişimli sinir ağı (CNN) AlexNet, GoogleNet, ResNet 50 ve DenseNet 201'in ilk kombinasyonu, üç tür Meta-Sezgisel Algoritma Karınca Kolonisi Optimizasyon algoritması (ACO), Particle Swarm Optimization algoritması (PSO), ve Genetik Algoritma (GA). İkinci kombinasyon, verilerin orijinal performansını korurken veri kümesinin boyutunu küçültmeyi amaçlayan yenilikçi bir yöntem olan üç tür Meta-Sezgisel Algoritma ACO, PSO ve GA ile Otomatik kodlayıcıydı. Doğru bir teşhis gerçekleştirmek için meta-sezgisel algoritmalar ve denetimli makine öğrenimi algoritmaları ile birlikte derin öğrenme yöntemlerinin kullanılması. Özellik çıkarımı için önceden eğitilmiş evrişimli sinir ağları (CNN'ler) veya otomatik kodlayıcı kullanılırken, özellik seçimi ACO veya PSO veya GA kullanılarak gerçekleştirilir. Karınca kolonisi optimizasyonu, veri miktarını azaltırken en iyi optimum özelliklerin aranmasına yardımcı olur. Son olarak, tanı tahmini (sınıflandırma), öğrenilebilir sınıflandırıcılar kullanılarak gerçekleştirilir. Özelliklerin çıkarılması ve seçilmesi için yeni çerçeve, derin öğrenme, otomatik kodlayıcı ve ACO'ya dayanmaktadır. Önerilen kombinasyonun performansı, iki tıbbi görüntü veri seti kullanılarak karar ağacı (DT), destek vektör makinesi (SVM), k-en yakın komşular (KNN), topluluk, Naive Bayes ve diskriminant gibi sınıflandırıcılarla değerlendirilir: göğüs röntgeni (COVID-19 ve beyin tümörlerinin varlığının tahmini için CXR) ve manyetik rezonans görüntüleme (MRI). Doğruluk, önerilen yaklaşımın performansını mevcut son teknoloji yöntemlerle karşılaştırmak için ana ölçü olarak kullanılır. Önerilen sistem, sırasıyla COVID-19 ve beyin tümörlerinin varlığını teşhis etmede diğer tüm yöntemleri geride bırakarak ortalama %99,61 ve %99,18 doğruluk elde ediyor. Elde edilen sonuçlara dayanarak, doktorların veya radyologların önerilen yaklaşımı COVID-19 hastalarının ve spesifik beyin tümörü olan hastaların teşhisinde güvenle kullanabilecekleri söylenebilir. Ayrıca bu tezde, farklı derin öğrenme tekniklerinin meta-sezgisel algoritma ile bir kombinasyonu, evrişimli sinir ağı veya otomatik kodlayıcı derin öğrenme yöntemlerinin her biri, iki farklı tıbbi veri setinden etkili özellikleri çıkarmak için uygulandı. Parçacık Sürü Optimizasyon Algoritması (PSO) tarafından elde edilen optimal özellikleri seçmek için meta-sezgisel yöntemin yardımıyla, yenilikçi bir yöntem olarak kabul edilen bu kombinasyon, verilerin orijinal performansını korurken veri kümesinin boyutunu küçültmeyi amaçlamaktadır. Kovid-19 veri seti, CNN-PSO-SVM kombinasyonu ile en yüksek doğruluğun %99,76 olduğunu ve ortak beyin tümörü veri seti için en yüksek doğruluk olarak %99,51'lik doğruluğun, otomatik kodlayıcı-PSO-KNN kombinasyon yöntemiyle elde edildiğini buldu. . Derin öğrenme yönteminin PSO özellik seçim algoritması ile kombinasyon modelinin, ACO algoritması ile aynı yönteme göre çok daha uzun zaman aldığını ve aynı zamanda PSO'nun doğruluğunun ACO doğruluğuna yakın olduğunu fark ettik.Article Citation - WoS: 24Activity Uncrashing Heuristic With Noncritical Activity Rescheduling Method for the Discrete Time-Cost Trade-Off Problem(Asce-amer Soc Civil Engineers, 2020) Sonmez, Rifat; Aminbakhsh, Saman; Atan, TankutDespite intensive research efforts that have been devoted to discrete time-cost optimization of construction projects, the current methods have very limited capabilities for solving the problem for real-life-sized projects. This study presents a new activity uncrashing heuristic with noncritical activity rescheduling method to narrow the gap between the research and practice for time-cost optimization. The uncrashing heuristic searches for new solutions by uncrashing the critical activities with the highest cost-slope. This novel feature of the proposed heuristic enables identification and elimination of the dominated solutions during the search procedure. Hence, the heuristic can determine new high-quality solutions based on the nondominated solutions. Furthermore, the proposed noncritical activity rescheduling method of the heuristic decreases the amount of scheduling calculations, and high-quality solutions are achieved within a short CPU time. Results of the computational experiments reveal that the new heuristic outperforms state-of-the-art methods significantly for large-scale single-objective cost minimization and Pareto front optimization problems. Hence, the primary contribution of the paper is a new heuristic method that can successfully achieve high-quality solutions for large-scale discrete time-cost optimization problems.
