You are on page 1of 167

5 International Advanced Technologies Symposium (IATS09), May 13-15, 2009, Karabuk, Turkey

th

A NEW METHOD FOR COMPOSING CLASSIFICATION RULES: AR+OPTBP


a, *

Humar KAHRAMANLIa, * and Novruz ALLAHVERDb

Seluk niversitesi, Teknik Eitim Fakltesi Elektronik ve Bilgisayar Eitimi Blm , Konya, TRKYE, E-mail: hkahramanli@selcuk.edu.tr b Seluk niversitesi, Teknik Eitim Fakltesi Elektronik ve Bilgisayar Eitimi Blm , Konya, TRKYE, E-mail: noval@selcuk.edu.tr

Abstract Although Artificial Neural Network (ANN) usually reaches high classification accuracy, the obtained results sometimes may be incomprehensible. This fact is causing a serious problem in data mining applications. The rules that are derived from ANN are needed to be formed to solve this problem and various methods have been improved to extract these rules. In our previous works Artificial Immune Systems (AIS) algorithm has been used to extract rules from trained ANN and has been applied to various databases [11, 41-43]. In this study, association rules have been composed using Apriori algorithm and transactions, which provide these rules, were eliminated. This provides shrinking database. Then ANN has been trained and used Opt-aiNET for composing rule set. Its been observed that this method increased classification accuracy despite decreasing number of rules. Keywords: Association Rules, Artificial Neural Networks, Artificial Immune Systems, Optimization, Rule Extraction. 1. Introduction Data mining is a process of inductively analyzing data to find interesting patterns and previously unknown relationships in the data. Typically, these relationships can be translated into rules that are used to predict future events or to provide knowledge about interrelationships among data [1]. Association rule discovery is an important task in data mining, which aims to find the correlations among items in a transactional database [2]. Association is a set of items found in a database, which provides useful and actionable insights into the structure of the data [3]. Classification is another important task in data mining, which aims to predict the classes of future data objects [2]. Classification is the task of building a model (classifier) from a training data set of given class labels in order to classify data of unknown class labels by the determined model. While in a typical data the class labels must be categorical attributes, the remaining, so-called predictor attributes can contain continuous or numerical features [4] In the previous years, researchers developed varieties of classification algorithms. The most commonly used classification algorithms are NewID, AC2, CAL5, CN2, C4.5, IndCART, Bayes Tree, ITrule, k-nearest neighbor, radial basis function, Naive Bayes, Polytrees, Kohonen self-organizing net, LVQ, Hard K means and Fuzzy CMeans. One of the most commonly used classifier techniques is artificial neural networks. Neural networks usually provide high classification accuracy. However, the knowledge acquired by such models is generally incomprehensible for humans. This fact is a major obstacle

in data mining applications, in which ultimately understandable patterns (like classification rules) are very important [5]. Trained ANNs are often viewed as black boxes which map input data onto an output representation through a number of mathematically weighted connections between layers of neurons [6]. ANN generally suffers from a drawbackthey operate as a black box and they do not have an explanatory facility to justify their predictions [7]. ANN can generalize knowledge formed during training and they are relatively insensible to noise included in data, but they do not produce the explanation of their final decision [8]. Thus, knowledge captured by neural networks is not transparent to users and cannot be verified by domain experts [9]. This may cause some problems in practice. To solve this problem, researchers are interested in developing a humanly understandable representation for neural networks. This can be achieved by extracting production rules from trained neural Networks [9]. Rule extraction techniques seek to clarify to the user how the network arrived at its decision [10]. In our previous work, a method for mining classification rules named as OPTBP had been presented [11]. In this study, an AR+OPTBP method was proposed for mining classification rules. This method consists of three-stages. In the first stage, the association rules have been discovered for the classes and data, which provide these rules, were eliminated. This provides the training time to become a little short. The Apriori algorithm is used for mining association rules. In the second stage, neural network has been trained. In the third stage, Opt-aiNET has been executed for extraction rules from this ANN. 2. Literature review Mining association rules is a popular and well researched method for discovering interesting relations between variables in large databases [12]. Agrawal et al. [13] presented the first algorithm using the support-confidence framework to mine frequent itemsets and association rules. Agrawal and Srikant [14] developed Apriori algorithm, which is a level-wise, breadth-first algorithm, which counts transactions. Liao et al. [15] proposed the Apriori algorithm as a methodology of association rules for data mining, which is implemented for mining marketing map knowledge from customers. Lazcorreta et al. [16] had been introduced a new method towards automatic personalized recommendation based on the behavior of a single user in accordance with all other users in web-based information systems. Karabatak and Ince [17] are used association rules for reducing for reducing the dimension of breast cancer database and ANN for intelligent classification. In the literature, there are many different approaches for the rule extraction. One of the first rule extraction

IATS09, Karabk University, Karabk, Turkey

Kahramanl, H. ve Allahverdi, N.

techniques from neural networks was proposed by Gallant [18]. He was working on connectionist expert systems. In this work, each ANN node represents a conceptual entity. Towell and Shavlik [19] showed how to use ANNs for rule refinement. The algorithm was called SUBSET, which is based on the analysis of the weights that make a specific neuron active. Alexander and Mozer [20] developed a rule extraction method, based on connection weights, that supposes activation functions showing approximately Boolean behavior. Sethi and Yoo [21] developed a rule extraction method based on the connection weights. Keedwell et al. [6, 22] developed a system in which a genetic algorithm is used to search for rules in the ANN input space. Garcetz et al. [23] presented a method to extract non-monotonic rules from ANNs formed by discrete input units. Snyders and Omlin [24] compared the performance of symbolic rules extracted from ANNs trained with and without adaptive bias, giving empirical results for a molecular biology problem. Jiang et al. [25] proposed that combines ANNs and rule learning. The proposed algorithm utilizes a ANN ensemble as the frontend process, which generates abundant training instances for the back-end rule learning process. Setiono et al. [26] presented an approach for extracting rules from ANNs trained in regression problems. Elalfi et al. [27] presented an algorithm for extracting rules from databases via trained ANN using genetic algorithm. In summary, most of the approaches described in the literature have basically two motivations. On the one hand, some authors noticed the need for simplification of neural networks to facilitate the rule extraction process, and are in favor of using specialized training schemes and architectures to perform such task. The assumption underlying these approaches is that neural networks can help the extraction of interesting rules. On the other hand, some papers have proposed algorithms mainly intended to clarify the knowledge encoded in previously trained ANNs [5]. In our previous work, we presented a method for rule extraction from trained neural networks using artificial immune systems named as OPTBP [11]. This study has been focused on the problem for generating classification rules. The study on rule extraction from trained ANN is based on the work of Elalfi et al. [27] and presents algorithm for extracting rules from neural network using artificial immune systems with discovering preprocessing of association rules. In this study, an AR + OPTBP method was proposed for mining classification rules. This method consists of threestages. In the first stage, the association rules have been discovered for classes and datas, which provide this rules, has been eliminated. This provides the training time to become a little shorter. The Apriori algorithm has been used for mining association rules. In the second stage, neural network has been trained. In the third stage, OptaiNET has been executed for extraction rules from this ANN.

3. Study Environment and Background Theories 3.1. Association rules and Apriori algorithm The problem of mining association rules from database of transactions was introduced by Agrawal et al. [13]. Let A be a set of items, X A , T is a database of transactions and n is the number of transactions. The support of an itemset X, is defined as follows:

sup( X ) =

freq ( X ) n

(1)

where freq(X) is the number of transactions in which X occurs as a subset. A rule is an implication of the form X Y , where X , Y A and X I Y = . X and Y are called as antecedent and consequent of the rule respectively. The support of the rule is expressed as follows:

sup( X Y ) =

freq ( X U Y ) n

(2)

The confidence of the rule is defined as follows:

conf ( X Y ) =

sup ( X Y ) sup( X )

(3)

The Apriori algorithm has been used to generate association rules. The Apriori algorithm works iteratively. It first finds the set of large 1-item sets, and then set of 2itemsets, and so on. The number of scan over the transaction database is as many as the length of the maximal item set [17]. The algorithm works is as follows [28]: The algorithm finds the frequent sets L in database D. Find frequent set Lk 1. Join Step. o Ck is generated by joining Lk 1with itself Prune Step. o Any (k1) -itemset that is not frequent cannot be a subset of a frequent k itemset, hence should be removed. where (Ck: Candidate itemset of size k) (Lk: frequent itemset of size k) 1) 2) 3) Apriori Pseudocode Apriori

(T , ) L1 { large

1-itemsets that appear in more than

transactions
k 2 while Lk 1

Ck Generate ( Lk 1 ) for transactions t T

Kahramanl, H. ve Allahverdi, N.

Ct Subset ( Ck , t )
for candidates

c Ct count[c] count[c] + 1
k k +1

Lk {c Ck count[c] }

return

UL
k

3.2. Backpropagation ANNs have always been regarded as the most powerful and universal predictor of all of the various kinds [29]. Considering a typical backpropagation network, there are three layers namely input, output and at least one hidden layer. Each neuron in a layer is connected with all the neurons of consecutive layer. There is no connection between the neurons in the same layer or like a type of feedback. Backpropagation is a technique based on supervised learning and is used for training artificial neural networks. First description of it was by P. Werbos in 1974, and later development of it by D. E. Rumelhart, G. E. Hinton and R. J. Williams in 1986 [30]. The way of backpropagation to learn is to process a set of training samples iteratively, to compare the networks prediction for each sample with the actual known class label. In order to minimize the mean squared error between the networks prediction and the actual class, the weights are modified for each training sample [26]. The output of j unit is calculated by using sigmoid activation function as follow:

living organisms [31]. The main purpose of the immune system is to recognize all cells (or molecules) within the body and categorize those cells as self or non self [32] and protect the organism against disease-causing cells called pathogens and to eliminate malfunctioning cells [33]. All elements recognizable by the immune system are called antigens [33]. There are two types of antigens: self and non-self. Non-self antigens are disease-causing elements, whereas self-antigens are harmless to the body [34]. There are two major groups of immune cells: B-cells and T-cells which helps in recognizing an almost limitless range of antigenic patterns. It was discovered that people who had been inoculated against diseases contained certain agents that could in some way bind to other infectious agents. These agents were named antibodies [35]. AIS is a computational technique inspired by ideas coming from immunology and used to develop adaptive systems capable to solve different domain problems [31]. The AIS [35] have become popular over the last year. Applications of AIS include pattern recognition, fault and anomaly detection, data mining and classification, scheduling, machine learning, autonomous navigation, search and optimization areas [36]. The acronym opt-aiNET stands for Optimization version of an Artificial Immune Network [35]. It is a particular type of artificial immune system developed to solve optimization problems [37]. Opt-aiNET is capable of either unimodal or multimodal [38]. The opt-aiNET is a valuable tool for solving a wide range of optimization problems for two main reasons: 1. It presents a good balance between exploration and exploitation of the seach-space; 2. Differently from other evolutionary proposals, it contains a mechanism devised to regulate population size and to maintain the diversity [37]. The opt-aiNET algorithm borrows ideas from two main theories about how the immune system operates, namely, clonal selection and the immune network theory [37]. Depending upon the extent of the infection, a large number of B-cells and T-cells may be required to handle the infection successfully and effectively. The size of subpopulations of these cells is controlled by a process termed clonal selection [33]. The clonal selection is the theory used to explain how an immune response is mounted when a non-self antigenic pattern is recognized by a B-cell [39]. It establish the idea that only those cells capable of recognizing an antigenic stimulus will proliferate and differentiate into effector cells, thus being selected against those that do not [35]. In brief, when a B-cell receptor (antibody) recognizes a nonself antigen with a certain affinity, it is selected to proliferate and it produces antibodies in high volumes. Proliferation in the case of immune cells is asexual, a mitotic process; the cells divide themselves (there is no crossover). During reproduction, the B-cell progenies (clones) undergo a mutation process with high rates (hypermutation) that, together with a strong selective pressure result in B-cells with antigenic receptors presenting higher affinities with selective antigen. This whole process of mutation and selection is known as Affinity maturation or Immune response. In addition to differentiating into antibody producing cells, the activated B-cells with high antigenic affinities are selected to become

1+ e i where wij is the weight of the connection from unit i in the


previous layer to unit j; previous layer; and

Oj =

1
wijOi + j

(4)

Oi is the output of unit i from the


is the threshold of the unit.

Weights are updated by the following equation:

wij = wij + l * E j * Oi

(5)

where, l is the learning rate. For a unit j in the hidden layer, the error is computed as follows:

E j = O j 1 O j

) E k w jk
k

(6)

For a unit j in the output layer, the error is computed as follows:

E j = O j 1 O j T j O j

)(

(7)

3.3. Artificial Immune System Immune systems are naturally existing mechanisms which are responsible for detecting and coping with intruders in

Kahramanl, H. ve Allahverdi, N.

memory cells with long life spans. These memory cells are pre-eminent in future response to this same antigenic pattern, or similar one. The mainly features of the clonal selection principle are affinity proportional reproduction and mutation. In other words, the proliferation rate of each immune cell is proportional to its affinity with the selective antigen. The higher affinity, the higher number of offspring generated. The mutation suffered by each immune cell during reproduction is inversely proportional to the affinity of the cell receptor with the antigen. The higher affinity, the smaller mutation, and vice versa [35]. The immune network theory was proposed by N. K. Jerne in 1974 [35]. This theory describes the immune system as being composed of cells and molecules that interact with each other in a network-like from. These self-interaction patterns suggest a dynamic immune system with eigenbehaviors even in the absence of foreign stimulation (antigens). An antigen would thus be responsible for disturbing a self-organizing and self-sustainable system [37]. The opt-aiNET algorthm can be described as follows [35]: 1. Initialization: create an initial random population of network antibodies; 2. Local search: while stopping criterion is not met, do: Clonal expansion: for each network antibody, determine its fitness and normalize the vector of fitnesses. Generate a clone for each antibody, i.e., a set of antibodies which are the exact copies of their antibody; Affinity maturation: mutate each clone inversely proportionally to the fitness of its parent antibody that is kept unmutated. For each mutated clone, select the antibody with highest fitness, and calculate the average fitness of the selected antibodies; Local convergence: if the average fitness of the population does not vary significantly from one iteration to the other, go to the next step; else, return to Step 2; 3. Network interactions: determine the affinity (similarity) between each pair of network antibodies; 4. Network suppression: eliminate all network antibodies whose affinity is less than a prespecified threshold, and determine the number of remaining antibodies in the network; these are named memory antibodies;

5.

Diversity: introduce a number of new randomly generated antibodies into the network and return to Step 2.

5. Evaluation In our previous work, a method named as OPTBP for mining classification rules had been presented [11]. In this study, an AR + OPTBP method has been proposed for mining classification rules. This method consists of threestages: 1- Minig assosiation rules and eliminating; 2-Classification of data; 3- Rule extraction. In the first stage, the association rules which were discovered for classes and data, that provide these rules have been eliminated. This provides the training time to become a little shorter. The Apriori algorithm has been used for mining association rules. Data elemination, which provide association rules, has been inspired by the work of Karabatak and Ince [17]. In the second stage, neural network has been trained. In the third stage, Opt-aiNET has been executed for extraction rules from this ANN. Data coding, classification and rule extraction are same as the previous study [11]. After training, a nonlinear function that depends on input vector X , has been obtained [11]
1 m xi *wij + j k 1+ e i =1 *v j + j =1 C ( X ) = 1 + e

(8)

The used dataset is the Cleveland heart disease from UCI Machine Learning Repository [40]. This dataset contains 303 samples that are taken from patients with heart problem. The dataset has 13 attributes. The dataset has two classes and the classes are coded as 0 and 1 for absence and presence, respectively. The attributes have different range values in the database and these ranges of the data can be seen in Table 1. The sub-intervals used to coding of attribute values are summarized in the third column of the Table 1.

Table 1. Attribute names, range values and coding of the attributes for Cleveland Heart Disease database Attribute
Age Sex Chest Pain Type resting blood pressure serum cholesterol in mg/dl fasting blood sugar >120 mg/dl resting electro cardiographic results

Range
29 - 77 Male , Female angina , asympt , notang , abnang 94 - 200 126 - 564 0,1 norm , abn , hyper

Subintervals
[29, 50] , (50,60) , [60, 77] {male} , {female} {angina} , {asympt} , {notang} , {abnang} [94, 115] , (115, 140) , [140, 200] [126, 220] , (220, 300) , [300, 564] {0} , {1} {norm} , {abn} , {hyper}

No. Of inputs
3 2 4 3 3 2 3

Kahramanl, H. ve Allahverdi, N.

maximum heart rate achieved exercise induced angina oldpeak=ST depression induced by exercise relative to rest the slope of the peak exercise ST segment number of major vessels (0-3) colored by fluoroscopy thal

71 202 0,1 0 6.2 up , flat , down 03 norm, fixed, rever

[71, 120] , (120, 150) , [150, 202] {0} , {1} [0, 0.6] , (0.6, 1.6), [1.6, 6.2] {up} , {flat} , {down} {0} , {1} , {2} , {3} {norm} , {fixed } , {rever}

3 2 3 3 4 3

To solve the problem, firstly an Apriori algorithm has been executed. As a result of Apriori, four rules have been discovered. All of rules have %100 confidence. The discovered rules have been presented in Table 2. As a result of this stage 47 transactions have been eliminated. Table 2. The discovered Association rules for the
No 1. Rule IF age 29,

The dataset which is same as the application part of the previous study, are used in this study [11]. Eventually, increment of accuracy and decrement of number of the extracted rules have been seen when AR+OPTBP has been used. This also means decrement of the decision time. In spite of the number of rules decreased relatively with respect to the previous study, its not reasonable. Therefore, in future works, classification with fewer rules by decreasing the number of rules has been aimed. References Rajasethupathy, K., Scime, A., Rajasethupathy, K.S., & Murray, G.R. Finding persistent rules: Combining association and classification results. Expert Systems with Applications, doi:10.1016/j.eswa.2008.06.090, 2008. [2] Thabtah, F.A., & Cowling, P.I. A greedy classification algorithm based on association rule. Applied Soft Computing, 7, 11021111, 2007. [3] Hahsler, M. A Model-Based Frequency Constraint for Mining Associations from Transaction Data. Data Mining and Knowledge Discovery, 13, 137166, 2006. [4] Pach, F.P., Gyenesei, A., & Abonyi, J. Compact fuzzy association rule-based classifier. Expert Systems with Applications, 34, 24062416, 2008. [5] Hruschka, E. R., & Ebecken, N. F. F. Extracting rules from multilayer perceptrons in classification problems: A clustering-based approach. Neurocomputing, 70, 384397, 2006. [6] Keedwell, E., Narayanan, A., & Savic, D. Evolving rules from neural networks trained on continuous data. Evolutionary Computation. In Proceedings of the 2000 congress on evolutionary computation, 2000. [7] Tan, S.C., Lim, C.P., & Rao, M.V.C. A hybrid neural network model for rule generation and its application to process fault detection and diagnosis. Engineering Applications of Artificial Intelligence, 20, 2, 203-213, 2007. [8] Markowska-Kaczmara, U., & Trelak, W. Fuzzy logic and evolutionary algorithmtwo techniques in rule extraction from neural Networks. Neurocomputing, 63, 359379, 2005. [9] Huang, S. H., & Xing, H. Extract intelligeble and concise fuzzy rules from neural networks. Fuzzy Sets and Systems, 132, 233243, 2002. [10] Plikynas, D. Decision Rules Extraction from Neural Network: A Modified Pedagogical Approach. Informacines Technologijos ir Valdymas, 2, 31, 2004. [11] Kahramanl, H. & Allahverdi, N. Kalp Hastalklar Veri Taban iin Snflandrma Kurallarnn Bulunmas, [1]

50 & sex=female & rest_ecr=true Then 50 & cpt= abnang & oldpeak 0, 0.6 50 & max_hra 71, 120 Then sick 50 & number_maj_ves=3 Then sick

healthy 2. IF age 29, Then healthy 3. IF age 29, 4. IF age 29,

Secondly, a neural network has been constructed. Each attribute value has been coded as a binary string for being used as input to the network. Table 1 has been used for coding of attribute values. With the coding scheme that is shown in Table 1, we had a total of 38 binary inputs. As the patients were classified into two classes, a single unit of the output layer was sufficient. The targeted output was 1 if the patient belonged to Class 1, and 0, otherwise. The number of neurons in the hidden layer has been taken as five. Thirdly, the Opt-aiNET algorithm has been applied to solve the equation (8) and in order to get the vectors, which maximizes or minimizes that function. Multiplying factor is 0.5 and mutation rate is 10. The Opt-aiNET has been then run with a population of 20 for 20000 generation for each classification. All parameters have been chosen empirically for the best convergence rate between the actual and desired output. Both the maximum and minimum of output antibodies have been determined and will be translated into rules. Classification accuracy, of the proposed system is 97.7%. 6. Conclusion In our previous work, a method named as OPTBP for rule extraction from trained neural networks using artificial immune systems, have been presented [11]. In this study, an AR + NN + AIS method named as AR+OPTBP has been proposed for mining classification rules. This method consists of three-stages: 1- Minig assosiation rules and eliminating; 2-Classification of data; 3- Rule extraction.

Kahramanl, H. ve Allahverdi, N.

[12] [13]

[14]

[15] [16]

[17]

[18] [19] [20]

[21] [22]

[23]

[24]

[25]

[26]

[27]

[28]

IEEE 16. Sinyal leme, letiim ve Uygulamalar Kurultay, 2008. Hahsler, M., Buchta, C., & Hornik, K. Selective Association Rule Generation. Computational Statistics, 23, 303315, 2008. Agrawal, R., Imielinski, T., & Swami, A. Mining association rules between sets of items in large databases. In Proceedings of the ACM SIGMOD International Conference on Management of Data, 207216, Washington D.C, 1993. Agrawal, R. & Srikant, R., (1994). Fast Algorithms for Mining Association Rules. In JB Bocca, M Jarke, C Zaniolo (eds.), Proc. 20th Int. Conf. Very Large Data Bases, VLDB, 487499. Morgan Kaufmann. Liao, S-H., Chang, W-J., & Lee, C-C. Mining marketing maps for business alliances. Expert Systems with Applications, 35, 13381350, 2008. Lazcorreta, E., Botella, F., & Fernandez-Caballero, A. Towards personalized recommendation by twostep modified Apriori data mining algorithm. Expert Systems with Applications, 35, 14221429, 2008. Karabatak, M., & Ince, M.C. An expert system for detection of breast cancer based on association rules and neural network. Expert Systems with Applications, doi:10.1016/j.eswa.2008.02.064, 2008. Gallant, S. I. Connection expert systems. Communications of the ACM, 31(2), 152169, 1988. Towell, G. G., & Shavlik, J. Extracting refined rules from knowledge-based neural networks. Machine Learning, 13, 71101, 1993. Alexander, J. A., & Mozer, M. C. Template-based algorithm for connectionist rule extraction. In G. Tesauro, D. Touetzky, & T. Leen (Eds.). Advances in neural information processing systems, 7. Cambridge, MA: MIT Press, 1995. Sethi, I., & Yoo, J. Multi-valued logic mapping of neurons in feedforward networks. Engineering Intelligent Systems, 4(4), 153243, 1996. Keedwell, E., Narayanan, A., & Savic, D. Creating rules from trained neural networks using genetic algorithms. International Journal of Computers Systeming Signals (IJCSS), 1(1), 3042, 2000. Garcez, A. S. D., Broda, K., & Gabbay, D. M.. Symbolic knowledge extraction from trained neural networks: A sound approach. Applied Intelligence, 125, 155207, 2001. Snyders, S., & Omlin, C. Rule extraction from knowledge-based neural networks with adaptive inductive bias. In Proceedings of the eighth international conference on neural information processing (ICONIP), 1, 143148, 2001. Jiang, Y., Zhou, Z., & Chen, Z. Rule learning based on neural network ensemble. In Proceedings of the international joint conference on neural Networks, 14161420, Honolulu, 2002. Setiono, R., Leow, W. K., & Zuarada, J. M. Extraction of rules from artificial neural networks for nonlinear regression. IEEE Transactions on Neural Networks, 13(3), 564577, 2002. Elalfi, A. E., Haque, R., & Elalami, M. E. Extracting rules from trained neural network using GA for managing E-business. Applied Soft Computing, 4, 2004. http://en.wikipedia.org/wiki/Apriori_algorithm, last accessed : 10 January 2009.

[29] C. Shin, U.T. Yun, H.K. Kim, & S.C. Park, A hybrid Approach of Neural Network and Memory-Based Learning to Data Mining, IEEE Transactions on Neural Networks, 11 (3), 637-646, 2000. [30] http://en.wikipedia.org/wiki/Backpropagation, last accessed: 10 January 2009. [31] Seredynski, F., & Bouvry, P. Anomaly detection in TCP/IP networks using immune systems paradigm. Computer Communications, 30, 740749, 2007. [32] A. Kalinli & N. Karaboga, Artificial immune algorithm for IIR filter design, Engineering Applications of Artificial Intelligence 18, 919-929, 2005. [33] P. Musilek, A. Lau, M. Reformat & L. Wyard-Scott, Immune Programming, Information Sciences 176, 972-1002, 2006. [34] A. Kumar, A. Prakash, R. Shankar, & M.K. Tiwari, Psycho-Clonal algorithm based approach to solve continuous flow shop scheduling problem, Expert System with Applications 31, 504-514, 2006. [35] L.N. de Castro & J. Timmis, Artificial Immune Systems: A New Computational Intelligence Approach, Springer. UK, 2002. [36] T. Hou, C. Su & H. Chang, Using neural Networks and immune algorithms to find the optimal parameters for an IC wire bonding process, Expert System with Applications 34, 427-436, 2008. [37] R.R. de Attux, L.T. Duarte, R. Ferrari, C.M. Panazio, L.N. de Castro, F.J. Von Zuben & J.M.T. Romano, MLP-Based Equalization and Pre-Distortion Using An Artificial Immune Network, IEEE Workshop on Machine Learning for Signal Processing, 177-182, 2005. [38] J. Timmis & C. Edmonds, A Comment on opt-AiNET: An Immune Network Algorithm for Optimisation, D. Kalyanmoy et.al. (eds), Genetic and Evolutionary Computation, Vol. 3102, Lecture Notes in Computer Science, Springer, 308-317, 2004. [39] G.L. Ada & G.J.V. Nossal, The clonal selection theory, Sci. Am. 257 (2), 50-57, 1987. [40] [http://www.ics.uci.edu/~mlearn/MLRepository.html], Irvine,CA: University of California, Department of Information and Computer Science, 1988, last accessed: 12 January 2007 [41] Kahramanli H. & Allahverdi, N., Rule extraction from trained adaptive neural networks using artificial immune systems, Expert Systems with Applications, Vol. 36, 2009 [42] Kahramanli H. & Allahverdi, N., Extracting rules for classification problems: AIS based approach, Expert Systems with Applications, Vol. 36, 2009, In press. [43] Kahramanli H. & Allahverdi, N., Mining Classification Rules for Liver Disorders, International Journal of Mathematics and Computers in Simulation, Vol. 3, 2009.

5. Uluslararas leri Teknolojiler Sempozyumu (IATS09), 13-15 Mays 2009, Karabk, Trkiye

OK AMALI GENETK ALGORTMALAR N BR EVRMDII PERFORMANS DEERLENDRMES AN OFFLINE PERFORMANCE EVALUATION FOR MULTI-OBJECTIVE GENETIC ALGORITHMS
a, *

Tahir SA a, * ve Mehmet UNKA a Seluk niversitesi Teknik Eitim Fakltesi Elektronik ve Bilgisayar Eitimi Blm, Konya, Trkiye E-posta : tahirsag@selcuk.edu.tr, mcunkas@selcuk.edu.tr zm, bu zmlerin kmesine de Pareto-Optimal zmler Kmesi denir. Pareto-Optimal zm; amalarn herhangi biri iin en kt olmayan ve en azndan bir ama iin dierlerinden daha iyi olan zmdr. Dier bir ifadeyle zm kmesindeki dier herhangi bir zm tarafndan bastrlmam olan zmdr. Optimizasyon problemlerinin zmnde ncelikle dorusal modellemeler kullanlm, ancak bu yntemler, her problemin zm iin yeterli olmad grlmtr. Son zamanlarda, ok amal optimizasyon problemlerinin zmnde genetik ve evrimsel algoritmalar yaygn olarak kullanlmaya balanmtr [1,2]. ok amal genetik algoritmalarn performanslarn deerlendirmede Pareto yzeyin bulunmas nemli bir gstergedir. Bu almada, Vektr Deerlendirmeli Genetik Algoritma (VEGA), ok Amal Genetik Algoritma (MOGA), Hcrelendirilmi Pareto Genetik Algoritmas (NPGA), Bastrlmam Snflandrmal Genetik Algoritma (NSGA), Bastrlmam Snflandrmal Genetik Algoritma II (NSGAII), Kuvvet Pareto Evrimsel Algoritma (SPEA), Kuvvet Pareto Evrimsel Algoritma 2 (SPEA2) ve Pareto Zarflama-Temelli Seim Algoritmas (PESA), ok amal optimizasyon problemlerinin zmnde kullanlarak evrimd performans deerlendirmeleri yaplmtr. Bu algoritmalarn bir ksm Zitzler ve ark. [3,4] tarafndan yaplan bir almada birbiriyle karlatrlarak performanslar deerlendirilmitir. Ancak bu alma, yukarda zikredilen algoritmalarn, pareto yzey bulma becerisinin birlikte deerlendirilmesi asndan nemlidir.

zet
Genetik algoritmalarda optimal zm(ler), evrimsel srelere maruz brakldktan sonra, muhtemel zm(ler) kmesinden elde edilir. Eer optimize edilecek tek bir ama varsa, problem tek amal optimizasyon problemi, birden fazla ama olmas durumunda ise ok amal optimizasyon problemi olarak tanmlanr. Bu alma, ok amal optimizasyon problemlerinin zmnde kullanlan genetik algoritma tekniklerini incelemektedir. Bu alanda var olan sekiz ayr algoritma test problemleri kullanlarak, evrimd bir deerlendirme kriterinin nda performanslar karlatrld. Yazarlar tarafndan gelitirilen editr yardmyla, sekiz algoritmann tamam altrld ve her biri iin ayr bir Pareto-Optimal zmler kmesi bulundu. Elde edilen sonular NSGAII algoritmasnn Pareto-Optimal zmler retmede en iyi performans gsterdiine iaret etmektedir. Anahtar Kelimeler: ok-Amal Genetik Algoritmalar, optimizasyon, test fonksiyonlar.

Abstract
In genetic algorithms, the optimal solution(s) is/are obtained, after being exposed to evolutionary processes, from a set of possible solution(s). If there exists a single objective to be optimized, the problem is defined as single-objective optimization problem; whereas in case of multiple objectives to be optimized, as multi-objective optimization problem. This paper focuses on genetic algorithm techniques employed to solve multi-objective optimization problems. In view of an offline evaluation criterion, performance tests were conducted to compare eight separate algorithms in existence in this field by exposing them to test problems. With the aid of the editor developed by the authors, all eight of the algorithms were executed and a separate set of Pareto-Optimal solutions were found for each. Findings have demonstrated that the NSGAII algorithm performs best in obtaining ParetoOptimal solutions. Keywords: Multi-Objective Genetic Algorithms, Optimization, test functions.

2. ok Amal Genetik Algoritmalar


Bu blmde, kullanlan ok amal genetik algoritmalar ksaca aklanmaktadr. VEGAda poplasyon, ama fonksiyon says kadar altpoplasyonlara blnr ve her bir ama kendi poplasyonunda basit genetik algoritmada olduu gibi ayrca aratrlr. Daha sonra elde edilen zmler yeniden tek bir poplasyon iinde birletirilir. Son olarak standart genetik algoritma operatrleri (aprazlama ve mutasyon) bu toplu poplasyona uygulanarak yeni poplasyon retilir [5]. VEGAnn bilinen genetik algoritmadan ayrlan tek yan birden fazla olan amalar iin ama fonksiyonu saysnca arama uzay alt blgelere ayrlmasdr. Shaffern nermi olduu VEGA; ok amal optimizasyon problemlerinin zmnde genetik algoritmalarn kullanlmas bakmndan nc bir alma nitelii tamaktadr. Ancak poplasyon temelli ve ilkel bir seim stratejisine sahip olmasndan dolay az sayda ve yalzca u noktalardaki zmlere odaklanan VEGAnn, verimsiz bir algoritma olduu aktr.

1. Giri
Gerek dnya problemleri genellikle birbiriyle elien birden fazla amacn e zamanl optimizasyonundan oluur. Amalarn her birini salayan tek bir zmn bulunmas her zaman mmkn olmayabilir. Bu durumda problem bilgisine sahip olan karar vericiden, amalarn her biri iin kabul edilebilir dzeyde olan alternatif zmlerden seim yapmas istenir. Bu zmlerin her birine Pareto-Optimal

IATS09, Karabk niversitesi, Karabk, Trkiye

Sa, T. ve unka, M.

Muratann nerdii MOGA poplasyon temelli bir evrimsel optimizasyon algoritmasdr [6]. Bu yaklamda oklu amalar, geleneksel yntemlere paralellik gstererek deiken arlkl katsaylarla saysal bir fonksiyon iinde birletirilir. Rasgele retilen bu katsaylar sayesinde MOGA, VEGAya gre daha iyi bir dalm gsterir. Ancak kt bir yaknsamaya sahiptir. Horn ve ark. [5] gelitirdii NPGA Goldbergin [7] ok amal optimizasyon problemlerinin zm iin pareto stnle dayal seim ilemini kullanr. Bylece, NPGA pareto stnle dayal turnuva seimi ve uygunluk paylam teknii kullanarak poplasyondaki eitliliin korunmasn salar. Srinivas ve Deb [8] tarafndan nerilen NSGAda poplsyon bastrlmamlk ilkesiyle derecelendirilir. Tm bastrlmam bireyler sahte uygunluk deeri ile bir kategori iinde snflandrlr. Kategori says poplasyon boyutuyla orantldr. Ayn kategorideki bireylerin hepsine ayn uygunluk deeri atanarak eit seviyede yeniden retilme potansiyeli salanr. Daha sonra poplasyonda eitlilii salamak iin paylam metodu uygulanr. lk yzeydeki bireyler geici olarak ihmal edilir ve kalan poplasyon ayn sreten geirilerek ikinci bastrlmam yzey tanmlanr. nceki yzeyin minimum paylalan sahte uygunluk deerinden daha kk tutulan yeni bir sahte uygunluk deeri yeni yzeydeki tm bireylere atanr. Bu ilem poplasyondaki tm bireyler snflandrlncaya kadar devam eder. Daha sonra Deb ve ark.[9] Pareto-Optimal yzeyde daha geni bir dalm bulabilen ve daha az bir hesaplama karmaklna sahip olan, hzl ve sekinlikli ok amal NSGAy (NSGA-II) gelitirdiler. Bu yaklamda ilk olarak rasgele

ekil 1: NSGA-II Prosedr SPEA2 [10], 1999da Zitzler tarafndan nerilen ve genellikle baarl sonular reten SPEA algoritmasnn; uygunluk atamas, younluk tahmini ve ariv kltme gibi konulardaki baz eksiklikleri gz nne alnarak gelitirilmitir. SPEA2 younluk bilgisini kullanan incetaneli (fine-grained) uygunluk atama stratejisini kullanr. Ayrca bastrlmam bireyleri harici olarak depolayan arivin boyutu da sabittir. Bastrlmam bireylerin says nceden tanmlanm ariv boyutundan daha kkse, ariv bastrlmam bireylerle doldurulur. Ek olarak; bastrlmam yzey ariv boyutunu at zaman kullanlan kmeleme teknii, benzer zellikleri olan ama snr noktalarn kaybetmeyen alternatif bir kltme yntemiyle deitirilmitir. Son olarak, SPEAdan bir baka fark seim ileminde sadece ariv yelerinin kullanlmasdr. Corne ve ark.[11] tarafndan nerilen PESA algoritmasnda seim ve eitliliin korunmas hiper-grid araclyla kontrol edilir. PESAnn seim yntemi; bastrlan zmlerin derecelendirilmesine bal olan sktrma faktr (squzee factor) ad verilen bir katsay kullanr. eitliliin salanmas iin kullanlan yntem ise, dier algoritmalarn da kullandklar yntemlere benzemektedir.

P0

ebeveyn

poplsyonu

oluturulur.

