YAPAY SİNİR AĞLARI VE UYGULAMALARI › baef › c9b675debb9ebe1b3948411… · Kullanılan Yapay Sinir Ağları. Sistemin gerçek çalıúma blok diyagramı úekil 6. de verilmitir

YAPAY SİNİR AĞLARI

VE UYGULAMALARI

Otomatik Kontrol Ulusal Toplantısı, TOK2013, 26-28 Eylül 2013, Malatya

974

Tekstil Fabrikası Maketinin Nem ve Sıcaklığının Yapay Sinir Ağı

İle Kontrolü

Osman Doğmuş 1, Şaban Yılmaz

1, Fatih Keçecioğlu

1, Alev YILMAZ

1,Zafer Özer

1

Kahramanmaraş Sütçü İmam Üniversitesi, Avşar Yerleşkesi, Kahramanmaraş [email protected]

[email protected]

[email protected]

[email protected]

[email protected]

Özetçe

Tekstil Fabrikalarında klima, üretimin her

aşamasında çok önemlidir. İplik veya dokuma üretimi

olsun, bu ürünlerin kalitesini ortamın nemi ve sıcaklığı

büyük oranda etkilemektedir. Bu nedenle, Tekstil

Fabrikalarındaki klima kontrolünün, hassas bir şekilde

yapılması, üretimin kalitesi açısından çok önemlidir. Bu

çalışmada, Tekstil Fabrikalarındaki klima sistemlerinin

Yapay Sinir Ağı metodu ile kontrolü araştırılmıştır.

Deneysel çalışmalarda, tekstil fabrikası maketi

kullanılmıştır. Bu set DAQ kartı yardımı ile bilgisayara

bağlana bilmektedir. Yazılan Yapay Sinir Ağı metotlu

bilgisayar programı ile bu set kontrol edilmiştir.

1. Giriş

İklimlendirme odaları, parametreleri zamana ve

bir diğerine göre değişen doğrusal olmayan sistemlerdir.

İklimlendirme odasının imal edildiği malzemelerin ısı

yalıtım-transfer özellikleri farklılık göstermekte ve

matematiksel modelleri ancak birçok ihmal ve kabul

sonucunda yapılabilmektedir. Bu süreç oldukça zor ve

zaman alıcıdır. Geleneksel kontrol mühendisliğinde, bir

sistemin kontrol edilebilmesi için bazı durumlarda

sistemin matematiksel modeline ihtiyaç duyulmaktadır.

İklimlendirme odaları gibi çok parametreli doğrusal

olmayan sistemlerin matematiksel modelleri her ne

kadar bir takım varsayımlarla basite indirgenseler de

fazla sayıda diferansiyel denklemle ifade edilmeleri söz

konusu olup analitik olarak çözülmeleri de oldukça

zordur. Nümerik olarak bilgisayarda çözülmeleri ise

bazı durumlarda içerdikleri fazla sayıda iterasyon ve

tekrarlar nedeniyle zaman almaktadır. [1]

İklimlendirme bugün büyük ölçüde tekstil

sanayiinde uygulanmakta ve üretilen maddelerin kalitesi

üzerinde büyük etken olmaktadır. Bir pamuklu dokuma

fabrikasında nem %75-85 arası olmalıdır. Aksi halde

çözgü ve atkı kopuşları fazla olur ve dokuma

tezgâhlarının durmasına neden olur ve netice itibarı ile

üretimin düşmesine sebep olur.[2]

Ülkemizde ise tekstil sektörü hem istihdam

hem de ihracat yönünden basılıca sektörlerden biridir.

Bu sektörün ülke ekonomisindeki lokomotif görevini

sürdürebilmesi, dış pazarlarla rekabet edebilecek kalite

ve fiyatta üretimi yapabilmesine bağlıdır. Üretim

kalitesinin artırılması, organizasyon etkinliğinin yanı

sıra çalışma koşullarının iyileştirilmesi, çalışanların

motivasyonu ve eğitimlerinin artırılmasına bağlıdır.

Üretim maliyeti ise işletme ve yatırım maliyetlerinden

oluşur. İşletme maliyeti enerji ve işçilik kalemlerinden

meydana gelir. İşçilik maliyetinin ülkemizde, birçok

ülkeye göre daha düşük olması bu sektörün

sürdürülebilirliğinde önemli bir faktördür. [3]

Şekil 1: Tekstil Fabrikası İklimlendirmesi[4]

İklimlendirme şartları yalnızca üretimi

etkilemez aynı zamanda üretilen maddenin kalitesini de

etkiler. Örneğin dokuma fabrikasında nem %85 in

üzerinde olursa, çözgü üzerindeki haşılların

gevşemesine neden olur ve dolayısı ile çözgü iplerinin

mukavemeti azalır ve aynı zamanda çözgü ipleri kopar

ve randımanın düşmesine neden olur. Eğer nem %75 in

altında olursa, çözgü ipleri üzerindeki haşıl maddeleri

kurur ve iplik üzerinden tozarak kopar ve yine iplik

mukavemetinin azalmasına ve randımanın düşmesine

neden olur. Sonuç olarak nemin istenen değerden düşük

veya yüksek olması üretilen bezin kalitesini bozar,

mukavemetini düşürür, bez üzerinde uçlar, düğümler ve

istenmeyen artıklar meydana getirir. İplik üreten bir

tekstil fabrikasında nemin %45-55 olması gerekir.

Üretilen iplik kıvrımsız, yumuşak ve aynı derecede

elastiki olmalıdır. Bu ise ancak hava şartlarının istenen


975

mailto:[email protected]




değerde sabit tutulması ile mümkündür. Üretim kuru bir

havada yapıldığı zaman, ipliği teşkil eden lifler üzerinde

statik bir yük meydana gelir ve iplik pürüzleşmeye ve

kıvrılmaya müsait olur. Kopmalar sıklaşır ve randıman

düşer.[2]

2.Materyal ve Metot Yapılan bu çalışmada maket tekstil

fabrikasındaki nem miktarı tek fazlı asenkron motor

tarafından tahrik edilerek su pompasıyla kontrol

edilmektedir. Karar mekanizması PC bilgisayar

içerisinde Visual Basic programı ile oluşturulan ve

yapay sinir ağı algoritmasını içeren bilgisayar programı

ile oluşturulmuştur. Bilgisayarda elde edilen bilgi, DAQ

kartı yardımıyla inverter gönderilerek su pompasının

devir sayısı kontrol edilerek, sisteme istenilen değerde

nem verilmiştir. Nemlendirme odasındaki bağıl nem

miktarı; yaş ve kuru termometre sıcaklık sensörleri

tarafından algılanarak adams seti yardımıyla seri porttan

bilgisayar ortamına alınır. Program olması gereken bağıl

nem değeri ile ölçülen bağıl nem değerini karşılaştırarak

nemlendirme ihtiyacını belirler. Yapay Sinir Ağı

algoritması yardımıyla ihtiyaç olduğu kadar nem

uygulanır. Deney için kullanılan tekstil fabrikası maket

planı Şekil 2’de gösterilmektedir.

Şekil 2: Tekstil Fabrikası Maket Planı

Şekil 3: Tekstil Fabrikası Maket Fotoğrafı

Sıcaklık Algılayıcıları: Pt 100 sıcaklık

algılayıcıları kullanılmıştır. Sıcaklığa göre direnci lineer

olarak değişmektedir. –100 ile +100 oC arasında sıcaklık

ölçümü yapmaktadır.

Pt/RTD Giriş Modülü : Pt 100 ile ölçülen

sıcaklığı dijital bilgiye çevirmek için besleme voltajı

+10 - +30 V, örnekleme hızı : 10 Hz., doğruluk: ±%0.05

ve giriş direnci 2 Mohm olan Pt/RTD Giriş Modülü

olarak ADAM 4013 kullanılmıştır.

RS-422/485 den RS-232 ye Çevirici Modül:

Bu 4000 serisinin ana modülüdür. Bu modüle, seri

olarak 255 tane ölçüm modülü bağlanabilmektedir.

Kendisine bağlı modüllerden aldığı bilgileri, seri port

vasıtası ile bilgisayara aktarma işini yapar. Haberleşme

hızı ise bps olarak; 1200, 2400, 4800, 9600, 19200,

38400, 57600, 115200 olabilmektedir. RS-422/485 den

RS-232 ye Çevirici Modül olarak ADAM 4520

kullanılmıştır.

Bir Fazlı Asenkron Motor: LEYBOLD Marka

tek fazlı asenkron motor kullanılmıştır. 220 Volt, 50 Hz

şebekede çalışabilen ve senkron devir sayısı 3000 d/dak

olan kondansatörlü asenkron motorun devir sayısı

denetlenmiştir. Nominal devir sayısı 2850 d/dak ve

nominal çıkış gücü 300 wattır.

Frekans invertörü: DC uyartımla lineer olarak

V/f oranını sabit tutacak şekilde gerilim ve frekansı

birlikte artırıp azaltan gelişmiş bir frekans çeviricidir.

Giriş değerleri 220 Volt, 50 Hz ve 3 faz olup, çıkış

değerleri ise 0-220 Volt ve 0-50 Hz.’dır.

DAQ Kartı: DAQ (Data Acquisition=Veri

toplama) kartı bilgisayarın PCI veri yoluna takılmış

olup, bu kart yardımıyla dışardan bilgi almak ve

dışarıya bilgi vermek mümkündür. Bu kart yardımıyla

analog devir sayısı bilgisi, bilgisayara analog D.C.

Gerilim bilgisi İnvertöre gönderilmiştir. Kullanmış

olduğumuz DE LORENZO setinin DAQ kartı 8 bit veri

yoluna sahip olup, 8255 kontrol kartına sahiptir. Kart ile

Dijital veya analog bilgi alış verişi mümkündür.

Güç Kaynağı: Frekans invertörünün girişine

tek fazlı, 220 Volt verebilecek bir güç kaynağı

kullanıldı. Ayrıca opampları +12,-12 V DC besleyecek

ayarlı iki tane güç kaynağı kullanıldı. Mikroişlemci ve

yarı iletken teknolojisindeki gelişmeler invertörlerin

geniş sınırlar içerisinde devir sayısı ayarı yapmalarına

imkân vermiştir. Bir frekans invertöründe; motora

uygulanacak olan gerilim ilk önce bir doğrultucudan

geçirilerek DC gerilime çevrilir. DC gerilimin dengeli

bir şekilde yükselmesini ve sınır değerini geçmemesini

sağlamak amacıyla invertörde ara devre bobinleri, DC

gerilimin filtrelenmesi için ara devre kondansatörü

bulunmaktadır. DC gerilimden frekansı ve gerilimi

ayarlanabilen bir AC gerilim evirici sayesi ile elde

edilir. Evirici kontrolü kullanımı ile invertörün çıkış

gerilimi ve frekansı istenildiği oranda değiştirilir.

Fabrika maketi: Bir fazlı asenkron motor ile

tahrik edilen pompa yardımıyla su deposundan alınan

su, nemlendirme odasına basınçlı olarak, pülverize


976

edici özel fıskiye ile gönderilir. Suyun fazlası tahliye

kanalından tekrar depoya alınır. Ortamdaki su

zerreciklerinin kontrol edilen bölgeye doğrudan

ulaşmamaları için, nemli hava özel bir davlumbazdan

geçirilerek filtre edilmektedir. Fan yardımıyla nemli

havanın kanal içerisinde akışı sağlanmaktadır. Kontrol

bölgesindeki kirlenmiş nemli hava fan yardımıyla hava

çıkış kanallarına gönderilmektedir. Kontrol edilen

bölgedeki sıcaklık sensörleri yardımıyla ölçülen yaş ve

kuru sıcaklık bilgileri Bilgisayar yardımıyla nem olarak

hesaplanmaktadır

Yapılan bu çalışmada Dinvertör marka invertör

kullanılmıştır. Üç fazlı asenkron motor devir sayısı ayarı

için üretilen invertör 4 kW’a kadar olan motorlar için

kullanılabilir. Şekil 4’de Maketin Kontrol Şeması, Şekil

5’de ise nemlendirme ünitesinin blok şeması

gösterilmektedir.

Şekil 4: Maketin Kontrol Şeması

.

Şekil 4: Maketin Kontrol Şeması

3. Kullanılan Yapay Sinir Ağları

Sistemin gerçek çalışma blok diyagramı şekil

6. de verilmiştir. Sistemin çıkışı ve bir önceki değeri

YSA 'ına girilmekte, YSA 'ın çıkışı öğretici değerle

karşılaştırılmakta ve ağın ağırlıkları yeniden

belirlenmektedir. Oluşan hata ön bilgi bloğu ile

çarpılarak nemlendirme kontrol ünitesine

gönderilmektedir. Kontrol edilen bölgedeki sensörler

yardımıyla sistemin çıkışı bulunmaktadır. Şekil 7.de

Kullanılan YSA görülmektedir.

Şekil 6: Blok diyagramı

Şekil 7: Kullanılan YSA

Yapay Sinir Ağı yardımı ile su pompasının

sisteme gönderdiği su miktarı, tek fazlı kondansatörlü

asenkron motorun devir sayısı kontrol edilerek deneysel

çalışma yapılmıştır. Bilgisayar programı Visual Basic

ile gerçekleştirildi. Portlar ile haberleşmek için,

assembly program dili ile alt program oluşturuldu.

İstenen nem değeri ile YSA’nın çıkışı arasındaki hata

DAQ (veri toplama kartı) yardımı ile İnvertöre bilgi

olarak gönderildi ve motorun hızı bu değere göre

ayarlandı. Değişik nem değerleri ve ortam koşulları ile

sonuçlar alınarak kayıt edildi.

4.Bulgular ve Tartışma

%100 dış hava çalışılırken, değişik set değerleri

için elde edilen grafik şekil 8’ de gösterilmiştir. Bu

uygulamadaki hata grafiği ise şekil 9’ de gösterilmiştir.

Görüldüğü gibi sistem %57 den %70 nem değerine 2

dakikada ulaşılmıştır. Motorun devir sayısı, nemin set

değerine %1 kadar yaklaştıktan sonra yavaşlamaya

başlamaktadır. İstenen nem değerini %0,6 geçince

motor durmaktadır. Sistemin nem değeri %69,6-70,3


977

arası bir salınım ile devam etmektedir. Buradaki hata

%0,7 civarındadır. İstenen nem değiştirilince sistem

kendisini bu değere yaklaşmaya zorlamaktadır. %65

istenen değere 2 dakikada gelebilmiştir. Sistemin nem

değeri %64,9-65,9 arası bir salınım ile devam

etmektedir. Buradaki hata %1 civarındadır. Tekrar hedef

değiştirilmiş ve %75 nem olması istenmiştir. Yaklaşık 4

dakika sonra hedefe ulaşılmıştır. Sistemin nem değeri

%74.4-74.9 arası bir salınım ile devam etmektedir.

Buradaki hata %0,6 civarındadır.

Şekil 8: Sistemin %100 dış hava ile değişik set değerlerinde

elde edilen grafiği

Şekil 9:Sistemin %100 dış hava ile değişik set değerlerinde

elde edilen hata grafiği

Sistemin hatasının %1,8 olduğu görülmektedir.

7 inci dakikada sisteme bozucu etki olarak pencere

açılmıştır. Bunun sonucu olarak nem düşme eğilimi

göstermiş ve hata biraz daha az olarak devam etmiş.

Fakat YSA nın etkisi ile tekrar yükseltilerek %70-71.8

civarında tutulmuştur. 11 inci dakikada pencere tekrar

kapatılmıştır. Bunun sonucu olarak nem artma eğilimi

göstermiş ve hata %2 ye yükselmiş Fakat YSA nın

etkisi ile biraz düşürülerek %70-71,8 civarında

tutulmuştur.

Sistemin %100 dış hava ile bozucu etkiler

uygulandığındaki grafiği şekil 10 da ve Sistemin %100

dış hava ile bozucu etkiler uygulandığındaki hata grafiği

şekil 11 de verilmiştir.

Şekil 10: Sistemin %100 dış hava ile bozucu etkiler

uygulandığındaki grafiği

Şekil 11: Sistemin %100 dış hava ile bozucu etkiler

uygulandığındaki hata grafiği

Sisteme bozucu etki olarak bu kez ısıtıcı (75

W) uygulanmıştır. 13 üncü dakikada ısıtıcı açılmıştır.

Isıtıcının tam olarak ısınması 1 dakika kadar sürmüştür.

11 inci dakikada ısıtıcının etkisi ile nem düşme eğilimi

göstermiştir. Ama sistemin nemi istenen değerin

üzerinde gittiği için YSA bunu yükseltmemiştir. Hata

biraz daha az olarak %1,5 devam etmiştir. 17 inci

dakikada ısıtıcı kapatılmıştır. Isıtıcının soğuması

yaklaşık 1 dakika almıştır. Bunun etkisi sistemin nemi

yüksek olduğu için tam olarak görülememiştir.

İç hava çalışmada nemin artışı dış havanınkine

oranla hızlı olduğu için %70 in altındaki nem

değerlerine tam olarak yaklaşamamaktadır, %2 gibi bir

hata olmaktadır. Ama istenen nem değerleri %70 in

üzerine çıkarsa, be değerlere yaklaşma daha iyi

olmaktadır, hata %2 nin altına inmektedir.

