Yazar "Gündüz, Hakan" seçeneğine göre listele
Listeleniyor 1 - 5 / 5
Sayfa Başına Sonuç
Sıralama seçenekleri
Öğe Deep Learning-Based Parkinson's Disease Classification Using Vocal Feature Sets(Ieee-Inst Electrical Electronics Engineers Inc, 2019) Gündüz, HakanParkinson's Disease (PD) is a progressive neurodegenerative disease with multiple motor and non-motor characteristics. PD patients commonly face vocal impairments during the early stages of the disease. So, diagnosis systems based on vocal disorders are at the forefront on recent PD detection studies. Our study proposes two frameworks based on Convolutional Neural Networks to classify Parkinson's Disease (PD) using sets of vocal (speech) features. Although, both frameworks are employed for the combination of various feature sets, they have difference in terms of combining feature sets. While the first framework combines different feature sets before given to 9-layered CNN as inputs, whereas the second framework passes feature sets to the parallel input layers which are directly connected to convolution layers. Thus, deep features from each parallel branch are extracted simultaneously before combining in the merge layer. Proposed models are trained with dataset taken from UCI Machine Learning repository and their performances are validated with Leave-One-Person-Out Cross Validation (LOPO CV). Due to imbalanced class distribution in our data, F-Measure and Matthews Correlation Coefficient metrics are used for the assessment along with accuracy. Experimental results show that the second framework seems to be very promising, since it is able to learn deep features from each feature set via parallel convolution layers. Extracted deep features are not only successful at distinguishing PD patients from healthy individuals but also effective in boosting up the discriminative power of the classifiers.Öğe Investigation of Quality Changes between Versions of WEKA Data Mining Software Using QMOOD(Bilecik Şeyh Edebali Üniversitesi, 2020) Gündüz, HakanQMOOD (Quality Model for Object Oriented Design) is a hierarchical design quality model consisting of four layers and evaluates the relationships between these layers. This model calculates the values of software quality attributes using object-oriented software metrics. In this study, quality changes of open source WEKA data mining software versions were observed using QMOOD. While adding new features to the software and changing the software design structure directly affected the attributes of QMOOD, such as functionality, flexibility, and reusability, the hierarchy change of the versions caused volatility in the scores of extensibility and effectiveness. On the other hand, the increasing number of methods and classes in new versions negatively affected the value of understandability. As a result of the study, it was observed that the structural changes in the WEKA versions were parallel with the quality scores obtained with QMOOD.Öğe Paralel Aktif Güç Filtresi için Bulanık Uyarlamalı Kesirli PI Denetleyici Tasarımı(2020) İlten, Erdem; Gündüz, Hakan; Demirtaş, Metin; Çalgan, HarisDoğrusal olmayan yükleri besleyen şebekelerden istenmeyen harmonikli akımlar çekilmektedir ve bu da enerjikalitesini düşürmektedir. Şebekeden çekilen bu harmoniklerin azaltılması için farklı yapılarda pasif ve aktif güçfiltreleri kullanılmaktadır. Bu makalede, doğrusal olmayan yük tarafından şebekeden çekilen akımharmoniklerinin azaltılması için Paralel Aktif Güç Filtresi (PAGF) kullanılmıştır. Sistemde doğrusal olmayanyük olarak üç fazlı doğrultucu kullanılmıştır. Kullanılan PAGF’in çıkışındaki DC link kapasitörü üzerine düşengeriliminin istenen seviyede tutulmasıyla filtre performansı iyileştirilmiş ve toplam harmonik distorsiyonu(THD) değerinin azaltılması sağlanmıştır. DC link geriliminin referans değerinde tutulması için bulanıkuyarlamalı kesirli PI denetleyici kullanılmıştır. Ayrıca, farklı zaman aralıklarında doğrusal olmayan yüküntetikleme açıları değiştirilerek, denetleyici performansının incelenmesi için akım harmoniklerinin farklıdeğerlerde üretilmesi gerçekleştirilmiştir. Bu şekilde elde edilen veriler kullanılarak, önerilen denetleyicininperformansı farklı zaman aralıklarında farklı harmonik değerleri için incelenmiştir. Matlab/Simulink ortamındaoluşturulan benzetim çalışmalarıyla, DC link geriliminin denetlenmesinde, önerilen bulanık uyarlamalı kesirli PIdenetleyicinin, klasik PI denetleyiciye göre THD değerini daha çok azalttığı ve bu nedenle performansının dahaiyi olduğu görülmüştür.