Poplasyon, Pareto stnlklerine dayal olarak sralanr. Her zmn uygunluu, kendi bastrlmamlk seviyesine eit olarak atanr. Sonra, bilinen ikili turnuva seimi, aprazlama ve mutasyon ilemcileri, N boyutlu

3. Deerlendirme Kriteri
Bu almada kullanlan deerlendirme kriteri, ayn problem iin farkl iki algoritmadan elde edilen sonular aralarnda mukayese eder [12]. ok-amal optimizasyonda istenen, tm amalar iin kabul edilebilir dzeyde olan, Pareto-Optimal yzeye doru bir yaknsama ve dalm gsteren zmlerin bulunmasdr. Buna gre bir algoritmann bulduu zmler dier algoritmann bulduu zmlerle Pareto stnlklerine dayal olarak karlatrlr. Sonu olarak birinci algoritmada elde edilen zmlerin, ikinci algoritmadan elde edilen zmlerin ne kadarn bastrd yzde olarak verilir. izelge 1: rnek Deerlendirme izelgesi

Q0 poplsyonunun

bireylerini oluturmak iin ebeveyn

poplsyona uygulanr. Sekinlik ilemi ise, nceki en iyi bastrlmam zmlerle mevcut poplsyon karlatrlarak gerekletirilecektir. Bu yzden, balang jenerasyonundan sonra prosedr farkl bir ekilde iler. NSGA-IInin alma prosedr ekil 1de grlmektedir. ncelikle, birleik poplsyon

Rt = Pt Qt

oluturulur.

Bu poplsyon 2N boyutundadr ve bastrlmamla gre sralanmaldr. nceki poplsyonun tm ve mevcut poplsyonun bireyleri

Rt

ye eklendii iin, sekinlik

garantilenmi olur. En iyi bastrlmam kme olan F1e ait olan zmler, birleik poplsyondaki en iyi zmlerdir ve birleik poplsyondaki dier zmlerden daha fazla vurgulanmaldrlar. Eer F1in boyutu Nden kkse, yeni poplsyon seilir.

Pt +1

iin F1 kmesinin tm yeleri kesin olarak

Algoritma A B

A 90

B 10 -

Pt +1

poplsyonunun kalan yeleri, oranlar

srasnda sonradan gelen bastrlmam yzeylerden seilir. Dier bir ifadeyle, srasyla nce F2 kmesinden, sonra F3 kmesinden zmler alnr ve bu ekilde devam edilir. Bu ilem eder.

Pt +1

poplsyonu doluncaya kadar devam

izelge 1de rnek olarak verilen deerlendirmeye baklacak olursa; A algoritmasnn zmleri, B algoritmasnn zmlerinin yzde 10unu bastrr. Ayn ekilde B algoritmasnn zmleri, A algoritmasnn zmlerinin yzde 90n bastrr.

Sa, T. ve unka, M.

4. Deneysel almalar
Bu blmde ok-amal evrim algoritmalarnn performanslarn deerlendirmek amacyla kullanlan test problemleri ve deneysel sonular aklanacaktr. Bu problemler literatrdeki nemli almalardan seilmitir. Problemler zorluk derecelerine gre kolaydan zora doru SCH, FON, ZDT1 ve ZDT4 srasyla verilmitir. Ayrca her problemin tanmndan sonra deerlendirme sonu izelgeleri de bu blmde sunulmutur. Deerlendirmenin objektif yaplabilmesi iin tm problemler iin ortak olan baz genetik algoritma parametre deerleri ile algoritmalarn balang poplsyonlar ayn alnmtr. Bu parametreler ve deerleri yledir: Jenerasyon says: aprazlama oran: Mutasyon oran: Sekinlik: tdom: Sigma share: 250 0.8 0.01 5 10 0.4886 izelge 3: FON Problemi in Algoritmalarn Bastrlmamlk Yzdeleri NSGAII SPEA2 0 4 20 55 69 92 57 SPEA2 0 0 0 0 98 50 98

MOGA

NPGA

NSGA

VEGA

SPEA

Alg. VEGA MOGA NPGA NSGA NSGA-II SPEA SPEA2 PESA

86 100 100 100 100 86 100

1 61 89 94 100 64 91

0 11 62 78 96 36 73

0 4 18 57 83 20 61

0 2 11 39 89 15 53

0 0 5 20 18 7 26

0 2 12 34 47 79 18 -

Fonseca ve Fleming tarafndan kullanlm olan FON problemi 3 parametreli ve 2 amal bir optimizasyon problemidir. VEGAya gre daha karmak olsa da kolay bir test problemidir. izelge 3deki deerlere bakldnda SPEA ve NSGAIInin daha iyi sonular rettii grlr. ZDT1 problemi (3) denklemlerinde verilmitir [14].

Ayrca aprazlama tr olarak tek noktal aprazlama, mutasyon tr olarak bitwise, mesafe kriteri olarak da klid mesafesi kullanlmtr. SCH problemi denklem(1)de verilmitir [13].

f 1 ( x1 , x 2 ,..., x m ) = x1

f1 ( x) = x 2 f 2 ( x) = ( x 2) 2

f 2 ( x1 , x 2 ,..., x m ) = g ( x) 1
m

f 1 / g ( x)

x1 [0,1]

xi = 0,

x [10 ,10 ]
3 3

(1)

g ( x 2 , x3 ,..., x m ) = 1 + 9 xi (m 1)
i=2

i=2,..,m

izelge 2: SCH Problemi in Algoritmalarn Bastrlmamlk Yzdeleri NSGAII SPEA2 MOGA NPGA NSGA VEGA SPEA PESA

izelge 4: ZDT1 Problemi in Algoritmalarn Bastrlmamlk Yzdeleri NSGAII

MOGA

NPGA

NSGA

VEGA

SPEA

Alg. VEGA MOGA NPGA NSGA NSGA-II SPEA SPEA2 PESA

VEGA MOGA NPGA NSGA NSGA-II SPEA SPEA2 PESA

4 4 4 4 2 2 2

4 9 14 14 9 9 4

0 0 0 1 0 0 0

0 0 0 1 0 0 0

0 0 0 0 0 0 0

0 0 0 0 1 6 4

0 0 0 0 2 65 4

0 0 0 0 0 56 6 -

100 100 100 100 100 100 100

0 100 100 100 100 100 100

0 0 70 100 100 100 100

0 0 16 100 100 100 100

0 0 0 0 0 0 47

0 0 0 0 99 22 98

Shaffern kulland SCH problemi tek parametreli ve arama uzay olduka kstl olan basit bir ok amal optimizasyon problemidir. Bu bakmdan VEGA ve MOGA dhil tm algoritmalar gerek Pareto-Optimal yzeye doru bir yaknsama salamakta zorlanmazlar. Bu almada, bu test probleminin kullanlmasnn amac tm algoritmalarn kolay problemler iin doru sonular retebildiini gstermektir. FON problemi (2)de verilmitir [5]. 2 3 1 f1 ( x) = 1 exp xi xi [4,4] 1 3 i=1,..,m 2 3 m=3 x + 1 f 2 ( x) = 1 exp 1 i 3

ZDT1 ve ZDT4 iki ama fonksiyonlu ve ok sayda parametreye sahip olan zm zor olan test problemleridir. ZDT1 problemi iin NSGAII ve PESA algoritmalarnn en iyi deerleri verdii grlr. Bu sonulara gre PESA algoritmas; VEGA, MOGA, NPGA ve NSGAdaki tm zmleri, SPEA ve SPEA2deki zmlerin ise %98ni ve NSGAIIde bulunan zmlerin de %47sini bastrabilmektedir. ZDT4 problemi (4)te verilmitir [14].

(2)

PESA 0 0 0 0 30 0 0 -

Alg.

PESA

(3)

Sa, T. ve unka, M.

Computation, Vol. 7, No. 2, pp. 117--132, April 2003 .

f1 ( x) = x1

f 2 ( x) = g ( x) 1

f1 / g ( x )
m

xi [5, 5]
i = 1,K , n

g ( x) = 1 + 10(m 1) + i = 2 [ xi2 10 cos( 4xi )]

(4)

n = 10

[5] J. Horn, N. Nafpliotis ve D.E. Goldberg. A Niched Pareto Genetic Algorithm for Multiobjective Optimization, Proceedings of the First IEEE Conference on Evolutionary Computation, IEEE World Congress on Computational Intelligence, 1994. [6] T. Murata, Genetic Algorithms for Multi-Objective Optimization, Doctoral Thesis at Osaka Prefecture University, 1997.

izelge 5: ZDT1 Problemi in Algoritmalarn Bastrlmamlk Yzdeleri NSGAII SPEA2 MOGA

NPGA

NSGA

VEGA

SPEA

Alg. VEGA MOGA NPGA NSGA NSGA-II SPEA SPEA2 PESA

100 100 100 100 100 100 100

0 100 100 100 100 100 100

0 0 100 100 0 60 0

0 0 0 100 0 0 0

0 0 0 0 0 0 0

0 0 93 100 100 100 0

0 0 5 100 100 0 0

0 0 100 100 100 100 100 -

PESA
10

[7] D.E. Goldberg, Genetic Algorithms in Search, Optimization, and Machine Learning, Addison-Wesley, 1989. [8] N. Srinivas ve K. Deb, Multiobjective Optimization Using Nondominated Sorting Genetic Algorithms, Journal of Evolutionary Computation, 1994, Vol. 2, No.3, pp 221248. [9] K.Deb, S.Agrawal, A.Pratab, T.Meyarivan, A fast elitist nondominated sorting genetic algorithm for multiobjective optimization: NSGA-II, IEEE Trans. on Evolutionary Computation 6 (4) 182197, 2002. [10] E. Zitzler, K. Deb ve L. Thiele, Comparison of multiobjective evolutionary algorithms: Empirical results, IEE Trans On Evolutionary Computation, 2001vol. 8, no. 2, pp.173195. [11] D.W. Corne, J.D.Knowles ve M.J. Oates The Pareto Envelope-based Algorithm for Multiobjective Optimization, Lecture Notes In Computer Science; Vol. 1917 Proceedings of the 6th International Conference on Parallel Problem Solving from Nature, 2001 [12] A.H.F. Dias, J.A. Vasconcelos, Multiobjective Genetic Algorithms Applied to Solve Optimization Problems, IEEE Transactions On Magnetics, Vol. 38, No. 2, March 2002. [13] J. D. Schaffer, Multi Objective Optimization with Vector Evaluated Genetic Algorithms, Proceedings of International Conference on Genetic Algorithms, 1985, pp.93-100. [14] E. Zitzler, Evolutionary algorithms for multiobjective optimization: Methods and applications, Doctoral dissertation ETH 13398, Swiss Federal Institute of Technology (ETH), Zurich, Switzerland, 1999.

ZDT4 problemi iin yine en iyi zm NSGAII elde edilebilmektedir. Bu problemde NSGAII dier algoritmalarda bulunan zmlerin tamamn bastrd grlmektedir.

5. Sonular

ok amal genetik algoritmalarn performanslarn deerlendirmede algoritmalarn Pareto yzeyi bulma yetenei nemli bir gstergedir. Bu almada ok amal optimizasyon problemlerinin zm iin gelitirilen sekiz genetik algoritma literatrden seilen drt test problemi kullanlarak pareto yzeyi bulma performanslar karlatrlmtr. Elde edilen sonulardan, NSGA-II ile birlikte SPEA2 ve PESA algoritmalarnn genel olarak baarl sonular rettii grlmtr. Ancak genel olarak NSGA-IInin, tm test problemlerinde dier algoritmalara gre pareto yzeyi bulma baarsnn daha iyi olduu sylenebilir.

Kaynaklar
[1] A. Osyczka, Evolutionary Algorithms for Single and Multicriteria Design Optimization, New York: Physica Verlag. 2002 [2] C.M Fonseca ve P.J.Fleming,. An overview of evolutionary algorithms in multiobjective optimization, IEEE Transactions On Evolutionary Computation, 1995,Vol.6,No. 6 [3] Eckart Zitzler, Kalyanmoy Deb, and Lothar Thiele. Comparison of Multiobjective Evolutionary Algorithms: Empirical Results. Evolutionary Computation, 8(2):173195, Summer 2000. [4] Eckart Zitzler, Lothar Thiele, Marco Laumanns, Carlos M. Fonseca and Viviane Grunert da Fonseca. Performance Assessment of Multiobjective Optimizers: An Analysis and Review, IEEE Transactions on Evolutionary

5. Uluslararas leri Teknolojiler Sempozyumu (IATS09), 13-15 Mays 2009, Karabk, Trkiye

DALGACIK DNM LE EKG SNYALLERNN ZELLK IKARIMI VE YAPAY SNR ALARI LE SINIFLANDIRILMASI FEATURE EXTRACTION OF ECG SIGNALS WITH WAVELET TRANSFORM AND SIGNAL CLASSIFICATION WITH ARTIFICIAL NEURAL NETWORK
a, *

Pakize ERDOMUa, * Akn PEKAKARb


Dzce niversitesi, Teknik Eitim Fakltesi, Beiyrkler, Dzce, pakizeerdogmus@duzce.edu.tr b Dzce niversitesi, Fen Bilimleri Enstits, Dzce, pekcakar@hotmail.com

zet
Bu almada MIT-BIH veri tabanndan alnan Normal, Pace, Rbbb ve Lbbb ham biyolojik EKG sinyallerine Ayrk Dalgack Dnm uygulanmtr. Dalgack fonksiyonlarndan Daubechies-2 (db2) dalgacklar kullanlmtr. zellik karmnda 4. seviyede CD4 katsaylar kullanlmtr. Normal, Pace, Rbbb ve Lbbb hastalarndan elde edilen bu drt grup zellik katsaylar yine Matlab program kullanlarak yapay sinir alarna (YSA) retilmitir. Test aamasnda ise yine drt grup zellik katsaylar test ilemine tabi tutulmutur. Test sonularnda normalizasyon ve qrs detection yaplmamasna ramen snflandrma baarsnn, Hzl Fourier Dnmne gre daha yksek kt grlmtr. (%90) Anahtar kelimeler: Dalgack Dnm, Yapay Sinir Alar, EKG, zellik karm

zellik karm yapmlardr. Snflandrma ileminde ise genetik algoritmalar ve yapay sinir alar kullanlmtr. 10 farkl snflandrma yaplm ve yksek baarmlar elde etmilerdir. Engin[2], almalarnda EKG vurularnn zelliklerini nc derece toplam, dalgack entropisi ve zbalaml modelleme kullanarak elde etmilerdir. Snflandrma aamasnda istatistik yntemler ile yapay sinir alarn kullanmlardr. statistik snflandrclarn bir iterasyon ile ksa srede snflandrma yaptklarn ortaya koymulardr.

2. EKG Sinyali
Kalp insan vcudu iin hayati nem tar. Kalbin sa kulaknda yer alan Sins dm tarafndan retilen bu kk potansiyeller vcudun iletkenlik zelliinden yararlanlarak kollara, bacaklara veya gse konulan yzey elektrotlaryla alnr, ykseltilir ve kt zerine kaydedilir. Bu elektriksel deiimlerin kaydedilip grntlenmesine Elektrokardiyogram (EKG), elektrokardiyografi srasnda kullanlan cihaza da elektrokardiyograf denir. EKG zerinde kalbin elektrik potansiyellerinin yn, genlik ve zamana gre deiim bilgileri vardr. EKG dalga ekilleri miyokardiyal iskemi ve ok eitli kalp hastalklar ve anormallikleri durumunda deiir. Elektrokardiyogram kalp at aritmilerinin tanmlanmasdr ve biyomedikal sinyal ilemede nemli bir alandr[3]. Aada ekil 1.de normal bir EKG sinyali grlmektedir. almada snflandrmada normal bir EKG sinyali ve Yapay Vuru(Pace), Sol Dal Blok Vurusu(Left Bundle Brunch Blok), Sa Dal Blok Vurusu(Right Bundle Brunch Blaok) kullanlmtr.

Abstract
In this study, Normal, Lbbb, Rbbb, Pace EKG Signals attained from MIT-BIH database have been applied Discrete Wavelet Transform. Daubechies-2(dc2) has been used as wavelet function. Fourth level CD4 coefficents have been used for feature extraction. Extracted features have been instructed to Artificial Neural Network using Matlab. And some EKG signals have been tested and althought no normalisation or qrs detection process were applied to signals, it have been taken successful results compared to Fast Fourier Transform Keywords: Wavelet Transform, Artificial Neural Network, ECG, Feature Extraction.

1. Giri
Tbbi iaret ilemede ama ham biyolojik iaretleri ileyerek tan deeri tayan bilgiyi bu iaretten elde etmektir. Elde edilen bu iaretler yorumlanabilir veya deiik yntemler kullanlarak snflandrlabilir. Bu snflandrma islemleri, tpta karar destek sistemi(Decision Support System) olarak kullanlabilirler. Bu almada da tan deeri nemli farkl EKG vurusu ve normal vuru snflandrlmas hedeflenmitir. Literatrde de EKG sinyallerinin snflandrlmasna ilikin almalar mevcuttur. Dokur[1], almalarnda EKG vurularndan Fourier analizi (DFT) ve Dalgack Dnm (WT) ile
IATS09, Karabk niversitesi, Karabk, Trkiye

ekil 1. Normal EKG Sinyali [4]

11

Erdomu, P. ve Pekakar, A. .

3. Dalgack Dnm
Dalgack dnm Fourier dnmnn duraan olmayan sinyallerdeki eksiklerini gidermek iin gelitirilmi farkl bir dnm yntemidir[5]. Bu analiz yntemi grltye kar daha az hassasiyet gstermekte ve duraan olamayan sinyallere rahatlkla uygulanabilmektedir. Bundan dolay sinyal ileme ile uraanlarn ilgisi frekans tabanl Fourier Dnmnden lek tabanl Dalgack Dnmne doru kaymtr. Dalgack ifadesi olarak 1909 ylnda Alfred Haar tarafndan ortaya atlmtr[6]. Zaman ierisinde Jean Marlet ile Y. Meyer ve arkadalar metodu gelitirmiler ve 1988 ylnda Stephane Mallat nemli katklar salamtr. Daha sonra Ingrid Daubechies, Ronald Coifman gibi uluslar aras aratrmaclar yntemi gelitirerek bugnk ekline getirmilerdir. Srekli dalgack dnmde hesap yk ok fazladr. Hesap ykn azaltmak iin Ayrk Dalgack Dnm (ADD) kullanlr. Ayrk dalgack dnmnde teleme ve leklerin ikili kuvvetleri alnr. Bu ileme ikili dalgack (dyadic) dnm denir. Mallat ikili dalgack dnm ile iaretlerin kademeli yksek ve dk frekanslara ayrlmasn nermitr. Yksek frekans ksmndan ayrntlar (detail), dk frekans ksmndan ise temel iaret elde edilir [2]. Bu almada EKG sinyalleri Matlab programlama ve hazr fonksiyonlar kullanlarak dalgack dnmne tabi tutulmulardr. Dalgack olarak Daubechies-2 ve Daubechies-10 kullanlm ve Daubechies-10un daha iyi sonular verdii grlmtr. Bu dnm sonucu elde edilen katsaylar a eitimi ve snflandrmada kullanlmlardr. Yine elde edilen snflandrma baarsn mukayese etmek iin EKG sinyallerine Hzl Fourier Dnm uygulanm ve elde edilen katsaylar yine a eitimi ve snflandrmada kullanlmlardr.

kullanlmtr. Bu tip yapay sinir a tahmin ve snflandrma ilemlerinde ok iyi sonular vermektedir [8]. Yapay sinir alar biyolojik iaretlerin tannmas ve snflandrlmas, ses tanma, parmak izi tanma, otomatik ara kontrol, denetim ve modelleme gibi birok alanda kullanlmaktadr[7]. Matlabda FFT ve Wavedec ile elde edilen katsaylar(zellik Vektrleri) Excel dosyas olarak kaydedilmilerdir. Dalgack dnm ile ilenmi verilerin snflandrlmasnda kullanlacak Yapay Sinir Alarnn eitimi iin dizi boyutu 36 olan, 1000 adet ilenmi EKG vurusu(Her bir snftan 250 adet) kullanlmtr. YSA drt farkl snflandrma yapaca iin k says 4 olarak belirlenmitir. eitli denemelerden sonra nron says 72 olarak belirlenmitir. En iyi snflandrma SCG eitim fonksiyonuyla elde edilmitir. k matrisinin 1. satr Normal, 2. satr Pace, 3. satr Rbbb, 4. satr ise Lbbb sonularn vermektedir.

5. Sonular
almada Dalgack Dnm ve Hzl Fourier Dnm ile zellik vektrleri elde edilen Normal, Pace, Lbbb, Rbbb olduu nceden bilinen sinyaller nce geri yaylm ana retilmi, daha sonra yine snf bilinen test sinyalleri nce bu dnm yntemlerinden geirilerek aa verilmi ve snflandrma sonular aadaki izelge 1deki gibi elde edilmitir. Sonulardan grlecei zere FFT ile snflandrma baars ok yksek iken, Dalgack Dnm ile ortalama baar %72 lerdedir. Ancak snflandrma sresi ve zellik vektr boyutlar incelendiinde Dalgack Dnmnde daha azdr. zellik vektr boyutlu FFTde 100 iken, Dalgack Dnmnde 36dr. Yine snflandrma sresi bakmndan Dalgack Dnm ile FFTnin 1/3i srede snflandrma yaplmtr. Farkl detay katsaylar ve veriler kullanlarak yaplacak almalarda daha iyi sonularn elde edilecei dnlmektedir. izelge 1. Daubechies-10 (db-10) dalgac ve FFT kullanlarak zellik karm yaplan verilerin, geri yaylm a ile snflandrlmas sonular EKG Sinyal Snf Db-10 kullanlarak elde edilen zellik vektr ile snflandrma baars 0.82 0.69 0.72 0.66 0.72 22sn FFT kullanlarak elde edilen zellik vektr ile snflandrma baars 0.99 0.94 0.96 0.94 0.957 60sn

4. Yapay Sinir Alar


Yapay sinir alar (YSA) biyolojik beyin sinir sisteminin alma ekli rnek alnarak tasarlanm programlama yaklamdr. Biyolojik sistemlerde renme nronlar arasndaki sinaptik balantlarn ayarlanmas ile olur. Bu ayarlama ilemi zaman ierisinde insanlarn yaptklar, yaadklar ve tecrbeleri ile gerekleir. Bu durum YSA iin de geerlidir. renme eitme yoluyla rnekler kullanlarak olur[7]. Eitme ileminde ise girdi-kt verileri ilenir. Algoritma bu verileri kullanarak yaknsama salanana kadar arlklar tekrar tekrar ayarlar. Bu matematiksel sistem bir transfer fonksiyonudur. Bu ilem birimi, girilerden ya da kendinden nceki nronlardan ald sinyalleri birletirir, dntrr ve saysal bir sonu ortaya karr. Bu ilem birimleri ksaca nronlara karlk gelir ve bir ba iinde birbirlerine balanrlar. Bu alar renmenin yannda ezberleme ve bilgiler arasnda ilikiler oluturma yeteneine de sahiptirler. Birok yapay sinir a tipi bulunmakla birlikte bazlarnn kullanm dierinden daha yaygndr. En ok kullanlan YSA geri yaylml yapay sinir a olarak bilinendir. alma iersinde de bu metod

Normal Pace Rbbb Lbbb Ortalama Baar Snflandrma Sresi

12

Erdomu, P. ve Pekakar, A. .

Kaynaklar
[1] Dokur,Z., Yapay Sinir Alar ve Genetik Algoritmalar Kullanlarak EKG Vurularnn Snflandrlmas, Dokt Tezi, stanbul Teknik niversitesi,Fen Bilimleri Enstits, Elektrik ve Elektronik Mhendislii Anabilim Dal,stanbul,1999. [2] Engin, E.Z., Saysal Ses lemenin Tbbi Tanda Kullanlmas, Ege niversitesi, Fen Bilimleri Enstits, Elektrik ve Elektronik Mhendislii Anabilim Dal,zmir, 2003. [3] Jiang,X.,Zhang,L., ECG Arrhythmias Recognition System Based on Independent Component Analysis Feature Extraction, Department of Computer Science and Engineering,Shanghai Jiaotong University,China, 2002. [4] ete,Y., Tatep,Trkiye Acil Tp Eitimi Kongresi, http://www.tatep.org, 20-01-2009. [5] Hailolu,A., Dalgack Dnm ve Yapay Sinir Alar ile Dndrmeye Duyarsz Doku Analizi ve Snflandrma, Atatrk niversitesi, Mhendislik Fakltesi,Elektronik ve Haberleme Mhendislii Blm, Erzurum, 1999. [6] Aknc,T., Dalgack Analizinin EKG Sinyallerine Uygulanmas ve Sinyal Sktrma, Marmara niversitesi Teknik Eitim Fakltesi,Elektrik Eitimi Blm,stanbul, [7] Elmas,. ,Yapay Sinir Alar, Sekin Yaynclk, 2003. [8] Avc,E., Doku Tipi mgelerin Snflandrlmas in Bir Uyarlamal Entropi Tabanl Dalgack Yapay Sinir A Sistemi, Frat niversitesi,Teknik Eitim Fakltesi, Elektronik ve Bilgisayar Eitimi Blm, Elaz, 2006.

13

5 International Advanced Technologies Symposium (IATS09), May 13-15, 2009, Karabuk, Turkey

th

CONTINIOUS OPTIMIZATION PROBLEM SOLUTION WITH SIMULATED ANNEALING AND GENETIC ALGORITHM
a,*

Pakize ERDOMUa,*, Ali ZTRKb , Salih TOSUNc


Dzce niversitesi, Teknik Eitim Fakltesi, Beiyrkler, Dzce, TRKYE, E-mail: pakizeerdogmus@duzce.edu.tr b,c. Dzce niversitesi, Teknik Eitim Fakltesi, Elektrik Eitimi, Beiyrkler,Dzce,TRKYE, E-mail: aliozturk@duzce.edu.tr, salihtosun@duzce.edu.tr

Abstract
Simulated Annealing and Genetic Algorithm are two well-known metaheuristic algorithms for combinatorial optimization. These two methods have also been used for solving constrained continuous problems. In this study, five constrained continuous problems have been solved both Simulated Annealing (SA) and Genetic Algorithm (GA). Optimum results have been compared with real optimum values obtained with continuous optimization methods. It has been seen that combinatorial optimization methods can successfully be applied to continuous optimization problems. Programming, Non-linear Keywords: Linear Programming, Genetic Algorithm, Simulated Annealing

has been aimed to both, to compare the performances of the two well-known metaheuristics and to show these metaheuristics good performance on the constrained continuous optimization problems, it has been used five test problems. Some of these problems have been taken from literature [2].

2. Constrained Continuous Problems


Both Linear and Non-linear programming problems are also called continuous problems. In this paper, we will focus on constrained continuous optimization problems including Linear and Non-linear problems. The constrained continuous optimization problem is formulated as follows. Opt(min or max) f(x) (xR) Constrained to: gi (x)< 0, i = 1, . . . , k hj (x) = 0, j = 1, . . . ,l If f(x), g(x) and h(x) are linear functions of variables, then it is called linear and if f(x) is not a linear function of variables then the problem is called non-linear. And the problems used for testing GA and SA performance on continuous problems are as below. Table 1. Test Problems for used to see SA and GA performance on Continuous Problems Problem no 1.(Linear) 2.(Linear) Object Function Fmax=3x1+2x2 fmax=5x1+7x2+8x3 Constraints 2x1+x2<50 X2<15 2x1+x2+x3<150 x1+2x2<125 5x2+3x3<160 0<x1+2x2+2x3<72 %These constraint divide two part; -x1-2x2-2x3<0 x1+2x2+2x3<72 X1+6x2<6 5x1+4x2<10 0<x1<2 0<x2<1 X1+x2<2 X12-x2<0 -3<x1<2 0<x2<5

1. Introduction
In last decades there has been a great deal of interest on the applications of heuristic search algorithms to the continuous problems [1, 2, 3, 9, 10]. These metaheuristics have been applied to a lot of optimization problems and it has been taken successful results with these metaheuristics[10,11,12]. It is a fact that a variety of applications in engineering, decision science, and operations research have been formulated as constrained continuous optimization problems. Such applications include neural-network learning, digital signal and image processing, structural optimization, engineering design, computer-aided-design (CAD) for VLSI, database design and processing, nuclear power plant design and operation, mechanical design, and chemical process control. Optimal or good solutions to these applications have significant impacts on system performance, such as low-cost implementation and maintenance, fast execution, and robust operation [3]. Constrained global optimization is NP-hard [3], because it takes exponential time to verify whether a feasible solution is optimal or not for a general constrained problem. Solution methods of constrained continuous problems have been classified in three main categories. Analytic methods, Decomposition methods and Metaheuristics. Analytic methods can only solve some trivial cases of constrained problems, while decomposition methods are enumerative methods that decompose a large problem into smaller sub problems that are easier to solve. Metaheuristic methods sample search space based on some probability distributions. Depending on the coverage of search space, the best solution is found related to the performance of used algorithm [3]. In this paper, metaheuristics have been used for solving constrained continuous optimization problems. Since it

3.(Nonlinear)

fmin=-x1*x2*x3

4.(NonLinear)

fmin=-2x13 2 6x2+x1 +8*x2

5.(Nonlinear)

fmax=x12+x22(NonLinear)

IATS09, Karabk University, Karabk, Turkey

14

Erdogmus, P., Ozturk, A, Tosun S. .

3. Metaheuristics
Meta-heuristics methods have been considered to be acceptably good solvers of unconstrained continuous problems [1]. The power of meta-heuristic methods comes from the fact that they are robust and can deal successfully with a wide range of problem areas. However, when these methods are applied to complex problems, it has been seen their slow convergence. The main reason for this slow convergence is that these methods explore the global search space by creating random movements without using much local information. In contrast, local search methods have faster convergence due to their using local information to determine the most promising search direction by creating logical movements. However, local search methods can easily be entrapped in local minima [1]. Both SA and GA run according to unconstrained optimization procedure. The constrained continuous optimization problems have been transformed into unconstrained continuous optimization problem by penalizing the objective function value with the quadratic penalty function. In case of any violation of a constraint boundary, the fitness of corresponding solution is penalized, and thus kept within feasible regions of the design space by increasing the value of the objective function when constraint violations are encountered [14].
Produce

initial solution s

T=T0

While stoping criteria not true do

i=1 k

s produce random solution

Update T

no
f(s)<f(s)

Metropolis Algorithm

yes
Simple

local search

X=U(0,1) Produce random number

P = Ri ( max[ 0, gi ) ] )2 + Rj ( max[ 0, hj ] )2
i=1 j=1

yes
s=s
X<P(T,s,s)

By this penalty function, if constraints are in feasible region, then P is equal zero and if not the fitness function or objective function is penalized by P.

no

s=s

4. Simulated Annealing and Genetic Algorithm


Figure 1. SA Algorithm 4.1. Simulated Annealing Simulated Annealing (SA), is a global optimization algorithm inspired by physical annealing process of solids [4]. Annealing is cooled down slowly in order to keep the system of the melt in a thermodynamic equilibrium which will increase the size of its crystals and reduce their defects. As cooling proceeds, the atoms of solid become more ordered. The initial temperature must be high enough in order to avoid a local minimum of energy. SA was originally based on statistical Metropolis algorithm. SA aims to find global minimum without got trapped local minimums. So if object function is a maximization problem, problem is converted minimization problem multiplying minus 1. The algorithm of SA is as Figure 1. Algorithm starts with an initial solution an initial temperature. Search process continuous while stopping criteria is true. Maximum run time, maximum iteration number, e.g. may be stopping criteria. For each T, s N(s) is selected randomly. And if f(s)<f(s) then s is accepted new solution like local search. But if f(s)>f(s) then x= U(0,1) is produced and if x smaller P(s,s,T) then s is also accepted as new solution for diversification. P= So firstly the possibility of bad solutions acceptance or(hill-climbing moves) is high for diversification.

f ( s ') f ( s ) ) T

lim T e

f ( s ') f ( s ) ) T

= e0 = 1

T is decreased along the search process. The possibility of bad solution acceptance is approach to zero. And the process converges to local search method for intensification.

lim T 0 e

f ( s ') f ( s ) ) T

= e = 0

15

Erdogmus, P., Ozturk, A, Tosun S. .

The proper annealing process is related initial temperature, iteration for each temperature, temperature decrement coefficient and stopping criteria. All these criteria can be found related articles[5]. 4.2. Genetic Algorithm A genetic algorithm (GA) is a search technique aimed to find optimal solution. Genetic algorithms are categorized as global search heuristics. Genetic algorithms are a particular class of evolutionary algorithms that use techniques inspired by evolutionary biology such as inheritance, mutation, selection, and crossover [6]. Simple generational genetic algorithm flowchart is as Figure 2.

Table2. Problems solutions with different methods


Prob no V of S 2 3 Real Optimum Function value and variables Fopt 82.5 668.333 X1 17.5 48.3333 X2 15 0 X3 53. 333 3 3 4 5 Prob no 1 2 3 3 2 2 V of S 2 3 3 -3456 -2.2137 19.8100 24 0.8165 -1.9888 GA 12 0.3750 3.9818 12 -

1 2

Fopt 82.4621 648.812

X1 17.4890 48.3146

X2 14.9975 0.04885

X3 53. 248 6 12. 115 29 -

-3434.1

25.2076

11.2848

5 1 Prob no

2 2 V of S 2 3

-2.21366 19.8070

0.81680 -1.9838 SA

0.37469 3.9838

1 2

Fopt 82.4938 662.598

X1 17.5061 47.6475

X2 14.9877 0.2545

X3 52. 822 4

-3455.3

4.1178

11.8989 12. 040 3

Figure 2. GA Algorithm
4 2 -2.2137 0.8144 0.3749

More detailed information abot GA can be found[7,8].

5. Results
In this study it has been proven that metaheuristics can be used to solve continuous constraints problem solutions. As it has been seen in the Table 2, results are very near to real optimum value. So it can be advised metaheuristics, when the problem size is big or analytic solution method is difficult.

*19.9357

-1.9976

3.9932

6. Referances
[1] Hedar, A.R., Fukushima, M., Hybrid simulated annealing and direct search method for nonlinear unconstrained global Optimization, Department of Applied Mathematics and Physics, Graduate School of Informatics, Kyoto University, Kyoto 6068501, Japan, December 11, 2001 Romeijn, H. E., Smith, R. L., Simulated Annealing for Constrained Global Optimization, Journal of Global Optimization, 5: 101-126, 1994. Wang, T., Global Optimization For Constrained Nonlinear Programming, Doctor of Philosophy in

[2]

[3]

16

Erdogmus, P., Ozturk, A, Tosun S. .

[4]

[5]

Computer Science in the Graduate College of the University of Illinois at Urbana-Champaign, Urbana, Illinois, 2001. Salari, M., Azimi, Z. N., Introduction to Electromagnetism Algorithm for the Examination Timetabling problem and comparison of it with other Metaheuristics, Pacific Journal of Optimisation, Volume 2, Number 2, May 2006, pp. 341-366. Blum, C., Roli, A., Metaheuristics in Combinatorial Optimization: Overview and Conceptual Comparasion, Technical Report, TR/IRIDIA/200113, October 2001. http://www.informatics.indiana.edu/fil/CAS/PPT/Da vis/ 10-04-2009. Saruhan, H. ve Uygur, ., Design Optimization of Mechanical Systems using Genetic Algorithms, Fen Bilimleri Enstits Dergisi, Sakarya niversitesi, 7, 77-84, (2003). Weise, T., Global Optimization Algorithm Theory and Application , ebook, Version: January 4, 2008. Header, A. R., Fukushima, M., Derivative-Free Filter Simulated Annealing Method for Constrained Continuous Global Optimization, Journal of Global Optimization, Volume 35, Number 4 / August, 2006. zgan, E., ztrk, A., Optimization of the Hardened Concrete Properties with GA and LP, Journal of Applied Sciences 7 (24): 3918-3926 ,2007 . ztrk, A., Tosun, S., Erdomu, P., Hasrc, U., Elektrik Enerji Datm Sisteminde Ekonomik Aktif G Datmnn Genetik Algoritma ile Belirlenmesi, BMYS2008 Eskiehir, 451-459 ztrk, A., Erdomu, P., Yaln, M. A., Investigation Of Voltage Stability Limit Values In Electrical Power Systems Using Genetic Algorithm , 5-9 December, 2007. Dorigo, M., Socha, K., Ant colony optimization for continuous domains , European Journal of Operational Research, Volume 185, Issue 3, 16 March 2008, Pages 1155-1173. Saruhan, H., Optimum Design Of Rotor-Bearing System Stability Performance Comparing An Evolutionary Algorithm Versus A Conventional Method , International Journal of Mechanical Sciences, Volume 48, Issue 12, December 2006, Pages 1341-1351

[6] [7]

[8] [9]

[10]

[11]

[12]

[13]

[14]

17

5. Uluslararas leri Teknolojiler Sempozyumu (IATS09), 13-15 Mays 2009, Karabk, Trkiye

MANYETK FLTRE VE DZENLERNN YAPAY SNR ALARI LE KONTROL THE MAGNETIC FILTER AND SYSTEMS CONTROLED BY ARTIFICIAL NEURAL NETWORK
,a, *

smail SARITAa, *, lker Ali ZKAN a, Saadetdin HERDEMb


Seluk niversitesi Teknik Eitim Fakltesi, Konya, Trkiye, E-posta: isaritas@selcuk.edu.tr, ilkerozkan@selcuk.edu.tr b Seluk niversitesi Mhendislik Mimarlk Fakltesi, Konya, Trkiye, E-posta: sherdem@selcuk.edu.tr

zet
Endstriyel alandaki svlarn iersinde bulunan mikron boyutundaki manyetik paracklarn temizlenmesi iin bir manyetik filtre (MF) tasarlanmtr. Tasarlanan MF iin 14 mm apnda manyetik zellikli kreciklerle iki filtre matrisi oluturulmutur. Endstriyel svnn temizlenmesi ileminin maksimum performans ile ve sreklilik arzedecek ekilde almas iin YSA kullanlarak bir kontrol sistemi gerekletirilmitir. Bu sistem ile filtre matrislerinden birinde tutulan ferromanyetik paracklar gzenekleri doldurduunda dier filtre matrisinin devreye girmesini salanmaktadr. Bu kontrol iin Filtre iersinden geen endstriyel svnn ak hzna bal olarak filtre matrislerinin giri ve klarndaki parack konsantrasyonlar YSA ile deerlendirilmektedir. Sonu olarak bu deerler ile maksimum performans ile filtrenin alma kontrol gerekletirilmitir. Bu alma enerji tasarrufu, dolaysyla ekonomik kazan ve yksek performans salamaktadr. Anahtar kelimeler: Manyetik Filtre, yapay sinir a, manyetik filtre kontrol

nedeniyle bu karmlarn temizlenmesi iin elektromanyetik yntemlerin kullanlmas daha avantajldr. Bu amala son yllarda MFler ok kullanlmaktadr [37]. MF'nin klasik filtrelerden prensip olarak fark szge elemanlarnn (filtre matrisinin) ferromanyetik zellikli malzemelerden (kreler, ubuklar, plakalar, yn ekilli elik ipler, metal talalar vb.) oluturulmu olmasdr. D manyetik sistem elektromknats (solenoid, toroid, ekirdekli bobin vs.) ve mknatslardan oluturulabilir. Gvde veya karkas manyetik olmayan paslanmaz malzemeden yaplmaktadr [6]. MF'lerin prensip emas ekil 1'de grld gibidir [810].