Bozucu etki uygulamaları, sistemi ani olarak

etkilemediği için, sistemin nem eğrisinde fazla bir

sapma oluşturmamaktadır.

0

2

4

6

8

10

12

14

16

18

20

0 2 4 6 8 10 12

Zaman (dak)

Ha

ta (

%)


978

Şekil 12 de Sistemin %100 iç hava ile değişik

set değerlerinde elde edilen grafiği, Şekil 13 de

Sistemin %100 iç hava ile değişik set değerlerinde elde

edilen hata grafiği ve şekil 14 Sistemin %100 iç hava ile

bozucu etkiler uygulandığındaki grafiği görülmektedir.

Şekil 12: Sistemin %100 iç hava ile değişik set değerlerinde

elde edilen grafiği

Şekil 13: Sistemin %100 iç hava ile değişik set değerlerinde

elde edilen hata grafiği

Şekil 14: Sistemin %100 iç hava ile bozucu etkiler

uygulandığındaki grafiği

Şekil 15 de Sistemin %100 dış hava ile değişik

set değerlerindeki görüntüsü, Şekil 16 da Sistemin dış

hava ile bozucu etki uygulandığı zamanki görüntüsü ve

Şekil 17 de Sistemin %100 iç hava ile değişik set

değerlerindeki görüntüsü görülmektedir.

Şekil 15: Sistemin %100 dış hava ile değişik set

değerlerindeki görüntüsü.

Şekil 16: Sistemin dış hava ile bozucu etki uygulandığı

zamanki görüntüsü.

Şekil 17: Sistemin %100 iç hava ile değişik set değerlerindeki

görüntüsü.


979

6.Sonuç

Yapay Sinir Ağları ile Tekstil fabrikalarının

nem kontrolü başarı ile yapılabilmektedir. Fabrika

modeli üzerinde yapılan çalışmalarda istenilen nem

değerlerine sistemin elverdiği en kısa zamanda

ulaşılmaktadır. Ortamın nemi %56 iken istenilen nem

değeri %70 olarak seçildiği zaman, 125 saniye gibi kısa

bir zamanda kontrol edilen bölgenin nem oranı istenilen

değere ulaşmaktadır. Nem oranındaki değişme %0.5

sınırının altında kalmaktadır.

Çalışma esnasında istenilen nem değeri

değiştirilebilmektedir. İstenilen nem değerinin %65

olarak değiştirilmesi halinde sistem bu bilgiyi

değerlendirerek 110 saniye içerisinde nem oranını yeni

set değerine indirmektedir. Çalışma esnasında dış

ortamdaki sıcaklık değişiklikleri veya nemlendirme

odasındaki iç sıcaklığın değişimi istenilen nem değerini

etkilememektedir. Yapılan deneyler esnasında iç

sıcaklığı değiştirmek için, ısıtıcı kullanılmıştır. Nem

oranı %70 olarak kararlı hale geldikten sonra 75 W’lık

bir ısıtıcı çalıştırıldığı takdirde ortamın ısınmasıyla

birlikte nem değeri düşmeye eğilim göstermektedir.

Yapay Sinir Ağın etkisiyle nem tekrar kararlı hale

gelmektedir. Bozucu etki olarak pencere açık bırakılmış

ve yine başarı ile nemin sabit kaldığı gözlenmiştir.

Pompanın çalışması on/off olmadığı için ihtiyaç miktarı

kadar çalışmaktadır. Böylece hem enerji tasarrufu

olmakta hem de daha az hatalı sonuç elde edilmektedir.

Yapılan deneysel çalışmalarda kararlı bölge

için hatanın %0,5’in altında olduğu gözlenmiştir. Yapay

sinir ağını oluşturan PC bilgisayar yardımıyla nem

değerleri sürekli kaydedilebildiğinden geçmişe yönelik

istatistiksel bilgiler alınabilir. Farklı zamanlar için farklı

nem oranları önceden programlanabilir. Üretimin

değişik adımlarında farklı nem oranları uygulanabilir.

Yukarıda yapılan deneysel çalışmalar iç hava

içinde denenmiş ve başarılı sonuçlar alınmıştır. %57

nem oranı ile çalışmaya başlayan sistemde %70 nem

oranı istenmiş olup, yapılan %100 iç hava

çalışmalarında 80 saniye gibi kısa bir sürede istenilen

değere ulaştığı görülmüştür. Dolayısıyla iç hava

deneylerinde istenilen nem oranına daha çabuk

ulaşıldığı tespit edilmiştir. İç hava deneylerinde sistem

hızlı tepki verdiği için, karalı hale, dış hava ile

çalışmalara göre daha yavaş geldiği gözlenmiştir.

Yapılan deneysel çalışmalarda kullanılan

maketin nemlendirme odasının boyutları 60x60x110

cm’dir. Sistemin kullanılabilirliği hakkında fikir

vermesine rağmen, hacim olarak küçük olduğu için hızlı

tepki vermekte ve kontrolü güçleştirmektedir. Buna

rağmen birçok çalışma bölgesinde %0,5’lik nem

hatasıyla başarılı sonuçlar alınmıştır.

Sistemin maliyeti, diğer kontrol sistemlerine

göre yüksek görünmesine rağmen, bir tekstil

fabrikasındaki verimi artırıcı rolünden dolayı

ekonomiktir. Ayrıca bir Yapay Sinir Ağı ile birden fazla

bölge kontrol edilebilir. Fabrika otomasyonu ile entegre

çalışabilir.

7.Kaynakça

[1] Y. İzgi, “Eğitim Amaçlı Bir İklimlendirme Odasının

Yapay Zeka Teknikleri İle Modellenmesi ve Kontrolü”

Marmara Üniversitesi, Fen Bilimleri Enstitüsü Doktora

Tezi, 2007, İstanbul.

[2] O. Doğmuş, A. Onat, Ş. Yılmaz, Ş. Ergün, “Tekstil

Fabrikalarındaki Bağıl Nemin Yapay Sinir Ağları

Yöntemi ile Kontrolü”, KSÜ Fen ve Mühendislik Dergisi

8(1)-2005

[3] M. Z. Yılmazoğlu, “Bir Tekstil Fabrikasında Güneş

Destekli Çift Etkili Bir Absorpsiyonlu Soğutma Sisteminin

Uygulamasının Teknik ve Ekonomik Analizi”, Gazi

Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek Lisans

Tezi, 2006, Ankara.

[4] http://www.detaymekanik.com/vrv-sistemleri.html

[5] G. Mustafaraja, G. Lowryb, J. Chena, “ Prediction of

room temperature and relative humidity by

autoregressive linear and nonlinear neural network

models for an open Office”, School of Engineering and

Design, Brunel University, UK, Engineering, Science and

the Built Environment, London South Bank University,

UK.

[6] Ning Li, Liang Xia, Xiangguo Xu, Ming-Yin Chan,

“Deng Shiming Dynamic modeling and control of a

direct expansion air conditioning system using artificial

neural network”, Department of Building Services

Engineering, The Hong Kong Polytechnic University,

Hong Kong SAR, 2012, China.

[7] F. Tekinşen, “Farklı Nem İçeriklerine Sahip

Pamuklarda, Çırçırlamanın, Kısa Lif Oranı, Tohum

Kabuğu Parçacığı, Nep ve Mote Sayısı Üzerine Etkisi”,

Yüksek Lisans Tezi, Kahramanmaraş Sütçü İmam

Üniversitesi, Fen Bilimleri Enstitüsü,2005,

Kahramanmaraş.

[8] M. Sinecen, “Klima Sistem Kontrolünün Bulanık mantık

İle Modellenmesi”, Yüksek Lisans Tezi, Pamukkale

Üniversitesi, Fen Bilimleri Enstitüsü,2002, Denizli

[9] E. Kaçmaz, “ PIC Mikro denetleyici Kullanarak Ağ

Bağlantılı Gömülü Sistem Tasarımı İklimlendirme Cihaz

Kontrol Ünitesi Uygulaması”, Yüksek Lisans Tezi,

Anadolu Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar

Mühendisliği Anabilim Dalı, 2007, Eskişehir.

[10] E. Yıldız, “PLC İle Isıtma Havalandırma Ve Soğutma

Sistemlerinin Optimum Denetlenmesi”, Fırat

Üniversitesi, Yüksek Lisans Tezi, Fen Bilimleri

Enstitüsü, 2006, Elazığ.

[11] U. Akyol, “İplik Bobininin Kurutulmasının Teorik

İncelenmesi”, Trakya Üniversitesi, Doktora Tezi, Fen

Bilimleri Enstitüsü, 2007, Edirne.


980

Fotovoltaik Paneller için Radyal Tabanlı Yapay Sinir Ağları

Kullanan Etkin Bir Modelleme Yöntemi Önerisi

Hasan Rıza ÖZÇALIK1, Osman DOĞMUŞ

2, Şaban YILMAZ

2, Ahmet GANİ

1

1Elektrik-Elektronik Mühendisliği Bölümü

Kahramanmaraş Sütçü İmam Üniversitesi, Avşar Yerleşkesi, Kahramanmaraş [email protected]

[email protected] 2Kahramanmaraş Meslek Yüksekokulu

Kahramanmaraş Sütçü İmam Üniversitesi, Karacasu Yerleşkesi, Kahramanmaraş [email protected]

[email protected]

Özetçe

Fotovoltaik Sistemlerinin veriminin artması,

maliyetinin düşmesi ve çevreci olmaları nedeniyle

kullanımı gün geçtikçe artmaktadır. Fotovoltaik

sistemlerin optimum tarzda tasarlanabilmesi için güneş

pillerinin modellenmesi gerekmektedir. Güneş pillerinin

modellenmesinde diyot içeren eşdeğer devrelerin

kullanılması oldukça yaygın bir yöntemdir. Bu

çalışmada ise, fotovoltaik panellerin Radyal Tabanlı

Yapay Sinir Ağları (RBF) yardımıyla etkin bir tarzda

modellenmesini sağlayan bir yöntem önerilmektedir.

Kullanılan kesin uyarlamalı RBF yapısı gelişmiş bir eğri

uydurma aracı olarak çalışmaktadır. Modelleme, esas

olarak panelin üretici tarafından verilen gerçek akım-

gerilim karakteristiğinin öğrenilmesi tarzında

gelişmektedir. Modelleme işlemi panelle ilgili tüm

karakteristiklere uygulanabilir. Bu çalışmada Sharp

marka NT-S5E1U model güneş pili modellenmiştir.

1. Giriş

Bilindiği gibi enerji, hayat kalitesini iyileştiren,

ekonomik ve sosyal ilerlemeyi sağlayan en önemli

faktördür. Ancak, artan enerji fiyatları, küresel ısınma

ve iklim değişikliği, dünya enerji talebindeki artış, hızla

tükenmekte olan fosil yakıtlara bağımlılığın yakın

gelecekte devam edecek olması gerçeği, yeni enerji

teknolojileri alanındaki gelişmeler gibi faktörler ülkeleri

yeni arayışlara götürmektedir. Dünyanın enerji geleceği

ile ilgili raporlara bakıldığında; 2000-2100 yılları

arasında enerji ihtiyaçları ve kaynaklarındaki dağılıma

ait bilimsel ön görüler 2100 yılında petrolün iyice

azalacağı, kömürün nerdeyse hiç kalmayacağı, güneş

enerjisi kullanımının ise çok artacağı sonucuna

götürmektedir [1] .

Güneş pillerinin yaklaşık 60 yıllık gelişiminde,

özel ve kamu destekli araştırma ve geliştirme

çalışmaları esas olmuştur. Güneş pili hareketli parçaya

sahip olmamaları, sorunsuz olarak az bakımla 25- 30 yıl

kullanılabilmeleri ve çalışma süreleri boyunca doğaya

hiç bir kirletici atık bırakmamalarıdır. Bu nedenle güneş

pilleri ile ilgili birçok çalışma yapılmaktadır [2].

Fotovoltaik sistemler, güneş pilleri, bağlantı

elemanları, koruma elemanları, depolama elemanları ve

beslediği yükün karakteristiğine bağlı olarak bazı ilave

elemanlar içeren bir yapıya sahiptirler. Bu sistemlerin

en önemli elemanı olan güneş pilleri, ilk yatırım

maliyeti ve kullanılacak diğer elemanların nitelik ve

miktarlarını da belirleyici özelliğe sahiptir. Bu nedenle

ilk kurulum aşamasında güneş pillerinin en iyi şartlarda

ve en yüksek verimle çalışabilecekleri bir sistem

tasarlamak çok önemlidir [3].

Şekil 1’de radyal tabanlı yapay sinir ağının

temel mimarisi örneği görülmektedir.

Şekil 1: Radyal Tabanlı Yapay Sinir Ağının Temel

Mimarisi [4]

Radyal tabanlı fonksiyon ağlarının eğri

uydurma ve lineer olmayan problemleri sınıflandırma

başarısından dolayı son yıllarda popülerliği gittikçe

artmıştır. Böylece RBF ağları ile ilgili yapılan yazılım

çalışmaları bu tip ağlarla ilgili bilimsel gelişmelerle

paralellik arz etmektedir. Gauss fonksiyonu RBF

ağlarının gizli katmanında en yaygın olarak kullanılan

Gizli

Katmanı

Giriş Katmanı

Çıktı Katmanı


981

radyal tabanlı aktivasyon fonksiyonudur. Literatürde

çeşitli alanlarda kullanılmak üzere tasarlanmış

birbirinden farklı Gauss fonksiyon üreteci devreleri

mevcuttur. Matematiksel fonksiyonların Taylor serisine

açılımından faydalanılarak elde edilen Gauss eğrisi

devreleri de literatürde yer almaktadır [5].

Denetimli bir sinir ağı dizaynı için çok çeşitli

yollar izlenebilir. Çok katmanlı algılayıcı(denetimli

olarak) dizaynı için geri yayılım algoritması istatistikte

“stokastik yaklaşım” olarak bilinen bir optimizasyon

metodu uygulaması olarak değerlendirilebilir. Bir sinir

ağı dizaynı çok boyutlu uzayda “eğri-uydurma

problemi” olarak değerlendirildiğinde öğrenme, çok

boyutlu uzayda taşınan dataya en iyi uyumu sağlayan

bir yüzey bulma olgusu ile eşdeğerdir. Radyal temelli

fonksiyonlar (RBF) ilk defa çok değişkenli gerçek bir

interpolasyon probleminin çözümünde tanıtılmıştır [6].

2. Radyal Tabanlı Yapay Sinir Ağları

Radyal Tabanlı Yapay Sinir Ağları (RTYSA),

biyolojik sinir hücrelerinde görülen etki tepki

davranışlarından esinlenilerek 1988 yılında geliştirilmiş

ve filtreleme problemine uygulanarak YSA tarihine

girmiştir[7]. RTYSA modellerinin eğitimini çok boyutlu

uzayda eğri uydurma yaklaşımı olarak görmek

mümkündür[3,8]. Bu nedenle RTYSA modelinin eğitim

performansı, çıktı vektör uzayındaki verilere en uygun

yüzeyi bulma ve dolayısıyla bir interpolasyon

problemine dönüşmektedir.

Şekil 2:Radyal Tabanlı Yapay Sinir Ağlarının Yapısı

RTYSA modelleri genel YSA mimarisine

benzer şekilde giriş katmanı, gizli katman ve çıktı

katmanı olmak üzere üç katman halinde

tanımlanmaktadır (Şekil 2). Ancak, klasik YSA

yapılarından farklı olarak RTYSA’ larda, girdi

katmanından gizli katmanına geçişte radyal tabanlı

aktivasyon fonksiyonları ve doğrusal olmayan bir

kümeleme (cluster) analizi kullanılmaktadır. Gizli

katman ile çıktı katmanı arasındaki yapı ise ağırlıkların

atandığı ve hesaplanması için ilgili öğrenme

algoritmalarının kullanıldığı kısımdır [9].

Radyal temelli fonksiyonlar, sayısal analizde

çok değişkenli problemlerin çözümünde kullanılmış ve

YSA’ nın gelişmesi ile birlikte bu fonksiyonlardan YSA

tasarımında yararlanılmıştır. RBF, ileri beslemeli YSA

yapılarına benzer şekilde giriş, saklı ve çıkış

katmanından oluşur ancak, giriş katmanından saklı

katmana dönüşüm, radyal tabanlı aktivasyon

fonksiyonları ile doğrusal olmayan sabit bir

dönüşümdür. Saklı katmandan çıkış katmanına ise

doğrusal bir dönüşüm gerçekleştirilir. RBF de

uyarlanabilecek serbest parametreler; merkez vektörleri,

radyal fonksiyonların genişliği ve çıkış katman

ağırlıklarıdır. Burada verilen öğrenme yöntemi, sadece

ağırlıkların iteratif olmayan doğrudan matrisel çözüme

dayanan (off-line) bir yöntemle elde edilmesi esasına

dayanmaktadır. Bu yüzden bu ağ yapısına Kesin

Uyarlamalı Radyal Tabanlı Yapay Sinir Ağı olarak

bakılmaktadır. Bu tip ağ yapısı, statik karakterli grafik

ve desenlerin tanınması işleminde oldukça başarılıdır.

