Elektroensefalografi (EEG), epilepsili hastaları ve şüphe oluşturan nöbet bozuklukları olan hastaları incelemekte kullanılan önemli bir tetkiktir.
FANNTool is a highly recommended and easy to use GUI for the FANN library. FANNTool also supports a few more advanced functions for automatically setting the FANN parameters.diyerek tavsiye etti.
Bundan Sonra FannTool ile ilgili yazılar asıl olarak bu ardesten yayınlancak. Zaten ilk etapta Doğrudan FannTool'u kullanan Makale ve Tezlerin özetlerini yayınlamaya başladım. Vakit buldukçada ilave etmeye çalışacağım. Bu sitede yayınladığım uygulamalarıda vakit buldukça toparlayıp oraya ilave edeceğim.FannTool.blogspot.com
Kaliteli bir sesin 20 ms kısmındaki örnek sayısıŞeklindeki veriyi her pencere için 36 adet veriye düşürdük, İlaveten Sözcüğün uzunluğuna söylenişinin hızına göre değişik sayıda penceremiz var.
yaklaşık 20 * 10^-3 * 44100 = 882.
Eğitim Verileri : % 93,3Resimden de göreceğiniz gibi Bütün çalışmada FannTool'un 1.2 Versiyonu kullanıldı. Henüz hazır değil ama üzerinde vakit buldukça çalışıyoruz yakında yayınlayacağız İnşallah...
Test Verileri : % 84.6
Orjinal verinin 2 çeşit çıktısı var. İlkinde 10 çeşit FHR tipinden hangisi olduğu, ikincisinde ise üç çeşit Fetal State için (N=normal; S=suspect; P=pathologic) bir sınıflandırma var. Biz Örneğimiz için ikincisini kullandık.
2126 fetal cardiotocograms (CTGs) were automatically processed and the respective diagnostic features measured. The CTGs were also classified by three expert obstetricians and a consensus classification label assigned to each of them. Classification was both with respect to a morphologic pattern (A, B, C. ...) and to a fetal state (N, S, P). Therefore the dataset can be used either for 10-class or 3-class experiments.
Attribute Information:
LB - FHR baseline (beats per minute)
AC - # of accelerations per second
FM - # of fetal movements per second
UC - # of uterine contractions per second
DL - # of light decelerations per second
DS - # of severe decelerations per second
DP - # of prolongued decelerations per second
ASTV - percentage of time with abnormal short term variability
MSTV - mean value of short term variability
ALTV - percentage of time with abnormal long term variability
MLTV - mean value of long term variability
Width - width of FHR histogram
Min - minimum of FHR histogram
Max - Maximum of FHR histogram
Nmax - # of histogram peaks
Nzeros - # of histogram zeros
Mode - histogram mode
Mean - histogram mean
Median - histogram median
Variance - histogram variance
Tendency - histogram tendency
CLASS - FHR pattern class code (1 to 10)
NSP - fetal state class code (N=normal; S=suspect; P=pathologic)
Download :
Yapay Sinir Ağları Metodolojisi İle Düzeltme Yöntemi Öngörüsüİkincisi Turan Güzel'in İnşaat mühendisliği Yüksek Lisanas tezi
Günümüzde, teknolojinin gelişmesi ile bilgisayarlar karar verici organlar olmaya başlamış ve insan zekasına haiz birçok durumu bir arada değerlendirme yeteneğine, çesitli algoritmalar ile erişmişlerdir. İnsan zekası benzeri bir yapıyı, bilgisayara aktarma konusunda yazılım yöntemlerinden biri de yapay sinir ağları ve yapay zeka’dır. Bu çalışmada, yapay sinir ağlarının düzeltme yöntemi olarak kullanılmasıyla ilgili kapsamlı bir arastırma olusturulması amaçlanmıstır. Öncelikle yapay zeka kavramından bahsedilmis, yapay zekanın bir alt baslığı olan yapay sinir ağları kullanılarak Yapısal İş İstatistikleri Ana Soru Kağıdı (A101) için düzeltme yöntemi öngörülerinde bulunulmustur. Yapmıs olduğumuz bu öngörülerin somut verilerle elde edilen basarısı değerlendirilmistir. Özellikle soru kağıdı üzerindeki nitelikli isgücünü arttırması ve cevaplayıcı yükünü azaltması gibi belirgin avantajları nedeniyle yapay sinir ağlarını, soru kağıtları için düzeltme yöntemi olarak kullanmanın gerekliliği çok önemlidir. Standart uygulamaların altyapısı ancak insani unsurların tam kontrollü sistemlere aktarılmasıyla mümkün olacaktır. Ancak yıllık olarak derlenen soru kağıtlarından elde edilen verilerin su an için sınırlı sayıda olması ve ilgili periyotta birçok farklı değiskenden etkilenmesi gibi nedenlerle uygulama üzerinde daha çok arastırma yapılmalıdır.
Filyos Hisarönü Dalga Verilerinin Yapay Sinir Ağları, ARIMA Modelleri ve Melez Modeller ile TahminiBundan sonrada FannTool'un kullanılacağı tez veya projeler için hertürlü yardımı yapmaya ve bittikten sonrada tantımlarını buradan yapmayı planlıyoruz. Tabi haber ederseniz....
Zaman serilerinin çözümünde birçok yaklaşım kullanılmaktadır. Kıyı yapılarının projelendirilmesinde, özellikle proje sahasında yapılan ölçümlerden elde edilen verilerin kullanılması yapılacak projenin devamlılığı açısından önemlidir. Bu çalışmada planlanan Filyos Limanı için yörede yapılan dalga yüksekliği ölçüm verileri kullanılmıştır. Bu verilerin oluşturduğu zaman serisi elde olmayan sebeplerden dolayı kesintilere uğramıştır. Eksik kalan dalga yüksekliği verileri Yapay Sinir Ağları, ARIMA Modelleri ve Melez Modeller kullanılarak tamamlanmıştır. Yapay Sinir Ağı Modeli seçilen zaman serisine en iyi uyumu sağlamasına rağmen, ARIMA Modeli diğer serilere Yapay Sinir Ağı modelinden daha yakın sonuçlar verdiğinden dolayı göz ardı edilmemelidir.