Abstract
A magnetic filter (MF) is designed to clean up industrial liquids from the micron size magnetic pieces which may present in these liquids. Two filter matrices are formed by using 14mm radius magnetic sphere in the designed filters. A control system by using ANN is realized to fulfill continuous operation and maximum performance requirements. With the system the second filter matrix is connected to the system when the first one is clogged the pores up by the ferromagnetic particles. For the sake of control, particle concentrations in input and output from the filter matrices depending on the velocity of the liquid are evaluated by using ANN. By using these values, filters running control is realized with maximum performance. With these works, energy saving consequently economic gains and high performance is achieved. Keywords: Artificial neural network, Magnetic Filter, Magnetic Filter Control

1-Manyetik alan oluturan manyetik sistem, 2-Manyetik olmayan gvde, 3-Filtre matrisi, 4-Giri borusu, 5-k borusu ekil 1. Manyetik filtrenin temel yaps. Endstriyel svlar filtre matrisinin gzeneklerinden geerken ierdikleri manyetik zellikli paracklar, bu gzenekli blgelerde kuvvetli manyetik alann etkisiyle tutulur ve toplanrlar. Mekanik ve hidrodinamik kuvvetlerin etkisiyle karakterize edilen klasik filtrelerden farkl olarak, manyetik paracklar MFde daha byk bir kuvvetin etkisinde kalrlar. Bu nedenle MFlerde temizlenen svnn filtrelenme hz, klasik (mekanik) filtrelerdekinden 310 kat daha fazladr. Dolaysyla MFde temizlenen svnn debisi veya filtrelerime etkinlii ok daha yksektir [6]. Endstriyel svlarn MF de temizlenmesi hibir kimyasal ve biyolojik reajentler iermeyen fiziksel bir yntem olarak olduka avantajldr [1113]. Manyetik alandan geen svlarn fiziksel ve kimyasal zellikleri deimemektedir. Bu nedenlerle pek ok avantaja sahip olan MFler enerji retimi, kimya, gemi inas, petrol karma tesisleri, aa sanayi, cam sanayi, porselen sanayi, kat sanayi vb. gibi pek ok alanda kullanlmaktadr. Bu almada, manyetik filtre performansnn yksek olarak tutulmasn salamak ve performans den filtrenin kendi kendini temizlenmesi amacyla bir kontrol sistemi

1. Giri
Endstriyel sv ve gazlarn temizlenmesi iin kullanlan etkin metotlardan biri de manyetik filtrasyondur [110]. Endstriyel svlarn ierdikleri demir bileenli karmlarn tanecik eklinde olmalar ve temel olarak paramanyetik ve ferromanyetik (genel olarak manyetik) zellikli olmalar
IATS09, Karabk niversitesi, Karabk, Trkiye

18

Sarta, ., zkan, .A. ve Herdem, S.

tasarlanmtr. Bunun iin gerekletirilen MFnin endstriyel sv giri ve klar selonoit valflerle kontrol edilmitir. Filtrelerin temizlenmesi ileminde yapay sinir a kullanlarak uygun filtre matrisinin almas salanmtr.

ortalamas (MSE) deerleri azalmay durdurulduu ve ar eitimin bir iareti olan art balatld zaman eitim durdurulur. [17, 19].

2. Yapay Sinir Alar (YSA)


Yapay sinir alar, insan beyninin zelliklerinden olan renme yolu ile yeni bilgiler tretebilme, yeni bilgiler oluturabilme ve kefedebilme gibi yetenekleri herhangi bir yardm almadan otomatik olarak gerekletirmek amac ile gelitirilen bilgisayar sistemleridir. Genel olarak bir giri katman, bir ya da birka gizli katman ve bir k katman olmak zere katmandan oluur. Her bir katman, nron ya da dm diye adlandrlan birbirine bal belli sayda elemanlara sahiptir (ekil 2). Nronlarn her biri balant arlklar ile elik eden iletiim linkleri araclyla dierine baldr. Sinyaller balant arlklar zerinden nronlar boyunca geerler. Her bir nron dier nronlardan balant arlklar orannda oklu giriler alr ve dier nronlar tarafndan da retilebilen bir k sinyali retir [1418]. Test edilen hata, arzu edilen tolerans deerine ulatnda a eitme ilemi durdurulur [12,14].

MSE =

1 n (d i Oi ) 2 n i =1

(1)

Burada di hedeflenen veya gerek deer, Oi a k veya tahmin edilen deer, n k verileri says [16].

3. Materyal ve Metot
Bu almada; endstriyel svlarn temizlenmesi iin bir deney dzenei tasarlanm ve gerekletirilmitir [8]. Bu deney dzenei kullanlarak elde edilen verileri kullanmak, YSA gelitirmek ve analizlerini yapmak iin MATLAB yazlm ve Neural Network Toolbox kullanlmtr. 3.1. Deneysel alma Seluk niversitesi Mhendislik Mimarlk Fakltesi Manyetik Filtrasyon laboratuarnda gerekletirilen deney dzenei kullanlarak deneyler yaplmtr (ekil 3)[8].

Svnn ak hz i

Giri parack konsantrasyonu

Giri katman (W1)ij

Depo 1

. . .
(W2)jk k k katman

Gizli katman
Parack Sensrleri Selenoid Valves

Manyetik Filtreler

Akmetre

Manyetik ak younluu
ekil 2. YSA yaps. Geriye yaylma (BP) algoritmas en popular ve geni alanda kullanlan algoritmadr. BP, ileri besleme ve geri yaylma ilemleri olmak zere iki fazdan oluur. leri besleme esnasnda, giri katmanndan k katmanna kadar ileme tabi tutulan bilgiler retilir. Geriye yaylma durumunda ise ileri besleme ileminden elde edilen a k deeri ve istenen k deeri arasndaki fark arzu edilen fark tolerans ile karlatrlr ve k katmanndaki hata hesaplanr. Bu elde edilen hata giri katmanndaki balantlar gncellemek iin geriye doru yaylr [17, 19]. BP eitim algoritmas bir rampa ini algoritmasdr. BP algoritmas, rampas boyunca arlklar deitirmek suretiyle toplam hatay klterek an performansn iyiletirmek iin alr. Test edilen karesel hatalar

Depo 3

Depo 4

ekil 3. Deney dzenei Deney dzenei iin tasarlanan kontrol sistemi ekil 4te verilmitir. Bu sistemde; S1 ile endstriyel svnn filtre ierisindeki ak hz llmektedir. S2 ve S3 sensrleriyle endstriyel sv iersindeki manyetik parack miktar belirlenmektedir. Endstriyel sv temizlenirken V1-V2 ak, V3-V4 kapal konumdadr. Filtre temizleme ileminde ise selenoid valflar tam ters konumdadr. Endstriyel sv; giriten itibaren S1V1-S2-MF-S3-V2 yolunu izlemekte ve ierisindeki manyetik paracklar MF de tutularak temizlenen sv kna aktarlmaktadr. S1-S3 sensrlerinden gelen bilgiye gre bobin akm ve V1-V2 veya V3-V4 selenoid valfleri kontrol edilmektedir.

19

5. Uluslararas leri Teknolojiler Sempozyumu (IATS09), 13-15 Mays 2009, Karabk, Trkiye

G kayna
Depo 1
Rle kart (A1-A10)

Selenoit valfler (SW1SW8)

Src devre

Kontrol birimi

Kontaktrler (B1-B2)

Bobinler (Bobin1Bobin2)

M S1-Akmetre S2-Parack sensor S4-Akmetre V1 K1 V3 MF1 V5


PCI 6036E DAQ Kart

Solenoid valflere

nverter

Parack Konsantrasyonu Sensrleri

V7
BNC 2100 Konnektr Ak metre

V2

V4

S4-Akmetre MF2

V6

V8

Ak metreler PWM mosfet src

K2 S3-Parack sensor Su ebekesi Depo 3 Depo 2

ekil 4. Tasarlanan MF kontrol sistemi ve diyagram YSA kontrol ile filtrenin rejenerasyon ileminin ne zaman yaplmas gerektii belirlenerek bu ilemin gerekletirilmesi salanmtr. Svnn ak hz ve filtre matrisinin giriindeki parack konsantrasyonu girilerine karlk manyetik ak younluu verileri alnmtr. Deikenlerin en dk ve en yksek deerleri izelge 1de verilmitir. izelge 1 Giri ve k deikenleri Deiken Giri hz (l/h) Parack konsantrasyonu (mg/l) Manyetik ak younluu (mT) 3.2. Gelitirilen yapay sinir a Veriler, eitim ve test veri seti olarak ikiye blnmtr. Alnan toplam 2051 adet veriden rasgele seilmi 1367 adedi YSAnn eitimi iin ve geriye kalan 684 veri de eitilmi YSAnn testi iin kullanlmtr. ekil 2de gsterilen bir giri katman (svnn ak hz, parack konsantrasyonu), bir gizli katman ve bir k katmanndan (manyetik ak younluu) oluan ileri beslemeli a yaps tasarlanmtr [8]. Min. 0 0 0 Maks. 400 5 168 YSA yaps gelitirildikten sonra deneysel almada elde edilen veriler eitim karakteristiini iyiletirmek iin Denklem 2 kullanlarak 0-1 deerleri arasnda normalize edilmitir [8].

xnorm =

x xmin xmax xmin

(2)

Eitim ileminde geri yaylm (Back Propagation) algoritmas kullanlarak, gizli ve k katmanlarndaki nronlarda farkl transfer fonksiyonlar (Purelin, Tansig, Logsig vb.) denenmitir. Transfer fonksiyonu olarak denemeler sonucunda en uygun sonucu veren LogaritmikSigmoid (Logsig) fonksiyonu seilmitir. Logaritmik sigmoid transfer fonksiyonunun matematiksel eitlii Denklem 3deki gibidir. Burada eitim sabiti =1 olarak kullanlmtr [20,21].

f ( x) =

1 1 + e

(3)

Oluturulan YSAnn arlklarn ve bias deerlerini belirlemek iin eitim veri seti kullanlmtr. Tasarlanan ada en dk hata deerinin elde edilmesi iin gizli katmandaki nron says ve iterasyon says deitirilerek eitim tekrarlatlmtr. En iyi mean squared error (MSEDenklem 4) performansna sahip YSA yapsn tespit edebilmek iin ncelikle gizli katmandaki nron says 2-

IATS09, Karabk niversitesi, Karabk, Trkiye

20

Sarta, ., zkan, .A. ve Herdem, S.

100 arasnda deitirilerek her bir a yaps eitilmitir. Eitilen alarn MSE ve test regresyonu deerleri ekil 5te verilmitir.

MSE =

1 n (di Oi )2 n i =1

(4)

Gizli katmandaki nron k katmanndaki nron renme oran () Eitim hz katsays () renme algoritmas Transfer fonksiyonu

42 1 0,3 0,3 Gradient descent Logaritmik sigmoid

Burada di hedeflenen veya gerek deer, Oi a k veya tahmin edilen deer, n k verileri saysdr.
0,95 0,9 0,85 Korelasyon 0,8 0,03 0,75 0,7 0,65 0,6 2 10 18 26 34 42 50 58 66 74 82 90 98 Nron Says Korelasyon (Eitim) Korelasyon (Test) MSE 0,06

0,05

Tablo 2de verilen parametrelere gre yaps oluturulan YSA 50000 epok ile eitilmi ve a yapsnn en uygun arlk deerleri elde edilmitir. Eitilen YSA test veri setine uygulanmtr. Uygulama sonucunda eitime hi dahil edilmemi olan test verilerinin YSA ile elde edilen sonular deneysel olarak elde edilen sonular ile aralarnda regresyon deeri R=0,96011 elde edilmitir. En uygun yap ile eitilen ve test edilerek kontrol yaplan YSA, MF kontrol birimine uygulanmtr. Bylece giri verilerine bal olarak filtrenin manyetik ak younluu kontrol edilmitir. Manyetik ak younluunun kontrol edilmesi ile endstriyel svnn ak hzna ve filtrenin giriindeki parack konsantrasyonuna bal olarak filtre matrisi gzeneklerinde paracklarn tutulmas salanmaktadr. Denklem 5ten MF performansn etkileyecek olan filtre kndaki parack konsantrasyonu(PK) kontrol altna alnm olmaktadr. Dier bir ifadeyle svnn ak hzna ve filtrenin giriindeki parack konsantrasyonu (PGK) deiimine bal olarak MF bobin akm kontrol edilerek manyetik aknn kontrol edilmesi salanmaktadr. Bylece filtre matrisi gzeneklerinden kopmalarn ve yetersiz manyetik ekme kuvvetinin olmasna bal kaaklarn nne geilmi olmaktadr.

0,04 MSE

0,02

0,01

ekil 5. Nron saysna gre MSE ve korelasyon deiimi ekil 5te grld gibi en dk hata deerinin (MSE) ve en iyi performansn elde edildii deer nron saysnn 42 olduu a yapsdr.Eitim ve test regresyon deerinin en yksek olduu deer yine ayn nron saynsna sahip YSA yapsdr. Bylece en uygun a yapsnn 42 nrona sahip gizli katmanl a yaps olduu tespit edilmi ve seilmitir. En dk hata deerinin (MSE) elde edildii epok saysnn tespit edilmesi iin elde edilen 42 nronlu gizli katmana sahip a yaps 1000-60000 epoka kadar 1000er artrlarak denenmitir (ekil 6)
0,964 0,962 0,96 0,958 Korelasyon 0,956 0,954 0,952 0,95 0,948 0,946 1000
Korelasyon (Eitim) Korelasyon (Test) MSE

MF Performans = 1

PK PGK

(5)

0,007 0,006 0,005 0,004 0,003 0,002 0,001 0 8000 15000 22000 29000 36000 43000 50000 57000 Epok Says

Ayrca MF knda parack konsantrasyonunun olumas filtrenin artk parack tutamad yada performansnn dt anlamna geldiinden paralel alan iki filtreden birisi dolduunda dierini devreye alan yedekli (redundant) bir sistem olarak almasn salayan dier filtrenin devreye girmesi salanmaktadr. Dier filtre devreye girdiinde ise basl ebeke suyu ile dier taraftan dolan filtrenin tuttuu paracklar da temizlenmektedir.

MSE

4. Sonu ve Tartmalar
Gelitirilen YSA modeli ile deney sonular arasndaki karlatrma ekil 7-10de gsterilmektedir. Grafiklerden de grld gibi YSAnn tahmin deerinin doruluu deney sonularna ok yakndr. Deneysel olarak alnan tm k verileri ile YSAda elde edilen tm k verileri arasndaki korelasyon deeri 0,961433 olarak elde edilmitir.

ekil 6. Epok saysna gre MSE ve korelasyon deiimi ekil 6daki grafikte grld gibi hata deeri epok says arttka dmektedir. Ancak 50000 epoktan sonra hata d sabit kalmaktadr. Eitim ve test regresyon deerlerinin 50000 epokta en byk deere ulat ve bu deerden sonra sabit kald grlmektedir. Bu ilemlerden sonra en iyi performans veren a yaps izelge 2deki gibi oluturulmutur. izelge 2 A Parametreleri Parametreler Giri katmanndaki nron Gizli katman says zellikler 42 1

21

Sarta, ., zkan, .A. ve Herdem, S.

Parack Miktar (mg/l) 2,94 1,07 3,00 2,92 2,81 2,86 1,08 1,05 1,03 2,50 0,94 2,86 2,47 2,83 250 250
250

Svnn Ak Hz (l/h) 207 152 158 191 179 206 209 138 378 168 211 150 217 246 250 200 150 100 Manyetik Ak (Deney) Manyetik Ak (YSA) 0 0 Parack Miktar (mg/l) 0,89 1,03 1,08 1,13 1,88 2,42 2,46 2,53 2,81 2,84 2,86 2,88 2,91 3,14 50 Manyetik Ak (mT)

200 Manyetik Ak (mT)

200 Manyetik Ak (mT)


Manyetik Ak (mT)

200 150 100 50

150

150

100 Manyetik Ak (Deney) Manyetik Ak (YSA)

100

50

50

0 32 120 133 147 156 167 181 193 205 219 236 257 318 382 Svnn ak hz (l/h)

ekil 7. Svnn ak hzna bal olarak parack miktarna gre Deney-YSA eitim verileri
Svnn Ak Hz (l/h) 224 222 199 142 137 367 232 148 171 304 127 130 153 236 250 250

ekil 10. Parack miktarna bal olarak svnn ak hzna gre Deney-YSA test verileri Manyetik ak younluu iin deneysel ve YSA ile elde edilen deerler arasnda yaplan regresyon analiz grafikleri ekil 11-13de gsterildii gibi elde edilmitir.

200 Manyetik Ak (mT)

200 Manyetik Ak (mT)

150

150

100 Manyetik Ak (Deney) Manyetik Ak (YSA)

100

50

50

0 0,88 1,04 1,08 1,13 1,89 2,42 2,46 2,52 2,82 2,84 2,86 2,88 2,91 3,13 Parack Miktar (mg/l))

ekil 8. Parack miktarna bal olarak svnn ak hzna gre Deney-YSA eitim verileri
Parack Miktar (mg/l) 1,06 1,76 2,81 2,87 2,89 1,95 2,82 1,10 2,80 0,97 3,05 3,09 2,80 2,82 250 200 Manyetik Ak (mT) 150 100 50 0 50 121 136 146 156 169 179 194 207 221 238 261 324 380 Svnn ak hz (l/h) Manyetik Ak (Deney) Manyetik Ak (YSA) 0 250 200 150 100 50 Manyetik Ak (mT)

ekil 9. Manyetik ak younluu YSA eitim verileri regresyonu

ekil 9. Svnn ak hzna bal olarak parack miktarna gre Deney-YSA test verileri

ekil 10. Manyetik ak younluu YSA test verileri regresyonu

22

Sarta, ., zkan, .A. ve Herdem, S.

ekil 11. Manyetik ak younluu tm veri regresyonu Korelasyon ve regresyon grafikleri gz nne alndnda gelitirilen YSA kontrol ile farkl hzlarda akan endstriyel svlarn farkl parack konsantrasyonlarnda manyetik filtrelerin manyetik ak younluklar kontrol edilebilmektedir. Manyetik ak younluunun sabit olduu bir filtrasyon ileminde, endstriyel svnn ak hz, manyetik filtreye giren ve kan parack konsantrasyonlar vb teknolojik parametreler dikkate alnmamaktadr. Bu kontrolde ise teknolojik parametrelere gre kontrol yapldndan enerji israf zaman kayb gibi dezavantajlar ortadan kaldrlmaktadr. Ayrca paralel alan iki filtreden birisi dolduunda dierini devreye alan yedekli (redundant) bir kontroll sistem olmas sreklilii de salamaktadr. Dolan filtrenin temizlenmesi ekonomik kazancn yannda retimde srekliliini de salamaktadr. Bundan sonra yaplacak almalarda giri parametreleri olarak daha fazla teknolojik parametrenin kullanlmas, YSA eitiminde kullanlan deneysel verilerin farkl endstriyel alanlardan alnmas ve yapay zeka tekniklerinin hibrit olarak kullanlmas ile daha baarl sonular elde edilebilir.

Kaynaklar
[1] Herdem, S., Abbasov, T. ve Kksal, M., Manyetik Filtrede Tutulan Paracklarn Manyetik Alnganlnn nemi, Elektrik-Elektronik ve Bilgisayar Mhendislii 11. Ulusal Kongresi, stanbul/Trkiye, Bildiriler Kitab, cilt 1, 20, 2005, s.44-47. [2] Abbasov, T. ve Rzgar, B., Yksek Gradyanl Alanlarda Manyetik Tayclarn Hedeflendirilmesi Yntemi Elektrik-Elektronik-Bilgisayar Mhendislii 11. Ulusal Kongresi Bildiriler Kitab, stanbul, cilt 1,2005, s. 99-101. [3] Okada, H., Tada, T., Chiba, A., Mitsuhashi, K., Ohara, T. ve Wada, H., High Gradient magnetic Seperation for Weakly Magnetized Fine Particles, IEEE Transactions on Applied Superconductivity, Vol.12, 2002, s 967-970. [4] Abbasov, T. ve Ceylan, K., Filter Performance and Velocity Distribution Relation in Magnetic Filtration of Non-Newtonian Liquids, Separaton Scence And Technology, 34(11), 1999, s. 21772189.

[5] Haitmann, H.G., Iron Oxides in Boiles Water Removed Magnetically, Industrial Water Engineering, (12), 1969, s. 31-33. [6] Abbasov, T., Elektromanyetik Filtreleme lemleri, Sekin Yaynclk, Ankara, 2002. [7] Gerber, R. ve Lawson, P., Magnetic cage fitler, IEEE Trans. Magn.,. vol. 30, 1994, s. 46534655. [8] Saritas, . The Design of Magnetic Filter for Cleaning Industrial Liquids and Adaptive Control of Filter by Artificial Intelligence Methods, Phd Thesis, Selcuk University Institute of the Natural and Applied Sciences, 2008. [9] Sarta, ., zkan, .A., Herdem S. Design of Fuzzy Expert System for Magnetic Filter Performance According to Magnetic Field, 5th International Conference on Electrical and Electronics Engineering ELECO 2007, pp. 401-405, Bursa, 2007. [10] zkan .A., Sarta, ., Herdem, S. It is modeling Magnetic Filtering process with ANFIS, Electric, Electronic, Computer, Biomedical Engineering 12th Congress and Exhibitions EMO 2007, pp.415-418, Eskiehir, 2007 (in Turkish). [11] Abbasov, T., Magnetic filtration with magnetized granular beds: Basic principles and filter performance, China Particuology, vol. 5, issues 1-2, 2007, pp. 7183. [12] Gerber, R. ve Birss, R.R., High Gradient Magnetic Seperation, John Wiley, 1983. [13] Cueller, J. ve Alvaro, A., Fluid-solid Mass Transfer in Magnetic Filtration. Sep. Sci. Thecnol. 30(1), 1995, s. 141151. [14] Oztemel E. Integrating expert systems and neural networks for intelligent on-line statistical process control. PhD thesis. School of Electrical, Electronic and Systems Engineering, University of Wales, Cardiff, December 1992. p. 138. [15] Massie DD. Neural network fundamentals for scientists and engineers. Efciency, cost, optimization, simulation and environ-mental impact of energy systems (ECOS01). Istanbul, Turkey, 2001. p. 1238. [16] Hagan MT, Demuth HB. Neural Network Design, Vol. 12. Boston: PWS Publishing Company; 1996. pp. 129. [17] Saritas, . The Design of Magnetic Filter for Cleaning Industrial Liquids and Adaptive Control of Filter by Artificial Intelligence Methods, Phd Thesis, Selcuk University Institute of the Natural and Applied Sciences, 2008. [18] Kalogirou, S.A. Artificial neural networks in the renewable energy systems applications: a review, Renewable and Sustainable Energy Reviews, 2001, vol. 5, pp. 373401. [19] Kurt, H., Atik, K., Ozkaymak, M. And Binark, A. K. The artificial neural networks approach for evaluation of temperature and density profiles of salt gradient solar pond. Journal of the Energy Institute, 2007, 80 (1), pp.4651. [20] Yang, I. H., Yeo, M. S. and Kim, K.W. Application of artificial neural network to predict the optimal start time for heating system in building. Energy Conversion and Management, 2003, vol. 44(17), pp.2791-2809. [21] Nasr, G. E. and Badr, C. J. Back-propagation neural networks for modeling gasoline consumption. Energy Conversion and Management, 2003, 44 (6), 893905.

23

5. Uluslararas leri Teknolojiler Sempozyumu (IATS09), 13-15 Mays 2009, Karabk, Trkiye

YAPAY SNR ALARI LE ADAPAZARI KLLERNN SINIFLANDIRILMASINDA STATSTKSEL ANALZ STATISTICAL ANALYSIS IN CLASSIFICATION OF ADAPAZARI CLAYS USING ARTIFICAL NEURAL NETWORKS
Fatih GKTEPE a, * Hasan ARMAN b Emrah DOAN a ve Mehmet SANDALCI a
a, * SA naat Mhendislii Blm, 54187, Esentepe-Sakarya, TRKYE E-posta : fgoktepe@sakarya.edu.tr, emrahd@sakarya.edu.tr, sandalci@sakarya.edu.tr b UAEU Geology Department, 17551, Al-Ain, United Arab Emirates, E-posta:Harman@uaeu.ac.ae

zet
sistemi geoteknik mhendislii Zemin snflama uygulamalarnda, mhendisler arasnda iletiim dillerinden birisi olmutur. Bu yolla mhendisler birbirlerine tecrbelerini aktarma frsat bulmulardr. Yalnzca zemin snfnn bilinmesi, zerinde altmz zemin numuneleri hakknda yaplmas gereken detayl zemin incelemeleri ve mhendislik zelliklerini len dier laboratuar deneylerinin gerekliliini ortadan kaldrmamaktadr. Fakat bir mhendis zemin snflamasn bilmekle uygulama aamasnda oluan yapsal ykler karsnda zeminin hangi davranlar gsterebileceine dair fikir sahibi olabilmektedir. Son yllarda, geoteknik mhendislii uygulamalarnda Yapay Sinir Alarnn (YSA) kullanm artmaktadr. Genel anlamda, YSA insan beynindeki ilevsellii matematiksel olarak temsil etmektedir. Bu alma, YSAnn potansiyel olarak Adapazar killerinin snflandrlmasnda kullanlabilirliini snrl verilerle gzden geirmektedir. Bu almada, Adapazar blgesinin genel zemin yapsn tanmlamak iin yaplm sondaj almalar ve ilgili laboratuar deneylerinden elde edilen, kil numunelerine ait likit limit ve plastisite indisi deerleri kullanlarak eitilmi olan YSA modelinin ktlar ile deneysel veriler istatistiksel analiz yaplarak karlatrlmtr. Elde edilen bulgular grafikler halinde sunulmu ve deerlendirilmitir. Anahtar kelimeler: Yapay Sinir Alar, istatistiksel analiz, zemin snflandrmas, killi zemin

compared with the experimental data together with a study based on statistics. The results were presented in graphical forms and evaluated. Keywords: Artificial Neural Networks, statistical analysis, soil classification, clayey soil

1. Giri
mhendislik Geoteknik mhendislii, zeminlerin zelliklerini inceleyen, naat Mhendislii disiplininin bir alt anabilim daldr. Bu disiplin zemin mhendislii olarak da tanmlanmaktadr. naat Mhendislii uygulamalarnn ou, zemin zerinde ve/veya iersinde ina edilmesi nedeni ile iyi bir inaat projesini hayata geirebilmek iin geoteknik mhendislii anlamnda bilgi ve tecrbeye gerek duyulmaktadr. zellikle bu bilgi ve tecrbe eksiklii, lkemizde meydana gelen 17 Austos 1999 Marmara Depremi sonras daha iyi anlalmtr [1]. Adapazarnda gerek zel gerekse de kamu tarafndan yaplan sondaj almalar sonras blgenin genel zemin yaps hakknda geoteknik mhendislerine fikir verecek sonular elde edilmitir. Sondajlar sonras elde edilen numuneler zerinde ilgili laboratuar deneyleri yaplarak, zeminler farkl simgelerle ifade edilmektedir. Bu almalar sonras, Adapazar blgesinde silt ve killi zeminlerin yzeyde ya da yzeye yakn yerlerde olduu, buna karn kum ve akll zeminlerin daha alt seviyelerde olduu gzlenmektedir [2]. Trk lkemizde zeminlerin snflandrlmasnda Standartlar (TS 1500) kullanlmaktadr. nce daneli zeminler diye ifade ettiimiz siltli ve killi zeminlerin snflandrlmasnda kvam limitleri n plana kmaktadr [3]. TS 1500 zemin snflama sisteminde bulunan plastisite kart yardmyla ince daneli zeminler sahip olduklar likit limit (wLL) ve plastisite indisi (PI) parametrelerine gre farkl simgeler ile ifade edilebilmektedir (ekil 1). Bu almada, Adapazar killerine ait likit limit ve plastisite indisi deerleri kullanlarak eitilmi olan YSA modelinin retmi olduu ktlar ile deneysel verilerek karlatrlmtr. Elde edilen sonular tartlm ve grafik halinde sunulmutur.

Abstract
In geotechnical engineering applications, soil classification system is one of the communication languages among engineers. Engineers have discovered to transfer their experiences through this way. By only knowing soil class does not eliminate necessary detailed soil investigations and other laboratory tests which measure engineering properties. However, if an engineer knows soil class, one can have an idea about how and what kind of behavior soil will indicate under structural loads in application steps. In recent years, using of Artificial Neural Networks (ANN) has been increasing in geotechnical engineering applications. ANN are simply mathematical representations of the functioning of the human brain. This paper examines the potential of ANN in classifying Adapazari clays from limited data. In this study, the outputs of the ANN model, which was trained using liquid limit and plasticity index values of clay samples obtained from drillings for the definition of general ground condition of Adapazari region, were
IATS09, Karabk niversitesi, Karabk, Trkiye

24

Gktepe, F. Arman, H. Doan E. ve Sandalc, M.

Plastisite ndisi, PI (%)

8 si gi L i z ( w U 0.9 = PI
CI MI veya MIO 40 50

i gis 20) iz A ( wL 3 0 .7 = PI
MH veya MHO

Gelitirilmi olan YSA modeli [10], ekil 2de gsterilmi olup girdi katman bilgileri ise izelge 1de verilmitir.
Bias Bias

20

30

40

50

60

CL veya CLO

10

10

ML veya MLO 20 30

Likit Limit, wL (%)

60

70

80

90

100

110

wL PI CL,CI,CH

ekil 1. Plastisite kart (TS 1500).

2.Yapay Sinir Alar (YSA)


Yapay Sinir Alar (YSA), son yllarda bir ok mhendislik uygulamalarnda etkin bir ekilde uygulanmaktadr [4,5,6,7]. Yapay sinir alar (YSA) kavram, insan beyninin alma ilkelerinin saysal bilgisayarlar zerinde taklit edilmesi fikri ile ortaya km olup, ilk almalar nronlarn matematiksel modellenmesi zerinde younlamtr. Yaplan almalar nronlarn komu nronlarla bilgi alveriinde bulunduunu ortaya karmtr. Yapay sinir alar diye isimlendirilen alan bu nronlarn belli biimlerde bir araya gelmesinden olumutur. YSA modelleri, algoritmik olmayan paralel ve yayl bilgi ileme yetenekleri ile klasik modellerden farkldr. Farkl olan bu zellikleri sayesinde YSA karmak ve dorusal olmayan hesaplar kolaylkla ve hzl bir biimde yapabilir. Algoritmik olmayan ve ok youn paralel ilem yapabilen YSA, ayrca renebilme kabiliyeti ve paralel datlm hafza ile de hesaplamada yeni bak alarna sebep olmutur. Girdi katman nronlar girdi bilgilerini alr balantlar vastasyla bir sonraki bilgi ileme tabakas elemanlarna deerleri iletir. Bu ilem kt tabakasna ulalncaya kadar devam eder. Bu tr bilgi aknn bir ynde ilerlemesiyle oluan a ileri beslemeli a olarak bilinir. Bu almada kullanlan YSA modelinin yaps ile ilgili olarak, ileri beslemeli geriye yaynml (Back Propagation) a modeli kullanlmtr. Yine YSA modelinde birletirme fonksiyonu olarak toplama fonksiyonu, transfer veya aktivasyon fonksiyonu olarak da sigmoid fonksiyonu kullanlmtr. leklenmi konjuge gradyant algoritmasnn dier algoritmalara gre daha hzl sonu vermesinden dolay, atterberg ya da kvam limitleri ile yaplan ince daneli kil zeminlerinin snflandrlmas iin hatay geriye yayma algoritmas olarak mevcut leklenmi konjuge gradyant algoritmas kullanlmtr [8]. Bu almada, Adapazar blgesindeki killi zemin seviyelerinde yaplan SPT deneyleri ile elde edilen numuneler zerinde ilgili laboratuar deneyleri yaplarak bulunan kvam limitleri deerleri kullanlarak zemin snflandrmas yaplmtr. YSA modelinin gelitirilmesi amacyla seilen 400 eitim seti 56s ise test seti olmak zere toplam 456 adet kvam limitleri deney sonular kullanlmtr [9].
Girdi Katman Gizli Katman

kt Katman

ekil 2. YSA modelinin mimarisi. izelge 1 Girdi katman bilgileri. Simge wL PI Aklama Likit Limit Plastisite ndisi

Bu YSA modeli tek gizli katmandan oluturulmu olup, gizli katmanda 4 ilem eleman seilmitir. kt katman bilgileri izelge 2de verilmitir. izelge 2 kt katman bilgileri. Simge CL CI CH Aklama Dk Plastisiteli Kil Orta Plastisiteli Kil Yksek Plastisiteli Kil

Sonu olarak, gelitirilmi olan bu YSA modeli [10] ile, dardan girilen kvam limitlerine (wL, PI) bal olarak zemin snf (CL, CI, CH) belirlenmektedir.

3.statiksel Analiz
3.1. Giri Bu blmde, Adapazar blgesindeki killi zemin seviyelerinde yaplan SPT deneyleri ile elde edilen numunelere ait kvam limitleri deerleri ile gelitirilmi olan YSA modelinin retmi olduu sonu deerlerini doru yorumlayabilmek amacyla istatiksel bir alma yaplmtr. Yaplan bu alma iin kullanlm olan istatiksel parametrelerin teorik tanmlanmas bu ksmda zet eklinde sunulacaktr.

25

Gktepe, F. Arman, H. Doan E. ve Sandalc, M.

Determinasyon Katsays: Korelasyon karesine determinasyon katsays Determinasyon katsaysnn 1e yakn olmas Y deikenlerinin arasnda dorusal kuvvetlendiini gstermektedir.

katsaysnn denmektedir. durumu X ve bamlln

izelge 3 Eitim setine ait performans deerlendirmesi. Eitim Seti R


2

0,99994 0,00002 16,126925

R 2 = rx, y

N x i x yi y = i =1 N sx sy

)(

OKH (1) OMH (%)

Ortalama Karesel Hata: Seride gzlenen ve tahmin edilen veri deerlerinin farknn toplanp, toplam veri saysna blnmesiyle elde edilen deerdir. stenen deer ile YSA modelinin retmi olduu kt arasndaki hatay karesel olarak gsteren parametredir. Bu deerin sfra yakn olmas, tahmin edilen deerin kuvvetli biimde doruya yaknsadn gstermektedir.
OKH = 1 N

(R
i =1

R YSA )2

(2)

2 Eitim setine ait determinasyon katsays R = 0,99994 deerinin 1e yakn olmas deikenler arasnda dorusal bamlln kuvvetli olduunu gstermektedir. Ayrca, istenen deer ile YSA modelinin retmi olduu kt arasndaki hatay karesel ve mutlak olarak gsteren OKH=0,00002 ve OMH(%)=16,126925 deerlerinin sfra yakn olmas tahmin edilen deerin kuvvetli biimde doruya yaknsadn gstermektedir. ekil 3de eitim setine ait 400 adet kvam limitleri deney sonular iin YSA modelinin retmi olduu ktlar ile deneysel sonular verilmitir. Burada, YSA modelinin retmi olduu ktlarn deneysel sonulara olduka yakn olduu grlmektedir [9].