Öğrenmede kullanılan temel bağıntı,

( ) ∑

( ) ( )

Şeklinde yazılabilir[10]. Burada, wko bias giriş için

ağırlık katsayısıdır. Tüm p durumları için ( )

alınırsa (1) bağıntısı,

( ) ∑

( ) ( )

( ) ∑

(‖ ‖

) ( )

Şeklinde düzenlenebilir. Burada, k=1,2,..,K; çıkış

katmanı hücre sayısı; N gizli katmanda bulunan hücre

sayısı; M merkez sayısı (M=N); ağın girdi

vektörünü; ( ) radyal tabanlı aktivasyon

fonksiyonunu, giriş vektör uzayının bir alt

setinden seçilen radyal tabanlı merkezleri, ‖ ‖ girdi

vektörünün merkezden ne kadar uzak olduğunun bir

ölçütü olan Öklidyen normunu, çıkış katmanındaki

ağırlıkları göstermektedir. RTYSA modellerinde önem

arz eden elemanlar; hücre merkezleri, dikkatli bir

çalışma ile belirlenen varyans, çıktı katmanındaki

ağırlıklar ve kullanılan aktivasyon fonksiyonunun

yapısıdır.

RTYSA modellerinde aktivasyon fonksiyonu

olarak birçok fonksiyon tipi kullanılabilmektedir.

Doğrusal, kübik, Gauss, multi-kuadratik, ters multi-

kuadratik fonksiyonlar bunlardan bazıları olup bu

çalışmada Gauss fonksiyonu tercih edilmiştir. Gauss

fonksiyonunun matematiksel yapısı 4 nolu bağıntıda

gösterilmektedir [11].

Giriş

Katmanı

Gizli

Katmanı

Çıktı

Katmanı


982

( ) ∑ ( )

( )

Burada, i=1,2,..I giriş sayısı, xpi giriş vektörünü, cim

merkezleri, standart sapma değerini simgelemekte

olup YSA terminolojisinde RTYSA modelinin

performansını önemli ölçüde etkileyen dağılma (spread)

parametresi olarak rol oynamaktadır [8]. RTYSA

modellerinin eğitimi, hücre merkezlerinin bulunması ve

çıktı katmanındaki ağırlıkların optimize edilmesi olmak

üzere iki aşamada gerçekleşmektedir. Literatürde hücre

merkezlerini ve çıkış ağırlıklarını bulabilmek için farklı

yöntemler kullanılmaktadır. Hücre merkezlerini

bulabilmek için en sık kullanılan yöntem K ortalamalar

(K-means) ve Kohonen kümeleme yöntemleridir. Çıkış

ağırlıklarını bulmakta kullanılan yöntemler ise En

Küçük Ortalamalı Kareler (LMS) ve Moore-Penrose

Sözde Ters (Pseudo-inverse) yöntemleridir. Dağılma

parametresi ise genellikle bütün hücreler için sabit

alınmaktadır. RTYSA modellerinde dağılma

parametresi için yaklaşık denklikler olmakla birlikte, bu

parametre deneme-yanılma yöntemiyle de

belirlenebilmektedir [11].

3. Modellenen Güneş Pili

Sharp marka NT-S5E1U model güneş pilinin

etiket değerleri; Güç=185,0 W., Vmp=36,2 V., Imp=5,11

A., Voc=44,9 V., Isc=5,75 A., W=17,0 kg.,

1700x970x13(mm), mono-Si ‘dir. Şekil 3’ de Sharp

marka NT-S5E1U kodlu güneş pilinin kataloğunda

verilen farklı ışınım değerleri için elde edilmiş gerçek

akım-gerilim ve güç-gerilim karakteristikleri

görülmektedir.

Şekil 3: Modellenen Güneş Pilinin Karakteristikleri[12]

4. RBF ile Fotovoltaik Panelin Modellenmesi

Belirtilen fotovoltaik panelin modellenmesinde

kullanılan Radyal Tabanlı Yapay Sinir Ağının yapısı

esas olarak aşağıda gösterildiği gibidir.

Şekil 4:Kullanılan RBF Ağı

i : Giriş (X) sayısı (I = 1) [13-17]

m: merkez sayısı (M = 12)

K: Çıkış (Y) sayısı (K = 1)

Nöron sayısı=merkez sayısı

p: Pattern (X’lerin farklı değerleri) sayısı (p=20)

( ) ∑

( ) ( )

( )

( ) ∑

( ) ( )

( ) ∑ ( )

( )

{ } .

Bias giriş için alındı [17-22].

[

]

[

]

W’yi bulabilmek için G’nin tersi alınması

gerekir. G kare matris olmadığı için tersi normal yoldan

alınamaz. ( ) işlemi ile W ağırlık

matrisi bulunur. Merkez değerleri, şekil 3 deki

modellenen güneş pilinin 1000 W/m2, 25 °C çalışma

koşulları için katalog değerlerine ve eğrinin eğimine

göre seçilmiştir [23-30].

Ak

ım

[A]

Gerilim [V]

Gü

ç [

W]


983

C=[ 5 15 25 28 32 35 40 42 43 44 45 45,9]

Gauss fonksiyonu genişlik değerleri,

=[5 5 5 5 5 5 5 5 5 5 5] olarak seçildi.

Tablo 1: Ağı öğretmek için kullanılan x(gerilim), y (akım) ve

öğretim sonucu elde edilmiş ağırlık (W) vektörü değerleri

Şekil 5: RBF ile modellenen akım-gerilim karakteristiği

Tablo 1de Radyal Tabanlı Yapay Sinir Ağını

öğretmek için kullanılan x (Gerilim) ve y (Akım)

değerleri ve öğretim sonucu elde edilmiş W ağırlık

vektörü değerleri görülmektedir. Şekil 5 de RBF ile

modellenen fotovoltaik güneş pilinin akım-gerilim

karakteristiğinin model sonucuna göre çizimi

görülmektedir. Şekil 6 da gerçek akım-gerimim

karakteristiğinin değerleri ile RBF ile modellenen

fotovoltaik güneş pilinin akım-gerilim karakteristiğinin

değerlerinin farkının alınmasıyla elde edilen hata

değerlerinin yüzde değişimi görülmektedir. Buna göre

gerçek değerlerden sapmanın +%0,441 ile -%0,358

arasında olduğu görülmektedir. Karakteristiğinin

düzgün olduğu ilk bölümde fark en yüksek -%0,104

olmuştur. Şekil 7 de fotovoltaik panelin gerçek akım

değerleri ile RBF esaslı modelden elde edilen akım

değerlerinin farkları olan hatanın değişim grafiği

görülmektedir. En büyük hata değeri kıvrılma

bölgesinde 0,023 amper olarak ortaya çıkmıştır.

Şekil 6: Hatanın yüzde değişimi

6.Sonuç

Şekil 7: Hatanın Değişimi

5. Sonuç

Bu çalışmada, Radyal Tabanlı Yapay Sinir Ağı

ile Sharp Marka NT-S5E1U model güneş paneli

[1000 W/m2, 25 °C] değerleri ile verilen ortam

şartlarında modellenmiş ve panelin akım-gerilim

karakteristiğini sağlayan ağırlık matrisi elde edilmiştir.

Bu ağırlık değerleri dikkate alınarak ve öğrenmede

kullanılan verilerden çok daha fazla test değerleri

kullanılarak karakteristik yeniden çizdirilmiştir.

Gerilim [V]


984

Simülasyon çalışmaları sonunda Radyal Tabanlı Yapay

Sinir Ağı ile oluşturulan modelin çok başarılı olduğu

görülmüştür. Gerçek karakteristik ile modelin sağladığı

karakteristik karşılaştırıldığında yüzde olarak

maksimum hatanın 0,3-0,4 civarında olduğu

görülmüştür. Bu sonuçlar oldukça küçük hata

değerlerini ifade etmektedir. Bu durumda, fotovoltaik

panellerin modellenmesi için önerilen Kesin Uyarlamalı

Radyal Tabanlı Yapay Sinir Ağları temelli algoritmanın

oldukça yeterli olduğu söylenebilir.

6. Kaynakça

[1] M. Çetin, N. Eğrican, “Güneş Enerjisi: Ekonomiye ve İstihdama Katkısı”, Solar Future, 2010,İstanbul

[2] S. Rustemli, F. Dinçadam, M. Demirtaş, “Güneş Pilleri

İle Sıcak Su Elde Etme ve Sokak Aydınlatması”, V.

Yenilenebilir Enerji Kaynakları Sempozyum, 2009,

Diyarbakır

[3] N. Onat, S. Ersöz, “Fotovoltaik sistemlerde maksimum

güç noktası izleyici algoritmalarının karşılaştırılması”, V.

Yenilenebilir Enerji Kaynakları Sempozyum, 2009, Diyarbakır

[4] http://origin-ars.els-cdn.com/content/image/1-s2.0-

S0957417409008264-gr3.jpg

[5] Z. Koca, “Üç Fazlı Asenkron Motorların Yapay Sinir

Ağları İle Vektör Esaslı Hız Kontrolü”, Kahramanmaraş

Sütçü İmam Üniversitesi, Fen Bilimleri Enstitüsü,

Elektrik-Elektronik Mühendisliği Anabilim Dalı, Yüksek

Lisans Tezi, Kahramanmaraş

[6] G. Yazıcı, “Genetik algoritmalar ile radyal temelli

Fonksiyon ağlarının optimizasyonu”, Yıldız Teknik

Üniversitesi, Fen Bilimleri Enstitüsü, Elektrik-Elektronik

Mühendisliği Anabilim Dalı, Yüksek Lisans Tezi, İstanbul

[7] Broomhead, D., Lowe, D., Multivariable Functional

Interpolation and Adaptive Networks, Complex Systems, 2, 6, 568-576, 1988.

[8] Ham, F., Kostanic, I., Principles of Neurocomputing for Science and Engineering. Macgraw-Hill. USA, 2001

[9] U. Okkan, H.Y. Dalkılıç, “Radyal Tabanlı Yapay Sinir

Ağları ile Kemer Barajı Aylık Akımlarının

Modellenmesi”, İMO Teknik Dergi, 2012 5957-5966, Yazı 379

[10] C. Şenol, T. Yıldırım, “ Standart Ve Hibrid Yapılar

Kullanarak Yapay Sinir Ağları İle İmza Tanıma”, Kadir

Has Üniversitesi, Elektronik Mühendisliği Bölümü, 34230, Cibali, Fatih-İstanbul

[11] Ham, F., Kostanic, I., Principles of Neurocomputing for

Science and Engineering, Macgraw-Hill. USA, 2001.

[12] http://www.solarpanelstore.com/pdf/sharp-185.pdf

[13] R. Neruda, P. Kudov, “Learning methods for radial basis

function networks”, Institute of Computer Science,

Academy of Sciences of the Czech Republic, P.O. Box 5,

18207 Prague, Czech Republic, Available online 28 July

2004

[14] F. P. Harter , H. Fraga , C. Velho, “New approach to

applying neural network in nonlinear dynamic

model”,Instituto Nacional de Pesquisas Espaciais,

Laborato´ rio Associado de Computaçaõ e Matema´ tica Aplicada, Saõ Jose´ dos Campos, SP, Brazil

[15] D. S. Yeung , P.P.K. Chan, W. W.Y. Ng, “Radial Basis Function network learning using localized generalization

[16] error bound”, a School of Computer Science and

Engineering, South China University of Technology, Guangzhou 510006, China

[17] T. Andoa, S. Konishib, S. Imotoc, “Nonlinear regression

modeling via regularized radial basis function networks”,

Graduate School of Business Administration, Keio

University, 2-1-1 Hiyoshi-Honcho, Kohoku-ku, Yokohama 223-8523, Japan

[18] X.-Juan Wu , X.-Jian Zhu, G.-Yi Cao, H.-Yong Tu, “F

Modeling a SOFC stack based on GA-RBF neural

networks identification”, Institute of Fuel Cell, Shanghai Jiao Tong University, Shanghai 200030, China

[19] F. Schwenker, H. A. Kestler, G. Palm, “Three learning

phases for radial-basis-function networks” , Department

of Neural Information Processing, University of Ulm, D-

89069 Ulm, Germany

[20] F. F.Navarro, C. H. Martínez, P.A. Gutiérrez , M. C.Ruz,

“Evolutionary q-Gaussian radial basis function neural

networks for multiclassification”, Department of

Computer Science and Numerical Analysis, University of

Córdoba, Campus de Rabanales, Albert Einstein Building, 3rd floor, 14074 - Córdoba, Spain

[21] İ. H. Altaş, “Foto voltaj Güneş Pilleri: Eşdeğer Devre

Modelleri ve Günışığı ile Sıcaklığın Etkileri”, Karadeniz Teknik Üniversitesi,1998

[22] D. Wangn, X.-JunZeng,J. Keane,” A clustering algorithm

for radial basis function neural network initialization”,

School of Computer Science, University of Manchester, Manchester M601QD,UK

[23] R. V. Babu, S. Suresh , A. Makur , “Online adaptive

radial basis function networks for robust object tracking”, Exawind, Bangalore, India

[24] S. Kitayama · J. Srirat · M. Arakawa ·K. Yamazaki,

“Sequential approximate multi-objective optimization

using radial basis function network”,Springer-Verlag

Berlin Heidelberg 2013

[25] F. F. Navarro. H.-Martıńez, P. A. Gutierrez,“

Generalised Gaussian radial basis function neural networks ”,Springer-Verlag Berlin Heidelberg 2013

[26] I.C.Yeh, C.C. Chen ,X. Zhang , C. Wu, K-C.Huang,

Adaptive radial basis function networks with kernel shape Parameters”, Springer-Verlag London, 2010

[27] H. Nishikawa, S. Ozawa, “Radial Basis Function

Network for Multitask Pattern Recognition” Springer

Science Business Media, LLC. 2011

[28] H. Khosravi, “A Novel Structure for Radial Basis

Function Networks—WRBF”, Springer Science Business

Media, LLC. 2011

[29] A. Brandstetter, A. Artusi, “Radial Basis Function

Networks GPU-Based Implementation”, IEEE

Transactions on Neural Networks, Vol. 19, NO. 12, December, 2008

[30] B. Doğan, M. Korürek,”EKG Vurularını Sınıflamada

Radyal Tabanlı Fonksiyon Yapay Sinir Ağının

Performans Degerlendirmesi, İstanbul Teknik Üniversitesi, Elektrik – Elektronik Fakültesi


985

Bilyeli Rulmanlarda Zaman Uzayında İstatistiksel Öznitelik

Çıkarımı ve Yapay Sinir Ağları Metodu ile Hata Boyutunun

Kestirimi

Samet Bayram, Kaplan Kaplan, Melih Kuncan, H.Metin Ertunç

Mekatronik Mühendisliği Bölümü

Kocaeli Üniversitesi, Umuttepe Yerleşkesi, İzmit, Kocaeli [email protected]

[email protected]

[email protected]

[email protected]

Özetçe

Dönel makinelerde yataklama elemanı olarak kullanılan

rulmanlarda meydana gelen arızalar, sistemin çalışmasını

aksatan veya durduran nedenlerdendir. Bu çalışmada, bir mil-

rulman sisteminde, belirli boyutlarda yapay hatalar

oluşturulmuş rulmanlardan titreşim sinyalleri elde edilmiştir.

Çalışmanın amacı, rulmanlarda meydana gelen arızaların

boyutunu, yapay sinir ağları modelini kullanarak teşhis

etmektir. Elde edilen titreşim verilerinin gerçek zamanda

özellikleri çıkarılarak belirli ağırlıklarla çarpılmış, oluşturulan

yapay sinir ağı modeline giriş olarak verilmiştir. Farklı arıza

boyutlarına sahip rulmanların gerçek zamanda istatistiki

özellikleri de farklı olmaktadır. Bu özellikler kullanılarak

geliştirilen yapay sinir ağı ile rulmanlarda meydana gelen

arızaların büyüklüğü, %100 bir başarı ile sınıflandırılırken,

gerçek hata değerinin ise, ortalama %2 hata ile kestirildiği gözlemlenmiştir.

1. Giriş

Günümüz endüstrisinde, dönel makine elemanlarına birçok

makinede sıklıkla karşılaşılmaktadır. Rulmanlar, farklı

mekanizmaların dönen millerine yataklık yapması için

kullanılan elemanlardır. Böylelikle sürtünme en aza

indirgenerek makinenin çalışması daha düzgün bir seviyeye

getirilmektedir. Rulmanlar, makinelerde tahrik elemanı olarak

kullanılan motor millerinde veya bunun dışında başka kritik

bölgelerde yataklama elemanı olarak görev yapmaktadır. Bu

elemanlarda meydana gelebilecek arızaların sisteme olumsuz

etkisi kaçınılmazdır. Sistemin rulmana göre çok fazla maliyetli

oluşu, otomasyon sisteminin dolayısıyla üretimin

durdurulması, bakım onarım masrafları gibi durumların

yanında rulmanlarda meydana gelen arızalar üretim kalitesini

de etkilemekte ve rulmanlarda arıza teşhisini zorunlu kılmaktadır [1].

Çalışan her makine titreşim meydana getirir.