( T1 , T2 , T3 , T4) -> T5
( T2 , T3 , T4, T5 ) -> T6
( T3 , T4 , T5, T6 ) -> T7
...
Restate my assumptions.
-One: Mathematics is the language of nature.
-Two: Everything around us can be represented and understood through numbers.
-Three: If you graph the numbers of any system, patterns emerge. Therefore, there are patterns everywhere in nature.
-Evidence: The cycling of disease epidemics, the wax and wane of caribou populations, sun spot cycles, the rise and fall of the Nile.
So, what about the stock market? The universe of numbers that represents the global economy. Millions of hands at work, billions of minds. A vast network, screaming with life. An organism. A natural organism.
-My hypothesis: Within the stock market,|there is a pattern as well... Right in front of me, hiding behind the numbers. Always has been.
The main idea of this data set is to prepare the algorithm of the expert system, which will perform the presumptive diagnosis of two diseases of urinary system. It will be the example of diagnosing of the acute inflammations of urinary bladder and acute nephritises. For better understanding of the problem let us consider definitions of both diseases given by medics. Acute inflammation of urinary bladder is characterised by sudden occurrence of pains in the abdomen region and the urination in form of constant urine pushing, micturition pains and sometimes lack of urine keeping. Temperature of the body is rising, however most often not above 38C. The excreted urine is turbid and sometimes bloody. At proper treatment, symptoms decay usually within several days. However, there is inclination to returns. At persons with acute inflammation of urinary bladder, we should expect that the illness will turn into protracted form.
Acute nephritis of renal pelvis origin occurs considerably more often at women than at men. It begins with sudden fever, which reaches, and sometimes exceeds 40C. The fever is accompanied by shivers and one- or both-side lumbar pains, which are sometimes very strong. Symptoms of acute inflammation of urinary bladder appear very often. Quite not infrequently there are nausea and vomiting and spread pains of whole abdomen. The data was created by a medical expert as a data set to test the expert system, which will perform the presumptive diagnosis of two diseases of urinary system. The basis for rules detection was Rough Sets Theory. Each instance represents an potential patient
Attribute Information:
a1 Temperature of patient { 35C-42C }
a2 Occurrence of nausea { yes, no }
a3 Lumbar pain { yes, no }
a4 Urine pushing (continuous need for urination) { yes, no }
a5 Micturition pains { yes, no }
a6 Burning of urethra, itch, swelling of urethra outlet { yes, no }
d1 decision: Inflammation of urinary bladder { yes, no }
d2 decision: Nephritis of renal pelvis origin { yes, no }
File->Load ANN
File->Load Test File
ÖZET
1980’li yılların başından itibaren mühendislikte artarak uygulama alanı bulan yapay sinir ağları yöntemi, temelinde insan beyninin çalışma ilkelerini taklite derek çalışan bir problem çözümleme yöntemidir. Yöntemin en önemli özelliği gerçek veriler ile kurulan modelin eğitilmesi ve eğitilmiş olan modelin yeni veriler için sonuç üretebilmesidir. Bu bağlamda kurulan model sürekli olarak yeni veriler ile sürekli kendini yenileyebilmesidir. Diğer bir deyişle model sürekli öğrenerek kendini geliştirebilmektedir. Bu çalışmada, bina türü projelerde kaba yapı maliyetleri içerisinde önemli yer tutan kalıp işlerine ait adam-saat ve verimlilik değerlerinin sağlıklı tahmini amacıyla yapay sinir ağları yöntemi ile bir karar destek sistemi oluşturulması hedeflenmiştir. Bu amaçla çalışmanın ilk aşamasında bir yapay sinir ağı oluşturulmuştur. Bu aşamanın en önemli kısmı girdi ve çıktı değişkenlerinin tespitidir. İkinci aşamada oluşturulan bu ağ elde mevcut bulunan üstyapı projelerine ait kalıp puantajları eğitilmiştir. Üçüncü ve son aşamada ise modelin sağlıklı çalışıp çalışmadığı farklı projelerden elde edilen veriler ile test edilmiştir.
ABSTRACT
With the growing amount of applications through the engineering processes since the early 1980, “Artificial Neural Networks” method is a problem solving technique which runs by imitating the basic working principles of a human brain. The most important feature of this method is the training of the model, which is created by the using of current real data values, therefore the corresponding trained model is able to produce consequences (outputs) according to the given new data values. The model that is created by such a technique can therefore update itself according to the new data sequences. In other words, the model can develop itselft via a continuously learning procedure. In this study; it is aimed to obtain a reliable decision back-up system which demonstrates reliable output values for the man-hour and efficiency analysis of a moulding operation, which takes an important part within the rough construction costs. For that purpose, an artificial neural network has been constructed at the first section of the study. The most important part of this section is the determination of the input and output variables. At the second section, the constructed network is trained with respect to the “moulding puantajları” that belong to the current up-structure projects. At the third stage, the reliability of the model has been checked according to the data values that are obtained from the different projects.
Murat SÖNMEZ
FannTool'un kılavuzunu hazırlamak için kullandığım diğer bir veride Parkinson Hastalığınının kişinin konuşmasından teşhisi üzerineydi. Kılavuzu boştan yere şişirmemek için oraya koyamadım ama yayınlanmadan kalmasınınada gönlüm razı olmadı.