Ortalama Mutlak Hata: Seride gzlenen ve tahmin edilen veri deerlerinin farknn, gzlenen deere blndkten sonra herbir sonu iin yzde olarak toplanmasyla elde edilen deerdir. stenen deer ile YSA modelinin sonucu arasndaki hatay mutlak olarak gstermekte olup, bu deerin sfra yakn olmas YSA modelinin retmi olduu sonucun istenen deere kuvvetli biimde yaklatn gstermektedir.
OMH =
i =1 N

(R o R YSA )
Ro

100

(3)

1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0 0 100 200 Veri Says YSA kts stenen Deer 300 400

3.2. Saysal Uygulama Bu almada performans deerlendirmesi iin, Blm 3.1.de ele alnan global istatistiksi yntemlerden 2 determinasyon katsays (R ) ve ortalama karesel hata fonksiyonlar (OKH) kullanlmtr. Ancak bu yntemler hatann dalm hakknda herhangi bir bilgiye yer vermemektedirler. Bu nedenle bu alma iin dier global metotlara ilaveten modelin performansn daha etkili deerlendirmek iin ortalama mutlak hata (OMH) yntemi kullanlmtr [11]. Kullanlan YSA modelinin tek gizli katmandan oluturulmu olduu ve gizli katmanda 4 ilem eleman seildii hususuna Blm 2de deinilmiti. almann bu ksmnda kullanlan YSA modelinin hem eitim hem de test seti iin elde edilmi olunan global istatistiksi parametreleri ayr ayr sunulacaktr. lk olarak gelitirilmi olan YSA modelinin eitim setine ait 400 adet kvam limitleri deney 2 sonularnn determinasyon katsays (R ), ortalama karesel hata (OKH) ve ortalama mutlak hata (OMH) deerleri izelge 3de verilmitir.

ekil 3. Eitim setine ait YSA ktlar ile deneysel verilerin eletirilmesi. ekil 4de eitim seti iin, gelitirilmi olan YSA modelinin kts ile deneysel veri deikenlerinin x-y dzleminde iaretlenmesi ile elde edilmi olan grafikte deikenler arasnda bir korelasyon bantnn var olup olmad grlmektedir. Yaklak olarak noktalarn hepsi ayn doru zerinde bulunduundan, deikenler arasnda dorusal bir bant olduu sylenebilir [9].
1 0,9 0,8 stenen Deer 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0 0 0,2 0,4 0,6 0,8 1 YSA kts y = 0,9928x + 0,0058 R2 = 0,9999

ekil 4. Eitim setine ait YSA ktlar ile deneysel verilerin deiimi.

26

Zemin Snf

Gktepe, F. Arman, H. Doan E. ve Sandalc, M.

izelge 4 Test setine ait performans deerlendirmesi. Test Seti R


2

stenen Deer

Gelitirilmi olan YSA modelinin test setine ait 56 adet kvam limitleri deney sonularnn determinasyon katsays 2 (R ), ortalama karesel hata (OKH) ve ortalama mutlak hata (OMH) deerleri izelge 4de verilmitir.

1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0 0 0,2 0,4 0,6 0,8 1 YSA kts y = 0,9927x + 0,0058 R2 = 0,9999

0,99992 0,00002 18,005

OKH OMH (%)

Test setine ait determinasyon katsays R2 = 0,99992 deerinin 1e yakn olmas deikenler arasnda dorusal bamlln kuvvetli olduunu gstermektedir. Ayrca, istenen deer ile YSA modelinin retmi olduu kt arasndaki hatay karesel ve mutlak olarak gsteren OKH=0,00002 ve OMH(%)=18,005 deerlerinin sfra yakn olmas tahmin edilen deerin kuvvetli biimde doruya yaknsadn gstermektedir. ekil 5de test setine ait 56 adet kvam limitleri deney sonular iin YSA modelinin retmi olduu ktlar ile deneysel sonular verilmitir. Burada, YSA modelinin retmi olduu ktlarn deneysel sonulara olduka yakn olduu grlmektedir [9].
1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0 0 5 10 15 20 25 30 35 40 45 50 55

ekil 6. Test setine ait YSA ktlar ile deneysel verilerin deiimi. lk olarak kullanlan YSA modelinin eitim setine ait, dk plastisiteli kil (CL), orta plastisiteli kil (CI) ve yksek plastisiteli kil (CH) zemin snflar iin hesaplanabilen 2 determinasyon katsays (R ), ortalama karesel hata (OKH) ve ortalama mutlak hata (OMH) deerleri izelge 5, 6. ve 7de verilmitir. izelge 5 Eitim setine ait CL zemin snf iin performans deerlendirmesi. Eitim Seti (CL) R
2

Hesaplanamad 0,00009 86,75675676

OKH OMH (%)

Zemin Snf

izelge 6 Eitim setine ait CI zemin snf iin performans deerlendirmesi. Eitim Seti (CI) R
2

Veri Says YSA kts stenen Deer

Hesaplanamad 0,0000 0,164333333

OKH OMH (%)

ekil 5. Test setine ait YSA ktlar ile deneysel verilerin eletirilmesi. ekil 6da test seti iin, gelitirilmi olan YSA modelinin kts ile deneysel veri deikenlerinin x-y dzleminde iaretlenmesi ile elde edilmi olan grafikte, deikenler arasnda bir korelasyon bantnn var olup olmad grlmektedir. Yaklak olarak noktalarn hepsi ayn doru zerinde bulunduundan, deikenler arasnda dorusal bir bant olduu sylenebilir [9]. Yukarda eitim ve test seti iin gelitirilmi olan YSA modelinin ktlar ile deneysel veriler arasndaki ilikiler genel olarak sunulmutur. Burada, YSA modeli iin dardan girilen kvam limitlerine bal olarak elde ettiimiz zemin snflarnn (CL, CI, CH) her birinde hem eitim hem de test seti iin ele alnan global istatistiksel yntemlerden 2 determinasyon katsays (R ), ortalama karesel hata fonksiyonlar (OKH) ve ortalama mutlak hata fonksiyonu (OMH) yntemleri ile hesaplanabilen deerler sunulacaktr. Bu yntemle yaplm olan almann performans, zemin snflar iin ayr ayr analiz edilecektir.

izelge 7 Eitim setine ait CH zemin snf iin performans deerlendirmesi. Eitim Seti (CH) R
2

Hesaplanamad 0,0000 0,008321678

OKH OMH (%)

Eitim setine ait CL, CI ve CH zemin snflarnda deerlerin birbirine yakn olmas nedeniyle R2 deeri hesaplanamamtr. OKH bakmndan, CH ve CI zemin snflar OKH=0 olarak sonu verirken ayn deer CL zemin snfnda OKH=0,00009 olarak elde edilmitir. OMH bakmndan ise en iyi sonucu OMH(%)=0,008321678 deeri ile CH zemin snf vermitir, ayn deer CI zemin snfnda OMH(%)=0,164333333, CL zemin snfnda ise OMH(%)=86,75675676 olarak bulunmutur. Buradan

27

Gktepe, F. Arman, H. Doan E. ve Sandalc, M.

hareketle CI ve CH zemin snflarnn CL zemin snfna gre daha iyi sonu verdii sylenebilir. Gelitirilmi olan YSA modelinin eitim setine ait, CL, CI ve CH zemin snflar iin YSA modelinin retmi olduu ktlar ile deneysel sonularn eletirilmesi ekil 7, 8. ve 9da verilmitir. Eer CI ile CH zemin snflar arasnda bir kyaslama yaplmak istenirse, ekil 8. ve 9da sunulmu olan grafiklerden CH zemin snfnn CI zemin snfna oranla daha iyi sonu verdii sylenebilir [9].
CL (Dk Plastisiteli Kil)
0,02

katsays (R2), ortalama karesel hata (OKH) ve ortalama mutlak hata (OMH) deerleri izelge 8, 9 ve 10da verilmitir. izelge 8 Test setine ait CL zemin snf iin performans deerlendirmesi. Test Seti (CL) R
2

Hesaplanamad 0,00009 91,18181818

OKH OMH (%)

Zemin Snf

0,01

izelge 9 Test setine ait CI zemin snf iin performans deerlendirmesi. Test Seti (CI)

0 0 10 20 30 40 50 60 70 Veri Says YSA kts stenen Deer

Hesaplanamad 0,0000 0,161428571

OKH OMH (%)

ekil 7. Eitim setine ait CL zemin snf iin YSA ktlar ile deneysel verilerin eletirilmesi.
CI (Orta Plastisiteli Kil)
0,506 0,505 0,504 0,503 0,502 0,501 0,5 0,499 0 20 40 60 80 100 120 140 160 180 Veri Says YSA kts stenen Deer

izelge 10 Test setine ait CH zemin snf iin performans deerlendirmesi. Test Seti (CH) R
2

Hesaplanamad 0,0000 0,054285714

Zemin Snf

OKH OMH (%)

ekil 8. Eitim setine ait CI zemin snf iin YSA ktlar ile deneysel verilerin eletirilmesi.
CH (Yksek Plastisiteli Kil)
1,002 1,001 1 0,999 0,998 0,997 0,996 0,995 0 50 Veri Says YSA kts stenen Deer 100 150

Test setine ait CL, CI ve CH zemin snflarnda deerlerin 2 deeri birbirine yakn olmas nedeniyle R hesaplanamamtr. OKH bakmndan ise CH ve CI zemin snflar OKH=0 olarak sonu verirken ayn deer CL zemin snfnda OKH=0,00009 olarak elde edilmitir. OMH bakmndan en iyi sonucu OMH(%)=0,054285714 deeri ile CH zemin snf vermitir, ayn deer CI zemin snfnda OMH(%)=0,161428571, CL zemin snfnda ise OMH(%)=91,18181818 olarak bulunmutur. Buradan hareketle CI ve CH zemin snflarnn CL zemin snfna gre daha iyi sonu verdii sylenebilir. Gelitirilmi olan YSA modelinin test setine ait, CL, CI ve CH zemin snflar iin YSA modelinin retmi olduu ktlar ile deneysel sonularn eletirilmesi ekil 10, 11. ve 12de verilmitir. Eer CI ile CH zemin snflar arasnda bir kyaslama yaplmak istenirse, ekil 11. ve 12de sunulmu olan grafiklerden CH zemin snfnn CI zemin snfna oranla daha iyi sonu verdii sylenebilir [9].

Gelitirilen YSA modelinin test setine ait, dk plastisiteli kil (CL), orta plastisiteli kil (CI) ve yksek plastisiteli kil (CH) zemin snflar iin hesaplanabilen determinasyon

Zemin Snf

ekil9. Eitim setine ait CH zemin snf iin YSA ktlar ile deneysel verilerin eletirilmesi.

28

Gktepe, F. Arman, H. Doan E. ve Sandalc, M.

CL (Dk Plastisitei Kil)


0,02

0,01

0 0 5 Veri Says YSA kts stenen Deer 10 15

YSA modelinin retmi olduu sonularn geree en kuvvetli biimde yaknsadn gstermektedir. Eitilen YSA modeli test edildikten sonra retilmi olan ktlar ile deneysel verilerin, yaplan istatistik analiz yardmyla 2 karlatrlmas sonucu R =0,99992, OKH=0,00002 ve OMH(%)=18,005 olarak bulunmutur. Buradan hareketle gelitirilen YSA modelinin, killi zeminlerin snflandrlmasnda etkin bir biimde kullanlabilecei ve bu almann yaplabilmesi iin blgedeki geoteknik raporlardan elde edilen veriler ile yaplan zemin snflandrma almalarnn gvenirlilii test edilmitir. Sonu olarak, imdiye kadar Adapazar blgesindeki killi zeminler zerinde yaplm olan snflandrma almalarnn gvenirlilii lineer olmayan bir yntemle test edilerek yaplan zemin snflandrmalarnn gvenli olduu sonucuna ulalmtr.

ekil 10. Test setine ait CL zemin snf iin YSA ktlar ile deneysel verilerin eletirilmesi.
CI (Orta Plastisitei Kil)
0,506 0,505 0,504 0,503 0,502 0,501 0,5 0,499 0 5 10 15 Veri Says YSA kts stenen Deer 20 25 30

Zemin Snf

Kaynaklar
[1] Gktepe, F., Arman, H., alar, N., Pala, M., Adapazar Blgesinde Bulunan Killerin Snflandrlmasnda Yapay Sinir Alar Yaklam, II. Trk Dnyas Matematik Sempozyumu, Sakarya, 4-7 Temmuz, 2007 (Sadece zet Basld). [2] Komazawa, M., Morikawa, H., Nakamura, K., Akamatsu, J., Nishimura, K., Sawada, S., Erken, A., Arman, H., Onalp, A., Bedrock structure in Adapazari, Turkey-A possible cause of severe damage by 1999 Kocaeli earthquake, 10th Int. Conf. on Soil Dynamics and Earthquake Engineering, Philadelphia, U.S.A, 97, on October 7-10, 2001. [3] TS 1500., naat Mhendisliinde Zeminlerin Snflandrlmas, Trk Standartlar Enstits, Ankara, Aralk, 2000. [4] Bshop, C. M., Neural networks for pattern recognition, University Press, Oxford, 1995. [5] Fausett Laurene, V., Fundamentals of Neural Networks: Architectures, Algorithms, and Applications, Englewood Cliffs, NJ: Prentice Hall, 1994. [6] Haykn, S., Neural Networks: A Comprehensive Foundation, Prentice Hall, NY, USA, 1999. [7] Kulkarni, A. D., Artificial neural networks for image understanding, Van Nostrand Reinhold, NY, USA, 1994. [8] Moller, A. F., A scaled conjugate gradient algorithm for fast supervised learning, Neural Networks, 6, 525-533, 1993. [9] Gktepe, F., Adapazar Killerinin Snflandrlmasnda Yapay Sinir Alar Yaklam, Yksek Lisans Tezi, Sakarya, Mays, 2008. [10] alar, N., Yapay Sinir Alar ile Binalarn Dinamik Analizi, Doktora Tezi, Sakarya, Kasm, 2001. [11] Dogan, E., Sasal, M., Isk, S., Suspended Sediment Load Estimation in Lower Sakarya River by Using Soft Computational Methods, Proceeding of the International Conference on Computational and Mathematical Methods in Science and Engineering, CMMSE, Alicante, Spain, pp. 395-406, June 27-30, 2005.

ekil 11. Test setine ait CI zemin snf iin YSA ktlar ile deneysel verilerin eletirilmesi.
CH (Yksek Plastisitei Kil)
1,001

Zemin Snf

Zemin Snf

1 0,999 0,998 0,997 0,996 0,995 0 5 Veri Says YSA kts stenen Deer 10 15

ekil 12. Test setine ait CH zemin snf iin YSA ktlar ile deneysel verilerin eletirilmesi.

4. Sonular
Bu almada, Adapazar killerini snflandrmak iin en uygun YSA modeli belirlendikten sonra, YSA modelinin retmi olduu ktlar ile alma sahas olan Adapazar blgesindeki geoteknik raporlardan elde edilen veriler yaplan istatistiksel analiz yardmyla karlatrlmtr. Bu performans deerlendirmesi iin, istatistiksel parametreler 2 olan determinasyon katsays (R ), ortalama karesel hata (OKH) ve ortalama mutlak hata (OMH) kullanlmtr. Yaplan istatistiksel analiz sonucu gelitirilmi olan YSA 2 modelinin eitim setine ait, R =0,99994, OKH=0,00002 ve OMH(%)=16,126925 olarak bulunmutur. Bu deerler,

29

5. Uluslararas leri Teknolojiler Sempozyumu (IATS09), 13-15 Mays 2009, Karabk, Trkiye

SIANLARIN BEYN LE RECTUM SICAKLIKLARI ARASINDAK LKNN YAPAY SNR ALARI LE MODELLENMES ARTIFICIAL NEURAL NETWORK MODELING OF RELATION BETWEEN RAT BRAIN AND RECTUM TEMPERATURES
a

Hseyin DEMRELa,* ve Bilgehan ERKALb

,* Karabk niversitesi Meslek Yksekokulu, Karabk, Trkiye, E-posta: hdemirel@karabuk.edu.tr b Karabk niversitesi Meslek Yksekokulu, Karabk, Trkiye, E-posta: berkal99@gmail.com

1. Giri zet
Sanlar zerinde deneysel amalarla beyinde hipotermiya oluturmak zere mikrodenetleyicili bir vcut scakl kontrol dzenine ihtiya vardr. Bu sistemin vcut scakln alglad yer nemlidir. Dorudan beyin zerindeki scaklklar lmek mmkn olmadndan endirekt bir lm metodu kullanlmas gerekir. Bu metodun beyin scakln doru bir ekilde tahmin edebilmesi iin gerek beyin scakl ile lmn yapld noktadaki scaklk arasnda bir iliki kurulmas gerekir. Bu ilikinin matematiksel bir formle dklmesi, hesap ilemini kolaylatrr. Bu almada, sann rektumundan llen scaklk ile beyindeki scakln tahminini gerekletiren byle bir model oluturulmutur. Modelin kurulmasnda ok katmanl hatay geri yaymal bir sinir andan faydalanlmtr. Daha nce yaplan almalardan elde edilen verilerin bir ksm eitim, bir ksm ise test verisi olarak kullanlmtr. Sinir ann eitimiyle elde edilen model geree yakn sonular vermitir. Anahtar Kelimeler: Hipotermiya, Yapay sinir alar, Veri modelleme, Scaklk kontrol Beyindeki kontroll bir scaklk d tpta serebral hipotermiya adyla bilinir. Hipotermiya, tpta ska kullanlan bir tedavi metodudur. Travmalarda i kanamalar nlemek ve beyinde meydana gelebilecek dier hasarlar azaltmak amacyla serebral hipotermiyann kullanldn ve eitli seviyelerde fayda temin edildiini grmekteyiz [112]. Ancak hipotermiya olduka dar bir scaklk blgesinde kontroll bir ekilde uyguland takdirde etkili olmaktadr [1-12]. Bu gne kadar hipotermiyann gerektirdii kontroll scaklk dmesini salamak zere eitli metodlar denenmitir [1-3]. Yazarlar, hipotermiyann etkilerinin aratrlmas ve daha etkili bir metod gelitirmek maksadyla sanlar zerinde deneysel amal hipotermiya meydana getirebilen bir cihaz gelitirmilerdir [2]. Bu cihazn en nemli zellii soutma ilemini, soutmay kolayca kontrol etmeye imkan veren bir termoelektrik peltier soutucu eleman ile gerekletirmesidir. Bu eleman sadece soutma deil, ayn zamanda stma da salayabildii iin hipotermiyann gayet kontroll bir ekilde gereklemesine imkan salamaktadr. Cihazn bir dier nemli zellii mikrodenetleyici kontroll olmasdr. Bu sayede sistemin durumu yakndan takip edilebilmekte ve scaklk ayarlamas ok daha etkili bir ekilde gerekletirilmektedir. te yandan canl bir sann beyin scakln dorudan belirleme imkan yoktur. Yazarlar, bu amala bir sandan aldklar verileri kullanarak ve eri uydurma yntemlerinden faydalanmak suretiyle sann rektumundan alnan scaklk lm ile beyin scakl arasnda bir iliki kurmulardr. Ayrca her iki kulaktan scaklk lmleri alnm, fakat bu verilerden elde edilen iliki ile kyaslandnda, rektumdan elde edilen scaklk ilikisinin daha sk olduu grlmtr. zetle sann rektum scaklna bakarak beyin scakln yksek bir dorulukla belirlemek mmkndr [1]. Bu yntemin bir eksiklii, farkl ebat ve metabolik zelliklere sahip sanlarda mkemmel bir sonu verememesidir. Bu nedenle farkl trlere annda uyum salayabilecek bir yntemin gelitirilmesi zorunlu hale gelmitir. Bu makalede, yapay sinir alarndan faydalanlarak, rnek bir sandan alnm verileri kullanarak rektum ve beyin scaklklar arasnda bir iliki kurabilen ve rektum scaklndan beyin scaklna ulamay mmkn klacak uyarlanabilir bir modelin tasarm sunulmutur. rnek veriler ncelikle eri uydurma yntemleri kullanlarak, aradaki ilikiyi sunan bir fonksiyon elde edilmi, daha sonra ok katmanl bir yapay sinir a ayn veriler kullanlarak eitilmitir. Verilerin hepsi eitimde kullanlmam, bir ksm kontrol amal kullanlmtr. Daha

Abstract
There is a need for a microcontroller rat body temperature regulation system for experimental brain hypothermia induction. The place this system senses the temperature in the body is important. It is impossible to measure the brain temperature directly, so it is necessary to develop a new method to measure it indirectly. A method must be developed in order to determine the exact brain temperature by relating it to measurements taken elsewhere in the body. If this relation is expressed as a mathematical model, it will be easier to calculate the brain temperature. In this study, such a model is developed which predicts the rat brain temperature from rectum temperature measurements. Model is developed with a multilayer error back propagation neural network. Some part of data gathered from previous work is used as training set while the remaining is used as test set. Remarkable performance results are obtained with the training of the neural network. Key Words: Hypotermia, Artifical neural network, Data Modeling, Temperature Control

IATS09, Karabk niversitesi, Karabk, Trkiye

30

Demirel, H. ve Erkal, B.

sonra her iki yntemden elde edilen sonular karlatrlarak, sinir ann performans belirlenmeye allmtr.
Beyin Scakligi (oC)
Beyin Scakl 0C

36 35 34 33 32 31 30 29 28 33

Rektum-Beyin sicakligi Egrisi

2. Eri Uydurma Yntemiyle Rektum-Beyin Scaklklar Arasndaki likinin Bulunmas


Tablo 1de rnek bir sandan alnm veriler sunulmutur [1]. Bu verilerden Matlabda eri uydurma ara seti kullanlarak elde edilmi ve rektum ile beyin scaklklar arasndaki ilikiyi veren forml 1de verilmitir.
TB = 1,695TR 26.8

(1)

Gerek Hesap

Burada; TB: Hesaplanan beyin scakl (oC) o TR: llen rektum scakl ( C)
B

34 35 36 Rektum Sicakligi (oC) Rektum Scakl 0C

37

ekil 1. Rektum Scaklna kar gerek ve hesaplanm beyin scaklklar

Tablo 1. Beyin scaklna kar Rektum scaklklar [1] rnek No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Rektum Scakl (oC) 36,70 36,45 36,20 35,95 35,70 35,45 35,15 34,90 34,65 34,40 34,15 33,90 33,65 33,40 33,15 33,00 Beyin Scakl (oC) 35,45 35,35 34,70 34,10 33,60 33,30 32,90 32,15 31,65 31,15 30,90 30,65 30,40 30,15 29,90 28,90

3. Yapay Sinir Ayla Rektum-Beyin Scaklklar Arasndaki likinin Bulunmas


Sann rektum ve beyin scaklklar arasndaki ilikiyi modellemek zere yapay sinir alarna dayal bir sistem tasarlanmtr. Yapay sinir a, Matlabn yapay sinir alar ile ilgili ara setinden faydalanlarak kuruldu. Kurulan yapay sinir a tek giri ve tek kl bir ok katmanl hatay geriye yaymal bir adr. Giriten rektum scaklklar verilmekte ve ktan tahmin edilmi beyin scakl alnmaktadr. A, ok katmanl olduundan giri ve k arasnda iki gizli katmana sahiptir. Denenen farkl katman ve sinir saylarndan 8x8 sinir says en uygun olarak grlmtr. Sinir ann neticedeki yaps 1.8.8.1 eklindedir. Ada, giri ve k katmanlar lineer k fonksiyonlarna sahipken, gizli katmandaki sinirlerin tansig fonksiyonuna sahip olmas tercih edilmitir. Bunun nedeni, an ilikiyi belirlerken olas dorusal olmayan bir karakteri de kolaylkla temsil edebilme kabiliyetine sahip olmasdr. Kurulan sinir ann eitimi Levenberg-Marquardt yntemi ile Tablo 1de verilen 16 veri iftinin tm kullanlarak gerekletirilmitir. Veri iftlerinden, ift numaral 8 adeti eitilen an performansn gzlemlemek iin test verisi olarak kullanlmtr. Veri iftlerinin saysnn kstl olmas nedeniyle bu durum tercih edilmitir. Veri iftlerinin saysnn fazla olmas durumunda an genelleme kabiliyetini artrmak zere veri iftlerinin bir ksm eitim amacyla kullanlrken, dier bir ksm test ve dorulama amacyla kullanlabilir. An eitiminde kullanlan dier parametreler yledir: renme katsays (learning rate): 0,05, renme katsays artm oran (learning rate increment): 1,005, momentum katsays: 0,8, devirlerin maksimum says (max. number of Epochs): 5000, hata -20 -3 kriteri: 1.10 , minimum gradyan: 1.10 , max. Mu oran: +30 1.10 , hata belirleme yntemi: hatalarn karesinin ortalamas (mse). Dier tm parametreler Matlabda standart tanmland haliyle braklmtr.
o o o A eitildikten sonra 33 C ile 37 C arasndaki 0.01 C aralklarla rneklenmi rektum scaklklar aa verilmekte ve karlk gelen beyin scaklklar alnmaktadr. ekil 2de bu ekilde elde edilmi rektum-beyin scakl grafii grlmektedir. Grafikte ayrca gerek noktalar da yer almakta ancak hatann ok dk olmas nedeniyle fark edilememektedir. 16 veri noktas ile ekil 1deki grafiin bir benzeri ekil 3te yapay sinir a iin sunulmutur. Hatann

1i bulmak iin eldeki veriler ara setine yklenmi ve dorusal interpolasyon yaptrlmtr. Elde edilen erinin veri noktalar ile karlatrmas ekil 1de verilmitir. ekil 1den de anlalaca zere byle basit bir eri ihtiyac karlamaktan uzaktr. Nitekim hatalarn karesinin ortalamas mse=0.9252 olarak hesaplanmtr.

31

Demirel, H. ve Erkal, B.

var olduu fakat ok dk olduu burada daha net grlmektedir. Nitekim hatalarn karesinin ortalamas mse=0.0160 olarak hesaplanmtr.
38 Gerek Hesap

36 Beyin Sicakligi (oC)


Beyin Scakl 0C

34

32 30

dk bir hata orannn elde edildii grlmtr (mse=0.0160). Ayrca bu yntem, baka sanlardan alnacak verilerle elde edilecek tecrbeyi hesaplamalarna etki ettirebilecek bir uyum yeteneine sahiptir. Sonuta bu alma ile farkl metabolik zelliklere sahip sanlarn rektum ile beyin scaklklar arasndaki dorusal olmayan ve deikenlik arz edebilen ilikisinin tam bir modelinin yapay sinir alar kullanlarak oluturulabilecei ispatlanmtr. Bylece, sadece sanlarda deil, eitli canllarda hipotermiya oluturma esnasnda beyin scakln daha sk bir kontrol altna almak ve daha doru bir hedef scakl salamak mmkn olabilecektir.

Kaynaklar
[1] Ahska, R., Demirel, H., Erkal, B., Post Traumatic Protection of Brain in Rats Using Rat Thermohypotherm Device, G.U. Journal of Science, 17,(4), 29-38, 2004. [2] Demirel, H., Ahska R., Mikrodenetleyiciyle Scaklk Kontroll Rat Termohipoterm Sistemi, 3.Uluslararas leri Teknolojiler Sempozyumu, 165-173, Ankara, 2003. [3] H. Demirel, B. Ciylan, B. Erkal and S. Ylmaz, Design of a universal thermoelectric module test system for testing rat brain thermoelectric hypothermia, IET Sci. Meas. Technol., 1, (3), pp. 160165, 2007. [4] Clifton, G.L., Miller, E.R., Choi, S.C., et. al., Lack of effect of induction of hypothermia after acute brain injury., 344 (8):556-63, N. Engl. J. Med., 2001. [5] Markgraf, C.G., Clifton, G.L., Moody, M.R., Treatment window for hypothermia in brain injury, J. Neurosurg., 95 (6):979-83, 2001. [6] Clifton, G.L., Hypothermia and severe brain injury, J. Neurosurgery, 93(4): 718-9, 2000. [7] Clifton, G.L., Systemic hypothermia in treatment of severe brain injury : a review and update, J. Neurotrauma , vol. 12, no 5, pp. 961-997, 1995. [8] Clifton G.L., Jiang, J.Y., Lyeth, B.G., et. al., Marked protection by moderate hypothermia after experimental traumatic brain injury , J. Cereb. Blood Flow Metab., 11:114-21 1991. [9] Yavuz, A.H., Ahska, R., Hakim, M., Bulank Mantk Kontroll Termoelektrik Beyin Soutucusu, ELECO2006,Elektrik-Elektronik-Bilgisayar Mhendislii sempozyumu, B8-07, 6-10 Aralk 2006, Bursa. [10] Kapdere, M., Ahska, R., Mikrodenetleyici Kontroll Termohipoterm Tp Cihaz, Biyomut 2002 Biyomedikal Mhendislii Ulusal Toplants, 209-214, stanbul, 2002. [11] Kapdere, M., Ahska R., Drt scaklk alglaycl ve mikrodenetleyicili termohipoterm sistemi, 3.Uluslararas leri Teknolojiler Sempozyumu, 33-34, Ankara, 2003. [12] Kapdere, M., Mikrodenetleyici kontroll termohipoterm tp cihaz tasarm ve gerekletirilmesi, Doktora Tezi, G.U. FBE, 2005.

28 33

34 35 36 Rektum sicakligi (oC) Rektum Scakl 0C

37

ekil 2. Yapay sinir ana dayal modelden elde edilen rektum-beyin scakln veren grafik.
36 35 Beyin sicakligi (oC) 34 33 32 31 30 29 28 33 34 35 36 Rektum sicakligi (oC) 0
Rektum Scakl C

Beyin Scakl 0C

Gercek Hesap

37

ekil 3. 16 adet gerek veri noktasna kar yapay sinir ann salad beyin scaklklarnn karlatrmas

4. Sonu
rnek bir sann rektum scaklna karlk beyin scaklklar 16 veri ifti halinde ele alnmtr. Bu veri iftlerinden eri uydurma yntemiyle dorusal bir polinom elde edilmitir. Bu polinomdan hesaplanan beyin scaklklar gerek beyin scaklklar ile beraber rektum scaklklarna kar gelecek ekilde bir grafik halinde sunulmutur (ekil 1). Gerek ve hesap deerleri arasndaki fark hata olarak ele alnm ve bu hatalarn karesinin ortalamas mse=0.9252 olarak hesaplanmtr. Verilerde grlt bulunmad kabul edilerek, bir baka deyile veri noktalarndaki salmann rektum-beyin scaklklar arasndaki ilikinin dorusal olmayndan kaynaklandn kabulle bu hata orannn olduka yksek olduunu syleyebiliriz. Nitekim, verilerden dorusal olmayan bir ilikiyi karabilme kabiliyetine sahip bir ok katmanl yapay sinir ann eitimi neticesinde ok daha

32

5 International Advanced Technologies Symposium (IATS09), May 13-15, 2009, Karabuk, Turkey

th

THE PREDICTION OF EFFECT OF GRAIN ANGLE OVER MODULUS OF RUPTURE AND MODULUS OF ELASTICITY VALUES ON SCOTCH PINE WITH FUZZY LOGIC CLASSIFIER
a,*

Ayhan Ozcifcia,*, Fatih Yapicia, Suat Altuna Department of Furniture and Decoration, Technical Education Faculty, Karabuk University, Karabuk, Turkey, E-mail : fyapici@karabuk.edu.tr

Abstract
In this study, a model based on fuzzy logic classifier was created in order to determine the values of modulus of elasticity and modulus of rupture of Scots pine (Pinus sylvestris L.). These values are the most important mechanical properties of wood. And such values change according to the various factors. One of the most important factors is grain direction of fiber into wood. Certainly, the effects of each grain direction on these values can be determined experimentally. But these experiments are very require time for the manufacturers. For this purpose, modulus of elasticity and modulus of rupture values were measured depending on grain direction of scots pine (Pinus sylvestris L.) wood. Input and output values and rule base of fuzzy logic classifier were constituted. With the fuzzy logic classifier model prepared in Matlab Simulink, BS and MOE values for grain angle were predicted. It was observed that the fuzzy logic classifier predicted of these values with 93.93-70.55% accuracy. With this system, for the manufacture of wood-composite materials, the most appropriate grain direction of fibers required by the manufacturer could be determined. Keywords: Direction of wood fiber, modulus of

grain angle turns over to be right-handed with time. Sawn timber that exhibits large grain angles lead to problems of shape stability and stiffness in finished constructions [4]. Numerical models can be useful and effective for the accurate design and future development of wood composite materials. Early study by Hunt and Suddarth used linear elastic finite element analysis with the Monte Carlo technique to predict tensile and shear modulus of medium density fiberboard. The model agreed well with average experimental results with a max error of 13% [5]. Yapici and friends used fuzzy logic classifier model for prediction of modulus of rupture and modulus of elasticity of wood composite material that is called flakeboard. The model agreed well with experimental results with a max error 5-3% [6]. Pearson developed two dimensional finite element models to predict the elastic tensile properties of a 3-ply model on LVL. A good agreement was obtained between predicted and experimental strains at maximum load (max difference of 14.3%) as well as predicted and experimental stresses (max. difference of 7.7%) [7]. Fuzzy logic has found wide application areas. Electrical home appliances, automobile electricity, daily used machines, production engineering, industrial technologies and automation are some of them [8]. Fuzzy logic makes use of experimental results possible through its transformation into the linguistic terms. This feature provides a major flexibility for fuzzy logic. In this way, it has been effectively used in the studies of experimental values and analysis [9]. In this study, a model based on Fuzzy Logic was developed to obtain modulus of elasticity and modulus of rupture values. In the first step, after preparing of test samples, modulus of elasticity and modulus of rupture values were determined by experiment test. In the second step, by using obtained data, input and output variables and rules of fuzzy logic classifier were prepared. In the third step, with the fuzzy logic classifier model prepared in Matlab Simulink, And modulus of elasticity and modulus of rupture values in different grain angles were tested. In conclusion, results obtained from the study and suggestions for future studies were presented.

rupture, modulus of elasticity, fuzzy logic classifier 1. Introduction


In contrast to most natural resources, wood renewable materials. Its great strength is mainly due to the cellulose and partially hemicelluloses. Similar to the matrix in fiber reinforced polymers, wood lignin acts as a glue, binding the cellulose molecules together to form the basic wood structure [1,2]. Wood fibers are normally oriented with their length parallel to the long axis of the stem. With this structure, wood may be described as an orthotropic material. Wood has unique and independent mechanical properties in the longitudinal, radial and tangential direction. The longitudinal axis is parallel to the fiber, the radial axis is normal to the growth rings; and the tangential axis is perpendicular to the grain but tangent to the growth ring [3]. Wood is a major construction material that is used in many different purposes. Serious problems may arise, however, when moisture related deformations as twist occur in wood used in different types of building structures, joinery and furniture. Twist can be explained to a great degree by the helical deviation of the grain angle in relation to the longitudinal direction of the log or the sawn board. Wood fibers form a spiral within tree, and this is a natural occurrence that is named spiral grain. In most of trees the

IATS09, Karabk University, Karabk, Turkey

33

zifi,A., Yapc,F., Altun,S.,.

2. Experimental work 2.1. Preparation of test samples


Scotch pine (Pinus sylvestris L.) wood was used in the production of the test samples. In the selection of the wood materials were taken faultless materials. Therefore, faultless woods (knot-free, no decay and reaction wood) were used in the manufacture of test samples.In this study, test samples were prepared by using different grain angle. The test specimens according to the loading direction of using force and grain angle are shown in figure1.

rule base covers inspection rules that are necessary to obtain real output. Inference unit is a unit that performs fuzzy inference on fuzzy rules. Defuzzification unit converts the fuzzy values obtained from the output of inference unit to numerical values [13,14]. This operation is called as fuzzification.The fuzzy logic controller (classifier) is given in Figure 3.
INFERENCE UNIT u DEFUZZIFICATION UNIT

Input x

FUZZIFIER UNIT

(x)

Output u

KNOWLEDGE BASE

Figure3. Fuzzy logic classifier.