Makinelerde çalışan parçalar arasındaki boşluğun artması,

parçalardaki sürtünmelerden kaynaklanan aşınmalar, çatlak

oluşması ve benzeri nedenler titreşime neden olurlar. Bunlara

sebep olan en önemli faktör ise makineye etki eden iç ve dış

kuvvetlerdir. Bu yüzden makineler tasarlanırken bu

kuvvetlerin mümkün olduğu kadar küçük olması istenir.

Düzgün bir şekilde üretilmiş bir makine bile çalışma esnasında

belli seviyede titreşim oluşturur. Bu durumun pratikte

önlenmesi çoğu zaman mümkün olmaz. Önemli olan bu

titreşim seviyesinin kabul edilebilir bir seviyede kalacak

şekilde kontrol altında tutulmasıdır. Uygun yöntemlerle

sistemden ve arızadan kaynaklanan titreşim bilgileri belirlenerek arıza teşhisi yapılabilir.

Literatür araştırıldığında, bu konu ile ilgili yapılmış birçok

çalışma görülmektedir. Zhang vd.[2] rulmandan alınan

mekanik titreşimleri dalgacık (wavelet analysis) yöntemi ve

olasılıksal sinir ağları (PNN) ile hatanın boyutunu tespit

ettikten sonra hatasız bir rulmandan aldıkları titreşim

verileriyle karşılaştırmışlardır. Mendel vd.[3] pompalardaki

rulmanlarda meydana gelebilecek hataları kurdukları sistemle

frekans analizi yöntemiyle bulmaya çalışmışlardır. Lacey [4]

titreşim verilerini zarf analizi yöntemini kullanarak işledikten

sonra frekans bölgelerindeki değişimleri gözlemlemiştir.

Yadav [5] rulmanlardaki hataları belirlemek için titreşim

verilerinin zaman uzayında analiz ettikten sonra bu sonuçları

yapay sinir ağları yöntemiyle analiz etmiş; rulmanlardaki hata

oranını yüzdeyle belirterek kategorize etmişlerdir. Rukhande

vd. [6] şok darbe izleme yöntemiyle rulmanlarda meydana

gelen hataların değişimini gözlemlemiştir. Shi vd. [7] dalgacık

enerji entropisi ve danışmansız öğrenme (SOM) yöntemleri ile

rulmanlarda arıza teşhisine yönelik analiz yapmışlardır. Zhang

vd. [8] ortak vektör yöntemiyle rulmanlarda meydana gelen

hataların meydana getirdiği titreşim verilerinin özniteliklerini

çıkararak, hatanın boyutunu ve oluştuğu frekansları

görüntülemiştir. Girondin vd. [9] helikopterlerde kullanılan

rulmanlarda meydana gelen hataları tespit etmek için frekans

analizi metodunu kullanmıştır.

Bu çalışmada ise, önceki çalışmalar [10,11] sonucu

tasarlanmış bir rulman test düzeneği üzerinde, lazerle yapay

olarak meydana getirilmiş ve değişik deney şartlarında testler

yapılmıştır. Farklı hata boyutlarına sahip rulmanlardan alınan

titreşim verileri, zaman uzayında öznitelik matrisi çıkarılarak

yapay sinir ağları yöntemiyle analiz edilmiş, rulmanlardaki

hata boyutu kestirilmeye çalışılmıştır.

2. Yapay Sinir Ağları

Yapay sinir ağları, biyolojik sinir sisteminin simülasyonu

olarak ortaya çıkmıştır. Bir bilgisayarın çalışma şekli beynin


986

çalışmasına benzetilerek yapay sinir ağları modeli

geliştirilmiştir. Yapay sinir ağları algoritmalarında öğrenme,

daha önce edinilen tecrübelere bağlıdır. Bir sistemin

özelliklerinin çıkarıldıktan sonra sistemin çözümüne dayalı bir

algoritma olmasa veya karmaşık bir çözüm algoritması olsa

dahi, yapay sinir ağları bu sisteme uygulanabilir. Yapay sinir

ağları nöronlardan oluşmaktadır. Bu nöronlar gerçek sinir

sistemindeki gibi bir birlerine çok karmaşık bir şekilde dahi

bağlanabilmektedirler. Her bir nöronun farklı ağırlıkta girişleri

ve bir tane çıkışı bulunmaktadır. Bu amaçla farklı ağırlıktaki girişlerin toplamı şu şekilde ifade edilir [12]:

1

P

i i

i

n w x b

(1)

Burada P giriş sayısı, w girişin ağırlığı, x giriş ve b biastır.

Ağırlıklandırılmış girişler ve her nöronun biasıyla beraber

toplamları, aktivasyon fonksiyonundan geçirilir ve bunun

sonucunda o nörona bağlı çıkış elde edilir. Aktivasyon fonksiyonunu "f" ile gösterirsek:

1

( ) ( )P

i i

i

f n f w x b

(2)

Şeklinde ifade edilir. Aktivasyon fonksiyonu sistemin yapısına

uygun olarak sigmoid fonksiyonu, eşik (treshold) fonksiyonu

veya hiperbolik tanjant fonksiyonu olabilir. Çıkış elde

edildikten sonra eğer sistem çok katmanlıysa, bir nöronun

çıkışı diğer bir nöronun girişi olabilir. Bu şekilde çok katmanlı bir yapay sinir ağı modeli oluşturulur [13].

Şekil 1: Sinir hücreleri ve katmanlar [1]

Yapay sinir ağları modeli genelde üç kısımdan oluşur:

giriş katmanı, saklı katman ve çıkış katmanı. Her katman çok

fazla nörondan oluşabilir. Bilgi giriş katmanından yapıldıktan

sonra aktivasyon fonksiyonlarından geçer. Giriş katmanın

çıkışları saklı katmanın girişleri olarak devam eder. Bu

aşamadan sonra sonuç katmanında son bir defa daha

aktivasyon fonksiyonları saklı katman çıkışlarını

değerlendirerek nihai çıkış elde edilir. Şekil 1'de giriş

katmanının girişleri xj, çıkışı hj ile gösterilmiştir. hj, aynı

zamanda saklı katmanın girişi olarak gösterilmiştir.

Yapay sinir ağlarında öğrenmenin ilk adımı aktivasyon

olarak nitelendirilebilir. Sinir hücresine giren sinyallerin

toplamı o hücreyi aktif hale getirebilecek bir değere sahip olup

olmamasına göre çıkış değeri değişmektedir. Eğer toplam

sinyal hücreyi ateşleyebilecek, eşik değerini atlatabilecek

kadar yüksek ise o hücre aktiftir, aksi durumda ise o hücre

pasiftir. Sinir hücresinin aktif veya pasif durumda olmasına

göre sınıflandırma yapıp yapamadığı sonucuna ulaşılmaktadır.

Örneğin, girdi örüntülerine 1 ya da 0 cevabini vererek

sınıflandırma yapabilen bir yapay sinir ağı hücresi, örüntüye 1

veya 0 değerini atayarak karar vermiş sayılmaktadır. “Karar

vermek” ve “sınıflandırmak”, öğrenme sürecinin temel yapı taşlarını oluşturmaktadır.[14]

3. Yöntem

3.1. Deney Düzeneği

Çalışmada kullanılan veriler, Şekil 2'de görülen bir AC servo motora bağlı rulman-mil düzeneğinden elde edilmiştir.

Şekil 2: Deney Düzeneği

Düzenekte veri toplamak için Matlab ile uyumlu National

Instruments 6211 veri toplama kartı(DAQ) kullanılmıştır.

Titreşimi, elektrik sinyallerine dönüştürmek için içerisinde

piezoelektrik malzeme bulunan titreşim sensörü (352C65)

tercih edilmiştir. Titreşim sensörü ile ilgili bilgiler Tablo 1’de

verilmiştir. Titreşim sinyallerini düzenleyip yükseltmek için

sensörle bağlantılı sinyal şartlandırıcılar da bulunmaktadır.

Tablo 1: Titreşim sensörünün özellikleri

Parametreler Değerler(SI)

Hassasiyet (±10 %) 10.2 mV/(m/s2)

Ölçüm aralığı ±491 m/s2 pk

Rezonans frekansı ≥35 KHz

Doğrusalsızlık ≤1%

Rulmanda hata boyutunu sınıflandırmak için belirli çaplarda

yapay hatalar oluşturulmuştur. Rulmanda yapay hatalar

dışında ekstra bir titreşimin olmaması için yapay hataların

özenle açılması gerekmektedir. Bunun için lazer delme

yöntemi ile mikron hassasiyetinde iç bileziğe, dış bileziğe ve


987

bilye üzerine 0.15 mm ve 0.9 mm çapında delikler açılmıştır.

Şekil 3'te lazerle oluşturulmuş yapay hatalar görülmektedir.

Şekil 3 : Lazerle oluşturulmuş yapay hatalar

3.2. Ham Titreşim Verisi ve Özellik Çıkarımı

Titreşim verileri 24 KHz örnekleme frekansında toplanmış,

1'er saniyelik kısımlara ayrılarak 20 adet veri paketi şeklinde

bilgisayar ortamında saklanmıştır. Şekil 4'te bir titreşim verisi

örneği görülmektedir.

Şekil 4: Ham titreşim verisi

Hata boyutu değiştikçe titreşim verisi üzerinde çeşitli

değişiklikler olacaktır. Bu değişiklikleri elde etmek için

titreşim verisinin zaman uzayında özellik çıkarımı yapılmıştır. Bu özellikler aşağıda verilmiştir.

RMS

Kurtosis

Standart sapma

Skewness

Maksimum

Minimum

Ortalama

Medyan

Crest faktör

Tablo 2'de küçük, orta ve büyük hatalı rulmanlardan alınmış birer titreşim verisinin örnek özellik çıkarımı görülmektedir.

Tablo 2: Zaman uzayında özellik çıkarımı ve ağırlıklar

HATA BOYUTU

ÖZELLİKLER KÜÇÜK ORTA BÜYÜK AĞIRLIK

Ortalama -0.0027 -0.0047 0.016 0.02

Maksimum 0.9364 1.4513 7.0941 0.2

Minimum -0.6598 -1.902 -4.4361 0.02

Standart Sapma 0.0994 0.1421 0.4088 0.2

Skewness 1.02 -0.05 0.974 0.01

Kurtosis 13.8513 25.1383 47.0916 0.39

Medyan -0.0047 -0.0051 -0.0048 0.01

RMS 0.0994 0.1421 0.4088 0.1

Crest faktör 9.4162 10.2113 17.3518 0.05

3.3. Yapay Sinir Ağı Modelinin oluşturulması

20'şer adet üç hata tipinde veri paketleri ve 9 adet zaman

uzayında istatistiksel özellikler ile beraber 9x60 boyutunda

özellik matrisi oluşturulmuştur Özellik çıkarımından sonra,

yapay sinir ağı modelinin girişleri için ağırlıklar belirlenmiştir.

Hatanın değişimine hangi özelliklerin tepkisi daha belirgin ise

o girişe ait ağırlık daha büyük belirlenmiştir. Örneğin; hata

miktarı arttıkça kurtosis özelliğinin belirgin bir şekilde arttığı

gözlenmiştir. Dolayısıyla bu girişe ait ağırlık büyük

seçilmiştir. Ağırlıklar deneme-yanılma yöntemiyle

bulunmuştur. Tablo 2'de, istatistiksel özelliklere ait ağırlıklar

gösterilmiştir. Tüm girişlere ait ağırlıklar bu şekilde

belirlendikten sonra yapay sinir ağı modeli Şekil 5'e benzer bir

şekilde oluşturulmuştur.

Şekil 5: Yapay sinir ağı modeli

Girişler belirlendikten sonra, hedef çıkış matrisi belirlenir.

9x60'lık giriş matrisine karşılık, 1x60'lık hedef çıkış matrisi

belirlenmiştir. Küçük boyutlu hatalar için 0.15, orta boyuttaki

hatalar için 0.5 ve büyük boyuttaki hatalar için 0.9 değeri

verilmiştir. Verilen bu değerler varsayımsal değerlerdir ve

arızanın büyüklüğünü belirtmek için verilmiştir. Rulmanlar

güvenilir bir yöntemle hata frekans genlikleri ölçülmüş ve hata

genliklerine göre sınıflandırılmıştır. Bu büyüklükleri ve hedef

çıkış matrisindeki karşılığını belirten değerler Tablo 3'te

gösterilmiştir.


988

Tablo 3: Hata tipleri

Hata Tipi Hata Boyut Hedef Çıkış

Küçük 0-200 0.15

Orta 201-349 0.5

Büyük ≥350 0.9

3.4. Simülasyon

Yapay sinir ağı modeli Matlab üzerinde yazılan kodlarla

simüle edilmiştir. Simülasyon parametreleri Tablo 4’te

gösterilmiştir.

Tablo 4: Simülasyon parametreleri

YSA Parametreler Değerler(SI)

Transfer fonksiyonu Tansig, Purelin

Öğrenme oranı 0.55

Max Epochs 500

Hedef hata

Eğitim algoritması 1e-7

LM

Tanjant-Sigmoid (tansig) transfer fonksiyonu çok katmanlı

yapay sinir ağlarında kullanılan bir transfer fonksiyonudur. Bu

fonksiyon sistemde giriş katmanı ile saklı katman arasında

transfer fonksiyonu olarak kullanılmıştır. tansig fonksiyonu

sistemin çıkışını -1 ile +1 arasında düzenler.

Şekil 6: Tanjant-Sigmoid (tansig)Transfer Fonksiyonu

Purelin fonksiyonu, saklı katman ile çıkış katmanı arasında

kullanılan transfer fonksiyonudur. Bu transfer fonksiyonu ile

çıkış, -1 ile +1 arasında lineer olarak düzenlenir.

Şekil 7: Purelin Transfer Fonksiyonu

Öğrenme oranı, elde edilen en iyi sonuca göre 0.55 olarak

belirlenmiştir. Küçük, orta ve büyük hataya sahip

rulmanlardan alınan 20'şer adet titreşim verisi olmak üzere 60

adet titreşim verisi kullanılmıştır. Buna göre bu verilerin %55'i

yapay sinir ağımını eğitmek için, %45'i test için kullanılmıştır.

Yüzde oranları deneme-yanılma ile bulunmuş en iyi

değerlerdir.

4. Deneysel Sonuçlar

Şekil 8'de kestirilen değerlerin hedeflenen değerlere göre

dağılımı görülmektedir. Kestirilen değerler, 0.15(küçük hata),

0.5 (orta hata) ve 0.9 (büyük hata) civarında toplanmıştır.

Kestirilen değerlerin dağılımı ±%5 bandı içerisinde olması

hedeflenmiştir. Kestirim sonucunda ortalama hata ve

korelasyon değerleri hesaplanarak gösterilmiştir. Ortalama

hata ve korelasyon katsayısı formülleri Denklem 3 ve 4

verilmiştir.

Ortalama Hata(%)

1

1001 i i

ii

N pa

N a

(3)

Korelasyon, R(a,p)( , )

( , ) ( , )

Cov a p

Cov a a Cov p p (4)

a ve p değerleri, sırasıyla gerçek ve kestirilen değerlerdir.

Cov(a,p) ise a ile p arasındaki kovaryansı ifade eder. [13].

Öngörülen ve kestirilen değerler ±%5 lik bir bandın içerisinde

kalması arzulanmıştır. Şekil 8'de, %99.76'lık bir başarıyla

öngörünün gerçekleştiği görülmektedir.

Şekil 8: Hedeflenen ve kestirilen çıkışların dağılımı

Her seferinde verilerin %55 i rastgele olarak seçilmiş ve yapay

sinir ağı eğitilmiştir. Hedef çıkış ve kestirilen çıkışın beraber

çizdirildiğinde Şekil 9'daki sonuç ortaya çıkmaktadır. Eğitim

ve test için seçilen değerler rastgele olduğu için sonuç her

seferinde farklı ama Şekil 9'daki sonuca benzer çıkmaktadır.


989

Şekil 9: Hedef çıkış ile kestirilen çıkış

Şekil 9'daki mavi değerler hedef çıkışı, kırmızı değerler ise

yapay sinir ağı modeli ile kestirilen sonuçları göstermektedir.

Grafiğe bakarak, hata boyutunun sınıflandırılması %100 lük

bir başarıyla gerçekleştiği görülmektedir. Grafikteki değerler

sadece test verileri içindir. Diğer bir ifadeyle, yapay sinir

ağının eğitimi aşamasında kullanılan veriler test aşamasında

kullanılmamıştır.

Şekil 10'da simülasyonun performans grafiği görülmektedir.

Hataların karelerinin ortalaması, belli bir değerin(10-7) altına

düştüğünde Matlab iterasyona son vermektedir.

Şekil 10:Performans grafiği (Hataların karelerinin

ortalaması)

5. Genel Sonuçlar

Bu çalışmada, küçük, orta ve büyük hata miktarlarına

sahip rulmanlardan elde edilen titreşim verilerinin zaman

uzayında istatistiksel öznitelikleri çıkartılmış, yapay sinir ağı

modeli oluşturulmuş ve hata boyutunun tespiti, sınıflandırma

olarak değerlendirildiğinde, %100 lük bir başarı sağlanmış ve

gerçek hata değerinin ise %2’lik bir ortalama hata ile

kestirildiği gözlemlenmiştir.

Yapay sinir ağları sayesinde, rulmanda meydana gelmiş

hatanın boyutu, titreşim sinyallerinden zaman uzayında elde

edilen özniteliklere dayanılarak kestirilmiştir.