Öğe Parkinson Hastalığı Tespitinde Farklı Boyutsallık İndirgeme Yöntemlerinin Karşılaştırılması(2019) Gündüz, HakanParkinson Hastalığı (PH), bireylerin çoklu motor ve motor olmayan özelliklerini doğrudan etkileyen ilerleyici bir sinir hastalığıdır.PH’nin ilk evresinde bireyler genellikle ses bozulmalarıyla karşı karşıya kalır. Bu durumda PH’nin erken tespitinde kişilerin seskayıtlarından yararlanılır. Ses kayıtlarından sinyal işleme yöntemleriyle çıkarılan öznitelikler yapay öğrenme yöntemlerine girdi olarakverilerek bireylerin hastalığa sahip olup olmadığı tespit edilir. Bu çalışmada bireylerin ses kayıtlarından çıkarılan öznitelikler iki farklıyapay öğrenme yöntemine girdi olarak verilmiş ve bireyler Parkinson hastası veya sağlıklı olarak sınıflandırılmıştır. Oluşturulanmodeller UCI Makine Öğrenmesi deposundan alınan veri kümesi ile eğitilmiştir. Hem eğitilen yapay öğrenme modellerininkarmaşıklığını azaltmak hem de modellerin aşırı öğrenmesini engellemek için öznitelikler üzerinde iki farklı boyutsallık indirgemeyöntemi uygulanmıştır. İlk yöntem olan Temel Bileşenler Analizi (TBA)’yle yeni bir öznitelik alt uzayı oluşturmak için öznitelik kümesiorijinal boyuttan daha az boyuta sahip olan yeni bir alt uzaya yansıtılır. Oluşturulan yeni öznitelik uzayında yüksek varyansa sahipbileşenler seçilirken; varyansı düşük bileşenler ihmal edilir. İkinci yöntem olan Özyinelemeli Öznitelik Eleme (ÖÖE)’de özniteliklereyapay öğrenme yöntemleri kullanılarak ilgililik puanları atanır. İlk aşamada tüm öznitelik kümesini kullanan bir model oluşturulur veher öznitelik için bir ilgililik puanı hesaplanır. Sonraki aşamada en az ilgililik puanına sahip öznitelik ihmal edilerek model yenidenoluşturulur ve ilgililik puanları tekrar hesaplanır. Bu işlem öznitelik kümesinde istenilen sayıda öznitelik kalana kadar devam ettirilir.Kullanlan iki Boyutsallık indirgeme yöntemiyle öznitelik uzayının boyutları azaltılmış ve indirgenmiş öznitelik vektörleriyle DestekVektör Makineleri (DVM) ve Gradyan Arttırıcı Makineler (GAM) sınıflandırıcıları eğitilmiştir. Elde edilen veri kümesinin örnek sayısıgörece az olduğundan sınıflandırıcıların eğitiminde Bireyi Dışarda Bırakan Çapraz Doğrulama (BDBÇD) prosedürü kullanılmıştır. Verikümesi aynı zamanda dengesiz sınıf dağılımına sahip olduğundan modellerin performans değerlendirmesinde doğruluk oranıyla birlikteF-ölçütü ve Matthews Korelasyon Katsayısı (MKK) ölçütleri kullanılmıştır. Alınan tüm deneysel sonuçlar irdelendiğinde en yükseksınıflandırma başarısına sadece 13 öznitelik kullanılarak erişildiği görülmüştür. ÖÖE yöntemiyle seçilen 13 öznitelikle GAMsınıflandırıcısı eğitilerek 0,881 doğruluk oranı elde edilmiştir. Doğruluk oranı öznitelik seçimi yapılmadan elde edilen sonuçlara göreyaklaşık %2 oranında artmıştır. Aynı artış sınıfların ayırt edilebilirliğini gösteren MKK oranında da olmuştur. Boyutsallık indirgemeişlemi olmadan elde edilen MKK oranı 0,62 iken ÖÖE yöntemiyle öznitelik seçimi yapıldığında oran 0,67’ye yükselmiştir. Kullanılandiğer boyutsallık indirgeme yöntemi olan TBA ise öznitelik seçimsiz modellere göre sınıflandırma başarısı arttırmamasına rağmen, aynıbaşarı oranlarına daha az sayıda öznitelikle erişmiştir.Öğe Stock Market Prediction with Deep Learning Using Financial News(Ieee, 2018) Gündüz, Hakan; Yaslan, Yusuf; Çataltepe, ZehraIn this study, the hourly movement directions of 9 banking stocks in Borsa Istanbul were predicted using Long-Short Term Memory(LSTM) networks with features obtained from financial news. In the feature creation phase, the word embedding referred as Fasttext, and the financial sentiment dictionary were utilized. Class labels indicating the movement direction were computed based on hourly close prices of the stocks and they were aligned with obtained feature vectors. Two different LSTM networks were trained to perform the prediction, and the performance of the classification process was evaluated by the Macro Averaged (M.A) F-Measure. In the experiments, the movement directions of the 9 stocks were predicted with an average M.A F-measure rate of 0.540. Although the results of both LSTM networks were higher than the Random and Naive benchmark methods, the use of Attention Mechanism in the second LSTM network did not positively affect the results.