Figure1. Grain angle and loading type of force

2.2. Test methods


After the prepared of test samples, the samples were conditioned to constant weight at 655% relative humidity and at a temperature of 202C, until the weights of the samples remained constant (until reaching a rate of 12% moisture content), for the purpose of homogenization of moisture volume before the experiment [10]. Modulus of elasticity and modulus of rupture values were determined according to the principles of the related standards [11, 12]. In measurement of modulus of elasticity and modulus of rupture values, Zwick/Roell Z050 universal test device with capacity of 5000 kg and measurement capability of 0,01 Newton in accuracy was used. In testing, loading mechanism was started with a velocity of 6 mm/min in order to complete the breaking process within 60-90 minutes beginning from the boarding time (Figure 2).

modulus of rupture and modulus of elasticity values of testing sample manufactured with different grain angle were experimentally determined. Making use of obtained values and relevant catalogs, input and output variables and rule base of fuzzy logic classifier were prepared. These values of samples were predicted with fuzzy logic classifier model prepared in Matlab Simulink. Fuzzy logic classifier was observed to work in order to predict modulus of rupture and modulus of elasticity values according to the prepared rule base. The flowchart of the steps of fuzzy logic system is shown in Figure 4.

Figure4. Design of fuzzy logic classifier.

Figure2. The stand of the test mechanism

3. Design of Fuzzy Logic Classifier for Modulus of Rupture and Modulus of Elasticity Values
In the fuzzy logic classifier; x is the input value, (x) is fuzzified output value, (u) is the result of inference operation and u is the output value. Fuzzifier unit converts definite data in the input of controller to the format of linguistic variables. Fuzzy knowledge base represents two basic data; database and rule base. When data base includes definition of each system variable using fuzzy set,

In this study, the basic rule of fuzzy logic system was determined according to the input and output variables and their functions. There are totally 30 rules in the fuzzy logic classifier. Input variables are different grain angle and deflection ratio of samples which were produced Scotch pine wood. Input variables were called as very low, low, normal, high and very high and are given in Figure5.

34

zifi,A., Yapc,F., Altun,S.,.

Figure7. The model developed in MATLAB Simulink for fuzzy logic classifier Figure5. Input variables of fuzzy logic classifier Output variables were determined according to modulus of elasticity and modulus of rupture values obtained from experimental results. And output variables were called as very low, low, normal, high and very high. The output variables defined for this study and the membership functions of them are given in Figure 6.

4. Results and Discussion


Modulus of elasticity and modulus of rupture values obtained from test results were compared with fuzzy logic system for testing accuracy of the developed model. According to the results of comparison, the model agreed well with average experimental results with accuracy level of 93.93 % (modulus of rupture), 70.55% (modulus of elasticity) values. Experimental and prediction of system values are given Table 1. Table 1 Measured and predicted values
Modulus of rupture value (N/mm2) Direction of fiber (degree) Experimental Results Modulus of elasticity value (N/mm2) Experimental Results

Accuracy Level (%)

0 (tangential) 15 30 60 90 (Radial)

8.16

90.05

79.30

88.11

4604.65

4630.65

99.51

Figure6. Output variables of fuzzy logic classifier The classifier model developed using MATLAB Simulink aimed to predict modulus of elasticity and modulus of ruptre values. Input variables can be changed as automatic or manual in this model. Input variables were transferred from MATLAB workspace to the fuzzy logic classifier. Fuzzification was performed according to the number of membership and the type of membership function selected by the fuzzy logic classifier [15]. Matlab Simulink software has widely been used in model based studies [16]. The fuzzy logic classifier designed for this study was started as a model in Matlab Simulink. The results of the classifier could be observed step by step. The results obtained, at the same time, were recorded to a file and to Matlab Workspace (Figure 7).

2 3 4 5

8.27 10.19 8.01 9.93

80.06 70.06 70.20 80

76.50 75.01 75.04 79.80

95.60 92.90 93.20 99.85

3578.19 1850,03 3820,54 2753,76

4141.70 2374.16 6040,21 3994,71

84.30 72,10 41,91 54,93

Average accuracy (%)

93,93

Average accuracy (%)

70,55

Results of this study showed that the highest modulus of rupture value of samples was obtained from tangential section. Figure 8 shows the changes of modulus of rupture and modulus of elasticity values according to the deflection (0-15mm) and direction of fibers (0-90 degree) of samples.

35

Accuracy Level (%)

Modeling Results

Modeling Results

Deflection (mm)

Number

zifi,A., Yapc,F., Altun,S.,.

[9] Chow MY. Methodologies of using neural network and fuzzy logic technologies for motor incipient fault detection, World Scientific, Singapore, 1997. [10] TS 642 ISO 554, Standard atmospheres for conditioning and/or testing; Specifications, TSE, 1997. [11] TS 2474, Wood - Determination of Ultimate Strength in Static Bending, TSE, 1975. [12] TS 2478, Wood-Determination of Modulus of Elasticity In Static Bending, TSE, 1976. [13] Zadeh, L. A.,Soft Computing and Fuzzy Logic, IEEE Software, p.48-56,1994. [14] Lee, C.C.,Fuzzy logic in control systems: fuzzy logic controller. I-II, IEEE Transactions on Systems Man and Cybernetics, Vol 20, No 2, March-April 1990 P, 404 418, 1990. [15] Fuzzy Logic Toolbox User Guide 2,The MathWorks, Inc., 3 Apple Hill Drive, Natick, MA 01760-2098, 2007. [16] Matlab Simulink, The MathWorks Inc., 3 Apple Hill Drive, Natick, MA 01760-2098, 2007 Figure8. Modulus of rupture and modulus of elasticity values according to direction of fiber and deflection This developed model, modulus of rupture and modulus of elasticity values of the wood samples for each deflection and direction of fiber could be determined.

5. Conclusons
In this study, a model based on Fuzzy Logic was developed in Matlab Simulink in order to predict the values of modulus of rupture and modulus of elasticity, which are among the most important mechanical features of wood. With this model, 93.93 -70.55% correct prediction on the test samples that modulus of rupture and modulus of elasticity values are known. These values of the wood to be manufactured with any grain angle could be found in a very short time with this model.

References
[1] Mullins, E.J. and McKnight, T.S., Canadian Woods: Their Properties and Uses, University of Toronto Pres, 97,1981. [2] Haygreen , J.G. and Bowyer, J.L., Forest Products and Wood Science: An Introduction, The lowa State University Pres, 40-41, 80 1982. [3] Green, D.W., Winandy,J.E. and Kretschmann, D.E., Wood Handbook- Chapter 4-Mechanical Properties of Wood, USDA Forest Service, FPL-GTR-113, 4-2, 4-3, 4-4, 1999. [4] Spiral Grain in Norway Spruce, Vxj University, Faculty of Mathematics/Science/Technology, School of Technology and Design, Doctoral thesis,M1083, Vxj universitet, 351 95 Vxj, Swedish, 2002. [5] Hunt MO, Suddarth SK. Prediction of elastic constants of particleboard, Forest Prod J, 24(5):52-7, 1974. [6] Yapici, F., Ozcifci A., Akbulut T., Bayir, R.,Determination of modulus of rupture and modulus of elasticity on flakeboard with fuzzy logic classifier, Materials and Design, 2008. [7] Wang YT, Lam F. Computational modeling of material failure for parallel-aligned strand based wood composites, Computational Material Science,11:15765,1998. [8] Mendel JT. Fuzzy logic systems for engineering: a tutorial, Proc. EEE,83(3): 345-377, 1995.

36

5. Uluslararas leri Teknolojiler Sempozyumu (IATS09), 13-15 Mays 2009, Karabk, Trkiye

RENC SEME SINAVINDA (SS) RENC BAARIMINI ETKLEYEN FAKTRLERN VER MADENCL YNTEMLERYLE TESPT DETERMINATION OF THE FACTORS INFLUENCING STUDENTS SUCCESS IN STUDENT SELECTION EXAMINATION (OSS) VIA DATA MINING TECHNIQUES
a

Ahmet Selman Bozkr a, *, Ebru Sezer a ve Bilge GK b


Hacettepe niversitesi Bilgisayar Mhendislii Blm, Ankara, Trkiye, E-posta: {selman,esezer}@cs.hacettepe.edu.tr b Hacettepe niversitesi Snf retmenlii Blm, Ankara, Trkiye, E-posta: bilgeb@hacettepe.edu.tr

zet
Bilindii zere lkemizde renci Seme Snav her yl Haziran aynda SYM tarafndan yaplmaktadr. Bu snava her yl bir buuk milyonun zerinde renci girmektedir. Snav sonucuna gre, Trkiyede ve yabanc lkelerde yer alan niversitelere girecek olan renciler tespit edilmektedir. Veri madencilii, byk miktarda veri iinde yer alan gizli ya da ak rntlerin yapay zek, istatistik ve makine renmesi gibi yntembilimler yardmyla ortaya karlmas srecidir. Bu almada SYMnin resmi internet sitesinde 2008 ylnda uygulanm olan SS renci anketinden elde edilen veriler zerinde snflandrma ve kmeleme yntemleri uygulanm ve rencilerin SS snavnda gsterdikleri baary etkiyen faktrler tespit edilmitir. Anahtar kelimeler: Veri Madencilii, SS, Snflandrma, Kmeleme, Karar Aalar

1. Giri
lkemizde her yl SYMnin (renci Seme ve Yerletirme Merkezi) dzenledii renci Seme Snavna bir buuk milyondan fazla renci katlmaktadr. lkemizde yaplan bu snavn amac, rencileri bir st eitim basamana semekle birlikte, rencilerin okul mfredatnda yer alan st dzey dnme srelerine gre rencilerin deerlendirmesini yapmaktr. Bu kapsamda ele alndnda, SSnin bu snava giren renciler iin byk bir neme sahip olduu grlebilir. rencilerin snavlarda ya da derslerde baarl olmasnn salanmas ancak baary etkileyen faktrlerin belirlenmesi ile mmkndr. Bu nedenle rencilerin SSdeki baarsn etkileyen faktrlerin belirlenmesi bu snavdan elde edilecek baarnn artmasnda nemli rol oynayacaktr. SYM, 2008 yl SS snav dneminde snava giren rencilerin katld bir anketi resmi internet sitesi zerinden dzenlemitir. Bu ankette rencilerin sosyal durumlar, eitim hayatlar ve ebeveynlerinin eitim durumlar gibi birok alanda yaklak 80 adet soru sorulmutur. almada kullanlan temel veri kmesi, ankete katlm gstermekle birlikte 2008 ylnda snavna girmi olan 10.000 renciyi kapsamaktadr. Balangtaki veri kmesine, snav baarsn etkiyen faktrlerin tespiti iin, yine bu rencilere ait OBP (orta retim baar puan), AOBPSAYISAL, AOBPEA, AOBPSOZEL gibi arlkl orta retim baar puanlar ile birlikte dier birok puan trne ait veriler eklenerek sonu veri kmesi elde edilmitir. Bu almann amac elde edilen bilgiler dorultusunda, SSde baary temsil etmekte kullanlan szel, saysal, eit arlk puanlar ve bu puan trlerinde Trkiyedeki baar sralaryla birlikte OBP ve AOBP trlerindeki puanlar gibi baz sonular etkileyen en nemli faktrleri bulmaktr. Bununla birlikte Matematik, Fen, Sosyal Bilgiler, Trke ve Sanat derslerine gsterilen ilginin, bu derslerde rencinin kendini baarl grme derecesinin ve bu dersler iin ayrlan dev zamannn stte belirtilen sonular zerindeki etkileri aratrlmtr. Aratrma sonucunda olduka arpc bantlar yakaland dnlmektedir. Bildiride veri madencilii kavram ele alnarak almada kullanlan veri madencilii yntemleri blm 2de sunulmu, blm 3te konuyla ilgili benzer almalardan sz edilmi ve blm 4te almada yer alan analizlerin oluturulma sreci ve elde edilen sonular verilmitir.

Abstract
As is known, in our country, Student Selection Exam (SS) is applied by Student Selection and Placement Center (SYM) in every June. Over one and half million students take this exam every year. According to the results of this examination, the students who are possible to attend both the universities in Turkey and the other countries are determined. Data mining is the period of revealing the explicit or hidden patterns in huge amount of data via artificial intelligence, statistics or machine learning techniques. In this study, classification and clustering methods applied to the SS student poll data that is collected in OSYMs legal web site in 2008 and the factors that affect success of students are determined. Keywords: Data Mining, OSS, Classification, Clustering, Decision Trees

IATS09, Karabk niversitesi, Karabk, Trkiye

37

Bozkr, A.S., Sezer, E. ve Gk, B.

2. Veri Madencilii
Veri madencilii, yararl bilginin byk veri depolarndan otomatik olarak kefedilme srecidir [1]. Dier bir deyile, veri madencilii tek bana bir ey ifade etmeyen veriler iindeki gizli rntleri ve ilikileri ortaya karmak iin istatistik, yapay zek ve makine renmesi gibi yntemlerin ileri veri zmleme aralaryla kullanlmasn kapsayan sreler topluluudur [2]. Veri madencilii yntemleri iki grupta toplanmaktadr: 1. 2. Kestirimsel yntemler (karar aalar, regresyon, destek vektr makineleri vs.) Tanmlayc yntemler (kmeleme, birliktelik kurallar vs.)

Bu almada yine Analysis Services 2008 rn ile birlikte gelen Expectation Maximization (EM) algoritmas kullanlmtr.

3. nceki almalar
Bir almada veri madencilii yntemleri SS verilerine uygulanarak Trkiye ve zmir genelinde eitli istatistik sonular ortaya konmutur [4]. Dier bir almada ise SS verilerine karar aalar ve birliktelik kurallar yntemleri uygulanarak rencilerin tercih profilleri ortaya konulmaya allmtr [5]. Yine baka bir almada SS sonular yllara, blgelere ve okul trlerine gre incelenmitir [6].

4.Uygulama
almann zn oluturan veri kmesi daha nceki blmlerde de verildii zere SYMnin internet sitesinde 2008 SS dnemine ilikin yaynlanm olan renci bilgi anketini temel almaktadr. Bu anket iersinde yer alan birok soru iersinden almann amacna ynelik olarak rencilerin Matematik, Trke, Fen Bilgisi, Sosyal Bilgiler, Yabanc Dil ve Sanat derslerine olan ilgileri ve bu derslere ayrdklar dev sreleri ile yine bu derslerde kendilerini ne kadar baarl bulduklar gibi sorular seilmitir. Buna ek olarak cinsiyet, ya, alan belirleme, snf mevcudu, ebeveynlerin eitim dzeyi, karde says, internet ve bilgisayar eriimi, gazete alm, lise dneminde alnan zel ders ve dershane durumu vs. gibi dier sosyal bilgileri ieren sorular da seilmitir. Ankette yer alan toplam 80 adet soru rencilerin okulda aldklar eitimle ilgili durumlar ve sosyal durumlarn aratrmaya ynelik dereceleme sorularndan olumaktadr. almann ilk aamasnda konuyla yakndan ilgisi bulunmayan veya sklkla bo cevap ieren sorular veri kmesinden karlmtr. almann amac SS baarmn etkileyen faktrleri tespit etmek olduundan, bu noktada rencinin baar lt olarak kabul edilen snavda yerleme durumu, trlerine gre SS puanlar ve baar sras, OBP, AOBPSAYISAL, AOBPSZEL ile AOBPEA puanlar veri kmesine eklenmitir. Bu eklemelerden sonra sonu veri kmesi 77 nitelie sahip olmutur. Veriler SYMden geldikleri ilk biim olan SPSS ktk biiminden, Analysis Services iin tannabilir bir ktk biimi olan Microsoft Access ktk biimine dntrlmtr. Ayrk veri ieren nitelikler iinde saysal olarak kodlanm veriler gerek metinsel karlklarna dntrlerek anlalabilirlik arttrlmtr. Veri madencilii yntemlerinin uygulanaca verinin temiz ve tutarl olmas (bo verinin olmamas, uygunsuz deerleri iermemesi) uygulamann baars asndan ok nemlidir. Bu nedenle birok soruyu bo brakt tespit edilen 48 katlmc, 10.000 katlmcnn bulunduu veri kmesinden karlmtr. Kalan 9952 katlmcdan 1000 adedi test amal, kalan 8952 adedi ise karar aac ve kmeleme modelinde eitim amal olarak ayrlmtr.

Kestirimsel modellerde ama mevcut verileri kullanarak gelecee ynelik kestirimler yapabilmek iken, tanmlayc modellerde ama yine mevcut veri iindeki gizli ilikileri, kmeleri ve veriyi niteleyebilecek olan zellikleri ortaya karmaktr [2]. Bu aratrmada her iki yntem grubundan da yararlanlmtr. renci baarmn temsil eden niteliklerin (r: SSSAYISAL2 puan) tahmininde karar aalar tekniinden yararlanlrken, eitli renci profillerinin oluturulmasnda kmeleme yntemi kullanlmtr. almann yapld uygulama platformu olarak aada belirtilen baz zellikleri nedeniyle Microsoftun bir rn olan Analysis Services 2008 seilmitir. 2.1. Karar Aalar Karar aalar, baarm orannn ykseklii yannda kolay anlalr bir grafiksel yorumu olmas sebebiyle en ok tercih edilen kestirimsel yntemdir. Bir karar aac iin en genel veri madencilii grevi snflandrmadr [3]. Bir karar aac algoritmasnn prensipte grevi veriyi zyinelemeli olarak alt veri gruplarna dallanma yaparak blmektir. Bu ayrm aamasnda oluan her yeni dal bir kural ifade etmektedir. Karar aac algoritmalar iinde ID3, C4.5, C5.0, M5P, J48, Microsoft Decision Trees algoritmalar sklkla kullanlan algoritmalardr. yi bir karar aac algoritmas hem ayrk hem de srekli veriler zerinde alabilmelidir. Srekli veri zerinde oluturulan modellere regresyon aac ad verilmektedir. Niteliklerin birbirleri zerindeki etkilerini sergileyen bamllk alar grafiini retebilme zelliinden dolay Microsoft Decision Trees algoritmas tercih edilmitir. 2.2. Kmeleme Kmeleme en basit deyile, veri iindeki doal gruplarn kefedilmesi ilemidir. nsanolu iin be ya da alt nitelie sahip bir nesneler topluluunu, niteliklerdeki benzerliklere bakarak gruplamak mmknken bu saynn ok daha fazla olmas durumunda bu ilem olanaksz hale gelmektedir. Bu noktada tanmlayc bir veri madencilii yntemi olan kmeleme devreye girmekte ve veriyi eitli tekniklerle nceden says bilinmeyen kmelere blmektedir.

38

Bozkr, A.S., Sezer, E. ve Gk, B.

4.1. Karar Aac Modeli almas Oluturulan eitim kmesi zerinde Microsoft Decision Trees algoritmas varsaylan parametrelerle kullanlarak iki farkl model oluturulmutur. Birinci modelde, rencilerin eitli alanlardaki baar sralamasnda doal bir etkiye sahip olmas sebebiyle saysal, szel ve eit arlk trndeki puanlar hem girdi hem de kestirim amal (prediction) kullanlmtr. kinci modelde saysal, szel ve eit arlk trndeki puanlar sadece tahmin amal (prediction only) kullanlarak dier nitelikler zerinde etki oluturmayacak bir model oluturulmutur. Byle bir yntem izlenmesinin balca nedeni ncl-soncul ilikisi gz nne alndnda, saysal, szel ve eit arlk puanlarnn, OBP veya benzer biimde dier herhangi bir sosyal nitelik zerinde mantksal bir faktr olamayaca gereidir. Snav sonulandrma srecinde, rencilerin eitim hayatlar boyunca elde ettikleri OBP, AOBPSAYISAL, AOBPSZEL, AOBPEA gibi puanlar ve net doru saylar girdiyi oluturmakta ve nihai puanlar bu girdiler dorultusunda hesaplanmaktadr. Veri madencilii asndan, nihai SS puanlarnn hem girdi hem de tahminsel olarak tanmland bir model, rencilerin baar sralamasn etkileyen faktrleri tespit etmede baarl sonular retebilir ancak dier nitelikler zerinde anlamsz sonular da beraberinde getirir. Dolaysyla doru bir analiz iin ikinci bir karar aac modelinin oluturulmas kanlmazdr. Oluturulan ikinci karar aacnda saysal, szel ve eit arlk trlerine ait sonu puanlar sadece kestirim (prediction only) olarak tanmlanm, dier niteliklerde bir deiiklik yaplmamtr. Bamllk alar (Dependency Network), oluturulan modelin ieriinden yola karak nitelikler arasndaki ilikileri gsterir [3]. Bu almada da ayn tr ilikileri yakalamak iin Microsoft Decision Trees algoritmas yardmyla oluan bamllk alar ile niteliklerin birbirleri zerindeki etkileri tespit edilmitir. Nitelik OBP

izelge 1 Bamllk a bulgular. Etkileyen Faktrler 1.AOBPEA (%98) 2.AOBPSAYISAL (%97) 3.AOBPSZEL (%95) 4.Ya (%94) 5.Okul Tr (82%) 6.lgi Sanat Dersleri (%70) 7.Mat. dv. Zaman (%61) 8.Fen B. Lab. Kul. (%58) 9.Lisede Snf Mevcut (%48) 10.Anne Egt. Dz. (%48) 11.Eve Gazete Alm (%46) 12.Ba. Bul. Yab. Dil (%45) 13.Baba Egt. Dz. (%44) 14.Ba. Bul.Trke (%43) 15.Lisede Dershane (%42) 1.Ya (%95) 2.AOBPEA (%95) 3.OBP (%94) 4.AOBPSZEL (%94) 5.Okul Tr (%85) 6.Fen B. Lab. Kul. (%74) 7.Eve Gazete Alm (%45) 8.Tepegz Kullanm (%43) 9.Lisede Snf Mevcut (%41) 10.D.Yn. F.K. liki (%40) 1.AOBPSAYISAL (%99) 2.Ya (%98) 3.OBP (%98) 4.AOBPEA (%98) 5.Okul Tr (%53) 1.Ya (%96) 2.AOBPSZEL (%95) 3.OBP (%95) 4.AOBPSAYISAL (%95) 5.Okul Tr (%51) 6.Alan Belirleme (%50) 1.AOBPSAYISAL (%100) 2.AOBPEA (%99) 3.OBP (%98) 4.AOBPSZEL (%96) 5.Ya (%95) 6.Ba. Bul. Mat. (%81) 7.Ba. Bul. Fen Bil. (%71) 8.lgi Sosyal Bilimler (%60) 9.D.Yn. F.K. liki (%60) 10.Alan Belirleme (%56) 1.AOBPEA (%98) 2.OBP (%98) 3.AOBPSZEL (%95) 4.AOBPSAYISAL (%94) 5.Ya (%94) 6.Ba. Bul. Mat. (%81) 7.Okul Tr (%79) 8.lgi Sosyal Bilimler (%76) 9.Ba. Bul. Yab. Dil (%75) 10.lgi Sanat Dersleri (%69) 1.AOBPSZEL (%91)

AOBPSAYISAL

AOBPSZEL

AOBPEA

SSSAY1

SSSAY2

ekil 1. Model zerinde oluan bamllk a. Oluturulmu iki farkl karar aac modeline ait birletirilmi bulgular izelge 1de listelenmitir. izelgede, eitli niteliklere gre farkl sayda faktr sunulmutur. Niteliklerden bazlarn etkileyen faktr says bei geemezken baz nitelikler iin bu say 15i gemektedir. SSSZ1

39

Bozkr, A.S., Sezer, E. ve Gk, B.

2.Ya (%91) 3.OBP (%91) 4.AOBPSAYISAL (%90) 5.AOBPEA (%90) 6.Okul Tr (%78) 7.Lisede Dershane (%71) 8.Ba. Bul. Trke (%70) 9.lgi Sosyal Bilimler (%68) 10.lgi Fen Bilimleri (%59) SSSZ2 1.Ya (%97) 2.AOBPSAYISAL (%95) 3.OBP (%91) 4.AOBPSZEL (%90) 5.AOBPEA (%90) 6.Ba. Bul. Fen Bil. (%81) 7.lgi Sanat Dersleri (%80) 8.D.Yn. Det.Anl. al. (%80) 9.Okul Tr (%78) 10.Fen B. dv. Zmn. (%76) 1.AOBPSZEL (%100) 2.OBP (%99) 3.AOBPSAYISAL (%99) 4.Ya (%96) 5.AOBPEA (%94) 6.Lisede Dershane (%81) 7.Okul Tr (%79) 8.Yab. Dil. Lab. Kul. (%65) 9.Ba. Bul. Fen Bil. (%52) 10.Alan Belirleme (%51) 1.AOBPSZEL (%90) 2.OBP (%90) 3.AOBPSAYISAL (%90) 4.Ya (%89) 5.AOBPEA (%89) 6.Okul Tr (%83) 7.lgi Yabanc Dil Ders (%75) 8.Karde Says (%71) 9.Ba. Bul. Fen Bil. (%70) 10.Trke dev Zaman (%68) 1.SSEA1 (%60) 1.SSSAY1 (%89) 2.SSSZ2 (%89) 3.SSEA2 (%88) 4.SSSZ1 (%87) 5.OBP (%86) 6.AOBPSAYISAL (%84) 7.SSSAY2 (%84) 8.SSEA1 (%80) 9.AOBPEA (%79) 10.AOBPSZ (%79) 1.AOBPEA (%96) 2.SSSAY1 (%94) 3.SSSZ1 (%94) 4.SSEA1 (%90) 5.AOBPSAYISAL (%87) 1.SSSAY1 (%95) 2.SSSAY2 (%94) 3.SSSZ1 (%94)

4.SSEA2 (%93) 5.SSEA1 (%92) Baar Sras (SZ1) 1.SSSZ1 (%88) 2.AOBPEA (%86) 3.SSSAY2 (%86) 4.OBP (%84) 5.SSEA1 (%80) 1.SSSZ1 (%98) 2.SSEA2 (%97) 3.SSSZ2 (%91) 4.SSEA1 (%90) 5.SSSAY1 (%89) 1.SSEA1 (%95) 2.SSSZ1 (%91) 3.SSSAY1 (%91) 4.SSSZ2 (%88) 5.SSSAY2 (%88) 1.AOBPSZEL (%95) 2.SSEA1 (%95) 3.SSSAY1 (%95) 4.SSSZ1 (%93) 5.AOBPEA (%93) 1.Okul Tr (%77) 2.AOBPEA (%70) 3.Lisede Snf Mevcut (%67) 4.Lisede Dershane (%53) 1.Ba. Bul. Fen Bil. (%85) 2.lgi Yabanc Dil Ders (%80) 3.lgi Mat. Ders (%75) 1.lgi Fen Bilimleri (%91) 2.Ba. Bul. Mat. (%76) 3.Ba. Bul. Yab. Dil (%75) 4.lgi Yabanc Dil Ders (%45) 1.Mat. dv. Zaman (%81) 2.lgi Fen Bilimleri (%81) 3.Ba. Bul. Fen Bil. (%80) 4.Sosyal Bil. dv. Zmn (%58) 5.Trke dev Zaman (%56) 1.Ba. Bul. Mat. (%92) 2.lgi Fen Bilimleri (%78) 1.lgi Mat. Ders (%92) 2.Ba. Bul. Fen Bil. (%78) 3.Ba. Bul. Trke Dersi (%59) 4.Ba. Bul. Yab. Dil (%40) 1.Trke dev Zaman (%89) 2.Fen B. dv. Zmn. (%76) 3.Ba. Bul. Mat. (%78) 4.Sosyal Bil. dv. Zmn (%57) 1.Ba. Bul. Trke (%86) 2.lgi Sosyal Bilimler (%78) 3.lgi Mat. Ders (%72) 4.Ba. Bul. Sosyal Bil. (%78)

Baar Sras (SZ2)

Baar Sras (EA1)

SSEA1

Baar Sras (EA2)

Alan Belirleme

SSEA2

lgi Fen Bilimleri Dersleri Kendini Fen Bilimleri Derslerinde Baarl Bulma Fen Bilimleri Derslerine Ayrlan dev Zaman lgi Matematik Dersleri Kendini Matematik Derslerinde Baarl Bulma Matematik Derslerine Ayrlan dev Zaman lgi Trke Dersi

Yerleme Durumu Yerletii Tercih Sras

Baar Sras (SAY1)

Baar Sras (SAY2)

40

Bozkr, A.S., Sezer, E. ve Gk, B.

Kendini Trke Dersinde Baarl Bulma

1.lgi Trke Dersi (%84) 2.Ba. Bul. Sosyal Bil. (%77) 3.AOBPEA (%72) 4.lgi Sosyal Bilimler (%68) 5.Ba. Bul. Yab. Dil (%58) 1.Mat. dv. Zaman (%84) 2.Sosyal Bil. dv. Zmn (%80) 3.D.Yn. Det.Anl. al. (%45) 1.Ba. Bul. Sosyal Bil. (%87) 2.Ba. Bul. Mat. (%78) 3.lgi Mat. Ders (%75) 4.lgi Trke Dersi (%70) 5.Ba. Bul. Trke (%45) 1.lgi Sosyal Bilimler (%86) 2.Ba. Bul. Trke (%76) 3.Ba. Bul. Yab. Dil (%70) 4.lgi Trke Dersi (%61) 1.Trke dev Zaman (%85) 2.lgi Sosyal Bilimler (%70) 3.Fen B. dv. Zmn. (%61) 4.Mat. dv. Zaman (%57) 5.lgi Trke Dersi (%46) 1.Ba. Bul. Yab. Dil (%86) 2.lgi Sanat Dersleri (%77) 3.lgi Fen Bilimleri (%61) 1.lgi Yabanc Dil Ders (%87) 2.Ba. Bul. Sanat Ders (%75) 3.Ba. Bul. Trke (%65) 4.Ba. Bul. Fen Bil. (%57) 5.Ba. Bul. Mat. (%50) 1.Ba. Bul. Sanat Ders (%87) 2.lgi Yabanc Dil Ders (%79) 1.lgi Sanat Dersleri (%87) 2.Ba. Bul. Yab. Dil (%76) 3.Ba. Bul. Mat. (%50)

Ba. Bul. Fen Bil. Ba. Bul. Trke Ba. Bul. Yab. Dil Ba. Bul. Sosyal Bil. Ba. Bul. Sanat Ders D.Yn. Det.Anl. al D.Yn. F.K. liki Fen B. Lab. Kul. Anne Egt. Dz. Baba Egt. Dz.

Trke Dersine Ayrlan dev Zaman lgi Sosyal Bilimler Dersleri

Kendini Sosyal Bilimler Derslerinde Baarl Bulma Sosyal Bilimler Derslerine Ayrlan dev Zaman lgi Yabanc Dil Dersleri Kendini Yabanc Dil Derslerinde Baarl Bulma lgi Sanat Dersleri Kendini Sanat Derslerinde Baarl Bulma

rencinin fen bilimleri derslerinde kendini ne derece baarl bulduu rencinin Trke derslerinde kendini ne derece baarl bulduu rencinin yabanc dil derslerinde kendini ne derece baarl bulduu rencinin sosyal bilimler derslerinde kendini ne derece baarl bulduu rencinin sanat arlk derslerde kendini ne derece baarl bulduu Ders alma Yntem: Tm detaylar anlamaya alrm Ders alma Yntem: Farkl konularla ilikilendiririm Fen bilimleri derslerinde laboratuar kullanm Anne Eitim Dzeyi Baba Eitim Dzeyi

izelge 1 incelendiinde tespit edilebilen bulgulardan ne kanlar aada listelenmitir: rencilerin herhangi bir derse gsterdikleri ilgi ile o derste kendilerini baarl bulmalar arasnda karlkl korelasyon bulunmaktadr. Bu kural tm dersler iin tespit edilmitir. Btn ders trleri iin rencilerin kendilerini baarl grmelerini etkileyen faktrler ele alndnda yabanc dil derslerinde kendilerini baarl bulmalar nemli yer tutmaktadr. OBPyi etkileyen faktrler ierisinde sanat derslerine gsterilen ilginin %70 ve de eve gazete almnn %46 olmas dikkat ekicidir. OBP, AOBPSAYISAL, AOBPSZEL, AOBPEA ve tm SS puan trlerine etkiyen faktrler iersinde rencinin ya ilk bete yer almtr. SSSZ1 ve SSSZ2 puan trlerine etkiyen faktrler iersinde Fen Bilimleri derslerine gsterilen ilginin (%59) ve ayrlan dev zamannn (%76) nemli bir orana sahip olmas dikkat ekicidir. Sosyal Bilimlere gsterilen ilgiye etkiyen faktrler iersinde rencinin kendini Matematik derslerinde baarl bulmas %78 ile ikinci srada, Matematik derslerine gsterilen ilgi %75 ile nc srada yer almtr. SSSAYISAL1, SSZEL1 ve SSEA1 puanlar zerine etkiyen faktrler ile srasyla SSSAYISAL2, SSSZE2 ve SSEA2 puanlar zerine etkiyen faktrler arasnda byk benzerlikler vardr. Lisede Dershane niteliinin sadece SSEA1 (%81) ve SSSZ1 (%71) puanlar zerinde etkili olmas dikkat ekicidir.

Verilmi olan izelgedeki ksaltmalarn tam karlklar aadaki izelge 2de sunulmutur: izelge 2 Bamlk anda kullanlan ksaltmalar. Ksaltma OBP AOBPSAYISAL AOBPSZEL AOBPEA Mat. dv. Zaman Fen B. dv. Zmn. Sosyal Bil. dv. Zmn Ba. Bul. Mat. Ksaltmann Gerek Karl Orta retim Baar Puan Arlkl Orta retim Baar Puan (SAYISAL) Arlkl Orta retim Baar Puan (SZEL) Arlkl Orta retim Baar Puan (ET AIRLIK) Matematik dersleri iin ayrlan dev zaman Fen bilimleri derslerine ayrlan dev zaman Sosyal bilimleri derslerine ayrlan dev zaman rencinin matematik derslerinde kendini ne derece baarl bulduu

izelge 1de belirtilmi bulgular zerinden daha birok yorum karmak mmkndr. Ancak almann snrl sayda sayfaya sahip olmas nedeniyle ilgin olduu dnlen daha birok yorum okuyucuya braklmtr. 4.2. Kmeleme Modeli almas Kmeleme almasnn amac eitli renci profillerinin ortaya konulmas ve oluan kmeler ierisinde en baarl ve baarsz kmelerin genel olarak zelliklerinin

41

Bozkr, A.S., Sezer, E. ve Gk, B.

karlatrlabilinecei

bir

ortamn

yaratlmasdr.

AOBPSzel AOBPEA Yerleme Ya Cinsiyet Okul ncesi Eitim

95,32 +/2,64 95,36 +/2,61

85,34 +/7,16 84,39 +/7,82

76,56 +/5,94 74,45 +/6,35 Evet:%50 Hayr:%50 21,31 +/3,93 Erkek: %67 Kz: % 33 Hi: %77 1 yl: %17 2 yl: %3 3 yl: %1 >4 yl: %0 155,11 +/14,94 47,43 +/70,50 196,32 +/25,29 177,42 +/27,59 181,70 +/20,42 160,62 +/33,45 Evet: %0 Hayr: %100 Var: %81 Yok: %17 Var: %74 Yok: %25 Var: %74 Yok: %24 Hi: %74 1 yl: %15 2 yl: %6 3 yl: %2 >4 yl: %2 Hi: %84 1 yl: %9 2 yl: %3 3 yl: %1 >4 yl: %0 Hi: %52 1 yl: %27 2 yl: %13

Evet: %87 Evet: %65 Hayr: %13 Hayr: %35 18,55 +/0,92 19,61 +/1,95

Erkek: %47 Erkek: %70 Kz: %30 Kz: %53 Hi: %40 1 yl: %33 2 yl: %15 3 yl: %6 >4 yl: %4 249,04 +/26,11 238,19 +/29,32 257,37+/14,50 94,61 +/114,48 261,33 +/14,81 236,74 +/16,92 Hi: %66 1 yl: %24 2 yl: %6 3 yl: %2 >4 yl: %1 219,44 +/28,28 200,38 +/29,04 211,11 +/28,31 0 221,61 +/26,65 184,75 +/42,35

ekil 2. Kmeleme modelinde kefedilen kmeler. Kmeleme teknii ile ankete katlan renciler eitli gruplara blnmtr. Daha esnek ve baarl kmeleme yapmas nedeniyle Expectation Maximization algoritmasnn kullanld kmeleme modelinde belli bir kme says verilmemi olup algoritmann otomatik kmeleme yapmas salanmtr. Analiz sonucunda 7 adet kme tespit edilmitir. Oluan kmeler ierisinde gerek bir yksek retim programna yerleme oran gerekse de dier birok nitelik temel alndnda en baarl kme, 800 katlmcya sahip Kme 6 olarak belirlenmitir. Yine ayn zellikler dikkate alndnda, 2072 katlmcya sahip Kme 2 en baarsz kme seilmitir. Bunlara ek olarak Kme 3, sahip olduu 1935 katlmcsyla orta srada yer alan dier nemli bir kme olarak ortaya kmaktadr.