Teşekkür

Bu çalışma Kocaeli Üniversitesi Mekatronik Mühendisliği

Bölümü Sensör Laboratuarında 106M208 kodlu Tübitak

projesi kapsamında altyapısı oluşturulan deney düzeneğinde

yapılmıştır. Bu bildirinin yazarları, hibe edilen rulmanlardan

dolayı Ortadoğu Rulman Sanayi'ne (ORS), rulmanlarda yapay

hataların oluşturulmasına katkılarından dolayı Lazer

Teknolojileri Araştırma ve Uygulama Merkezine (LATARUM) ve TÜBİTAK'a teşekkür ederler.

Kaynakça

[1] K. Al-Raheem," Wavelet Analysis and Neural

Networks for Bearing Fault Diagnosis," Caledonian College of Engineering, Oman.

[2] ZHANG Jingyi, WANG Lan, ZHU Meichen, ZHU

Yuanyuan, YANG Qing, "Fault diagnosis based on

wavelet packet energy and PNN analysis method for

rolling bearing", School of Information Science and

Engineering Shenyang Ligong University Shenyang 110159, China,2012

[3] E. Mendel, T. W. Rauber, F. M. Varejao and R. J.

Batista” Rolling Element bearing fault diagnosis in

rotating machines of oil extraction rigs”, 17th European Signal Processing Conference (EUSIPCO 2009)

[4] Dr. S. J. Lacey,” An Overview of Bearing Vibration

Analysis”, Nov / Dec 2008,maintenance & asset management vol 23 no 6

[5] Manish yadav, Dr. Sulochana wadhwani,”Vibration

analysis of bearing for fault detection using time domain

features and neural network”, International Journal of

Applied Research in Mechanical Engineering, Volume-1, Issue-1, 2011

[6] Sanjay Rukhande, Shamim Pathan, Pratik Lahane, Vijay

Patil, Devendra Mhatre, Ashish Gosavi, “Condition

Monitoring for Fault Diagnosis of Bearings”,

Proceedings of the NCNTE-2012, Third Biennial National Conference on

Nascent Technologies Fr. C. Rodrigues Institute of

Technology, Vashi, Navi Mumbai, Feb 24-25, 2012

[7] Shuai Shi, Laibin Zhang, Wei Liang,” Condition

Monitoring and Fault Diagnosis of Rolling Element

Bearings Based on Wavelet Energy Entropy and SOM “,College of Mechanical and Transportation Engineering

China University of Petroleum Beijing, China,2012

[8] BinZhang, GeorgiosGeorgoulas, MarcosOrchard,

AbhinavSaxena, DouglasBrown, GeorgeVachtsevanos,

StevenLiang,” Rolling Element Bearing Feature

Extraction and Anomaly Detection Basedon Vibration

Monitoring”, 16th Mediterranean Conference on Control and Automation

[9] Victor Girondina, Komi Midzodzi Pekpea, Herve

Morelb, Jean-Philippe Cassar," Bearings fault detection

in helicopters using frequency readjustment

andcyclostationary analysis", "Mechanical Systems and Signal Processing NA, NA (2013) NA


990

[10] H.Metin Ertunç, Hasan Ocak, Muhammet Merdoğlu,

Samet Bayram, Mesut Çavuş,"Vibration Analysis Based

Localized Bearing Fault Diagnosis Under Different Load

Conditions " 12.International Workshop on Research and Education in Mechatronics,2011,Kocaeli, Turkey

[11] Kaplan Kaplan, Samet Bayram, Mel h Kuncan, H.Met n

Ertunç,"Farklı Rulman Hatalarından Elde Ed len T treş m

S nyaller Üzer ndek Radyal Yükler n Etk s " Otomatı k

Kontrol Ulusal Toplantisi, TOK-2012, 11-13 Ekim 2012,

Niğde

[12] Haykin S (1994) Neural networks—a comprehensive foundation.

[13] H.Metin Ertunç, Hasan Ocak, Cüneyt Aliustaoğlu," ANN- and ANFIS-based multi-staged decision algorithm

for the detection and diagnosis of bearing faults" Neural Comput & Applic,2012

[14] Fausett L.," Fundamentals Of Neural Networks",1994


991

Chua Devresinin Kaotikliğinin YSA ile Kestirimi

Muhittin Bayram1, Ferhat Çıra

1

1Elektrik Elektronik Mühendisliği Bölümü

Dicle Üniversitesi, Mühendislik Fakültesi {muba,fcira}@dicle.edu.tr

Özetçe

Bu çalışmada Chua devresi, Yapay Sinir Ağları (YSA) ile

analiz edilmiştir. Öncelikle Chua devresinin zaman

dinamikleri elde edilmiş ve sonra bu dinamiklerin faz uzayları

oluşturularak faz uzay çekicileri incelenmiştir. Daha sonra bu

dinamiklere ait Lyapunov üstelleri elde edilerek, Chua

devresinin farklı başlangıç şartlarında aldığı değişik durumlar

görsel olarak incelenmiştir. Son olarak farklı başlangıç

durumundaki sinyallerin entropileri hesaplanmış ve elde

edilen öznitelik vektörleri YSA ile otomatize edilerek, Chua

devresinin hangi değerlerde kaotik özellikler gösterdiği

kestirilmiştir.

1. Giriş

Bu çalışmada, Literatürde popüler olan elektronik Chua

devresinin Lyapunov üstelleri ve YSA ile değerlendirilmesi

üzerinde durulmuştur. Yani Chua devresinin kaotikliği kaosu

nicel olarak tanımlayan Lyapunov üstelleri ile belirlenmiştir.

Chua devresi bize kaosu çağrıştırmaktadır. Basit bir devre

yapısına sahip olması, periyodik ve kaotik davranış

sergilemesi dolayısıyla Chua devresi, kaos ve kaotik işaret

uygulamalarında model devre olarak kabul edilmekte ve

yaygın olarak kullanılmaktadır [1-3].

Kaotik sistemler belirli şartlar altında kaotik özellikler

gösterirler. Yani kaotik sistemler her zaman kaotik değillerdir.

Chua devresi farklı giriş değerlerinde değişik karakteristikler

sergilediğinden hangi değerlerde ne tip karakteristikler

sergilediği bazı çalışmalarda önem arz etmektedir. Örneğin

Chua devresi güvenli haberleşme sistemlerinde sık

kullanılmaktadır [4-6]. Mesajın gizliliği için kaotik olması

istenmektedir. İşte burada Chua devresinin hangi değerlerde

kaotik olduğu önem arz etmektedir. Kaotiklik derecesinin

yükselmesi işaretin daha sonraki adımlarının görülmesini

olumsuz yönde etkilemektedir. Yani öngörüyü negatif yönde

etkilemektedir. Bu da güvenli mesaj iletimi için önem arz

etmektedir.

İşaretlerin kaotiklik davranışlarını zaman dinamiklerinde

görmek hiç de kolay değildir. Bunun için işaretleri faz uzayına

taşımak ve başlangıç koşullarına hassas bağlılıklarını ölçmek

için Lyapunov üstellerini incelemek gerekir. Çalışmamızda,

öncelikle Chua diferansiyel denklemleri gerçekleştirilmiş ve

sonra devredeki değişkenlerin zaman dinamikleri elde

edilmiştir. Sonra bu değişkenlerin birbirleriyle karşılaştırılması

yapılarak faz uzayları çizilmiştir. Daha sonra da farklı devre

parametrelerine göre zaman dinamiği, faz uzayı ve Lyapunov

üstel grafikleri elde edilerek karşılaştırılmaları yapılmıştır.

Farklı başlangıç değerleri ile oluşturulan (x,y,z) giriş

değerlerinin entropileri hesaplanarak öznitelik vektörleri

oluşturulmuştur. Bu öznitelik vektörleri YSA ile eğitilmiş ve

sonra test edilerek, Chua devresinin hangi başlangıç

değerlerinde kaotik özellik gösterdiği tespit edilmiştir.

Çalışmada, 10 adet periyodik ve 10 adet kaotik olmak

üzere toplam 20 adet Chua işaret kombinezonu kullanılmıştır.

İşaretlerden 10 tanesi YSA’nın eğitimi, 10 tanesi ise testi için

kullanılmıştır. Bu işaretlerin entropileri hesaplanmıştır. Her

bir işarete ait x, y, z dinamikleri için 3 öznitelik vektörü elde

edilmiş ve YSA girişleri 3 olarak alınmıştır. Periyodik ve

kaotik olmak üzere 2 çıkış oluşturulmuştur. Bu şekilde

yapılan sınıflandırmada % 100 başarım oranı elde edilmiştir.

2. Chua Devresi ve Lyapunov üstelleri

2.1. Chua Devresi

Chua devresi, kaotik dinamiklerin gösterilmesi açısından

oldukça popüler olan bir elektronik araçtır. Bu devrenin giriş

parametreleri değiştirilerek limit çevrim ve garip çeker elde

edilebilmektedir. Parametre değişikliğine göre devre farklı

kılıflara bürünmekte ve değişik dinamikler göstermektedir.

Chua devresinin diferansiyel modeli Denklem (1)’de

gösterilmiştir [7].

bydt

dz

zyxdt

dy

xgxyadt

dx

))((

(1)

Denklem (1)’deki “a” ve “b” boyutsuz parametrelerdir.

g(x) fonksiyonu denklem (2)’de gösterilmiştir. Denklem

(2)’deki “c” ve “d” ise katsayılardır.

)11)((2

1)( xxcdcxxg (2)

Chua devresinin farklı giriş koşulları altında nasıl

dinamikler gösterdiği aşağıda değişik örneklerle incelenmiştir.


992

0 1000 2000 3000 4000 5000 6000-8

-6

-4

-2

0

2

4

6

8

t(zaman)

yy(0)=0.01 için y dinamiği

Şekil 1: Chua devresinin x(0)=0.01, y(0)=0.01, z(0)=0.01

için y dinamiği

0 1000 2000 3000 4000 5000 6000-20

-15

-10

-5

0

5

10

15

20

t(zaman)

y

y(0)=0.05 için y dinamiği


için y dinamiği.

0 200 400 600 800 1000 1200 1400 1600 1800 2000-1.5

-1

-0.5

0

0.5

1

t(zaman)

y

y(0)=0.05 için y dinamiği

Şekil 3: Chua devresinin x(0)=0.05, y(0)=0.05, z(0)=0 için

y dinamiği.

Şekil 1’de görüldüğü gibi artan bir periyodik işaret,

Şekil 2’de azalan bir periyodik işaret ve Şekil 3’te ise kaotik

bir işaret elde edilmiştir. Tüm bu işaretler sadece başlangıç

değerlerinin değiştirilmesiyle sağlanmıştır. Bu dinamikler faz

uzayına taşındığı zaman daha anlamlı şekiller elde

edilmektedir.

2.2. Faz (Durum) Uzayı

Lyapunov üstel dinamiği için faz uzayının oluşturulması önem

arz etmektedir. Çünkü kaotik dinamiklerin hesaplanması için,

zaman serisinin faz uzayında yeniden oluşturulması

gerekmektedir. Faz uzayında aynı zaman diliminde iki veya

daha fazla fonksiyonun birbiriyle karşılaştırılması yapıldığı

için, durum uzayını yapılandırmak için en az iki fonksiyon

gereklidir. Takens [8], aynı değişkenin farklı anlardaki

değerlerini koordinat olarak kullandığı sahte (pseudo) faz

uzayını ortaya koymuştur. Bu uzayda genellikle bir koordinat

orijinal zaman serisinden, diğerleri de zaman serisinin

gecikmiş değerlerinden oluşur. Burada önemli olan en uygun

gecikme değerinin ve koordinat sayısının bulunmasıdır.

Takens’a (1981) göre yalnızca bir zaman serisi varsa, zaman

serisinin bir veya daha çok türevleri kullanılarak

Denklem(3)’deki gibi faz uzayı gerçekleştirilebilir.

))1((....)2()()( mtxtxtxtxX (3)

Denklem (3)’de kullanılan m yerleştirme boyutu, τ ise

zaman gecikmesidir. Yerleştirme boyutu m, en yakın yanlış

komşuluklar metodu ile zaman gecikmesi τ ise karşılıklı bilgi

fonksiyonun ilk yerel minimumundan hesaplanır. Yerleştirme

boyutu m hesaplanırken Denklem (4)’deki durum göz önünde

bulundurulmalıdır. Burada “d” faz uzayındaki çekicinin

boyutudur.

md 12 (4)

Zaman gecikmesi τ değeri küçük olduğu zaman çekici

doğrusallaşarak, büyük olduğu zaman ise faz uzayında

dağılarak özelliğini kaybeder [9].

Aşağıdaki Şekil 4, 5 ve 6’da, Şekil 1, 2 ve 3’te gösterilen

Chua zaman dinamiklerinin faz uzayları oluşturulmuştur.

-8 -6 -4 -2 0 2 4 6 8-0.02

-0.015

-0.01

-0.005

0

0.005

0.01

0.015

0.02

y

z

(y,z) için faz uzayı


için (y,z) faz uzayı.


993

-20 -15 -10 -5 0 5 10 15 20-0.05

-0.04

-0.03

-0.02

-0.01

0

0.01

0.02

0.03

0.04

0.05

y

z

(y,z) için faz uzayı


için (y,z) faz uzayı.

-1.5 -1 -0.5 0 0.5 1-5

-4

-3

-2

-1

0

1

2

3

4

5x 10

-3

y

z

(y,z) faz uzayı


(y,z) faz uzayı.

Şekil 4’te gösterilen çekici Şekil 1’deki Chua zaman

dinamiğine aittir. Zaman dinamiği artan periyodik işaret

olduğundan faz uzayı da dışa doğru yoğunlaşan limit çevrim

halini almıştır. Şekil 5’te gösterilen çekici Şekil 2’deki Chua

zaman dinamiğine aittir. Zaman dinamiği azalan periyodik

işaret olduğundan faz uzayı da içe doğru yoğunlaşan limit

çevrim halini almıştır. Şekil 6’da verilen çekici ise Şekil 3’teki

zaman dinamiğine aittir. Zaman dinamiği kaotik olduğundan

faz uzayı da garip (kaotik) çekici halini almıştır.

2.3. Lyapunov Üstel Dinamiği

Lyapunov üstellerinin pozitif olması, başlangıç şartlarına

hassas bağımlılığın bir ölçüsü olarak kabul edilmektedir.

Lyapunov üstel dinamiğinin pozitif değer alması, faz

uzayındaki eğrilerin başlangıcının küçük değişikliklere

uğratılması ile tahmin edilemeyecek derecede sapmalarından

kaynaklıdır. Bu da kaotikliğin bir göstergesi olarak kabul

edilir. Deterministik sistemleri, tahmin edilemezlik zırhına

büründüren işte bu fizyolojik özelliktir.

Aşağıdaki Şekil 7, 8 ve 9’da farklı başlangıç koşulları için

değişik Lyapunov üstel dinamikleri gösterilmiştir.

0 10 20 30 40 50 60 70 80 90 100-4

-3

-2

-1

0

1

2Lyapunov Üstel Dinamiği

t(zaman)

Lyapunov Ü

ste

lleri


için Lyapunov Üstel dinamikleri.

0 10 20 30 40 50 60 70 80 90 100-4

-3

-2

-1

0

1


t(zaman)

Lyapunov Ü

ste

lleri


için Lyapunov Üstel dinamikleri.

0 10 20 30 40 50 60 70 80 90 100-4

-3

-2

-1

0

1

2


t(zaman)

Lyapunov Ü

ste

lleri


Lyapunov Üstel dinamikleri.

Şekil 7 ve 8’de, sırasıyla artan ve azalan periyodik

işaretlerin Lyapunov üstelleri gösterilmiştir. Şekil 9’da ise

kaotik Chua devresinin Lyapunov üstelleri gösterilmiştir.


994

Görüldüğü gibi Şekil 9’daki Lyapunov üstellerinden en az

birisi pozitif değere evrilmiştir. Bu da kaotiklik için gerekli

bir şarttır.

2.4. Yapay Sinir Ağları

YSA, karşılaştırma ve sınıflandırmalarda yaygın olarak

kullanılan bir araçtır. YSA’nın temelinde, zekâ gerektiren

işlemlerden oluşan bilgi işleme işlevi vardır. Bu sistem tek

yönlü işaret kanalları ile birbirine bağlanan işlem

elemanlarından oluşur. YSA ile insan beyninin fonksiyonları

arasında bir benzerlik de vardır. Bu yüzden YSA sistemine

insan beyninin modeli de denilebilir. YSA davranışları çevre

şartlarına göre şekillenebilir. Girişler ve istenen çıkışların

sisteme verilmesi ile kendisini farklı cevaplar verebilecek

şekilde ayarlayabilir. Tipik bir YSA, işlem elemanlarından

oluşan katmanların bileşimidir. En yaygın kullanılan YSA tipi,

geri beslemeli öğrenmeye sahip çok katmanlı algılayıcıdır.

Çok katmanlı algılayıcı, dışarıdan verileri alan giriş

katmanından, ağın çıktılarını dışarıya veren çıktı katmanından

ve bu ikisi arasında genellikle bir ve bazen de daha fazla gizli

katmandan meydana gelmektedir [10].

Farklı durumlar üzerinde çalışılarak, en başarılı sonucu

veren YSA modeli Şekil 4’te elde edilmiştir. Bu model 3 giriş,

6 nöronlu bir gizli katman ve 2 çıkıştan oluşmaktadır. Gizli ve

çıkış katmanları için log sigmoid transfer fonksiyonu, öğrenme

algoritması için de Levenberg-Marquardt algoritması

kullanılmıştır. Girişler x, y ve z Chua zaman dinamiklerine ait

entropiler olup sırasıyla entx, enty ve entz’dir.

Şekil 4: Çok katmanlı Yapay Sinir Ağları modeli.

Çıkış katmanı ise Chua devresinin kaotik ve artan mı

yoksa azalan mı olduğunu gözetmeksizin periyodik durumunu

göstermektedir.

3. Tartışma ve Sonuç

Bu çalışmada, yaygın olarak kullanılan Chua devresinin farklı

başlangıç koşullarında değişik zaman dinamikleri gösterdiği

gözlenmiştir. Bu farklılıklar faz uzayında da gözlenmiş ve

grafikler incelendiğinde zaman dinamiğinde periyodik olarak

görülen işaretlerin faz uzayında limit çevrim oluşturdukları

görülmektedir. Limit çevrim oluşturan dinamiklerin Lyapunov

üstelleri alındığında sıfıra yaklaştıkları gözlenmiştir (Şekil 7 -

8). Kaotik özellik gösteren Chua dinamiklerinin ise faz

uzayında garip çeker oluşturdukları, Lyapunov üstelleri

alındığında ise en az bir değerin pozitif değere evrildiği

görülmüştür (Şekil 9).

YSA’ya (x,y,z) giriş değerlerinin entropileri öznitelik vektörü

olarak uygulanmış ve farklı başlangıç değerlerinde periyodik

veya kaotik özellik gösterdiği görülmüştür. Rastgele verilen

giriş değerlerine göre yapılan testlerde tam başarım elde

edilmiştir.

4. Kaynakça

[1] R., Kılıç, F., Yıldırım, “CFOA-Tabanlı Kaotik Chua

Devresinin Tasarımı ve Yüksek Frekans Performansının

Deneysel Olarak Doğrulanması”, 11. Sinyal İşleme ve

İletişim Uygulamaları Kurultayı-SIU, s: 357-360, 2003.

[2] A., Gülten, M., Türk, “Examination of chaotic behaviours

using bond graph model”, Journal of the Franklin

Institute, 340 (6-7), p: 415-422, 2003.

[3] M. P., Kennedy, “Three Steps to Chaos-Part I:

Evolution”, IEEE Transaction on Circuits and Systems,

40(10), p: 640-656, 1993.

[4] T., Yang, L.O., Chua, “Secure Communication via

Chaotic Parameter Modulation”, IEEE Transactions on

Circuits and Systems-I:Fundamental Theory and

Applications, 43(9), p: 817-819, 1996.

[5] C., Cruz-Hernandez, “Synchronization of Time Delay

Chua’s Ossilator with Application to Secure

Communication”, Nonlinear Dynamics and Systems

Theory, 4(1), p:1-13,2004.

[6] M., Mamat, M., Sanjaya WS., D.S., Maulana, “Numerical

Simulation Chaotic Synchronization of Chua Circuit and

Its Application for Secure Communication”, Applied

Mathematical Sciences, 7(1), p:1-10, 2013.

[7] S., Lynch, “Dynamical Systems with Application using

Mathematica”, p: 160-161, Boston, 2007.

[8] F., Takens, “Detecting Strange Attractors in Turbulunce”,

Lecture Notes in Mathematics, p: 366-381, 1981.

[9] H., Acar, M., Bayram, “Epileptik Nöbetin Lyapunov

Üsteli, Dalgacık Entropi ve Yapay Sinir Ağları İle

Kestirimi”, 20. Sinyal İşleme ve İletişim Uygulamaları

Kurultayı, 18-20 Nisan 2012, Muğla.

[10] D. JC., MacKay, “Information Theory, Inference and

Learning Algorithms”, Cambridge University Press, 527,

UK, 2003.

Çıkış

Katmanı Gizli

Katman Giriş

Katmanı

.

.

.


995

YSA ve Pencere Ortalamaları Kullanılarak Yüz Tanıma Sistemi

Ali Ötkün1, Bekir Karlık

1

1Bilgisayar Mühendisliği Bölümü

Selçuk Üniversitesi, Konya [email protected]

[email protected]

Özetçe

Son yıllarda en popüler biyometrik tanıma sistemlerinden

birisi de yüz tanıma sistemleridir. Şahsi hayatı ihlal etmeden

kişiyi uzaktan tanımlama amaçlı kullanılan yüz tanıma

sistemi, bir resmi ya da video görüntüsünü yüzün karakteristik

özelliklerini tanımlayan bir koda dönüştürülmesi esasına

dayanır. Bu çalışmada, pencere ortalama tabanlı öz nitelik

çıkartma algoritması ile yapay sinir ağları (YSA) sınıflandırıcı

kullanılarak etkin kullanımlı bir yüz tanıma yazılımı sunulmuştur. Yazılımda Java programlama dili kullanılmıştır.

1. Giriş

Eski çağlardan günümüze kimlik doğrulama ve

tanımlama insanoğlunun önemli problemlerindendir.

Bilgisayar bilimlerinin gelişimiyle birlikte kimlik denetimi

için geliştirilen yöntemler farklılaşmıştır. İlk başlarda şifre

gibi bilgi tabanlı kimlik denetimi yöntemleri geliştirilmiştir.

Ardından akıllı kartlar gibi anahtar temelli denetim yöntemleri

geliştirilmiştir. Fakat her iki yöntemde de unutulma, kaybolma

ve çalınma gibi sorunlar vardır. Bu nedenle kişinin sürekli

yanında taşıyacağı, başkasına vermeyeceği ve kaybetmeyeceği

bir yöntem olarak kişiye ait bir organın veya bir hareketin

denetim mekanizması olarak kullanılması fikri ortaya

çıkmıştır. Bu tür tanımlama ve doğrulama yöntemlerine de

biyometrik tanıma yöntemleri adı verilmiştir[1].

Biyometrik tanıma sistemleri, bir bireyin fiziksel veya

davranışsal benzersizliğini ölçen ve mevcut kayıtlarla

karşılaştırarak tanımlama ve doğrulama yapan otomatik

sistemlerdir. Biyometrik sistemler bir şifreyi aklında tutma

veya bir anahtarı yanında taşıma zorunluluklarını ortadan

kaldırır. Benzer biçimde unutma, çalınma veya kaybedilme

gibi sorunları ortadan kaldırır. Parmak izi, el geometrisi, yüz,

iris, retina, imza ve tuş vuruşu tanıma sistemleri biyometrik

tanıma sistemlerine birer örnektir.

Biyometrik tanıma sistemleri fiziksel ve davranışsal

olmak üzere iki kısım altında incelenmektedir. Fiziksel

biyometrik tanıma sistemleri bireyleri birbirinden ayırt etmek

için belirli organların şekilleri ile ilgilenirler. Yüz, parmak izi,

el, iris ve retina tanıma sistemleri bu tür biyometrik tanıma

sistemlerine güzel örneklerdir. En eski fizyolojik biyometrik

tanıma sistemi parmak izi tanımadır. Davranışsal biyometrik

tanıma sistemleri ise kişilerin davranışlarına, hareketlerine

bakılarak birbirinden ayırt etmeyi amaçlayan sistemlerdir. Bu

tür tanıma sistemlerine örnek olarak imza tanıma, yürüyüş

tanıma, tuş vuruşlarından tanıma gibi örnekler verebiliriz. Bu

yöntemin en eskisi ise imza tanımadır.

Yüz tanıma sistemi, bir fotoğraf veya bir videodaki yüzün

karakteristik özelliklerinin kullanılarak teşhis etme, kimlik

belirleme veya doğrulama işleminin yapıldığı biyometrik

tanıma sistemleridir.

İnsanın yüz özelliklerinin çıkartılması kolay

olmadığından yüz tanımanın gelişimi çok eskiye

dayanmamaktadır. Yüzümüzün içerdiği özelliklerin fazlalığı

bu özellikleri kullanacak yöntemlerin de sayısını arttırmıştır.

Değişik özellikleri kullanan değişik yöntemler ortaya

çıkmıştır[1]. Bu yöntemleri şekilsel ve renk özelliklerinden

yararlanılarak tanıma olmak üzere iki kısımda gruplamak

mümkündür. İnsan yüzünde yaklaşık olarak seksen tane

belirleyici nokta vardır. Genellikle bu noktalardan on ila yirmi

tanesi alınarak şekilsel verilerden tanıma yapılabilir. Veya

doğrudan resim işleme ve uygun dönüşümlerle renk verisi

kullanılarak tanıma işlemi yapılmaktadır.

Yüz tanıma alanında yapılan çalışmalardan ilki

sayılabilecek yöntem olan “eigenfaces” Sirovich ve Kirby [2]

tarafından ortaya atılmıştır. Daha sonra bu yöntem M. Turk ve

A. Pentland [3] tarafından kullanılmıştır.

Hua Yu*, Jie Yang[4] yaptıkları çalışmada doğrudan

Doğrusal Diskriminant Analizi(Linear Discriminant Analysis -

LDA) kullanmışlardır. Çalışmalarını ORL veri tabanını

kullanarak gerçekleştirmişlerdir. Çalışmalarında kullandıkları

yöntemde boyut indirgeme kullanmadan 90,8% tanıma

oranına ulaşmışlardır.

Kyungnam Kim[5] çalışmasında temel bileşen analizi

(Principle Component Analysis) yöntemini kullanarak AT&T

Laboratuvarları veri tabanını üzerinde yüz tanıma alanında

çalışmalar yapmıştır. Yapmış olduğu çalışmalarda yüz verisi

olmayan verileri de kullanmış başarılı sonuçlar elde etmiştir.

Meng Joo Er[6] ve arkadaşları ORL veri tabanı üzerinde

radyal tabanlı fonksiyon sinir ağı (Radial Basis Function

Neural Networks) kullanarak çalışmalar yapmışlardır. Öz

nitelik çıkarımı için eigenfaces ve temel bileşen analizi

kullanmışlardır. Çalışmalar sonucunda 1.92% hata oranıyla

tanıma yakalamışlardır.

Karlık ve Atamuradov[7] Temel Bileşenler Analizi

(Principle Companent Analysis-PCA) tabanlı Bayes

sınıflandırıcılı bir yüz tanıma sistemi sunmuşlardır. Tüm bu

çalışmalarda hazır veri tabanları kulanılarak doğrudan yüz

resimlerinden yararlanılmıştır. Tilki ve Karlık[8] yüze ait

temel özellikler alınarak altın oranların kullanıldığı bir veri

seti ile yüz tanıma sistemi üzerinde çalışmışlardır.

Bu çalışmada ise, Java programlama dili kullanılarak

insan yüz özniteliklerinin çıkarımı ve kişilerin tanınması

üzerine bir uygulama geliştirilmiştir. Öz nitelik vektörü

çıkarma işlemi için pencere ortalamaları kullanılmıştır.

Öznitelikleri elde edilen yüz verileri yapay sinir ağı


996


kullanılarak başarılı bir şekilde sınıflandırılmıştır. Yapılan

çalışmalar ORL veri tabanı[9] üzerinde test edilmiştir.

2. Kullanılan Materyaller Ve Yöntemler

Bu çalışmada iki boyutlu insan yüz resmi kullanılarak kişinin

tanınması ele alınmıştır. Yüz tanıma için ORL veri

tabanındaki yüz verileri ele alınmıştır. Uygulama Java

programlama dili SDK 1.7 ve Netbeans 7.3 IDE’si

kullanılarak geliştirilmiştir.

2.1. ORL Veri Tabanı

Yüz veri tabanı olarak ORL veri tabanı kullanılmıştır. ORL

veri tabanında s1, s2, s3, … , s40 olmak üzere 40 kişinin,

1.pgm, 2.pgm, … , 10.pgm olmak üzere 10’ar adet resmi

bulunmaktadır. Toplamda 400 adet resim vardır. Resimlerin

boyutları eşit ve Şekil 1’de gösterildiği gibi genişlikleri 92px,

yükseklikleri 112px’dir.

Şekil 1: ORL yüz veri tabanında s1 kişisinin 1.pgm resmi

2.2. Görüntü İşleme ve Öz Nitelik Çıkarımı

Veri tabanında bulunan resimler Pgm formatındadır. Pgm

resim formatı resimlerin gri seviye değerlerinin tutulduğu bir

resim dosyası şeklidir. Bu resimler sadece yüz resmi oldukları

ve gri tonda bulundukları için yüz tespiti ve grileştirme ön işlemleri yapılmamıştır.

Öz nitelik vektörü çıkarma yöntemi olarak pencere

ortalamaları yöntemi kullanılmıştır. Resim uygulamada

verilen genişlik ve yükseklikte pencerelere ayrılır. Sonra bu

pencerelerin ortalaması bulunduktan sonra en büyük gri piksel

değeri 255 ‘e bölünerek normalleştirme yapılır. Elde edilen öz nitelik vektörü genişlik * yükseklik boyutundadır.

2.3. Yapay Sinir Ağları (YSA)

Beynin bir işlevi yerine getirme yöntemini modellemek için

tasarlanan bir sistem olarak tanımlanabilir. Yapay sinir ağları,

beynin bilgi işleme yöntemine uygun olarak bir öğrenme

sürecinden sonra bilgi toplama, hücreler arası bağlantı

ağırlıkları ile bu bilgiyi saklama, genelleme ve çıkarım

kabiliyetlerine sahip paralel dağıtılmış sistemdir. YSA’da

öğrenme süreci, arzu edilen amaca ulaşmak için ağ

ağırlıklarının yenilenmesini (güncellenmesini) sağlayan

öğrenme algoritmalarının çalıştırılmasını ihtiva eder.

Uygulamalarda en çok kullanılan YSA mimarisi, çok katman

içeren bir mimari olup genelde hatanın geriye yayılımı (Error Back-propagation) algoritmasını kullanmaktadır[10].

YSA ağ yapısında, verilen bir girdi setine karşılık çıktı

değerleri verilerek belirtilen öğrenme kuralına göre ağırlık

değerleri otomatik olarak değiştirilmektedir. Eğitim verisinin

tamamlanmasından sonra eğitilmiş olan ağ, ağırlık

değerlerinin son durumuna göre, verilen herhangi bir veri

setinin sonucunu tahmin edebilmektedir[11]. Bu çalışmada da

Çok Katmanlı İdrak (Multi Layer Perceptron-MLP) mimarisi

kullanılmıştır. İleri beslemeli geri yayılımlı bir Çok Katmanlı Ağ Modeli Şekil 2' de gösterilmiştir.

Şekil 2: Çok katmanlı idrak modeli

3. Biyometrik Yüz Tanıma Sistemi

Bu çalışmada insan yüz resminden kişi tanıma sistemi

gerçekleştirilmiştir. Yüz veri tabanından alınan yüz

resimlerinin sınıflandırılması için kullanılan öznitelik vektörü

çıkarma algoritmaları belirlenmiştir. İleri yönlü geri beslemeli

çok katmanlı bir yapay sinir ağı geliştirilerek elde edilen

öznitelik verileri ağa girdi olarak verilmiş ve ağın eğitiminden sonra çıkışta başarılı bir şekilde sınıflandırılmıştır.

Geliştirilmiş olan uygulamada resimler gerçek zamanlı

bir kameradan değil doğrudan bir veri tabanından elde

edilmiştir. Bu sebeple yüz tespiti ve kameradan yüz verisi elde

etme işlemleri gerçekleştirilmemiştir. Ayrıca veri tabanındaki

resimlerin boyutları aynı ve tamamı gri seviye olduğu için grileştirme ve boyutlandırma gibi ön işlemler yapılmamıştır.

Gerçek zamanlı yüz tanıma sistemlerinin genel yapısı

Şekil 3’te gösterildiği gibi bir yüz tespiti ve elde edilen yüz

verisinin belirli bir ön işlem sürecinden geçirilmesi şeklindedir.

Eşik(Bias)

Giriş Katmanı Gizli Katmanlar Çıkış Katmanı

Eşik(Bias)

G

i r

i

ş l

e r

Ç

ı k

ı

ş l

a

r

Hatanın geri yayılımı yönü

İleri besleme yönü

92 px

112 px


997

Şekil 3: Gerçek zamanlı yüz tanıma sistemi blok diyagramı

Bir kameradan, bir videodan veya bir resim veri

tabanından elde edilen resimler yüz bölgesi tespiti için

hazırlanır. Örneğin elde edilen resimde gürültü varsa

temizlenir. Elde edilen resim üzerinde yüz tespiti algoritmaları

çalıştırılarak yüz kesiti alınır. Elde edilen yüz kesiti öz nitelik

vektörü çıkarma işlemi için yüz resimlerini aynı boyuta

getirme, gri seviyeye dönüştürme gibi bir ön işlemden

geçirilir. Bütün ön işlemler bittikten sonra eldeki yüz

resimleri belirli algoritmalar kullanılarak öz nitelik çıkartılır.