SSSAY1 SSSAY2 SSSZ1 SSSZ2 SSEA1 SSEA2 Okul Birincisi Bilgisayar Eriimi nternet Eriimi alma Odas

Evet: %2 Evet: %0 Hayr: %98 Hayr: %100 Var: %93 Yok: %7 Var: %87 Yok: %13 Var: %96 Yok: %4 Hi: %15 1 yl: %33 2 yl: %31 3 yl: %9 >4 yl: %11 Hi: %74 1 yl: %19 2 yl: %3 3 yl: %2 >4 yl: %1 Hi: %2 1 yl: %11 2 yl: %38 Var: %84 Yok: %15 Var: %73 Yok: %26 Var: %86 Yok: %14 Hi: %44 1 yl: %28 2 yl: %16 3 yl: %6 >4 yl: %5 Hi: %82 1 yl: %10 2 yl: %3 3 yl: %1 >4 yl: %2 Hi: %17 1 yl: %24 2 yl: %34

ekil 3. Kme profil grafii. Yukarda belirtilen kmenin eitli zellikleri ve belirgin farklar izelge 3de listelenmitir. Saysal niteliklerde temel olarak ortalama ve standart sapmalar belirtilmitir. izelge 3 Kmeleme sonular. Nitelik OBP Kme 6 85,86 +/8,85 Kme 3 73,91 +/11,20 82,03 +/8,96 Kme 2 65,99 +/8,14 71,46 +/6,81

lkretimde Dershane

lkretimde zel Ders

AOBPSaysal 94,44 +/3,22

Lisede Dershane

42

Bozkr, A.S., Sezer, E. ve Gk, B.

3 yl: %40 >4 yl: %7 Lisede zel Ders Hi: %65 1 yl: %21 2 yl: %10 3 yl: %4 >4 yl: %0 <20: %13 20-30: %75 31-40: %9 41-50: %2 >50: %0 89.924 +/94.313 73.375 +/72.515 90.707 +/103.714

3 yl: %19 >4 yl: %6 Hi: %76 1 yl: %13 2 yl: %6 3 yl: %3 >4 yl: %1 <20: %10 20-30: %46 31-40: %30 41-50: %11 >50: %3 243.707 +/227.146 313.460 +/395.319 645.204 +/379.756

3 yl: %5 >4 yl: %1 Hi: %83 1 yl: %10 2 yl: %4 3 yl: %1 >4 yl: %0 <20: %5 20-30: %29 31-40: %37 41-50: %20 >50: %9 991.693 +/282.915 1.337.283 +/- 200.858 846.249 +/327.731 689.051 +/458.957 933.528 +/267.668 953.812 +/415.927 Hi: %5 1: %28 2-3: %46 4-6: %15 >7: %6 Var: %27 Yok: %61

5. Sonu
Bu almada SYM tarafndan 2008 SS adaylar iin resmi internet sitesi zerinden yaplan anket verileri zerinde veri madencilii yntemleri kullanlarak, rencilerin baarlarn etkileyen faktrler aratrlmtr. Aratrma kapsamnda, OBP puan tm rencilerin SSde ortak baar lt olarak ele alnrsa bu puan trne etkiyen en nemli be faktrn ya, okul tr, sanat derslerine ilgi, matematik dersi iin harcanan dev zaman ve fen bilgisi laboratuar kullanm oran olduu grlmtr. Dier tm puan trlerinde de yan nemli bir etken olduu grlmektedir. Ayrca okullarda sunulan teknik imknlarn SS baars zerinde nemli etkileri tespit edilmitir. zellikle kmeleme analizinde grlecei zere rencinin sahip olduu sosyal, kltrel ve ekonomik imknlarn SS baarsna byk katks bulunmaktadr. Sanat derslerine gsterilen ilginin OBP puan zerindeki dikkat ekici etkisi ve dershaneye gitme orannn baar zerindeki etkisinin beklenenden dk kmas aratrmann sonucunda elde edilen ilgin bulgulardan birkadr. Bu aratrmada, veri madencilii yntemlerinden karar aalar ve kmeleme kullanlm ve sonular duyurulmutur. Yine ayn veri zerinde birliktelik kurallar (association rules) karsanacak ve sonular duyurulacaktr.

Lisede Snf Mevcut

Baar Sras-SAY1 Baar Sras-SAY2 Baar Sras-SZ1 Baar Sras-SZ2 Baar Sras-EA1 Baar Sras-EA2 Karde Says

851.427 +/- 1.380.000 639.406 61.866 +/61.785 64.600 +/65.650 Hi: %8 1: %51 2-3: %34 4-6: %5 >7: %0,5 Var: %47 Yok: %50 414.392 +/322.084 507.498 +/401.745 Hi: %5 1: %35 2-3: %43 4-6: %12 >7: %5 Var: %35 Yok: %61

Teekkr
almaya konu olan verilerin sahibi SYMne itenlikle teekkr edilmektedir.

Kaynaklar
[1] Tan P.T., Steinbach M. And Kumar V., Introduction to Data Mining. Addison Wesley, Boston, 2006. [2] Bozkr, A.S., Gk, B., Sezer, E. niversite rencilerinin nterneti Eitimsel Amalar in Kullanmalarn Etkileyen Faktrlerin Veri Madencilii Yntemleriyle Tespiti, in BUMAT 2008: Bilimde Modern Yntemler Sempozyumu, 2008. [3] Tang Z. and MacLennan J., Data Mining with Sql Server 2005. Wiley Publishing Inc, Indiana, 2005. [4] Klan, B., Trkiyenin SS Tercihleri, 1.Psikolojik Danman ve Veli Bilgilendirme-Ynlendirme Sempozyumu, 2008. [5] Dolgun, M. ., zdemir, T.G., Delilolu, S., renci Seme Snavnda (SS) rencilerin Tercih Profillerinin Veri Madencilii Yntemleriyle Tespiti, in Biliim 07 Kongresi, 2007. [6] Berberolu, G. and Kalender, ., renci Baarsnn Yllara, Okul Trlerine, Blgelere Gre ncelenmesi: SS ve PISA Analizi, Eitim Bilimleri ve Uygulama. vol. 4, 7, 21-35, 2005.

Evde Yabanc Dil Bilen Yetikin

Kmeleme sonular iersinde en baarl, en baarsz ve orta srada yer alan bu kme incelendiinde baz ortak karmlar u ekilde listelenmektedir: En baarl kabul edilen Kme 6, baar sralamalarnda, sonu puanlar ile orta retim baar puanlarnda en yksek baar araln yakalamtr. Tam tersi bir durum Kme 2 iin geerlidir. OBP, AOBPSAYISAL, AOBPSZEL ve AOBPEA ile snav sonucunda elde edilen puanlar arasnda yksek korelasyon mevcuttur. Okul ncesi eitime, ilkretim ve lisede zel ders ve dershaneye harcanan zaman yakalanan baaryla doru orantya sahiptir. Bilgisayar ve internet eriiminin yakalanan baar zerinde nemli etkisi grlmemitir. Karde says ve lisedeki snf mevcudu ile yakalanan baar arasnda ters orant olduu saptanmtr.

43

5. Uluslar aras leri Teknolojiler Sempozyumu (ATS09), 13-15 Mays 2009, Karabk, Trkiye

ETM AMALI SNRSEL BULANIK DENETMNE DAYALI BR MANYETK ASKI SSTEMNN TASARLANMASI VE SMULNK ORTAMINDA BENZETM DESIGN AND SIMULINK SIMULATION OF NEURO-FUZZY CONTROL OF A MAGNETIC SUSPENSION SYSTEM FOR EDUCATIONAL PURPOSES
a, *

Bilgehan Erkal a,*


Karabk n., MYO, Karabk, Trkiye, E-posta: berkal99@gmail.com

zet
Gnmzde manyetik ask sistemlerinin pek ok uygulama alan vardr. Bunlardan bazlar, motorlar veya hareketli dzenekler iin srtnmesiz yatak, manyetik trenler ile ip retim tezgahlarnn kontrol amacyla gelitirilmi hzl ve hassas konumlandrma sistemleridir. Bu sistemler eitim amacyla da ska kullanlmaktadr. Bu alma, eitim amacyla tasarlanm ve elik bir bilyann yerekimine kar havada asl kalmasn salamak zere bir elektromknatsn ANFIS (Adaptive Neuro-Fuzzy Inference System Uyarlamal Sinirsel Bulank Denetim Sistemi) ile kontroln gerekletiren bir sistemin tasarm ve benzetimi zerinedir. Sistemin bir modeli Matlab Simulink ortamnda oluturulmutur. Sistem ncelikle klasik bulank mantk denetimi ile kontrol edilmi, daha sonra ANFIS ile sistem yeniden tasarlanmtr. Her iki denetinin performans karlatrlmtr. Klasik bulank manta dayal kontrolde iyi sonular elde edilmesine ramen ANFISde sistem dinamiklerinin eitimindeki glk nedeniyle yeterli performans elde edilememitir. Anahtar kelimeler: ANFIS, Bulank Mantk, Manyetik ask, Yapay sinir alar.

Keywords: ANFIS, Artificial Neural Networks, Fuzzy Logic, Magnetic Suspension.

1. Giri
Gnmzde manyetik ask sistemlerinin pek ok uygulama alan vardr. Bunlardan bazlar, motorlar veya hareketli dzenekler iin srtnmesiz yatak, manyetik trenler ile hzl ve hassas konumlandrma sistemleridir (ip retim tezgahlarnn kontrol amacyla) [1-5]. Bu sistemlerin eitim amacyla da ska kullanldn grmekteyiz [6,7]. Bu alma, eitim amacyla tasarlanm ve elik bir bilyenin yerekimine kar havada asl kalmasn salamak zere bir elektromknatsn sinirsel bulank mantk denetimi (anfis) ile kontroln gerekletiren bir sistemin tasarm zerinedir. Matlabda sistemin bir modeli kurularak denenmitir. Sistem nce klasik bulank mantkla denetlenmi ve sonrasnda anfis ile denetlenmi ve iki denetinin performans karlatrlmtr.

2. Sistemin Yaps
Sistemde bilyenin pozisyonu bir optik detektr sistemi tarafndan belirlenmekte ve bulank mantk denetisine gnderilmektedir. Bulank mantk denetisi, sahip olduu kural tabann kullanarak elektromknatsa, elik bilyeye olan yerekimi kuvvetine tam edeerde bir kar manyetik kuvvet oluturacak bir akm hesaplayarak vermektedir. Sistemi Matlab altnda Simulinkte modelleyebilmek iin mknats ve elik bilyadan oluan mekanik sistemin fiziksel bir modeli oluturulmutur. Bu modelde elektromknats akm giri, elik bilye pozisyonu ise k olarak deerlendirilmitir. Endktans modeline temel olarak alnan forml (1)de verilmitir [6,7].

Abstract
Magnetic suspension systems take place in many useful applications today. Frictionless bearings for motors and movable platforms, control of magnetic trains and high speed precision position actuator mechanisms for the chip manufacturing industry are some of the example applications of magnetic suspension systems. These systems are also used frequently as an educational tool. This study is about desgning, modeling and performance evaluation of control system of an electromagnet used to suspend a steel ball for educational demonstration purposes. The physical model of the system is prepared using Matlab Simulink environment. Two controllers using classic Fuzzy logic and Neuro-Fuzzy (ANFIS) are designed then and used to control the model in the Simulink. The performances of two controllers are compared. While classic Fuzzy logic controller provided good results, ANFIS performed not well according to the results. This result is attributed to the difficulty of representation of dynamic properties of the system to the ANFIS.

I 2 .L (x) Fm = 2a

L (x) = L i + L o .e ( x/a)

(1)

Burada; Fm: Manyetik kuvvet (Newton) I: Bobin akm (Amper) a: Endktans manyetik sabiti (metre) L(x): xe bal endktans fonksiyonu (Henry) Li: Endktansn sabit ksm (Henry) Lo: Endktansn deiimini belirleyen kazan sabiti (Henry) x: elik bilyenin mknatsa olan mesafesi (metre)

IATS09, Karabk niversitesi, Karabk, Trkiye

44

Erkal, B.

Belli bir mesafede bilye zerine etkiyen kuvvet Fm de (1)den bulunur. Bilyeye etkiyen kuvvet, bilyenin bobine olan mesafesiyle endktans deitiinden dolay, mesafe ile orantl deiim gstermez. Bu almada bilyenin ktlesi m=9gr, a=4mm, Li=93.9803mH ve Lo=5.108mH olarak alnmtr [6,7]. Bilyenin x=8mmden serbest dmeye brakld farz edilmitir. (2)de belli bir mesafedeki elik bilyeyi sabit tutacak bobin akmn bulmak zere bir forml verilmitir [6,7]. Bu formle gre x=8mm iin bobin akm 95.5 mA olmaldr.

ekil 1. Her bir optik detektr knn yelik fonksiyonu

I (x) = (2.m.g).(a/L (x) )


Burada;

(2)

I(x): Bilyay x mesafesinde sabit tutacak bobin akm fonksiyonu (Amper) m: Bilya ktlesi (gram) 2 g: yerekimi ivme sabiti (9.81 m/s ) Bilyenin pozisyonunun geribildirimini salayan optik detektr sisteminin de ayrca bir matematik modelinin karlmas gerekmektedir. Bu sistem 4 nolu referansta verilen esaslara gre tasarlanm olup, tek bir kaynaktan gelen kzltesi alglayan ve bir elektronik devre araclyla k iddetini gerilime dntren bir dzendir. Sistemde 3 ayr fototransistr detektr olarak kullanlmtr. Bunun nedeni elik bilyenin yerinin doru bir ekilde tespit edilmesidir. I farkl alardan alan detektrler bilyenin yeri hakknda daha hacimli bilgi salamakta ve ekstra bir kalibrasyona gerek brakmamaktadr. Ayrca, detektrlerin ilgili referansta verilen davranlarnn incelenmesi neticesinde grlecei zere optik detektr klar dorusal deildir. Detektr klar aldklar k iddeti ile orantldr, fakat azalan mesafe ile nce azalan gerilim k daha sonra artmaktadr. Bunun nedeni, mknatsa doru ilerledike bilyenin detektrn gr alanndan kmasdr. Bu durumda tek bir fototransistr kullanarak bilyenin mknatsa olan mesafesini doru belirlemek mmkn olamamaktadr. Tek bir detektr kullanld takdirde alglama alan daralmakta ve en yakn nokta ile en uzak nokta iin elde edilen sensr kts ayn olmaktadr. lgili referanstaki veriler Matlab ortamna aktarlm ve bir eri uydurma algoritmas kullanlarak bu verileri en iyi modelleyen matematiksel bir fonksiyon bulunmutur: (3).

ekil 2. Hz giriinin yelik fonksiyonlar Tablo 1. Optik detektr blge tanmlar ve kural tabanna kar gelen klar (op3 bobine en yakn dedektrdr) Sra 1 2 3 4 5 6 7 8 9 Mesafe (15-0 mm) Ar uzak ok uzak Uzak Orta uzak Orta Orta yakn Yakn ok yakn Ar yakn k (akm) ulow Max Maxneg Medpos Medium Medneg Minpos Min ulow Op3 H H H H H M L L L Giriler Op2 Op1 H H H M H L M L L L L L L L L M L H

V( x ) = 4.331.e 0.7262. x + 8.957.10 5.e 0.8412. x

(3)

Tablo 1 incelendiinde 3 detektre ait 3 yeliin deerlendirilmesi neticesinde toplam 9 kural belirlenmitir. Bilye birinci detektrden nc detektre doru ilerledike bobine yaklamakta ve buna gre bobin akm orantl bir ekilde azaltlmaktadr. Burada ilgi ekici husus, bilye, bobine en uzak mesafedeyken akmn aniden en dk deere inmesidir. Bunun nedeni sistemde bir bilye bulunmad zamanlarda enerji tasarrufu yaplmasdr. Bu noktada bobinin en yksek akm bile bilyeyi sabit tutamayaca iin byle bir seim yaplmtr. Bu 9 kurala ek olarak, drdnc bir girie ait yelik ve kurallarn da sisteme eklenmesi icap etmitir. Drdnc giri, ikinci detektrden gelen verilerin trevini deerlendirmektedir. Bu yeni giriin amac bilyenin hzn tespit edip ona gre k akmna bir dzeltme vermektir. Bilye bobine hzl bir ekilde yaklayorsa akm olmas gerekenden biraz daha az verilir. Bilye hzl bir ekilde uzaklayorsa tam tersi yaplr. Sinirsel bulank denetim (ANFIS) sistemi ile bir kontrolc kurmak iin sistemin Sugeno tipinde olmas gerekmektedir. Ayrca Sugeno sistemlerinde hesaplamalar daha az karmak olduundan sistem daha hzl alacaktr.

Bu fonksiyon tek bir detektr iin geerli olup, dier detektrler iin x deeri kaydrlarak (ikinci iin 2.5 mm, nc iin 5 mm) sonu retilmeye allmtr. Detektr klar 0-9V arasnda deimekte olup, bilye detektre yaklatka k gerilimi azalr [6,7].

3. Bulank Denetinin Tasarm ve Performans Sonular


Bulank mantk denetisinin tasarmnda ncelikle optik detektrlere ait 3 adet yelik tanmlanmtr (ekil 1). ekil 2de ise 4 nolu hz giriine ait yelik verilmitir. Kural taban ise Tablo 1de verilen bilgiler kullanlarak tanmlanmtr.

45

Erkal, B.

Sistemin kural taban uygun olduu iin herhangi bir problemle karlamadan sistem dorudan Sugeno tipine aktarlabilir. Sadece k yelik fonksiyonlarnda kk bir deiiklik yapmak gerekmektedir. k yelik fonksiyonlarn Sugeno tipine uydurmak iin, sabit ve yerleri eit aralklarla belirlenmi 8 yelie ihtiya vardr.

Sistemin Simulink modeli ekil 3de grlmektedir. Genlii 0.02Ap-p olan bir rastgele akm grlt kayna deneti kna eklenerek sistemin grltye kar olan tepkisi de belirlenmeye allmtr.

ekil 3. Sugeno tipinde denetleyici kullanan ve sisteme grlty de dahil eden Simulink modeli Grlt kaynann k ekil 4te rneklenmitir. Sistemin bu grlt altnda yumuak hatlara sahip gauss yelik ekilleri kullanlarak gerekletirilmi haliyle kta verdii tepki ekil 5te yer almaktadr. ekil 5, sistemin nispeten problemsiz kontrol salad x=8mm balang noktas iin tepki grafiini vermektedir.
0.02 0.018 0.016 0.014 0.012 In (A) 0.01 0.008 0.006 0.004 0.002 0 0 0.2 0.4 0.6 0.8 1 t (s) 1.2 1.4 1.6 1.8 2

7.5 M esafe (m ) m

6.5

6 0

0.5

1 t (s)

1.5

ekil 6. x=8 mm iin yumuak yelik fonksiyonlarna sahip Sugeno tipi denetinin sins grlt ile gsterdii k tepkisi. Rastgele grltnn etkisi, dk frekansl ofset haricinde, neredeyse yok gibidir (ekil 5). Sins grlt ile elde edilen k ise ekil 6da yer almaktadr. Sins grltnn frekans 1Hz, genlii ise 0.01Apdir. Sins grltye verilen tepkide de grlt genliinin azalm olmasna ramen yine de kta olutuu grlmektedir. Yumuak yelik fonksiyonlar rastgele grlt de olduu gibi keskin hatl grltlere kar nemli bir bastrma avantaj salarken zaten yumuak hatlara sahip sins gibi grltlerin bastrlmasnda nemli bir avantaj salamamaktadrlar. Bu nedenle doru grlt iin doru yeliklerin seilmesi nem arz etmektedir.

ekil 4. Rastgele grlt, genlik=0.02Ap-p


8 7.8 M esafe (m ) m 7.6 7.4 7.2 7 6.8 0

0.5

1 t (s)

1.5

4. ANFIS Denetisinin Tasarm ve Performans Sonular


imdiye kadar anlatlan bulank mantk denetim sistemi, tepeden trnaa, srf giri ve k verileri kullanlarak ok ksa srede tasarlanabilir. Sistemde bulunan 4 giriin yelik fonksiyonlarnn elle tanmlanmas uzun zaman alabilir. Kurulan yelik fonksiyonlar ve oluturulan kural

ekil 5. x=8 mm iin yumuak yelik fonksiyonlarna sahip Sugeno tipi denetinin rastgele grlt ile gsterdii k tepkisi.

46

Erkal, B.

taban sistemi tam olarak tanmlamayabilir. Bu gibi durumlarda belli girilere verilmesi gereken tepki biliniyorsa, bir baka deyile sistem hakknda elde yeterli ve salkl veriler varsa, ANFIS sistemi kullanlarak tm denetinin programlanmas otomatikletirilebilir [8,9]. Bizim sistemimizde girii oluturan optik dedektr klar (3) tarafndan zaten matematiksel olarak modellenmi vaziyettedir. Kontrolcnn bu girdilere verecei cevap ise (2) tarafndan belirlenebilir. (2), bilyenin sabit durduu durumlar iin gerekli kararl durum akmn vermektedir. Bu nedenle sistemin dinamik performans hakknda salkl bilgi iermemektedir. Sadece (2) ve (3)e dayal olarak tasarlanan bir sistem, sadece 3 girie sahip sistem gibi davranacaktr. Sistemin 4. girii iin de uygun giri-k veri iftleri oluturmak gerekmektedir. Daha nce de bahsedildii zere, bilya hzn da hesaba katmayan sistem modelleri yetersiz kalmaktadr. Bunu gerekletirmek iin pek ok noktada ve farkl hzlar iin karmak bir diferansiyel denklem sisteminin zlmesi gereklidir. Bu denklem sistemi bilyay uygun bir noktada hareketini durdurmak iin gerekli kuvveti, dolaysyla (1) araclyla gerekli akm verecektir. Bu problemin tam zm optimal bir denetinin tasarlanmasn salayacaktr. te yandan amacmz fazla matematiksel modellere boulmadan ksa srede i gren bir deneti tasarlamak olduundan, dier sistemlerin tasarmndaki tecrbemizden faydalanarak nce 3 girili bir sistem tasarlayp, sonra onu 4 girili hale dntrdk. 3 girili sistemi tasarlamak iin (2) ve (3) sayesinde elde edilecek ve sistemin tasarmn salayacak sinirsel an eitiminde kullanlacak giri-k veri iftlerini ncelikle elde etmemiz gereklidir. (3), sadece tek bir optik detektrn tepkisini verdiinden dier ikisine ait tepkiler, verileri srasyla 2.5 ve 5 mm kaydrarak elde edilmilerdir. Modeldeki 0-8V snrlamas ise giri aral 0-13.55mm seilerek almaya allmtr. X=13.55mm ve tesinde sistemin kararl bir alma sergilemesi ok gerekli deildir. Bu veri iftleri nce giriler sonra da klar stunlar oluturacak ekilde bir eitim matrisine atanrlar. Eitimde kullanlan veri iftlerinin says 1355dir. Farkl bir ift grubu ise kontrol verisi olarak ayr bir matrise yazlrlar. Bu ift grubu, eitim verisinin 0.005mm kaydrlm halini ieren bir baka eklidir. Bilyann x=8mm noktasnda kararl durabilmesi iin eitim ve kontrolde kullanlan verilerin uygun bir dzeltmeye tabi tutulmas gerekir. X=8mm ve civarnda akm tam olmas gerektii deerde tutulurken, bu noktann altnda %8e varan oranlarda azaltlmakta, bu noktann tesinde ise %8e varan oranlarda artrlmaktadr. Bylece bir vadi karakteristii elde edilmeye allmtr. Neticede bilya vadinin dibinde (x=8mm) kalmaya zorlanmtr. Bulank mantk denetleyicisinin programlanmas iin gerekli fismat veri yaps, eitim ve kontrol veri iftleri kullanlarak anfisedit GUIsi araclyla kolayca elde edilebilir. Anfisedit GUIsinin altyapsnda bulunan bir sinirsel a sistemi giri ve k verileri arasnda bir ba kurar. Kurulan bu ba sayesinde giri ve k yelikleri ile kural taban otomatik bir ekilde oluturulur [8,9]. Anfis ile bir bulank mantk denetleyici tasarlanrken unlara dikkat edilmelidir [8,9]:

Kurulacak denetinin tipi mutlaka Sugeno olmaldr. Sistemi iyi tanmlayan girdi ve kt veri iftlerine sahip olunmaldr. Anfis sadece Matlabda n tanml bulunan yelik fonksiyonlar ile alabilir. Sistemde her bir kural tek bir k yelii zerinde alabilecek ekilde olmaldr.

ANFISedit arabirimi ile bir bulank denetleyici tasarlamak iin u admlar takip etmek gerekir [8,9]: 1. 2. Sistem hakknda veri toplayarak, ANFISeditin kullanaca hale getirmek ve bunlar arabirime yklemek. Uygun fismat yapsn oluturmak. Bunun iin eitli yollar mevcuttur. nceden hazrlanm bir yap kullanabiliriz veya bo bir yap kullanabiliriz. Bo yapda giri-k ilikisinin nasl belirleneceini gsteren iki metod vardr: Grid partitioning ve Subtractive Clustering. Bu aamada giri ve k yelikleri ile ilgili tanmlamalar da yaplabilmektedir. Yalnz ktaki yelik saysn, dolaysyla kural saysn belirlemek ya da bir kstlama getirmek mmkn deildir. ANFIS bunlar kendisi otomatik belirler. Bu aamada sinir a eitilir. Burada eitim hatasnn sfr olmas istenilir. Eitimde hatann yaylmas 2 ekilde olur: ya sadece geri yaylm kullanlr ya da hibrid bir metot kullanlr. Meydana gelen fismat yapsnn performans kontrol verisi kullanlarak belirlenir ve grafik olarak kullancya sunulur.

3.

4.

Tasarm sonucunda elde edilen sistemde her bir giri iin 3 yelik ve k iin 27 adet yelik tanmlanm vaziyettedir. ANFISle tasarlanan denetilerin ortak bir zellii olarak k yelik adedi kadar yani 27 tane kural vardr. Bu ilem sonucunda elde edilen fismat yaps ekil 3deki modelde bulank kontrolcye yklenerek kullanlr. Yalnz src kazanc yeniden ayarlanmtr. Kazancn yaklak 0.798 yaplmas uygundur. ekil 7 ve 8de x=8mm iin rastgele ve sins grlt altnda elde edilen k tepkileri sunulmutur.

ekil 7. x=8 mm noktas iin ANFIS ile tasarlanm sistemin rastgele grlt altnda verdii k tepkisi

47

Erkal, B.

ekil 8. x=8 mm noktas iin ANFIS ile tasarlanm sistemin sins grlt altnda verdii k tepkisi

5. Sonu
ANFISle tasarlanm bulank mantk denetleyicisini elle belirlenmi kurallara dayal olarak gelitirilen Sugeno tipi deneti ile ayn artlarda (yumuak yelik fonksiyonlar ve x=8mm balang noktas, lineer k yelikleri) karlatrdmzda, birincinin ikinciye gre daha uzun bir gei dnemine sahip olduunu grmekteyiz. ANFIS, 20 saniye ierisinde kararl duruma geerken, elle tasarlanan sistem 0.2 saniye ierisinde kararl duruma gemitir. Ayrca ANFIS denetleyicinin grltye kar daha az dayankl olduunu grmekteyiz. Bu durumun iki nemli sebebi vardr. Birincisi ve en nemlisi sistemin nasl alaca hakknda salkl verilerin sisteme verilememi olmasdr. Sisteme eitimde verilen veriler her bir bilya pozisyonu iin gerekli kararl durum akmlardr. Bu nedenle sistem bilyann uzayda sabit durduu 0mmden 13.55mmye kadar uzayan geni bir blgede herhangi bir noktada sabit durmasn (rnein ilk balang noktas) salamak zere bir akm retmeye almaktadr. te yandan bilye ine stnde duruyormuasna kararsz bir ortamda bulunduundan (kararlln kritik bir durumda olduu sylenebilir) sistemdeki en ufak bir bozucu grlt bilyenin iddetli salnmlar yapmasna neden olmaktadr. Bunu nlemek amacyla sisteme salanan verilerde bir dzeltme yapmak gerekli hale gelmitir. Daha kararl bir deneti, ancak sisteme verilen veriler zerinde oynanmas neticesinde elde edilebilmitir. Sistemdeki salnmlar nlemek amacyla tasarlanan 4. giriin de fazla bir etkisi olamamaktadr. nk k yelik fonksiyonlar bilyenin sabit durduu ok dar ve kritik bir zellie sahip bir k akm karakteristii tanmlamaktadr. Sistem hakknda daha salkl verilerin toplanmas (tercihen gerek bir sistem zerinde) bu sorunu nemli lde azaltacaktr. Salkl veriler yakn ve uzak alanlar iin gereken akmdan srasyla daha az ve daha fazla deerler iereceinden daha dar orta bir blgede (akmn normal seviyede olduu) kararl durum oluturacandan, bilye nerede braklrsa braklsn bu blgeye gidip sabit kalmay tercih edecektir. Bu blge mekanik adan bir vadiye benzetilebilir. Bilye, vadi zerinde hangi noktada braklrsa braklsn, sonunda ukurdaki bir noktada hareketsiz kalacaktr. Verilerin sal ile ilgili bir dier husus ise, detektr verileri arasnda tam bir senkronizasyon bulunmasdr. Halbuki grlt ieren gerek bir sistemde bilyenin pozisyonuna bal olarak her 3 detektrn verdii k zaman iinde farkl olabilir. Bu durum optik detektr klarn tam olarak

ezberlemi bir sistem iin sorun tekil eder. rnein en u noktada her 3 detektrn de orta seviyede bulunduu bir durum yoktur. Halbuki grlt nedeniyle tam byle bir durum olumasa da yakn bir durum elde edilebilir. Bu nedenle sistem optik detektrler zerinde etkili olan ve evresel kaynaklardan artlanan (gn v.s.) grlty iyi tolere edemeyebilir. rnek modelde bu durum ayrntl bir ekilde incelenmemitir. Sistemin ge tepki vermesindeki ikinci nemli etken ise eitimin tam yaplmam olmasdr. Aslnda bu durum ksmen yukarda belirtilen veri sal ile ilgili hususlardan kaynaklanmaktadr. Sisteme eitim iin salanan veriler kendi ierisinde eliki barndrdndan sistemin verileri renmekte zayf kald grlmektedir. Bu durum verilerin sisteme sunulu biiminden de kaynaklanabilir. Eitim sonunda elde edilen hata nemli dzeyde olmamakla -6 beraber (e<6.10 ) sistemin performans zerinde zellikle de grlt bakl zerinde belli bir etkiye sahip olmutur. zet olarak, bu rnek iin elle belirlenen kurallar daha iyi sonu vermitir. Ancak, bu almadaki sonular iyi olmasa da gerek bir sistemden toplanm salkl verilerle eitilmi bir ANFIS denetinin, matematik modeli tam belli olmayan bir sistem iin iyi bir zm olaca sylenebilir.

Kaynaklar
[1] Vischer, D., Blueler, H., Self-sensing Active Magnetic Levitation, IEEE Transactions On Magnetics, Vol. 29, No.2, 1276-1281, 1993. [2] Edwards, J. D., Grdal, O., Contactless Measurement of The Secondary Position In Linear Reluctance Motors, IEE Proc. Electr. Power Appl., Vol 142, No.6, 355-360, 1995. [3] Mittal, S., Menq, Chia-Hsiang, Precision Motion Control of a Magnetic Suspension Actuator Using a Robust Nonlinear Compensation Scheme, IEEE/ASME Transactions on Mechatronics, Vol.2, No.4, 268-280, 1997. [4] Tsai N, Huang W, Chiang C., Dynamic Analysis of Magnetic Actuator for Micro-Gyroscopes. Electromagnetics, 29(2): 105-124, 2009. [5] Jayawant B, Edwards J, Wickramaratne L, Dawson W, Yang T., Electromagnetic launch assistance for space vehicles. IET Science, Measurement & Technology, 2(1): 42-52, 2008. [6] Grdal, O., Erdem, Z., Magnetic Suspension Of Iron Sphere By Fuzzy Logic Control System, 2nd International Symposium on Intelligent Manufacturing Systems, Sakarya University, Industrial Engineering Department, Sakarya, Turkey, 697-708, Volume 2, 6-7 August 1998. [7] Grdal, O., Erdem, Z., A general purpose fuzzy logic control algorithm developed to control of magnetic suspension of iron sphere by fuzzy logic control system, Gazi University Technical Education Faculty Polytechnic Journal, Volume 2, Number 3, 41-48, September 1999. [8] Jang, J. S., Gulley N., Fuzzy Logic Toolbox Users Guide, The Mathworks Inc., 1995. [9] Jang J.S., ANFIS: Adaptive-Network-based Fuzzy Inference System, IEEE Trans. On System, Man and Cybernetics. Vol.23, No 3, 665-685, May/June 1993.

48

5 International Advanced Technologies Symposium (IATS09), May 13-15, 2009, Karabuk, Turkey

th

AGENT-BASED ROUTE PLANNING FOR A MOBILE ROBOT


a,*

Uur Grela, *, Osman Parlaktunab , Hilal Ezercan Kayr b Eskiehir Osmangazi niversitesi Bilgisayar Mhendislii, Trkiye, E-mail: ugurel@ogu.edu.tr b Eskiehir Osmangazi niversitesi Elektrik Elektronik Mhendislii, Trkiye E-mail: oparlak@ogu.edu.tr, hezercan@ogu.edu.tr

Abstract
Constructing architecture and forming optimal paths for mobile robots are some of the heavily studied subjects in mobile robot applications. The aim of this paper is to find a sub-optimum path for a single mobile robot using agentbased client-server architecture in a known environment. The sub-optimum path is determined by a heuristic approach, A-Star algorithm. Client-server architecture is formed based on open agent architecture to control the communication between the robot (client) and the server. In the study robots communicate with the server to receive the planned route for the desired starting and the goal point. Simulations on MobileSim simulator program are conducted to show the effectiveness of the proposed architecture. Keywords: Mobile robot, agent, path planning

tasks[4] . Cowlagi and Tsiotras, used agent approach for path planning problem based on Wavelets [5] In this paper, an agent-based approach is proposed for real-time path planning for mobile robot. The approach consists of two modules. The first module is responsible for the path construction, and the second one is responsible for low-level control of the mobile robot. Finding the optimal path solution is time-consuming. For this reason a heuristic approach A-star is used. These two modules communicate via a communication module which is based on open agent architecture (OAA) [6]. The structure of the paper is as follows: In section two proposed method, in section three, application and in section four results and future work is going to be mentioned.

2. Proposed Method 1. Introduction


In autonomous mobile robot domain, applications generally depend on navigating from a known starting point to known goal point in a known or unknown environment. In daily life robots are started to use in many missions like servicing patients in hospitals or delivering postage and messages in offices [1]. In these kinds of applications the points that should be visited are known. But, for a mobile robot, consuming less energy is very important [2] and it is obvious that the more autonomous mobile robot travels the more energy is consumed. In order to consume less energy, a shorter path should be preferred rather than a longer path. Therefore an intelligent path planning algorithm is required. Since the robot works in a real and dynamic environment, the path planning algorithm should construct the path in real time. For this reason a heuristic approach, A-star is used to construct the path. Agent-based approaches also receive considerable attention in the literature. In agent based approaches applications are distributed among several agents. Advantages of this approach are; increase in modularity and increase in robustness of the entire system. Zavlanos and Pappas proposed a method to solve multi-agent assignment problems, in the nature of mobile robots [3]. Rushan et-al applied agent approach to a heterogeneous mobile robot team to find a solution for localization problem. In their work some agents are qualified as localizers. These agents localize themselves and the other mobile robots in the environment. This localization information is passed to all members of the team. The other robots use this information while they perform their In this work basically two kinds of agents are present. Path construction agent is used to construct a path using well known heuristic A-star. The other agent is the mobile robot itself (mobile agent). Path construction agent and mobile agent are communicate with each other through Open Agent Architecture (OAA) framework. (Figure 1)

Figure 1: Communication Framework Open Agent Architecture is a framework for integrating a community of heterogeneous software agents in a distributed environment [7]. The structure of the architecture is shown in Figure 2. In the OAA messaging is made through ICL messages. The ICL messages contain the sender, the receiver and the message information in the message body. All of the messages are flow through the facilitator agent. The Facilitator agent is a pre constructed agent in the OAA environment. ICL message can be constructed as follows: ICLTerm *list=icl_NewList(NULL); ICLTerm *RX=icl_NewInt(rx); icl_AddToList(list,icl_NewInt(rx),TRUE); goal = icl_NewStruct("rota", 1, list);

IATS09, Karabk University, Karabk, Turkey

49

Grel, U., Parlaktuna O., Kayr H. E.