Elde edilen öz nitelik vektörleri bir sınıflandırıcı ile sınıflandırılarak tanıma yapılır.

Bu çalışmada resimler bir kameradan, bir videodan veya

işlenmemiş geniş bir resim üzerinden elde edilmeyip, bir veri

tabanından hazır alınmış ve bunun üzerine çalışma yapılmıştır.

Bu sebeple yapmış olduğumuz uygulamanın blok diyagramı

Şekil 3’ten biraz daha farklıdır. Geliştirilen uygulamanın

diyagramı Şekil 4’teki gibidir.

Şekil 4: Uygulama blok diyagramı

Görüldüğü üzere gerçek zamanlı yüz tanıma sisteminden

farklı olarak bazı ön işleme adımlarına ihtiyaç duyulmamıştır. Bu adımlar detaylı bir şekilde anlatılacaktır.

3.1. Veri Tabanından Resmin Okunması

Veri tabanından resmin okunması bu çalışmanın ilk adımını

teşkil etmektedir. Kullanıcı ORL veri tabanının bulunduğu

yeri uygulamaya gösterir. ORL veri tabanındaki resimler daha

önce de belirtildiği gibi pgm formatındadır. Pgm formatı

resimlerin gri seviye değerlerin tutulduğu resim formatıdır.

Veri tabanında 40 kişinin 10’ar adet olmak üzere toplamda

400 adet resim vardır. Kişi isimleri yerine kişilerin bulunduğu

klasör isimleri kullanılmıştır.

3.2. Öz Nitelik Vektörü Çıkarma

Bu aşama genel olarak biyometrik tanıma sistemlerinin en

önemli aşamasıdır. Bu sebeple yüz tanımanın da en önemli

adımıdır. Burada yapılacak olan işlem elimizdeki yüz verisinin bir nevi imzasının çıkarılması işlemidir.

Öznitelik vektörü çıkartmanın iki amacı vardır. İlki

sınıflandırıcı için eldeki büyük resim verisini küçültmek.

İkincisi ise elimizdeki verinin önemli noktalarını bularak aynı

kişinin farklı resimlerindeki küçük değişikliklerden sistemin

etkilenmesinin önüne geçmektir.

İnsan yüzü çok sayıda nitelik içermesi bakımından bu

aşamada birçok yöntem geliştirilmiştir. Bu yöntemler genel

olarak iki kısım altında incelenebilir. Birinci kısım doğrudan

yüz resmi üzerinde işlemler yapılarak resmin önemli

noktalarının tespit edilmesi ve bu şekilde öz nitelik

vektörünün elde edilmesidir. Eigenfaces, PCA, ICA, LDA,

LBP ve pencere ortalamaları gibi yöntemler bu tür öz nitelik

çıkarımına verilebilecek örneklerdir. İkinci kısım öz nitelik

vektörü çıkarma yöntemi ise yüz üzerinde bulunan seksene

yakın önemli noktanın bir takım resim işleme ve örüntü

tanıma yöntemleri kullanılarak bulunmasıdır. Kullanımda

genel olarak bu seksen noktadan on ila yirmi tanesi bulunur ve

bir öz nitelik vektörü elde edilir.

Bu çalışmada, öz nitelik vektörü çıkarma yöntemi olarak

pencere ortalamaları yöntemi kullanılmıştır. Yüz resmi

uygulamada verilen genişlik ve yükseklikte pencerelere ayrılır.

Sonra bu pencerelerin piksel değerlerinin aritmetik ortalaması

bulunduktan sonra en büyük gri piksel değeri 255 ‘e bölünerek

normalleştirme yapılır. Oluşan vektör genişlik*yükseklik

boyutundadır. Şekil 5’te görülen örnekte genişlik 8 ve

yükseklik 8 olarak verilmiştir. Dolayısıyla öz nitelik

vektörlerimizin boyutları 64’tür. Genişlik ve yükseklik örnekte

verildiği gibi olduğu zaman bir pencerenin genişliği 92/8= 11px ve yüksekliği 112/8=14px olmaktadır.

Şekil 5: 8 x 8 pencereye bölünmüş resim

Şekil 6’da görüldüğü resim genişliği 8’e bölündüğü

zaman 4 px kalan oluşmaktadır. Bu durumda karşımıza iki

seçenek çıkar. Bunlardan ilki bu kalan değerleri hesaba

katmadan işlemlere devam etmek olabilir. Aynı durum

yükseklik pikselleri içinde geçerlidir. İkinci seçenek olarak bu

kalan piksellerin bir şekilde değerlendirilmesi söz konusu

olabilir. Bunun için birçok yöntem geliştirilebilir. Pikseller

sabit bir renk genişlik ve yükseklik oranına bölünecek şekilde

tamamlanabilir. Veya en yakın dolu değerini kopyalama

şeklinde olabilir. Ayrıca bu yöntemler ikiye bölünüp genişlik


998

için hem sağa hem sola, yükseklik için hem yukarıya hem aşağıya olacak şekilde eşit olarak dağıtılabilir.

Uygulamada kalan pikseller Şekil’6 de olduğu gibi 0x00

ile genişlik oranına bölünecek şekilde (örneğimizde genişlik 8

olduğu için 96 ya) yukarıya tamamlanmıştır. Bu sayede tüm

piksellerin kullanılması sağlanmıştır.

Şekil 6: Kalan pikseller 0x00 ile tamamlanmıştır

Bu işlemin çalışmaya oldukça katkısının olduğu

gözlenmiştir. Tanıma oranının %3-4 oranında artmasına ve

eğitimdeki döngü sayısının neredeyse yarıya düşmesine vesile

olmuştur. Bunun sebebi de bu kalan piksellerde bazen kişinin

kulağı, gözü, burnu ve ağzı gibi belirleyici özelliklerinin

bulunmasıdır. Şekil 7’de uygulamanın öz nitelik çıkarma ekranı gösterilmektedir.

Şekil 7: Öznitelik vektörü çıkarma ekranı

3.3. Sınıflandırma

Uygulamada sınıflandırıcı olarak geri beslemeli yapay sinir

ağı kullanılmıştır. Ağın giriş değerleri resmin öz nitelik

vektörüdür. Giriş düğüm sayısı öz nitelik çıkarmada belirtilen

genişlik * yükseklik kadardır. Örneğimizde bu değer 8*8

olduğu için 64’tür. Çıkış düğüm sayısı ise her kişi için doğru

bir çıkış olacak şekilde düşünülmüştür. ORL veri tabanında 40

kişi olduğu için ağın çıkış düğüm sayısı da 40’tır. Her kişi için

doğru bir çıkış olacak şekilde beklenen değer kişinin indeksine

eşit olduğu çıkış düğümü 0.9 diğer düğümler 0.1 şeklindedir.

Gizli katmandaki düğüm sayısı ise giriş ve çıkış katman

düğüm sayılarından hangisi fazla ise o kadardır. Kullanılan

çok katmanlı idrak ağı (Multi Layer Perceptron - MLP) yapısı

64:64:40 biçimindedir. Uygulanan ağ modeli Şekil 8’de gösterilmiştir.

Şekil 8: Uygulamada kullanılan yapay sinir ağı yapısı

Uygulamanın ikinci adımı yapay sinir ağının

eğitilmesidir. Şekil 9’da görüldüğü üzere yapay sinir ağının

parametreleri ayarlanabilmektedir. Durma kriteri olarak hata

oranı çok küçük verilirse döngü kriteri ile duracaktır. Hata

kriteri normal verilip durma kriteri çok yüksek verilirse bu

durumda hata kriterine göre sonlanma olacaktır. Her iki

durumda eğitim sonunda ulaşılan minimum hata, döngü sayısı ve işlem süresi ekrana basılır.

Şekil 9: Yapay sinir ağının eğitim ekranı

Eğitim verileri olarak hangi resimlerin verileceği

ekrandan seçilir. Uygulamada genellikle eğitim verisi olarak

tek sayı numaralı resimler verilmiş, çift sayı numaralı veriler

test için ayrılmıştır. Eğitim verileri yapay sinir ağına

gösterilirken önce bir kişinin seçilen resimlerinin tümü, sonra

ikinci kişinin resimlerinin tümü ve bu şekilde bütün kişilerin

seçilen eğitim resimlerinin tümü gösterilmiştir. Bu durumda

ağ öğrenme yapmamış ezberleme yapmıştır. Farklı resimler

gösterildiği zaman bütün kişiler için tek bir sonuç döndürecek

şekilde çalışmıştır. Daha sonra eğitimde örneklerin gösterilme

sırası değiştirilmiş, önce tüm kişilerin seçilen ilk resimleri,

sonra tüm kişilerin seçilen ikinci resimleri ve bu şekilde tüm

kişilerin seçilen resimleri kişi sırasına göre değil resim sırasına

göre ağa gösterilmiştir. Bu sayede ağ öğrenmiş ve doğru sonuç


999

üretmeye başlamıştır. Hata kriteri olarak ortalama karesel hata (Mean Square Error - MSE) kullanılmıştır.

Uygulamanın son adımı yapay sinir ağının test edilmesi

aşamasıdır. Burada kullanıcı isterse önce eğitim verisinde

kullanmış olduğu resimleri seçerek ağın doğru öğrenip

öğrenmediğini doğrulayabilir. İsterse eğitim esnasında

göstermediği verileri seçip ağdan tanımasını isteyebilir. Bu

çoklu testte kullanılmış olan test setindeki resim sayısı, doğru

tanıma sayısı, yanlış tanıma sayısı ve doğru tanıma oranı

ekranda gösterilir. Ayrıca yanlış tanınmış olan resimler ve bu

resimlerin kimlere ait olduğu ile kim olarak tanındığı ekrana

yazdırılır. İstenirse tek bir resim seçilerek de doğrulama ve

test işlemi yapılabilir. Bu işlemlerin yapıldığı test ekranı şekil

10’da gösterilmiştir.

Şekil 10: Yapay sinir ağının test edilmesi

Uygulama test sonucu ekranında hangi resimlerin hatalı

tanındığı gösterilmiştir.

4. Sonuçlar ve Tartışma

Bu çalışmada, pencere ortalamaları ve yapay sinir ağları

kullanılarak Java tabanlı bir yüz tanıma yazılımı

gerçekleştirilmiştir. Geliştirilen yazılımın performansını

görmek için literatürde sıkça kullanılan ORL veri tabanından

yararlanılmıştır. Çalışma sonucunda 96% ila 97% oranında bir

tanıma yüzdesi gözlemlenmiştir. Bu sonuç, J. Er ve

diğerlerinin[6] çalışmasından sonra en iyi tanıma

yüzdelerinden birine sahip olmaktadır. Uygulamada

sınıflandırıcının yanlış tanımladığı kişiler incelendiği zaman

bu kişilerin gerçekte de birbirlerine benzedikleri görülmüştür.

Bunu ayırt edebilecek daha iyi bir öz nitelik vektörü çıkarımı

denenmelidir. Ayrıca çalışmada sadece bir veri tabanı

kullanılmıştır. Diğer veri tabanları da kullanılarak performans ölçümü yapılmalıdır.

Uygulama ile öz nitelik vektörü çıkarma yönteminin

biyometrik tanıma sistemlerinde ne kadar önemli olduğunun

farkına varılmıştır. İleriki çalışmalarda öz nitelik vektörü

çıkarma yöntemlerinde bahsi geçen tamamlama yöntemleri

denenecektir. Kullanılabilecek farklı özellik çıkarma ve hibrid

sınıflandırıcı yöntemleri ile tanıma yüzdesi arttırılabilir.

5. Kaynakça

[1] Kakıcı, A. (2008), “Biyometrik Tanıma Sistemleri”;

http://www.ahmetkakici.com/genel/biyometrik-

tanimasistemleri/, (Erişme tarihi: 13.06.2013).

[2] L. Sirovich and M. Kirby (1987). "Low-dimensional

procedure for the characterization of human faces".

Journal of the Optical Society of America A 4 (3):

519–524. doi:10.1364/JOSAA.4.000519.

[3] M. Turk and A. Pentland (1991). "Face recognition

using eigenfaces". Proc. IEEE Conference on

Computer Vision and Pattern Recognition. pp. 586–

591.

[4] Hua Yu, Jie Yang, “A Direct LDA Algorithm for

High-Dimensional Data With Application to Face

Recognition. Pattern Recognition” 34(10), 2001, pp.

2067-2070

[5] Lee, S. J., Yung, S. B., Kwon, J. W. & Hong, S. H.

(1999). “Face Detection and Recognition Using

PCA”. IEEE TENCON: 84-87.

[6] M. J. Er, S. Wu, J.Lu, and H. L. Toh “Face

Recognition With Radial Basis Function (RBF)

Neural Networks”, IEEE Trans. On Neural

Networks, Vol. 13, No. 3, May 2002

[7] Karlık B. and Atamuradov V., “Principles

Component Analysis (PCA) Based Face

Recognition by Bayesian Classifier”, International

Conference on Inductive Modelling, pp. 55-62,

May, 16-22, 2010, Yevpatoriya, Ukraine

[8] Tilki B. and Karlık B., “Face Recognition by Using

Face Dimensions and Artificial Neural Networks”,

The 4th International Conferences on Information

Security and Cryptology (ISC '10), pp. 355-359, 6-8

May, 2010, Ankara, Turkey

[9] Uğur, A. C. Kınacı, "Yapay Zeka Teknikleri ve

Yapay Sinir Ağları Kullanılarak Web Sayfalarının

Sınıflandırılması", XI. Türkiye' de İnternet

Konferansı (inet-tr'06), Ankara, 1-4, 2006.

[10] Karlık B. ve Cemel Ş.Ş., “Yapay Sinir Ağları ile

Ağız Kokusundan Diyabet Tanısı”, Turkiye

Klinikleri, cilt:32(2), sayfa:331-336, 2012.

[11] Karlık B. and Olgaç A.V., “Performance Analysis of

Various Activation Functions in Generalized MLP

Architectures of Neural Networks, International

Journal of Artificial Intelligence and Expert

Systems, vol: 1(4), pp: 111-122, 2011.


1000

Yapay Sinir Ağları ile Banka Pazarlama Kampanyalarının

Performans Tahmini

Mücella ÖZBAY KARAKUŞ1, Cemil ALTIN2, Orhan ER2

1Bilgisayar Mühendisliği Bölümü

Bozok Üniversitesi, Yozgat [email protected]

2Elektrik-Elektronik Mühendisliği Bölümü

Bozok Üniversitesi, Yozgat [email protected], [email protected]

Özetçe

20. yüzyılın ikinci yarısında temelleri atılan ve günümüzde büyük bir kitlenin üzerinde çalıştığı yapay sinir ağları, pek çok problemin analizinde ve çözümünde başarı ile kullanılmış ve artan bir hızla kullanılmaya devam etmektedir. Đlk kullanıldığı yıllarda tıp alanında ve askeri alandaki çalışmalar veya kontrol problemleri gibi farklı amaçlar için geliştirilen bu teknik günümüzde ekonomi, iktisat, endüstri mühendisliği, otomasyon, elektronik ve bilgisayar mühendisliği, elektronik devre tasarımı, çeşitli zeka problemlerinin çözümü ve optik algılama gibi hemen her disiplinde kullanılır olmuştur. Bu bağlamda bir bankanın pazarlama kampanyası dahilinde elde ettiği, şahıslara ait verilerden oluşturulan eğitim ve test setleri ile yapılandırılan yapay sinir ağının eğitilmesi sonucunda bankanın pazarlama kampanyaları için bu kişilerin belirli özellikleri baz alınarak bankada vadeli mevduat hesabı açtırma ya da açtırmama durumları incelenmiştir. Bu amaç doğrultusunda çok katmanlı yapay sinir ağı (multi-layer neural network) kullanılmış olup % 94,22 oranında bir doğrulukla tahmin edilmiştir. Anahtar Kelimeler: Banka Pazarlama Kampanyası, Yapay Sinir Ağları.

1. Giriş

Bankalar, hizmet sektörü içinde yer alan finansal aracılardır. Bankacılık halkla ilişkiler faaliyetlerinin en gelişkin olduğu işkollarından biridir ve teknolojik gelişmeleri anında uygulamaya sokan bankacılık işkolu, bu alanda değişime öncülük etmektedir [1]. Gelişen teknoloji sayesinde kullanıma giren ve etkisini gittikçe arttıran kitle iletişim araçları aynı anda milyonlarca insana ulaşıp mesajlarını aktarmakta, kamuoyunu yönlendirmekte ve insanların tutum ve davranışlarında köklü değişimlere neden olmaktadır. Yatırımcıların giderek zorlaşan rekabet ortamında var olma çabaları, yeni arayışları ve buluşları beraberinde getirmektedir [2]. Bu bağlamda kitle iletişim araçlarından biri olan telefonun banka uygulamalarındaki etkisini incelemek amacıyla hazırlanmış olan bir çalışmada bir Portekiz bankasının kendi çağrı merkezi tarafından yürütülen pazarlama kampanyası

tanıtımları incelenmiştir. 45211 kişiyle yapılan telefon görüşmeleri sırasında kişilere bazı sorular sorulmuş, o dönem geçerli olan kampanya tanıtılarak bankada mevduat hesabı açtırmaları için ikna edilmeye çalışılmışlardır. Çalışma; 2008 yılının Mayıs ayından 2010 yılının Kasım ayına kadar yapılmış olan toplam 17 kampanya için düzenlenmiştir. Elde edilen verilerden faydalanılarak kişilerin, yapılan görüşmeler sonucunda bankada mevduat hesabı açtırma ya da açtırmama ihtimallerinin tahmin edilmesine yönelik incelemelerde bulunmuşlardır.