Figure 2: OAA structure used in the problem As seen from figure 2, robot agent sends the present coordinates and the goal coordinates to path construction agent through the communication channel and asks a planned path from the path construction agent. The path construction agent plans a path based on the map of the environment. While constructing the path, path planning agent uses A-star algorithm. This algorithm is explained below. A-star search is one of the widely used informed search strategies. It is used to find a path from the starting node to the goal node in a graph. In this study, the environment is divided into 1m. by 1m. square grids. The center point of each square is considered as a node of the graph. Then Astar uses this graph to construct the path. The cost for each grid is calculated as the sum of two costs: f(n) = h(n) + g(n) Here g(n) is the cost to reach from the starting node to the node n , h(n) is the cost to reach from the node n to the goal node. Since g(n) gives the path cost from the start node to node n and h(n) is the heuristic distance which is the estimated cost of the closest path from n to goal, f(n) becomes the estimated cost of the shortest solution through node n. Astar is an optimal search strategy if h(n) is an admissible heuristic that is provided that h(n) never overestimates the exact cost to reach the goal. The input for A-star search algorithm is the graph and the output is a back-pointer path which is a sequence of nodes starting from the goal and back to the start. In the case of O is the open set which is a priority queue and C is the closed set containing all processed nodes, the A-star search algorithm can be expressed as below [8].

while O is not empty Find nbest from O such that f(nbest) f(n) for all n in O Remove nbest from O Add nbest to C if nbest = ngoal EXIT end Expand nbest for all x, neighour of nbest and not in C if x is not in O Add x to O elseif g(nbest) + dist(nbest,x)< g(x) Update xs back-pointer to point the nbest end end The neighborhood of a grid cell uses eight-point connectivity relation and the heuristic distance (h(n) ) is calculated by using Euclidian distance which is always smaller than or equal to the actual distance.

3. Application
The explained approach is tested in MobileSim simulation environment. MobileSim is a test-bed for Pioneer robots and the programs are written with Aria framework. The programs that work correctly in simulator also work in the real life. Working environment is drawn by Active Media Mapper program and imported to MobileSim program. [9] The model of the working environment is shown in Figure 3.

Figure 3: Working Environment At the first stage, the mobile agent gives the current grid position and the goal grid position to the path planning agent as shown in Figure 4.

Figure 4: Message of the Robot Agent

50

Grel, U., Parlaktuna O., Kayr H. E.

Using this information and the map of the environment, the A-Star algorithm constructs a path between the starting point and the goal point. And the constructed path is passed through communication channel to the robot. The trace of the path followed by the robot is shown in figure 5

4 Conclusions and Future Work


In this paper, an agent-based real-time path planning algorithm is proposed for mobile robots. The path is constructed by A-star heuristic. The proposed approach is tested on MobileSim simulation program. Initial results are promising. As shown from the figures, robot navigates from the starting to the goal point. We plan to extend this study for the dynamically changed environments. Also we plan to increase the grid size resolution so that robot can travel in more complicated environments. Another future work would be application of this approach to real world robot applications.

References
[1] O. Parlaktuna, A. Sipahioglu, A. Yazici, and U. Gurel, TSP Approach for Mobile Robot Dynamic Path Planning, The First Int. Conf. on Control and Optimization with Industrial Applications(COIA-2005), Baku, Azerbaijan, May 2005. [2] Yongguo M., Yung-Hsiang L ., Y. Charlie Hu, andC.S. George Lee Energy-Efficient Motion Planning for Mobile Robots. Proceedings of IEEE International Conference on Robotics and Automation, Volume 5, 4344 4349, 26 April-1 May 2004. Figure 5: Trace of the robot motion in simulation 1 Another simulation result with different environment can be seen in Figure 6. [3] Zavlanos, M.M.; Pappas, G.J.; Robotics, IEEE Transactions on [see also Robotics and Automation, IEEE Transactions on] Volume 24, Issue 1, Feb. 2008 Page(s):232 - 242 Digital Object Identifier 10.1109/TRO.2007.913992 [4] Rushan, S.M.; Mehrandezh, M.; Paranjape, R.; Electrical and Computer Engineering, 2006. CCECE '06. Canadian Conference on May 2006 Page(s):1522 1525 Digital Object Identifier 10.1109/CCECE.2006.277605 [5] Cowlagi, R.V.; Tsiotras, P.; American Control Conference, 2008 11-13 June 2008 Page(s):1220 1225 Digital Object Identifier 10.1109/ACC.2008.4586659 [6] http://www.ai.sri.com/~oaa/ [7] Xudong Ma; Xianzhong Dai; Dongyao Wang; Xin Jin; Intelligent Robots and Systems, 2005. (IROS 2005). 2005 IEEE/RSJ International Conference on 2-6 Aug. 2005 Page(s):2154 - 2159 Digital Object Identifier 10.1109/IROS.2005.1545101 [8] Principles of Robot Motion Choset, Howie; Lynch, Kevin M.; Hutchinson, Seth; Kantor, George; Burgard, Wolfram; Kavraki, Lydia E.; Thrun, Sebastian. Al, M.I.T. Press ,2005 pp 527-532 [9] www.activrobots.com/SOFTWARE/aria.html

Figure 6: Trace of the robot motion in simulation 2

51

5. Uluslar aras leri Teknolojiler Sempozyumu (ATS09), 13-15 Mays 2009, Karabk, Trkiye

GENETK ALGORTMA TABANLI DENKLEM ZMLER EQUATION SOLUTIONS BASED ON GENETIC ALGORITHM
a b, *

Fahri Vatansevera ve Zeynep Batkb, *


Sakarya niversitesi, Sakarya, Trkiye, E-posta: fahriv@sakarya.edu.tr Sakarya niversitesi, Sakarya, Trkiye, E-posta: z.batik87@hotmail.com

zet
Dorusal veya dorusal olmayan denklem ve denklem sistemlerinin zm iin birok yntemler gelitirilmi ve gelitirilmeye devam edilmektedir. Sunulan birok yntemde en uygun zmlere ulamak iin uygun balang artlarn belirlemek, ok sayda iterasyonlar ve her iterasyonda da trev hesaplamalar gibi karmak matematiksel ilemler gerektirmektedir. Ancak teknolojideki hzl gelimeler sonucu, karmak matematiksel ilemlerinin hesaplanmas ve ok sayda iterasyonlarn gerekletirilmesi bilgisayarlarla byk oranda kolaylamtr. Son zamanlarda genetik algoritmalar (GA), her trl optimizasyon problemlerinin zmnde youn ekilde kullanlmaktadr. Bu almada da genetik algoritmalar, denklem zmlerine uyarlanarak grafiksel arayz program tasarlanmtr. Tasarlanan grafiksel arayz programyla bir, iki, , drt ve beinci dereceden polinom kkleri hesaplanabilmektedir. Eitim amal da kullanlabilecek bu programda polinom katsaylar ve hassasiyet deeri girilerek, kullancnn belirledii aralklarda kkleri genetik algoritmalar ve klasik denklem zm yntemleriyle hesaplanmaktadr. Anahtar kelimeler: Genetik algoritma, programlama, denklem zmleri

1. Giri
Denklem zmleri, her alanda karlalan temel problemlerden olup bu alanda birok yntem sunulmutur. zellikle bilgisayar dnyasndaki hzl gelimelere paralel olarak saysal hesaplama teknikleri ok poplerdir. Bunlarn banda basit iterasyon, yarlama, Regula-False, Newton-Raphson, deiken kesen, teet-kiri, Chebyshev yntemleri gelmektedir [1]. Karmak matematiksel ilemlerinin hesaplanmas ve ok sayda iterasyonlarn gerekletirilmesi bilgisayarlarla byk oranda kolaylam olmasna ramen en uygun zm yntemleri kullanarak, az sayda iterasyonla ksa zamanda doru sonuca ulamak temel hedeftir. Bu almada; optimizasyon problemlerinin birounda kullanlan ve son yllarda olduka popler olan genetik algoritmalaryla denklem zmleri sunulmutur. Bu amala beinci dereceye kadar polinomlarn kklerinin hesaplanmas iin grafiksel arayz program tasarlanmtr. Eitim amal da kullanlabilecek bu programla, kullancnn belirledii kriterler dorultusunda, genetik algoritmalar kullanlarak zmlere ulalmaktadr. Ayrca klasik yntemlerle de kkler hesaplanarak karlatrmal olarak programda grlebilmektedir.

Abstract
Many methods to solve linear or non-linear equations and equation systems have been developed and are being developed. In the presented methods, to reach the most suitable solution, determination of the initial conditions needs much iteration and each iteration needs complex mathematical computations such as derivation calculations. But as a result of the rapid development in technology, calculation of complex mathematical computations and implementations of much iteration have become very easy with computers. In recent days genetic algorithms are being used heavily in solutions of every type of optimization. In this study, a graphical interface programme is designed for polynomial equation solutions using genetic algorithm. The roots of polynomial equation of one, two, three, four or five degrees can be calculated with the designed graphical interface programme. The coefficients of polynomial equation and error value are entered to the prepared interface which can also be used for educational purposes, and the roots in the defined intervals can be calculated using genetic algorithm and other traditional methods. Keywords: Genetic algorithm, programming, equation solutions

2. Denklem zm Yntemleri
Denklem kklerinin hesaplanmas iin birok saysal yntem vardr. Bu almada, karlatrma yapmak amacyla yarlama, Regula-False, Newton-Raphson ve teet-kiri yntemleri kullanlmtr. a) Yarlama yntemi: [a, b ] aralnda y = f (x) fonksiyonunun kkn hesaplamak iin birinci iterasyonda bu araln orta noktas

x0 =

a+b 2

(1)

hesaplanarak fonksiyonda yerine yazlarak hesaplanr. Eer belirlenen hassasiyet/hata deerine ulalamadysa bir sonraki iterasyonda; bulunan orta nokta,

f (a ). f (x 0 ) < 0 b = x0 f (a ). f (x 0 ) > 0 a = x0

(2)

kouluna gre araln alt veya st snr yaplarak daraltlr ve yeni orta nokta belirlenerek bu ekilde iterasyonlara devam edilir [1].

IATS09, Karabk niversitesi, Karabk, Trkiye

52

Vatansever, F. ve Batk, Z.

b)

Regula-False

yntemi:

[a, b]

aralnda

y = f (x) fonksiyonunun kkn hesaplamak iin her iterasyonda

x0 =

a. f (b) b. f (a ) f (b) f (a)

(3)

Genetik algoritmalar ilk defa 1975 ylnda John Holland tarafndan gelitirilmitir. GA, rastlantsal arama teknikleri kullanarak zm bulmaya alan, parametre kodlama esasna dayanan sezgisel arama tekniidir [2]. Genetik algoritmalarn balca uygulama alanlar arasnda optimizasyon problemleri, otomatik programlama ve bilgi sistemleri, makine renmesi, ekonomi gibi alanlar gelmektedir [3].
Bala

eitliinden kesim noktas bulunarak fonksiyonda yerine yazlr. Eer belirlenen hassasiyet/hata deerine ulalamadysa bir sonraki iterasyonda; kkn bulunduu yeni aralk

f (a ). f ( x0 ) < 0 b = x0 f (a ). f ( x0 ) > 0 a = x0
kouluna gre belirlenerek devam edilir [1]. c) Newton-Raphson yntemi:

Balang poplasyonunu olutur

(4)

[a, b]

aralnda

Uygunluk deerlerini hesapla

Yeni poplasyon olutur

y = f (x) fonksiyonunun kkn hesaplamak iin iterasyona balang deeri f (a). f (a) > 0 x0 = a f (b). f (b) > 0 x0 = b
belirlenir. Ondan sonra (5)
Durdurma kriteri salanyor mu?

E
Uygunluk deeri en yksek olan kromozomu se

x k +1 = x k

f (x k ) f (x k )

(6)

iterasyon eitliiyle kke yaknsanr [1]. d) Teet-kiri yntemi: [a, b ] aralnda y = f ( x) fonksiyonunun kkn hesaplamak iin

zm grntle

Dur

f (a). f (a) > 0 x0 = b , y 0 = a f (a). f (a) < 0 x0 = a , y 0 = b


balang deerleri belirlenerek

(7)

ekil 1. GAdaki genel ileyi Genetik algoritmalarda, problemin olas zmleri, genlerden olumu olan kromozomlarda (dizi) tutulmaktadr. Bir ok kromozomun bir araya gelmesiyle de poplasyon (yn) meydana gelir. Genetik algoritmalarda ileyi (ekil 1) genel olarak aadaki gibidir [2-5]:

x k +1 = x k y k +1

xk yk f (x k ) f (x k ) f ( y k ) f (yk ) = yk f ( y k )

(8)

iterasyon eitlikleriyle kke yaknsanr [1].

i. Balang poplasyonunun oluturulmas: Problemin olas zmn belirten kromozomlardan balang poplasyonu oluturulur. Bunun oluturulmas genellikle rasgele olup 30-100 bireyden olumas nerilmektedir. ii. Uygunluk deerlerinin hesaplanmas: Poplasyondaki her bir kromozomun uygunluk deeri hesaplanr. Bu deerin yksek olmas; kromozomun, poplasyon iinde varln srdrmesini ve zelliklerini yeni nesillere aktarmasn kuvvetlendirir. iii. Durdurma/hassasiyet kriteri: a. Durdurma kriteri salanyorsa: GA durdurularak zm olarak en yksek uygunluk deerine sahip kromozom seilir.

3. Genetik Algoritmalar
Genetik algoritmalarn temeli; doadaki canllarn geirdii yaam/evrim srecine dayanr. Bu srete iyi/gl nesiller, yani hayat artlarna en uygun olanlar (en iyi uyum salayanlar) varlklarn srdrebilirken, kt/zayf nesiller yok olmaktadr. Doadaki bu biyolojik srecin modellenmesiyle, olaslkl ve iterasyonlu bir zm yntemi olan genetik algoritmalar ortaya kmtr.

53

Vatansever, F. ve Batk, Z.

b. Durdurma kriteri salanmyorsa: GA operatrleri (aprazlama, mutasyon) kullanlarak, mevcut poplasyondaki ebeveynlerden yeni nesiller retilir. Seim mekanizmalaryla da yeni poplasyon (sonraki jenerasyon) retilir. Bu ekilde iterasyonlara devam edilir.

4. Simlasyonlar
Bu almada MATLAB [5] kullanlarak, beinci dereceye kadar polinomlarn kklerini hesaplamak iin grafiksel arayz program tasarlanmtr. Program, katsaylar klavyeden girilen polinomun kklerini hem genetik algoritmalarla hem de klasik kk hesaplama yntemleriyle (yarlama, Regula-False, Newton-Raphson, teet-kiri) ile hesaplamaktadr. Genetik algoritmalar ile hesaplamada durdurma kriteri; uygunluk fonksiyonu olarak alnan fonksiyonun mutlak deerinin, klavyeden girilen hassasiyet deerinden kk olmas art kullanlmtr. Programn ana ekran ekil 2de verilmektedir. Programda kkleri hesaplanacak olan polinomun katsaylar, ekil 3te grlen analiz ekranndan girilmektedir. Burada 1-5. dereceye kadar polinom kklerinin hesaplanmas simle edilmi olup, istenildii takdirde polinomun derecesi arttrlabilir. Ayrca kk hesaplama iterasyonlarn / yeni nesil retimini durdurmak iin, klavyeden hassasiyet deeri ve kkn hesaplanaca aralk girilmektedir. Belirlenen arala gre polinomun grafii izdirilmekte ve bu aralkta kk olup olmad program tarafndan tespit edilmektedir. Ayrca genetik algoritmalarn parametre ayarlar Poplasyon boyutu Uygunluk fonksiyonu leklemesi: Rank, oransal, tepe, dorusal deiim

Seim fonksiyonu: Stokastik tek biimli, artan, tek biimli, rulet, turnuva Mutasyon fonksiyonu: Gaussian, tek biimli, adaptif aprazlama fonksiyonu: Datk, tek noktal, iki noktal, ara, heuristik, aritmetik aprazlama oran da gerekletirilebilmektedir [5].

ekil 2. Tasarlanan programn ana ekran Sonu olarak her bir yntemdeki iterasyon/yeni nesil says ile hesaplanan kk deeri ekranda gsterilmektedir. Bylece kullanc karlatrmal sonular ve genetik algoritmalardaki parametre deiimlerinin etkilerini ezamanl olarak grme imknna sahip olmaktadr. ekil 3te iki tane rnek simlasyon ekran verilmektedir.

54

Vatansever, F. ve Batk, Z.

ekil 3. rnek simlasyon ekranlar

5. Sonular
Gerekletirilen almada; polinom kklerinin hesaplanmas iin genetik algoritma tabanl yaklam sunulmutur. Bu amala tasarlanan ve eitim amal da kullanlabilecek arayz programyla gerekletirilen simlasyonlarla; genetik algoritmalar kullanlarak ve klasik yntemlerdeki gibi karmak matematiksel ilemler (trev, integral vb.) gerekletirilmeden kklerin kolaylkla hesaplanabilecei gsterilmitir. Benzer yolla kk hesaplama ilemleri sadece polinomlar iin deil, analitik olarak zm ok zor olan birok karmak fonksiyon iin de gerekletirilebilir. Ayrca GA parametrelerinin hesaplama sonularna etkileri ve dier yntemlerle karlatrlmas, arayz programnda ezamanl olarak grlebilmektedir.

Kaynaklar
[1] Vatansever, F., leri Programlama Uygulamalar, Sekin Yaynclk, Ankara, 2006 [2] Goldberg, D.E.,Genetic Algorithms in Search, Optimization and Machine Learning, Addison-Wesley Publishing Company Inc.,USA, 1989 [3] Elmas, ., Yapay Zeka Uygulamalar, Sekin Yaynclk, Ankara, 2007 [4] Grsu, B., , nce, M.C., Genetik Algoritmalar ile Yksek Gerilim stasyonlarnda Optimum topraklama A Tasarm, Frat niv. Fen ve Mh. Bil. Dergisi, 19 (4), s. 511-524, 2007 [5] The Genetic Algorithm and Direct Search Toolbox, MATLAB, The MathWorks, Inc.

55

5. Uluslararas leri Teknolojiler Sempozyumu (IATS09), 13-15 Mays 2009, Karabk, Trkiye

BULANIK MANTIK LE GNE ENERJS UYGULAMASI APPLICATION OF SOLAR ENERGY WITH FUZZY LOGIC
b

Sakarya Endstri Meslek Lisesi, Sakarya, Trkiye, E-posta: coskunodabas@hotmail.com Sakarya niversitesi, Mh. Fak., Elektrik Elektronik Mh. Bl., Sakarya, Trkiye, E-posta: ipehlivan@sakarya.edu.tr c Sakarya Endstri Meslek Lisesi, Sakarya, Trkiye, E-posta: dmcinal@hotmail.com

a, *

Cokun ODABAa, * hsan PEHLVANb Doan Murat CNALc

zet
Bu bildiride, gne enerjisini elektrik enerjisine evirmek iin kullanlan gne panelinin daha verimli alabilmesi iin gerekletirilen bir sistem uygulamas tantlmtr. Gnein deiik alarnda panelleri konumlandrarak verimin artrlmas amalanmtr. Sistem ierisinde kontrol amac ile PID denetleyiciler kullanlmtr. Sistemin karar mekanizmas iin ise bulank mantk seilmitir. Bulank mantk teknolojisi zellikle kontrol alannda elektronik sistemlerin uzman kii kararyla almasna olanak salar. Sistem giriindeki ayr sensr, panel konumlandrma bilgisini kontrol kart zerindeki mikrodenetleyiciye gnderir. Bylece adm motorlar yardm ile, gne enerjisini elektrik enerjisine eviren gne panelinin konumlandrlmas salanr. Anahtar Kelimeler: Bulank mantk, Mikrodenetleyici, Adm motorlar, Gne panelleri, PIC16F877

Bulank mantk her gn kullandmz ve davranlarmz yorumladmz yapya ulamamz salayan matematiksel bir disiplindir. Temelini doru ve yanl deerlerin belirlendii Bulank Kme Kuram (Fuzzy Set Theory) oluturur. Burada yine geleneksel mantkta olduu gibi (1) ve (0) deerleri vardr. Ancak bulank mantk yalnzca bu deerlerle yetinmeyip bunlarn ara deerlerini de kullanarak; rnein bir uzakln yalnzca yakn ya da uzak olduunu belirtmekle kalmayp ne kadar yakn ya da ne kadar uzak olduunu da syler. Bu mantk elektrikli ev aletlerinden oto elektroniine, gndelik kullandmz i makinelerinden retim mhendisliine, endstriyel teknolojilerden otomasyona kadar aklmza gelebilecek her yerde kendisine uygulama alan bulabilir.[2]

2. Bulank Mantk Kontrolclerin Genel Yaps


Bulank mantk, endstriyel sreleri denetlerken kesin ve tam saysal kurallardan ziyade dilsel kurallar iine alr. Bulank mantk kontrolcleri, klasik ve modern kontrol teorisinde olduu gibi kesin ve tam matematik modellere ihtiya duymaz. ou sistemde benzer model lmleri belirtmek olduka zordur. Denetlemesi zor olan karmak srelerde (imento ocaklar, elik frnlar, p ileme fabrikalar gibi), bulank mantk denetimini kullanmak zorunlu hale gelmektedir.[3-4] Bulank mantk kontrolcleriyle daha az bir abayla daha fazla i yaplabilmektedir. Deneyimler etkin bir ekilde kullanlarak fiziksel bir sistemin kontrol, aadaki drt unsur dikkate alnarak yaplmaktadr. 1- Mikrodenetleyicilerle karm ilemcisini kademeli (cascade) balayp beraber altrmak, 2- Yazlm kontrolcs kullanmak, 3- Bilgisayar tabanl uygulamalarda ise; kural taban, veri taban, bulandrc, karm motoru ve berraklatrc olarak yazlm kullanmak ve paralel iletiimle kontrol sistemini tasarlamak, 4- inde RAM, EPROM, I/O birimlerinin yan sra bulandrc, karm motoru ve durulatc blmlerinin de bulunduu tm devre eklinde bulank ilemciler kullanarak fiziksel sistemlerin kontroln salamak mmkn olacaktr.[4-6] Bulank mantk kontrolclerin dayand temel nokta; uzman bir sistem operatrnn bilgi deneyim sezgi ve kontrol stratejisini, kontrolc tasarmnda bilgi taban

Abstract
In this paper, one system application is introduced, which is realized to increase the efficiency of solar panels that converting the solar energy to the electrical energy. Positioning the solar panel to various position is aimed at the different angles of sun. PID controllers are used to intention of controlling, in the system. Also, fuzzy logic is choosen for decision mechanism of the system. Fuzzy Logic technology enables the electronic systems working with decision of the expert persons. Three different sensors at the input of system are transmit the panel positioning datas to the microcontroller that exist on the control card. Thus, the solar panel which converting the solar energy to the electrical energy, is positioned by using the step motors. Keywords: Fuzzy Logic, Micro controller, Step Motors, Solar Panels, PIC16F877

1. Giri
Gnmzn gelien teknolojileri artk geleneksel elektronik denetim biimlerinden yeteri kadar verim alamamaktadr. Gn getike ortaya kan daha hassas birimler ve kanlmaz olan enerjiden tasarruf salama zorunluluu bilim adamlarn bu ynde aratrmalar yapmaya itmitir. Gitgide mkemmele yaknlama istei ve doann belki de bir gn aynsnn yapay yollarla ortaya karlmaya allmas Yapay Zeka (Artificial Intelligence - AI), Yapay Sinir Alar (Neural Networks), ok deerli Mantk (Multivalued Logic) ve bunlarla birlikte Bulank Mantn (Fuzzy Logic) ortaya karlmasna neden olmutur.[1-7]

IATS09, Karabk niversitesi, Karabk, Trkiye

56

Odaba, C., Pehlivan, . ve Cinal,D.

olarak oluturmaktadr. Kontrol ilemleri bilgi ve deneyime dayanan szel kurallarla gerekletirilir. rnein bir uzman, sistem iin gerekli olan kontrol davranlarn kk, hzl, yava gibi szel terimlerle tanmlarsa, EERYLEYSE (IF-THEN) komutlaryla oluturulacak kurallarda szel terimler kullanlarak elde edilecektir. ekil 1 de bir bulank mantk kontrolcnn i yaps grlmektedir. Bu kontrolc, genel olarak drt ana ksmdan oluur.

2- karm motoru (Inference engine): Bu nite, kurallar bulank mantk kurallarn uygulayarak bulank klar verir. Burada insann dn eklinin benzetimi yaplmaya allmtr. 3- Veri taban (Data Base): karm motoru, kural tabannda kullanlan bulank kmeleri bu blmden alr. 4- Kural taban (Rule Base): Kontrol amalarna uygun dilsel denetim kurallar buradan bulunur ve karm motoruna verilir. 5- Durulama nitesi (Defuzzifier): karm motorunun bulank kme zerinde yapm olduu lek deiikliklerini, saysal deerler dntrr.[3-6]

1- Bulanklatrma nitesi (Fuzzifier): Bu blm giri deikenlerini ler, onlar zerinde bir lek deiiklii yaprak bulank kmelere dntrr. Yani onlara bir etiket vererek, dilsel bir lek deiiklii yaparak bulank mantk kmelerine dntrr.

Veri taban

Kural taban

Bulanklatrc
Bulank deer

karm motoru
Bulank deer

Durulayc
Saysal deer

ekil 1. Bulank mantk kontrolcsnn blok diyagram.

3. Sistem Tasarm
Sistemimizin birincil amac gne nlarndan mmkn olduunca en fazla istifade etmektir. Panelimiz gne nlarn ne kadar iyi alrsa sistem performans o kadar artacaktr. Buradaki ama devrede kullandmz adet k sensoru ile gnein bulunduu yeri tespit edip gne panellerini tam olarak olmas gereken konuma getirilmesidir. Sistemimizde bulank mantk teorisine gre her bir sensrn deeri dikkate alnp karlan sonularda tm sensrlerin etkisi bulunmaktadr. Klasik mantkta ise sensrler tek tek kontrol edilip istenilen sonucun elde edildii sensrden sonraki sensrlere dikkat edilmeden paneller ilgili ka gre konumlandrlmaktadr. Sistemde bulunan paralar; adet k sensrnden oluan veri toplama ksm, enerji retimi iin gne paneli, gne panelini konumlandrmak iin step motor, sistemin bulank mantk denetimi iin PIC 16F877 kontrol kart, sistemin durum bilgisinin alnmas iin LCD gstergedir. Bu donamn paralarnn yan sra mikrodenetleyicimizde gml olan ve sistemin almasn salayan programmz da mevcuttur. Programmzn algoritma mant; 1. 2. Sensrlerden gelen bilgiye gre her bir sensrn yelik dereceleri ve deerleri belirlenir. Belirlenen yelik deerleri veri tabannn ilgili ayrlan blmne kaydedilir (Bu deerler sensrlerden gelen bilgiye gre deiken deerlerdir.)

3. 4. 5. 6.

Konum bilgileri ve deerleri veri tabannda ayrlan yere kaydedilir. Bu deerler her durumda sabit olan deerlerdir. Her bir kural iin hazrlanan program blmlerine geilir. Bu blmler kurallarda belirtilen artlar ierir. Her bir kural blmnde tespit edilen minimum sensr deeri ile konum sabiti arplp kural sonu deeri olarak ilgili bellek alanna kaydedilir. Tm kurallar tamamlandnda bulunan kural sonu deerleri ve kural minimum deerleri ayr ayr toplanarak, bu toplam deerleri ilgili bellek alanna kaydedilir.

Bulunan toplam kural sonu deeri toplam kural minimum deerine blnerek elde edilen deere gre ilgili k portu aktif hale getirilir.

IIK SENSR

KONTROL KARTI

MOTORLAR

GNE PANEL

LCD

ekil 2. Sistemin blok emas

57

Odaba, C., Pehlivan, . ve Cinal,D.

Sensrlerden bilgiyi al.

N
1 2 3 S1 S1 S1 S1 S1 S1 S1 S1 S1

GR DEKENLER dk S2 dk S3 dk dk dk dk dk dk dk dk dk S2 S2 dk dk S3 normal S3 yksek S3 dk S3 normal S3 yksek S3 dk S3 normal S3 yksek S3 dk S3 normal S3 yksek S3 dk S3 normal S3 yksek S3 dk S3 normal S3 yksek S3 dk S3 normal S3 yksek S3 dk S3 normal S3 yksek S3 dk S3 normal S3 yksek

IKILAR Konum0 Konum4 Konum4 Konum2 Konum2 Konum4 Konum2 Konum2 Konum3 Konum1 Konum0 Konum0 Konum2 Konum2 Konum3 Konum2 Konum2 Konum2 Konum1 Konum0 Konum0 Konum1 Konum1 Konum0 Konum2 Konum2 Konum0

Analog bilgiyi dijitale dntrr.

4 5 6 7

S2 normal S2 normal S2 normal S2 yksek S2 yksek S2 yksek dk dk dk

yelik deerlerini hesapla.

8 9

10 S1 normal S2 11 S1 normal S2 12 S1 normal S2

Kural tablosunu uygula.

13 S1 normal S2 normal 14 S1 normal S2 normal 15 S1 normal S2 normal 16 S1 normal S2 yksek

lgili k aktif yap.

17 S1 normal S2 yksek 18 S1 normal S2 yksek 19 S1 yksek S2 20 S1 yksek S2 dk dk dk

Panelleri konumlandr.

21 S1 yksek S2

22 S1 yksek S2 normal 23 S1 yksek S2 normal ekil 3. Program ak diyagram Sistemdeki k sensr gnein hareketini takip etmek iin kullanlmtr. Gnein hareket ekseni dou-bat ekseni olarak alnp bu eksen 45 derecelik 4 blme ve 5 ayr hareket noktasna blnmtr. Panellerin konumu, sensrlerin denetim sistemine gnderdii bilgiye gre belirlenen hareket blgelerine sabitlenir. 24 S1 yksek S2 normal 25 S1 yksek S2 yksek 26 S1 yksek S2 yksek 27 S1 yksek S2 yksek

Tablo 1. Kural Tablosu denetleyicinin ADC girilerine gnderilerek 8 bitlik dijital bilgiye dntrlmektedir. Bunun sonucunda 0-5Vluk gerilim aral 8 bitlik arala denk gelen 00H-FFH aralna yaylmtr. Bulanklatrma arabiriminde nemli noktalardan biri de sensr hassasiyet erileridir. Bu erilerin durumlarna gre yelik fonksiyonlarnn ve yelik deerlerinin tespiti yaplmaktadr. Hassasiyet erilerinin snr deerleri ortam koullarna ve programcnn sistemden beklentisine gre deiebilmektedir. Bu uygulama da yelik snr deerleri 0V-1,5V aral dk deer, 1,5V-3,5V aral normal deer ve 1,5V-5V aral ise yksek deer olarak belirlenmitir. Bu deerler kullanlan sensrler ile gerek ortamda yaplan deneyler ve lmler sonucunda belirlenmi ve uygulamaya konulmu deerlerdir. Sistemimizin yelik fonksiyon erisi ekil 5te grld gibidir.

ekil 4. Sensrlere gre konum bilgileri.

4. Bulank Mantn Sisteme Uygulan:


4.1 Bulanklatrma arabirimi

Sensrlerimiz zerine den gerilim 0-5V aralnda deerlendirilmektedir. Sensrlerdeki bilgiler PIC

58

Odaba, C., Pehlivan, . ve Cinal,D.

Snormal=

1 S =80 h 0 S 4ChveS C3h h 80 > S >C3h h (C3hS)/(C3h80 ) (80 S)/(80 4Ch 4Ch> S >80 1 h h ) h

iin iin iin iin

(6) eklinde gsterilir. Uygulamamza bir rnek daha verirsek, sistemimizde 0 sensr birbirlerine 45 lik alarla konumlandrlmlardr. Her bir sensrn bulunduu a ayn zamanda gne panellerinin konumlandrlma noktalarna denk gelmektedir. Bunlarn haricinde ayrca 00 ve 1800de de olmak zere toplam 5 adet konum noktamz bulunmaktadr. imdi sensrmzde srasyla 4V, 2,9V ve 1,7V olduunu varsayalm. Sensrlerden gelen bu analog bilgiler ilk olarak ADC devresi ile dijital hale dntrlrler. Bu durumda 1.sensrmzdeki 4V iin ADCmizin knda 8 bitlik (11001101)2 yada (CD)16 bilgisi; ikinci sensrmzdeki 2,9V iin (10010101)2 ya da (95)16 bilgisi ve son olarak nc sensrmzdeki 1,7V iin (01010111)2 ya da (57)16 bilgisi bulunur. ADCmizden alnan bu deerler mikro denetleyicimizin A portu kullanlarak yazlmzda belirtilen S1, S2, S3 deikenlerinin deerleri olarak atanrlar ve bulanklatrma hesaplamalarna dahil edilirler. Analog dijital evrim ileminin tamamlanmasndan sonra sra her bir sensrn yelik fonksiyonlarnn hesaplanmasna gelmektedir. Sistemimizdeki k sensrlerinin DK, NORMAK ve YKSEK olmak zere ayr hassasiyet deeri bulunmaktadr. Bu noktadan itibaren sensrlerin yelik deerleri; S1_1 S1_2 S1_3 S2_1 S2_2 S2_3 S3_1 S3_2 S3_3 : 1. sensrn dk yelik deeri : 1. sensrn normal yelik deeri : 1. sensrn yksek yelik deeri : 2. sensrn dk yelik deeri : 2. sensrn normal yelik deeri : 2. sensrn yksek yelik deeri : 3. sensrn dk yelik deeri : 3. sensrn normal yelik deeri : 3. sensrn yksek yelik deeri iin yelik deerlerini

ekil 5. yelik fonksiyon erileri

Yukardaki ekilde sistemimizdeki sensrlerin zerlerine


den gerilime gre aldklar yelik deerlerinin snrlar grlmektedir. Her bir sensr iin DK, NORMAL ve YKSEK yelik fonksiyonlar;

Sdk = (t 15 )/( ,5 15 ) 15 t 25 1 ,V 2 V ,V ,V ,V

t <15 ,V

(1)

t >2,5 V

Syksek= (t 35 )/( ,5 2,5 ) 2,5 t 35 V ,V ,V 3 V V

t >3,5 V

(2)

t <2,5 V

1 S =2,5 V 0 15 S 3,5 ,V V Normal= V V V V V (3,5 S)/(3,5 2,5 ) 2,5 >S >3,5 (2,5S)/(2,5 15 ) 15 >S >2,5 1 V ,V ,V V
ile gsterilir.

(3)

Yukardaki yelik formlleri tamam ile analog deerler zerinde deerlendirilerek oluturulmutur. Bu yelik fonksiyonlarn yukarda tarif edildii ekilde saysal deerlere evrilerek yeniden hazrlarsak 1,5Vun hexadecimal karl 4CHye, 2,5Vun hexadecimal karl 80Hye ve 3,5Vun hexadecimal karl da C3Hye denk gelmektedir. Bu yeni deerlere gre yelik deer fonksiyonlarn yeniden dzenlersek;

imdi tm sensrlerimiz hesaplayalm.

Sdk=

1 S <4Ch iin h 1 ) 80 ) (S4Ch/( h4Ch 4Ch S 80 iin 0 S >80 iin h 1 S >C3h iin h h (S C3h)/(C3h80 ) 80 S C3h iin 0 S <80 h iin

(4)

1. sensrmzdeki deer S1 = 4V olduu iin bu sensrmzdeki yelik deerleri; S1_1 = 0, S1_2 = 0, S1_3 = 1 olarak hesaplanr. 2. sensrmzdeki deer S2 = 2,9V olduu iin bu sensrmzdeki yelik deeri; S2_1 = 0 S2_2 = 0,34375 S2_3 = 0,65625 olarak hesaplanr. 3. sensrmzdeki deer S1 = 4V olduu iin bu sensrmzdeki yelik deerleri;

Syksek=

(5)

59

Odaba, C., Pehlivan, . ve Cinal,D.