Bu çalışma kapsamında alınan veri seti ile daha önce denenmemiş olan yapay sinir ağı modeli kullanılarak müşterilerin, bankada vadeli mevduat hesabı açıp açmamaları konusunda ön tahmin yapılması amaçlanmıştır.

2. Literatür Çalışması

Yapay sinir ağları günümüzde birçok alanda yer aldığı gibi banka kredileri alanında da yaygın bir şekilde kullanılmaktadır. Bu çalışmada kullanılan veri seti oluşturulurken, uluslararası veritabanı [3] kaynak alınarak; kişilerin çeşitli özellikleri göz önünde bulundurulmuş ve belirli kampanyalar dahilinde bankada mevduat hesabı açtırıp açtırmayacakları konusunda bir tahmin yapılması hedeflenmiştir. Bu konu ile ilgili az sayıda çalışma bulunmaktadır. Ref [4] farklı veriler ile yaptığı çalışmada yapay sinir ağlarını kullanmış olup elde ettiği sonuçlara göre kredi ölçümü için kullanılan yapay sinir ağı modelleri içerisinde PNN ve MLP’nin diğer modellerden daha iyi performans sağladığını belirtmiştir. Ref [5] ise yaptıkları çalışmada, bu çalışmada kullanılmış olan veriler için veri madenciliği (DM) yaklaşımı uygulamış ve DM modeli sonuçlarını ayarlamak için dalgalı veri madenciliği (CRISP-DM) yaklaşımını üç iterasyon süresince çalıştırmıştır. Çalışma kapsamında sınıflandırmada kullanılan SVM (Support Vector Machine- Destek vektörü) ile ROC (Receiver Operating Characteristic - işlem karakteristik eğrisi) gibi iki istatistiksel yaklaşımın karşılaştırılması söz konusudur. Sonuç olarak CRISP-DM’nin her iterasyon sonunda daha iyi sonuç verdiğini açıklamışlar ve


1001

en iyi sonuç olarak SVM ile elde edilen yüksek öngörü performansını kaydetmişlerdir. Çalışmada adı geçen yöntemlerin uygulanmasıyla elde edilen bulgular ışığında en yüksek performans değerinin SVM için kaldırma eğrisi (ALIFT) altında kalan alana göre %88,7 ve ROC (AUC - Area Under Curve) altında kalan alana göre ise %93,8 olduğu Tablo 3’de görülmektedir.

Tablo 1: DM ve CRISP-DM algoritmaları için her iterasyon sonunda elde edilen performanslar [5].

CRISP-DM Iteration 1nd 2nd 3nd

Instances X Attributes (Nr. Possible Results)

79354 X

59(12)

55817 X

53 (2)

45211 X

29 (2)

Algorithm NB NB DT NB DT SVM

Number of executions (runs) 1 20 20 20 20 20

AUC (Area Under the ROC Curve) 0.776 0.823 0.764 0.870 0.868 0.938

ALIFT (Area Under the LIFT Curve) 0.687 0.790 0.591 0.827 0.790 0.887

Daha önceki çalışmalarda kullanılmış olan yöntemlerden biri olan ROC eğrisi; istatistik karar teorisine dayanır [6]. ROC eğrisi; testin ayırt etme gücünün belirlenmesine, çeşitli testlerin etkinliklerinin kıyaslanmasına, uygun pozitiflik eşiğinin belirlenmesine, laboratuar sonuçlarının kalitesinin izlenmesine, uygulayıcının gelişiminin izlenmesine ve farklı uygulayıcıların tanı etkinliklerinin kıyaslanmasına olanak sağlar [7]. En yaygın kullanılan ölçüm ise, ROC eğrisinin altında kalan alandır. AUC ne kadar büyükse sonucun tahmin edilmesinde test o kadar iyi olur. Bir diğer yöntem olan Destek Vektör Makineleri (SVM) ise Weston ve Watkins [8] tarafından bulunan istatistiksel bir yöntemdir. SVM yapısal risk en küçükleme ilkesi etrafında formüle edilmiştir. Temelde SVM iki sınıflı problemlerle ilgilenir. Bu çalışma dahilinde istatistiksel herhangi bir yönteme yer verilmemiştir.

3. Veri Seti

Bu çalışmada kullanılan veri seti, uluslararası veritabanı (UCI-Irvine Machine Learning Repository) [3]’ den temin edilmiştir. Bu veri seti hazırlanırken 45211 kişiye, bir Portekiz bankasının pazarlama kampanyaları, kendi çağrı merkezi tarafından yapılan telefon görüşmeleriyle tanıtılmıştır. Uygulamada özellik olarak kullanılan parametreler şunlardır: kişinin; yaşı, mesleği, medeni hali, eğitim durumu, kredi geçmişi, yıllık ortalama gelir düzeyi (euro bazında), ev ve ihtiyaç kredisi olup olmadığı, iletişim bilgisi, son görüşme tarihi, görüşme sayısı, kampanya hakkındaki bilgisi, başka bir kampanya kapsamında görüşme yapılan gün ve önceki pazarlama kampanyası sonuçlarıdır. Bu özelliklerin geçerliliği uzman görüşlerine dayandırılmıştır. Kullanılan toplam veri 45211 olup, 31648 adedi (tüm verinin yaklaşık %70’i) eğitim verisi, 13563 adedi (tüm verinin yaklaşık %30’u) ise test verisi olacak şekilde ve 16 giriş, 2 gizli katman ve 1 çıkış katmanlı (multi-layer) yapay sinir ağının eğitiminde kullanılmış olup yukarıda bahsi geçen özelliklere bağlı olarak pazarlama kampanyaları için kişilerin bankada vadeli mevduat hesabı açtırma ihtimallerinin tahmin edilmesine çalışılmıştır.

4. Metot

Bu çalışma kapsamında kullanılan yapay sinir ağı yapısı; ağırlıkların geri yayılma algoritması kullanılarak gerçekleştirilen, iki gizli katmanlı, MLNN ağıdır (1 giriş katmanı, iki gizli katman, bir çıkış katmanı). Gizli katman sinirleri (birinci katman için 10, ikinci katman için 5 adet) ve çıkış katman sinirleri için nonlineer sigmoid aktivasyon fonksiyonu kullanılmıştır. Bu kriterler en iyi sonucu üretecek şekilde deneme-yanılma yoluyla elde edilmiştir. Bu sistem 16 adet özellik (girdi vektörünü oluşturan durum sayısı) ve 2 adet durum sınıflandırılması (Mevduat hesabı açtırmak ve açtırmamak) içermektedir. Literatürde sınıflandırma için yapılan çalışmalarda sıklıkla PNN ağının daha başarılı sonuçlar ürettiği görülmesine [9-10] rağmen bu çalışmada kullanılan veri sayısı çok fazla olduğundan PNN ağı beklenen performansta başarı göstermediğinden çalışma MLNN ağıyla denenmiş ve başarılı sonuçlar elde edilmiştir.

En genel anlamda yapay sinir ağları ileri beslemeli ve geri beslemeli ağlar şeklinde iki ana grupta düşünülebilir. Đleri beslemeli ağlarda bilgi, girdi katmanından çıktı katmanına doğru ilerler. Buna aktivasyon yönü de denir. Bu tür yapay sinir ağına örnek olarak tek ve çok katmanlı perseptron verilebilir. Bu tür ağlar denetimli öğrenme teknikleriyle eğitilir [11]. Şekil 1’ de bir nöronun matematiksel modeli gösterilmektedir [12]:

Şekil 1: Nöronun Matematik Modeli (Mathematics Model of Neuron) [12].

(1)

(2)

Yukarıdaki (1) ve (2) denklemlerinde S; Toplam fonksiyonu,

ui; giriş fonksiyonu, wi; ağırlıklandırma faktörü, ᵩ; çıkış fonksiyonu, ᴪ(s); aktivasyon fonksiyonu ve θ ise eşik değeridir. (1) denkleminde ağırlıklı toplamın oluşturulması, (2) denkleminde ise nöron çıkışının hesaplanması verilmektedir [12]. Bu çalışmada geri beslemeli ağla çalışan çok katmanlı perseptron modeli tercih edilmiştir. Basit bir perseptron, sistem tanımlamasında başarı ile kullanılabilirken birçok gerçek uygulama lineer olmayan özellikler içerdiği için basit perseptron modelleri yetersiz kalabilir. Basit perseptronların lineer olarak araştırılamayan fonksiyonları gerçekleştirmekteki

θθ −=−+++= ∑=1

3322111 .........i

iinn WuWuWuWuWuS

)(Sψϕ =


1002

yetersizliği çok katmanlı perseptronlarda (MLP) geçerli değildir [13]. MLP ağları, algılayıcı birimlerin bir araya gelerek oluşturduğu bir ağ yapısıdır. MLP'de de üç temel katman vardır. Bunlar giriş katmanı, gizli katman ve çıkış katmanıdır. Giriş ve çıkış katmanı dışındaki tüm katmanlar gizli katman olarak adlandırılır ve bir veya daha fazla sayıda bulunabilir. Bu yapı Şekil 2’de görüldüğü biçimde sıralanır.

Şekil 2: Çok Katmanlı Ağ Yapısı (Multi Layer Neural Network)

Genelde MLP ağlarının eğitiminde kullanılan en yaygın yöntem hatanın geriye yayılım algoritmasıdır [14]. Günümüzde bu algoritma, ses tanıma problemlerinden doğrusal olmayan sistem problemlerine kadar yapay sinir ağları ile çözüm üretilen birçok alanda başarı ile kullanılmaktadır [15]. Uygulamalarda nöron cevabının, girdilerin sürekli bir fonksiyonu olmasını gerektiren durumlarda sigmoid tipi aktivasyon fonksiyonu kullanılır. Geriye yayma modeli her yerde diferansiyeli alınabilen bir aktivasyon fonksiyonu gerektirir [16]. Grafiği aşağıda verilen sigmoid tipi aktivasyon fonksiyonu türevi alınabilir ve sürekli problemlerin çözümünde kullanılmaktadır. Sigmoid tipi aktivasyon fonksiyonunun denklemi aşağıdaki gibidir [12].

(3)

(3)

Şekil 3: Sigmoid Tipi Aktivasyon Fonksiyonu (Sigmoid Activation Function) [12].

5. Sonuç

Bu konuda yapılan çalışmaların az olması münasebeti ile yapay sinir ağları da denenmiş olup bu amaç doğrultusunda uluslararası veri tabanından alınan veriler işlenmiştir. Ayrıca bu çalışma ile pazarlama kampanyaları için kişilerin bankada vadeli mevduat hesabı açtırma ihtimallerinin tahmin edilmesine yönelik uygulama sonucunda MLNN ağlarının kullanılmasıyla elde edilen doğruluk oranları ile bu konuda literatüre geçmiş olan çalışmaya [5] ait sonuçlar Tablo 1’de karşılaştırmalı olarak verilmiştir. Çalışmada kullanılan 45211 veriden 31648 (tüm verinin yaklaşık %70’i) adedi eğitim verisi, 13563 adedi (tüm verinin yaklaşık %30’u) ise test verisi olarak yapay sinir ağının oluşturulması için kullanılmış ve bankanın pazarlama kampanyaları için kişilerin bankada vadeli mevduat hesabı açtırma ya da açtırmama durumları % 94,22 oranında bir doğrulukla tahmin edilmiştir.

Tablo 2: Bu çalışmada elde edilen doğruluk oranlarının literatüre geçmiş çalışmalar ile karşılaştırılması.

Çalışmalar Yapay Sinir Ağları Sınıflandırma Doğruluğu (%)

Referans [5] ROC-AUC 93,8

Referans [5] SVM-ALIFT 88,7

Bu çalışma Đki Gizli Katmanlı MLNN

94,22

Elde edilen sonuçlar literatür çalışmalarıyla karşılaştırıldığında sonuçların birbirine çok yakın olmasına rağmen MLNN ağı kullanılmasının sonucun doğruluğunda pozitif bir etki yarattığı yadsınamayacak bir gerçektir. Ayrıca yapay sinir ağlarının uygulanmasının kolay ve anlaşılır olması ve yaygın kullanım alanlarının bulunması nedeni ile tercih sebebi olmuştur. Sonuçta istatistiksel yöntemlere karşın yapay sinir ağının daha başarılı bir sonuç elde edilmesini sağladığı görülmüştür. Bu yöntemin bankalar ve aynı zamanda pazarlama çalışmaları bulunan her kuruluş tarafından aktif bir şekilde faydalanılabileceği düşünülmektedir.

SeS

−+=

1

1)(ψ


1003

Đlerleyen çalışmalarda veri sayısının fazla olmasından dolayı anlamlı sonuçlar alınamayan YSA yöntemlerinde, bu sorunların kaynakları belirlenerek yöntemin geliştirilmesi ya da yeni yöntemler oluşturulması amaçlı çalışmalar yapılabilir.

Kaynakça

[1] Tolon, M., “Ticari Bankalarda Pazarlama Stratejilerinin Uygulanması ve Türkiye"deki Ticari Bankalar Üzerine Bir Araştırma”, Verimlilik Dergisi, No 4, 63-88, 2004.

[2] Baybars B., “Türkiye’de Banka Reklamcılığı”, Đstanbul Üniversitesi Đletişim Fakültesi Dergisi, 177-180, 1996.

[3] (UCI-Irvine Machine Learning Repository) Uluslar arası

veri tabanı web sitesi: http://archive.ics.uci.edu/ml/datasets/Bank+Marketing [Son Erişim: 19.02.2013)

[4] Bahrammirzaee A., “A comparative survey of artificial intelligence applications in finance: artificial neural networks, expert system and hybrid intelligent systems”, Neural Comput & Applications, Vol 19, Issue 8, 1165–1195, 2010.

[5] S. Moro, R. Laureano and P. Cortez. , “Using Data

Mining for Bank Direct Marketing: An Application of the CRISP-DM Methodology”, Proceedings of the European Simulation and Modelling Conference - ESM'2011, 117-121, Guimarães, Portugal, October, 2011.

[6] Tomak L., Bek Y., “Đşlem karakteristik eğrisi analizi ve

eğri altında kalan alanların karşılaştırılması”, Journal of Experimental and Clinical Medicine-Deneysel ve Klinik Tıp Dergisi, Vol 27, No 2, 58-61, ,Samsun, 2010.

[7] Dirican A., “Tanı testi performansının değerlendirilmesi

ve kıyaslanması”. Cerrahpaşa Tıp Dergisi, 32, 25-30, 2001.

[8] Weston J., Watkins C., “Support veclor machines for

multiclass”, Proceedings of ESANN.99, Belgium. 1999. [9] Bolat B. , Küçük Ü. , Yıldırım T. , “Aktif Öğrenen PNN

ile Konuşma/Müzik Sınıflandırma” . Akıllı Sistemlerde Yenilikler ve Uygulamaları Sempozyumu, 187-189, 2004.

[10] Bolat B. , “Recognition of The Reed Instrument

Sounds By Using Statistical Neural Networks”. Journal of Engineering and Natural Sciences- Mühendislik ve Fen Bilimleri Dergisi, 2005/2, 36-42, 2005.

[11] Civalek Ö., “Dairesel Plakların Nöro-Fuzzy Tekniği ile

Analizi”, DEÜ Mühendislik Fakültesi Fen ve Mühendislik Dergisi, Cilt. 1, No 2, 13-31, 1999.

[12] Güngör M., Fırat M., “Askı Madde Konsantrasyonu ve

Miktarının Yapay Sinir Ağları ile Belirlenmesi”, ĐMO Teknik Dergi, 3267-3282, Yazı 219, 2004.

[13] Montague, G. A., Willis M. J., Tham M. T., Morris A. J.,

“ Artificial Neural Network Based Multivariable Predictive Control”, Second InternationalConference on Artificial Neural Networks, Newcastle, UK, 119-123, 1991.

[14] Bakırcı U., Yıldırım T., “Đleri Beslemeli Ağlarla SPECT

Görüntülerinden Kardiyak Problemlerin Teşhisi”, 0-7803-8318-4104/$20.00© 2004 IEEE, 103-105, 2004

[15] Özel Y., “Farklı Kömür Yakıtları ile Elektrik Enerjisi

Üretimi Ve Yakıt Performansının Yapay Zeka Yöntemi Kullanılarak Saptanması”, Doktora Tezi, Marmara Üniversitesi, Elektrik Eğitimi, Đstanbul, 2006.

[16] Kang, H.T., Yoon, C.J., “Neural Network Approaches to

Aid Simple Truss Design Problems”, Microcomputers in Civil Engineering, Vol 9, 211-218, 1994.


1004

Documents

YAPAY SİNİR AĞLARI VE UYGULAMALARI › baef › c9b675debb9ebe1b3948411… · Kullanılan Yapay Sinir Ağları. Sistemin gerçek çalıúma blok diyagramı úekil 6. de verilmitir