S3_1 = 1, S3_2 = 0, S3_3 = 0 olarak hesaplanr. Verilerin toplanmas ve bulanklatrma ilemlerinin tamamlanmasndan sonra bulanklatrma arabiriminin ilevi tamamlanm olur. 4.2. Bilgi Taban Temel olarak uygulama sahasna ait uzman bilgisini ve kontrol hedeflerini ierir. Bilgi taban ve kural taban olarak iki ksmdan oluur. Dilsel deikenler ve giriler arasndaki iliki, karm ileminin klar ve ortama gnderilecek klar arasndaki ilikiye benzerdir. karm ileminin k bulank kmeler olabilir, ayn zamanda k terimleri veya teklikler olarak da adlandrlrlar. Bir kez giri ve klar ayarlanr ve dilsel deikenlerin terimleri belirlenir, denetim grevi bir dizi kural olarak kaydedilir. Gerekletirdiimiz sistemde kural taban uygulamas yapldnda toplam 27 adet kural olumutur. Sistemimizin kural tablosu aada Tablo1de gsterilmitir. Bu kurallarn bazlar geersiz durumlar salamaktadr. stee bal olarak geersiz kurallar hesaplamada gz nne alnmayabilir. Ancak sistemimizde geersiz konumlar, sensrlerin bozulmas olarak alglanp panellerin ilk konuma getirilmesi ve sistemin yle kalmasnn salanmas iin hesaplamaya katlmtr. 4.3. Sonu karm Mekanizmas ve Durulatrma Bulank mantk denetim biriminin en nemli blmdr. Giri deikenlerinin kurallar tablosuna uygulanp gereken hesaplamalarn yapld ve uygun k deerinin hesapland blmdr. Bu arabirimde hesaplama olarak birok eit yntem kullanlmaktadr. Bu projede ise Gerek deer ak karm yntemi kullanlmaktadr. Bu yntemde kurallarn teklik klar ve ilgili kurak yelikleri kullanlr. Aadaki tabloda sistemimizin girdileri iin k deerleri grlmektedir. Kural tabannn her 27 kural da deerlendirilir. Kurallar VE ilemi ile birletirildiinden, bir kuraln yelik derecesi nceki admda hesaplanm olan yeliklerin minimumu olur. Arlk merkezi durulatrma yntemi bulank bir kmenin arlk merkezini hesaplar. Gerek deer ak karm (TVFI) yntemi kullanldnda ise, tekliklerin kmesi bulank bir kme gibi grnebilir ve o zaman arlk merkezi;

ekil 6. Sistem devre emas

5.Sonular
Gnmzn en popler teknolojilerinden olan Bulank Mantk, kullanclara sistem hassasiyeti ve eitlemesi asndan birok seenek sunmaktadr. Her bir seenein kendi ierisinde avantajlar ve dezavantajlar sz konusudur. Uygulama devresi adet bilgi toplama sensr ile gerekletirilmitir. Ayn zamanda her bir sensr, yelik fonksiyonlar hesaplanrken hassasiyetli olarak deerlendirilmitir. Sistemde ayrca bir kontrol kart, panellerin hareketi iin step motor, siste bilgisinin alnmas iin LCD ekran ve enerjinin depolanmas iin ak bulunmaktadr. Sistem donanm ve hassasiyeti tamamen kullancnn sistemden bekledii performansa baldr. stendii gibi deitirilebilir. Ancak bu durum bir proje iin nemli olan maliyet, karklk ve zorluk gibi etkenle de deitirecektir.

Kaynaklar
[1] Mizumoto, M., Fukami, S. and Tanaka, K. (1979). Some methods of fuzzy reasoning, LQ Gupta, Ragade and Yager (eds), Advances in Fuzzy Set Theory ApplicationsNorth-Holland, New York [2] Peri, V.M. and Simon, D. Fuzzy Logic Control for an autonomous robot, Fuzzy Information Processing Society, 337- 342, 2005. [3] Takagi, T. And Sugeno, M., Fuzzy indentification of systems and its applications to modelling and control, IEEE Trans. Syst. Man&Cybern., Vol. SMS-15, No. 1, 116-332, 1985 [4] Yager, R.R., Zadeh L. A., Fuzzy logic controllers, An introduction to Fuzzy logic application in intelligent systems, 69-89, 1992 [5] Mamdani, E. H. (1977). Application of fuzzy logic to approximate reasoning using linguistic synthesis, ,IEEE Transactions and computer C-26 (12) : 11821191. [6] Jantzen, J. (1995). Array approach to fuzzy logic, Fuzzy Sets and Systems 70: 359370.

SiFi Fi
formlnden hesaplanr.

(4)

60

5 International Advanced Technologies Symposium (IATS09), May 13-15, 2009, Karabuk, Turkey

th

PERFORMANCE COMPARISON OF BUG ALGORITHMS FOR MOBILE ROBOTS


a, * b

Alpaslan YUFKAa, * and Osman PARLAKTUNAb

Eskiehir Osmangazi University, Eskiehir, Turkey, E-mail: ayufka@gmail.com Eskiehir Osmangazi University, Eskiehir, Turkey, E-mail: oparlak@ogu.edu.tr

Abstract
In this study, Bug1, Bug2, and DistBug motion planning algorithms for mobile robots are simulated and their performances are compared. These motion planning algorithms are applied on a Pioneer mobile robot on the simulation environment of MobileSim. Sonar range sensors are used as the sensing elements. This study shows that mobile robots build a new motion planning using the bugs algorithms only if they meet an unknown obstacle during their motion to the goal. Each of the bugs algorithms is tested separately for an identical configuration space. At the end of this study, the performance comparison of the bugs algorithms is shown. Keywords: Bug, pioneer, robots, sonar, MobileSim

Figure 1. The empirical indoor-environment created by Mapper3 software. This paper presents a comparison among the Bugs algorithms, as well as Bug1, Bug2 and DistBug, in order to show which one exhibits the best performance based on experimental data provided from the simulation environment of MobileSim [13]. The test area, which has 10m length, 8m width and two convex-shaped obstacles, is created by Mapper3 [13], as shown in Fig.1. A Pioneer mobile robot is used in the simulation. The objective of the robot is to reach the goal position using each of the Bugs algorithms discussed. The aim of the study is to compare the algorithms in terms of the total travelled path-length. The assumptions are that the mobile robot never encounters a localization problem and it uses its odometry to localize itself.

1. Introduction
Based on the configuration space and the goal position, generating a path for a mobile robot means finding a continuous route starting from the initial point, S, to the goal point, G, which is in a 2D environment with unknown obstacles of an arbitrary shape. Implementing this, the navigation takes an important place, and is a general problem for mobile robots. In the literature, there are several distinct approaches related to the navigation [1].The Bugs algorithms [2, 3] construct a path to move the robot to the goal in a straight line, if the path to the goal is clear. The robot follows the boundary of the obstacle when it encounters an unknown obstacle until the path is clear again [1]. In addition, these algorithms have advantages compared with the other planning algorithms [1]. At that point, the mobile robot does not have to map its environment if one of the Bugs algorithms is used. The robot is only interested in reaching its goal location if the goal is reachable; however, if it is unreachable, the robot is able to terminate the given task. Each described Bugs algorithm has this termination property [4]. The described algorithms in this paper are Bug1 [5], Bug2 [5], and DistBug [6] which are the part of the Bugs family. Bug1 and Bug2 are the original algorithms of the Bugs family which need minimum memory requirements but not to be capable of making the best use of the available sensory data to generate short paths [12]. In contrast, DistBug uses range sensors efficiently to define a new leaving condition [12]. Beside this, the Bugs algorithms exhibit a statistically better performance depending on the structure of the environment, but at different environments the one of them may have an advantage over another algorithm [4].

2. The Bug Family


The Bugs algorithms are simple planners with provable guarantees [14]. When they face an unknown obstacle, they are able to easily produce their own path contouring the object in the 2D surface if a path to the goal exists. The purpose is to generate a collision-free path by using the boundary-following and the motion-to-goal behaviors. In addition, the Bugs family has three assumptions about the mobile robot: i) the robot is a point, ii) it has a perfect localization, and iii) its sensors are precise [4]. The following Bugs algorithms are considered and implemented in this study: Bug1 [5-14-15], Bug2 [5-14-15], and DistBug [4, 6] 2.1. Bug1 and Bug2 Algorithms Both of these algorithms are not only the original and earlier sensor-based planners but they also offer minimum memory requirements because of their simplicity [12, 14]. Their senses are based on tactile sensors but in this study the sonar sensors are used to implement the experiment instead of tactile sensors.

IATS09, Karabk University, Karabk, Turkey

61

YUFKA, A. and PARLAKTUNA, O.

Bug1 is an algorithm in the sense, the mobile robot moves towards the goal directly, unless it encounters an obstacle, in which case the robot explores the external lines of the obstacle until the motion to the goal is available again [8, 14]. Using sonar sensors, the mobile robot faces the unknown obstacle during the motion to the goal. Once it encounters an obstacle as indicated in figure 2, it goes around the obstacle in clockwise sense (default), and then determines the leave point by calculating the distance between the current position and the goal position, G, during travelling around the object. The leave point is the closest point around the obstacle to the goal. Then, the robot determines the shortest path to this closest point in order to reach the leaving point, and changes or keeps its direction of the wall following according to the shortest path to return to the leave point. Next, the robot goes to the leave point and departures the obstacle towards G along a new line. When it faces the second obstacle, the same procedure is applied. This method is inefficient but guarantees that the mobile robot is able to arrive any reachable goal point, [1].

2.2. DistBug Algorithm Some Bugs algorithms such as DistBug algorithm originate from Sankaranarayanan's Alg1 and Alg2 [7, 8]. They use different data structures to store the hit and the leave points together with some useful information about the followed path [12, 18].

Figure 4. Path generated by DistBug. In this algorithm, the robot has a maximum detection whose range is R and it has two basic behaviors which are boundary-following and motion-to-goal actions. Firstly, the robot moves through G until it faces an obstacle. Then, its boundary-following action is activated in the clockwise sense (default). During the boundary following, the robot records the minimum distance, dmin(G), to G achieved since the last hit point. The robot also senses the distance in free space, F, which is a distance of an obstacle from the robots location, X, in the direction of G. If no obstacle is sensed, F is set to R. The robot leaves the obstacle boundary as indicated in figure 4 only when the path to G is clear or the equation, d(X, G) F dmin(G) Step, is satisfied where d(X, G) is the distance from X to G, and Step is a predefined constant, [6].

Figure 2. Path generated by Bug1 The algorithm Bug2 is a greedy algorithm that the mobile robot follows a constant slope computed initially between the positions of S and G. The mobile robot maintains its motion to G unless the path on the slope is interrupted by an obstacle. If the robot faces it, the robot follows edges of the obstacle by using its sonar sensors in the clockwise sense until it finds its initial slope again. This property leads to shorter paths than Bug1s but in some cases the path may get longer than Bug1s, for example, maze searching [12, 17]. In figure 3, it is obvious that Bug 2s path is the shorter than Bug1s in figure 2.

3. Implementation
Generally the Bugs algorithms are published as pseudo code [4]. We have written them as C++ code executed in Linux platform using ARIA library [19] and used MobileSim simulator [13] which is compatible with real Pioneer mobile robots. The identical indoor-environment, which has 10m length, 8m width and two convex-shaped obstacles, is used for each of the Bugs algorithm as indicated in fig. 1 and fig. 5, and the map created by Mapper3 [13].

Figure 3. Path generated by Bug2

Figure 5. The environment simulated by MobileSim

62

YUFKA, A. and PARLAKTUNA, O.

During the implementation, the mobile robot updates its position and navigation data, uses its sonar sensors, moves towards the goal, and by wall-following or boundary-following, follows the edges of the unknown obstacle. In the simulation environment, the mobile robot uses the odometry to localize itself and to update its position and orientation data. Its important that the mobile robot refreshes its localization frequently in order not to pass over the hit and the leave points and also not to skip the slope discussed in the algorithm Bug2. Note that the localization of the mobile robot is perfect in the simulation whereas in the real world it is difficult to become the localization perfect. Some Bugs algorithms, as well as TangentBug [11-14] and DistBug, need range sensors whereas Bug1 and Bug2 do not [4]. Bug1 and Bug2 require tactile sensors, but in this study, the sonar sensors instead of tactile sensors are used to sense the environment and to manage the operations such as wall following and detecting the unknown obstacles. The most important task for the mobile robot is reaching the goal position, G, therefore, it tries to move towards G until it replans its motion according to the algorithm The obstacle detection and the wall following are implemented by using sonar sensors whose layout [16] is denoted in figure 6. The robot uses front sensors numbered as 1, 2, 3, 4, 5 and 6 to sense obstacles that block the path, and uses sidelong sensors numbered as 7, 8 for the boundary-following in the clockwise sense and 0,15 in the counter-clockwise sense.

8602.325267mm. The mobile robot has a velocity of 100 mm/s during the motion to goal. In this study, Bug1, Bug2, and DistBug are evaluated respectively. 4.1. Bug1 In the first step of the experiment, the mobile robot follows a path shown in Fig. 7 that is generated by Bug1. Evidently, this algorithm is the slowest one among the tested the Bugs algorithms but it guarantees the mobile robot to reach the reachable goal. The mobile robot visits every edge of the obstacle which it faces during its motion.

Figure 7. The path generated by Bug1. The path length travelled by the mobile robot is 29021.921497 mm. 4.2. Bug2 In the second step of the experiment, the mobile robot follows a path shown in figure 8 that is generated by Bug2. It is a very greedy algorithm that is willing to move away from the obstacle when it finds the initial slope, as well as S to G. The performance of Bug2 is better than the performance of Bug1 for the environment shown in fig. 1 and fig. 5. But in some cases, for instance, a maze searching; Bug2 loses its advantage upon Bug1. The mobile robot follows the slope as possible as it is able to be on it.

Figure 6. Sonar layout.

4. Experiments and Results


Three applications are carried out to compare the performance of each previously described the Bugs algorithm. In these applications, the environment given in figure 5 is used. The experiment is simulated on a Pioneer mobile robot, and managed by MobileSim simulator. An open source code named as ARIA is used to program the mobile robot. Figure 8. The path generated by Bug2. The mobile robot in the 2D surface has a local starting point, S, at (0, 0) point, and a goal point, G, at (7000, 5000). The shortest distance between S and G is The path length travelled by the mobile robot is 16193.656123 mm.

63

YUFKA, A. and PARLAKTUNA, O.

Table 1 Path lengths. 4.3. DistBug In the third step of the experiment, the mobile robot follows a path shown in Fig.9 that is generated by DistBug. This is the best one among the algorithms discussed in section 2. This algorithm provides the mobile robot to use its sensors efficiently so that it is capable of finding the shortest path whereas Bug1 and Bug2 are not. DistBug shortens the path significantly, and it is also able to do the actions both motion to the goal and the boundary following simultaneously under the sufficient conditions described in section 2.2. Path Length (mm) Bird's-eye view Bug1 Bug2 DistBug 8602.325267 29021.921497 16193.656123 12794.794053

Figure 9. The path generated by DistBug. The path length travelled by the mobile robot is 12794.794053 mm. 4.4. Performance Comparison of Bug1, Bug2, and DistBug In three applications, the summary of the paths and comparison of them is shown in figure 10.

Figure 11. Path lengths travelled by the mobile robot. Using Bug1s algorithm shows that it is the slowest one among discussed algorithms. It is a disadvantage for Bug1 but it has a guarantee just as other Bugs algorithms to reach the goal unless the goal is unreachable. Bug 2 is better than Bug1 for the discussed environment. DistBug algorithm proves that it is the best one compared with Bug1 and Bug2. Its path length is almost close to the length of Birds eye-view because DistBug algorithm uses information coming from range sensors, through with sonar sensors, efficiently.

5. Conclusion and Proposals


In this study, based on empirical data, a performance comparison among Bug1, Bug2, and DistBug algorithms is implemented. The application is carried out on a Pioneer robot providing the simulation environment by MobileSim. In order to compare the algorithms, one identical environment is used. The results show that Bug1 is the worst one whose path length is approximately 3.37 times longer than the path length of the Bird-eyes view and DistBug is the best one whose path length 1.49 times longer than the path length of the Bird-eyes view. The future work will include different environments to test the performances of the Bugs family and it must contain at least three of other Bugs algorithms which are Alg1 [8], Alg2 [7], Class1 [9], Rev1 [10], Rev2 [10], OneBug [4], LeaveBug [4], TangentBug [11-14] and so on [4] in order to extend the study. After implementing these, the algorithms should be tested on real pioneer robots to see

Figure 10. Paths for Bug1, Bug2 and DistBug respectively. The experimental data obtained from each Bug1, Bug2 and DistBug algorithms is given in table 1 and these also charted in figure 11.

64

YUFKA, A. and PARLAKTUNA, O.

the effects of the real world whether these algorithms work or not.

References
[1] Maria Isabel Ribeiro, Obstacle Avoidance, 2005 [2] V. Lumelsky and T. Skewis, Incorporating range sensing in the robot navigation function, IEEE Transactions on Systems Man and Cybernetics, vol. 20, pp. 1058 1068, 1990. [3] V. Lumelsky and Stepanov, Path-planning strategies for a point mobile automaton amidst unknown obstacles of arbitrary shape, in Autonomous Robots Vehicles, I.J. Cox, G.T. Wilfong (Eds), New York, Springer, pp. 1058 1068, 1990. [4] James Ng and Thomas Brunl, Performance Comparison of Bug Navigation Algorithms, J Intell Robot Syst, Springer Science 50:7384 DOI 10.1007/s10846-007-9157-6, 2007. [5] Lumelsky, V.J., Stepanov, Dynamic path planning for a mobile automaton with limited information on the environment, IEEE Trans. Automat. Contr. 31, 1058 1063, 1986. [6] Kamon, I., Rivlin, E., Sensory-based motion planning with global proofs, IEEE Trans. Robot. Autom.13, 814822, 1997. [7] Sankaranarayanan, A., Vidyasagar, M., Path planning for moving a point object amidst unknown obstacles in a plane: a new algorithm and a general theory for algorithm development, Proc. of the IEEE Int. Conf. on Decision and Control 2, 11111119, 1990. [8] Sankaranarayanan, A., Vidyasagar, M., A new path planning algorithm for moving a point object amidst unknown obstacles in a plane, Proc. of the IEEE Int. Conf. Robot. Autom. 3, 19301936, 1990. [9] Noborio, H., A path-planning algorithm for generation of an intuitively reasonable path in an uncertain 2-D workspace, Proc. of the JapanUSA Symposium on Flex. Autom. 2, 477480, 1990. [10] Noborio, H., Maeda, Y., Urakawa, K., A comparative study of sensor-based path-planning algorithms in an unknown maze, In Proc. of the IEEE/RSI Int. Conf. on Intelligent Robots and Systems 2, 909916, 2000. [11] Kamon, I., Rivlin, E., Rimon, E., TangentBug: a range-sensor based navigation algorithm, J. Robot. Res. 17(9), 934953, 1998. [12] Evgeni Magid and Ehud Rivlin, CAUTIOUSBUG: A Competitive Algorithm for Sensory-Based Robot Navigation, Proceedings of 2004 IEEE/RSJ international Conference on Intelligent Robots and Systems, Sendal - Japan, September 28 October 2, 2004. [13] Mobile Robots Inc, ActivMedia Robotics, LLC, http://www.mobilerobots.com/, 2008. [14] CHOSET, Howie , LYNCH, Kevin M. ,HUTCHINSON, Seth , KANTOR, George A. ,BURGARD, Wolfram , KAVRAKI, Lydia E. ,and THRUN, Sebestian , Principles of Robot Motion : Theory, Algorithms, and Implementations, The MIT Press, 5 Cambridge Center, 1st Edition, pp. 17 38, 2005. [15] Steven M. LaValle, Planning Algorithms, University of Illinois, pp. 182 186, 2003. [16] Xinde Li, Xinhan Huang, and Min Wang, Robot Map Building from Sonar and Laser Information using DSmT with Discounting Theory, International Journal of Information Technology Volume 3 Number 2, 2006.

[17] Vladimir Lumelsky and Sanjay Tiwari, An Algorithm for Maze Searching with Azimuth Input, IEEE, 10504729/94$ 03.000, 1994. [18] Y. Horiuchi and H. Nohorio, Evaluation of Path Length Made in Sensor-had Path-Planning with the Alternative Following, In Proc. IEEE ICRA'O1, pp. 909.916, 2001. [19] MobileRobots, Advanced Robotics Interface for Applications (ARIA) Developer's Reference Manual, Ver. 2.5.1, http://robots.mobilerobots.com/, 2008.

65

5. Uluslararas leri Teknolojiler Sempozyumu (ATS09), 13-15 Mays 2009, Karabk, Trkiye

DZENL DZAYNLI GENETK ALGORTMALAR LE OK AMALI PROGRAMLAMA MULTIOBJECTIVE PROGRAMMING VIA UNIFORM DESIGNED GENETIC ALGORITHMS
TEA 13.letim Tesis Ve letme Grup Mdrl, Elaz, Trkiye, E-posta: gursubaris@hotmail.com b Frat niversitesi Elektrik-Elektronik Mhendislii Blm, Elaz, Trkiye, E-posta: mcince@firat.edu.tr
a, *

Bar GRSUa, * ve Melih Cevdet NCEb

zet
Pareto optimalitesi, ok amal programlamann balca yaklamlarndan biridir. Daha ok Pareto-optimal zmleri bulmak istenildiinde, karar vericiye eitli uzlalm zmler sunmak amacyla Pareto snrlar zerinde dzgn olarak dalmlar bulmak ta istenilir. Bu almada bu ama iin dizayn edilen Genetik Algoritma(GA)da dzenli dizilerin referansnda zm uzayna dzgn dalm balang populasyonu retilmitir. Ayrca Pareto optimal zmleri aramak iin GA da kullanlan yeni bir aprazlama operatr de tantlmtr. Pareto snrlar zerinde dzgn dalm zmleri bulmak iin, oklu uygunluk fonksiyonlar da tanmlanm, her bir uygunluk fonksiyonu arlklar verilerek normalize edilmitir. Bylece ama uzaynda ynlendirme yaplmtr. Dzenli dizaynn rehberliinde oluturulan GA nn ok amal programlama problemlerine uygulama rnekleri verilmi, standart rassal GA ile karlatrlarak literatrde sunulan yntemin baars gsterilmitir. Anahtar kelimeler: Genetik Algoritmalar, ok Amal Programlama, Pareto-Optimal zm, Uniform Dizi, Dzenli Dizayn.

1. Giri
ok amal matematiksel programlama, oklu amalarn ayn zamanda gereklemesinin dnld bir yoldur. Gerek hayattaki problemler ounlukla birden ok ama ierir[1]. Gnmz koullarnda tek bir amac optimize etmek yetmemekte, ayn anda birok amacn optimizasyonu gerekmektedir. elien amalar optimum klan tek bir zm bulmak olanaksz olabilir. Bunun yerine her amacn nem derecesini temel alan uzlak zmler bulunmaktadr[2]. Tek amal optimizasyon problemlerinde ama fonksiyonunun optimum deeri tektir. Dier yandan, ok amal optimizasyon problemleri ok sayda maksimizasyon ve minimizasyon karmak ynl amalarn her ikisine de sahip olabilirler. ok amal programlamada en iyi zmlerden oluan Pareto-optimal zmlerden bahsedilir. Pareto optimalitesi, ok amal programlamann balca yaklamlarndan biridir[3-7]. ok amal problemlerde amalar birbirleriyle zt ya da ok farkl, amalarn snrlar da birbirinden ok farkl olmas sebebiyle optimal zme genellikle ulalmaz. nk, btn ama fonksiyonlarnn ezamanl olarak optimum durumu hemen hemen imkanszdr[8]. ok amal programlama problemlerinde, Pareto snrlar zerindeki her zm, uzlak bir zmdr. Karar verici, Pareto snrlar zerindeki, gereksinimleri yerine getirecek kabul edilebilir uygun zm seer[9].

Abstract
Pareto-optimality is one of the major approaches to multiobjective programming. While it is desirable to find more Pareto-optimal solutions, it is also desirable to find the ones scattered uniformly over the Pareto frontier in order to provide a variety of compromise solutions to the decision maker. In order to realize this aim, an initial population that is uniformly scattered in solution space with the referation of uniform arrays is produced via GA. A new crossover operator that is used in GA is also presented to search Pareto-optimal solutions. To find the solutions scattered uniformly over the Pareto frontier, multiple fitness functions are defined and each of fitness functions are normalized by using weights. Thus, directing is made in the objective space. We give the application examples of multiple programming problems of GA by guiding of uniform design and show the success of the method in literature by comparing standard random GA. Algorithms, Multiobjective Keywords: Genetic Programming, Pareto-Optimal Solution, Uniform Array, Uniform Design.

2. Dzenli Dizayn
Dzenli dizaynn temel amac, verilen noktalar kmesinden kk bir noktalar kmesi rneklemektir. Elektriksel bir olayn, 4 nicelie bal olduunu farz edelim. Bu 4 nicelik, deneyin faktrleri olarak adlandrlr. Eer her faktr olas 20 deere sahipse, her faktrn 20 seviyesi var demektir. 4 Bu durumda, 20 =160000 tane seviyelerin kombinasyonu vardr. Burada en iyi kombinasyonu bulabilmek iin 160000 tane deney yapmak gerekecektir. Tm bu deneyleri yapmak mmkn olmadndan ya da ok pahal olacandan, deneylerin kk fakat temsili bir rnei semek istenilir. Dzenli dizayn bu ama iin gelitirilmitir. U(n,q)=[Ui,j]qxn, Ui,j, i.kombinasyonda j.faktrn seviyesidir[10]. 2.1. Dzenli Diziler Dzenli dizi, n stun sayl, q satr sayldr. Ui,j aadaki denklem (1) deki gibi kurulur. n faktr, q seviyeyi temsil eder.Her faktrde q seviyeleri vardr.
U i, j = (i j1 ) mod(q ) + 1

(1)

IATS09, Karabk niversitesi, Karabk, Trkiye

66

Grsu, B. ve nce, M.C.

Tablo 1. Farkl Faktr ve Seviye Saylar in Parametresi Her Faktrn Seviyelerinin Faktr Says Says 5 2-4 2 7 2-6 3 11 2-10 7 2 5 13 3 4 4-12 6 17 2-16 10 2-3 8 19 4-18 14 2, 13-14, 20-22 7 23 8-12 15 3-7, 15-19 17 2 12 3 9 4-7 16 29 8-12, 16-24 8 13-15 14 25-28 18 2, 5-12, 20-30 12 31 3-4, 13-19 22 rnek 1. 3 faktrl ve 5 seviyeli dzenli bir dizi aadaki gibi kurulur. =2dir. U1,1=(121-1)mod(5)+1=2 U2,1=(221-1)mod(5)+1=3 2-1 U1,2=(12 )mod(5)+1=3 U2,2=(222-1)mod(5)+1=5 3-1 U2,3=(223-1)mod(5)+1=4 U1,3=(12 )mod(5)+1=5 U3,1=(321-1)mod(5)+1=4 U4,1=(421-1)mod(5)+1=5 2-1 U4,2=(422-1)mod(5)+1=4 U3,2=(32 )mod(5)+1=2 U3,3=(323-1)mod(5)+1=3 U4,3=(423-1)mod(5)+1=2 1-1 U5,1=(52 )mod(5)+1=1 U5,2=(522-1)mod(5)+1=1 3-1 U5,3=(52 )mod(5)+1=1 2 3 5 3 5 4 (2) U ( 3 ,5 ) = 4 2 3 5 4 2 1 1 1

h i (x) =

fi (x) max y { f i ( y) }

(3)

,o anki populasyondaki noktalar kmesidir ve hi(x) normalize edilmi ama fonksiyonudur. Bu almada oklu uygunluk fonksiyonlar kullanlmtr ve her bir uygunluk fonksiyonunda arlklandrlma yaplr. Arlklar dzenli dizilerden elde edilir.w=(w1, w2, wM) olmak zere w1+ w2+ wM=1 dir. w, arlk vektrdr. U i, j w i, j = (4) U i,1 + U i, 2 + ...U i, M
uygunluk i = w i,1 h1( x ) + w i,2 h 2 ( x ) + ... + w i,M h M ( x ) (5)

rnek 2. M(faktr)=3 ve D(seviye)=5 alnarak U(3,5); (2) de hesaplanmtr. Arlklar ve 5 adet uygunluk fonksiyonu (4) ve (5) denklemlerine gre aadaki gibi bulunur. 2 3 5 uygunluk 1= h1 ( x ) + h 2 ( x ) + h 3 ( x ) 10 10 10 3 5 4 uygunluk 2= h1 ( x ) + h 2 ( x ) + h 3 ( x ) 12 12 12 4 2 3 uygunluk 3= h1 ( x ) + h 2 ( x ) + h 3 ( x ) 9 9 9 5 4 2 uygunluk 4= h1 ( x ) + h 2 ( x ) + h 3 ( x ) 11 11 11 1 1 1 uygunluk 5= h1 ( x ) + h 2 ( x ) + h 3 ( x ) 3 3 3 3.2. Dzenli Dizi le Balang Populasyonu retimi Seviye says arttka dzenli diziyi hesaplamak fazla zaman almaktadr. Ayrca literatrde en fazla 37 seviyeli dzenli dizi hesaplanabilmektedir. Hem bu sebepten hem de zamandan kazanmak iin, zm uzay kk alt uzaylara blnr ve her alt uzayda dzenli dizi uygulanr. S alt uzay says olmak zere, 2, 22, 23,gibi seilir. [l,u] zm uzay, [l(1),u(1)], [l(2),u(2)],[l(S),u(S)] alt uzaylarna blnr. Algoritma 1. zm Uzaynn Blnmesi Adm1. a=l ve z= u alalm. log 2 S adet en byk zm uzay snrlar, zs=(as+zs)/2 ilemine tabi tutulur. Adm2. i = z i a i ve n i = ( u i li ) / i tm i=1,2,.N iin hesaplanr. N, problemin boyutudur. 1 ji n i olmak zere; l(k ) = l + (( j1 1)1, ( j2 1) 2 ,...( jN 1) N ) (6) u (k ) = l + ( j , j ,... j ) 1 1 2 2 N N alt uzaylar hesaplanr. Her bir alt uzay Q0 seviyeleri iinde kuantalanr. j =1 li (k ) u (k ) l (k ) i 2 j Q 1 (7) i, j (k ) = li (k ) + ( j 1) i 0 Q 1 0 u ( k ) j = Q0 i Kuantalamadan sonra tekrar dzenli dizi formu uygulanr. (j=1,2Q0) Her bir uygunluk fonksiyonunda SQ0 adet

3. ok Amal Programlama in Dzenli Dizaynl Genetik Algoritma


Min f1(x), f2(x), f3(x),fM(x) ok amal programlama problemini ele alalm. Burada x=(x1, x2, x3,..xN) zmleri bir kromozom olarak alnr. xi, [li,ui] zm uzaynda aranr. l=(l1, l2,.lN) ve u=(u1, u2,.uN) dir. M ama fonksiyonu says, N problemin boyutudur. ok amal programlamada, ama uzaynda, Pareto snrlar zerinde dzgn olarak dalm kromozomlar kmesini GA yardmyla bulmak hedefimizdir. 3.1. Dzenli Dizi le Arlklandrlm oklu Uygunluk Fonksiyonlar Ama uzaynda Pareto snrlar zerinde dzgn dalml zm kmesini bulabilmek iin, oklu uygunluk fonksiyonlar tanmlanm ve bu uygunluk fonksiyonlarna dzenli dizayn uygulanmtr. ncelikle, her bir ama fonksiyonu aadaki gibi normalize edilir.

67

Grsu, B. ve nce, M.C.

nokta deerlendirilir ve en iyi

G / D0 veya

G / D0

noktalar seilir. Toplamda G sayda nokta seilmi olur. Algoritma 2. Balang Populasyonu retilmesi Adm 1.Algoritma 1 e gre [l,u] zm uzay, [l(1),u(1)], [l(2),u(2)],[l(S),u(S)] S alt uzaylarna blnr. Adm 2.(7) denklemine dayanarak her bir alt uzay kuantalanr ve sonra Q0 noktalarn rneklemek iin U(N,Q0) dzenli dizisi uygulanr. Adm 3.Her bir uygunluk fonksiyonuna dayanarak Adm 2 de retilen SQ0 noktalarnn her birinin kalitesi deerlendirilerek en iyi G / D 0 veya G / D0 noktalar

1.kromozom 17.5 2.kromozom 25 3.kromozom = 32.5 4.kromozom 40 5.kromozom 10

35 50 27.5 42.5 20

65 56.25 47.5 38.75 30

Her bir alt uzaydan Q0 kadar kromozom elde edilir. Balangtaki toplam kromozom says=SQ0 =45=20dir. Adm 3. rnek 2 de elde edilen uygunluk fonksiyonlarnn birincisinden G / D0 =2, dier 4 uygunluk fonksiyonundan

G / D0 =1

er olmak zere toplam G=6 nokta balang

seilir. Balang populasyonunu oluturmak iin SQ0 noktalar arasndan toplam G sayda nokta seilmi olunur. rnek 3. 3 boyutlu bir problem dnelim. 10 x1 40 , 20 x 2 80 , 30 x 3 100 olsun. zm uzay, [l,u]=[(10,20,30),(40,80,100)] olur. S=4, Q0=5, D0=5, G=6 seelim. Algoritma 1 uygulanarak zm uzay aadaki gibi 4 alt uzaya blnr. ve Adm 1. z2=(80+20)/2=50 log 2 4 =2dir. z3=(100+30)/2=65 olarak hesaplanr. a=l=(10,20,30) ve z=(40,50,65) olur. Adm 2. 1 = ( 40 10) = 30 , 2 = (50 20) = 30 , 3 = (65 30) = 35
n1 = ( 40 10) / 30 = 1 , n 2 = (80 20) / 30 = 2 n 3 = (100 30) / 35 = 2 j1=1 j2=1,2 j3=1,2

populasyonunu oluturmak iin seilir. Her bir uygunluk fonksiyonunda, tm kromozomlar(bu rnek iin 20) arasndan en iyi noktalar( G / D 0 ya da G / D0 adet) seilir. 3.3. Dzenli Dizi le aprazlama Herhangi iki ebeveyni p1=(p1,1, p1,2,.p1,N) ve p2=(p2,1, p2,2,p2,N) olarak alalm. [lebeveyn, uebeveyn] denklem (8) deki gibi tanmlanr. l ebeveyn = [min(p1,1 , p 2,1 ), min(p1,2 , p 2,2 )......min(p1, N , p 2,N )] (8) u ebeveyn = [max(p1,1 , p 2,1 ), max(p1,2 , p 2,2 )......max(p1, N , p 2, N )] [lebeveyn, uebeveyn], Q1 seviyeleri iinde denklem (9) daki gibi kuantalanr. j =1 min(p1,i , p 2,i ) p p 1,i 2,i i, j = min(p1,i , p 2,i ) + ( j 1) 2 j Q1 1 (9) Q1 1 j = Q1 max(p1,i , p 2,i ) Kuantalamadan sonra problem boyutuna eit ya da ondan kk bir F faktr says seilir. 1<k1<k2<.<kF-1 olacak ekilde k1, k2,kF-1 saylar seilir. f1 = ( x 1 ,....x k ) 1 f = ( x ,....x k ) 2 k1 +1 2 (10) .... f F = ( x k F1 +1 ,....., x N ) Kuantalanan noktalar, f1, f2,.fF e gre, U(F,Q1) dzenli dizisi formuna uygulanr. Algoritma 3. aprazlama Adm 1. [lebeveyn, uebeveyn] denklem (8) e gre oluturulur ve denklem (9) a gre kuantalanr. Adm 2. 1<k1<k2<.<kF-1 olacak ekilde k1, k2,kF-1 saylar seilir ve denklem (10) a gre F faktrleri oluturulur. Adm 3.Muhtemel Q1 yavrular oluturmak iin U(F,Q1) dzenli dizisi uygulanr. rnek 4. 5 boyutlu ok amal programlama problemini ele alalm. 2 ebeveyn birey; p1=(7.5, 4.7, 2.3, 2.5, 1) ve p2=(2.7, 0.2, -1.2, 7.5, 6.7) olsun. Bu ebeveylerin zm uzay (8) denklemine dayanarak;[lebeveyn, uebeveyn]=[(2.7, 0.2, -1.2, 2.5, 1), (7.5, 4.7, 2.3, 7.5, 6.7)] eklinde bulunur. Denklem (9) a dayanarak; 1=(2.7, 3.9, 5.1, 6.3, 7.5);

l(1)=(10,20,30)+((1-1)30,(1-1)30,(1-1)35)=(10,20,30); u(1)=(10,20,30)+(130,130,135)=(40,50,65) l(2)=(10,20,30)+((1-1)30,(1-1)30,(2-1)35)=(10,20,65); u(2)=(10,20,30)+(130,130,235)=(40,50,100) l(3)=(10,20,30)+((1-1)30,(2-1)30,(1-1)35)=(10,50,30); u(3)=(10,20,30)+(130,230,135)=(40,80,65) l(4)=(10,20,30)+((1-1)30,(2-1)30,(2-1)35)=(10,50,65); u(4)=(10,20,30)+(130,230,235)=(40,80,100) Her bir alt uzay denklem (7) ye gre kuantalanr. Burada [l(1),u(1)] in kuantalamasn rnekleyelim. Dier alt uzaylarn da kuantalamas benzer ekilde yaplr. 1,1=l1(1)=10 1,2=10+(2-1)(40-10)/(5-1)=17.5 1,3=10+(3-1)(40-10)/(5-1)=25 1,4=10+(4-1)(40-10)/(5-1)=32.5 1,5=40 2,1=l2(1)=20 2,2=20+(2-1)(50-20)/(5-1)=27.5 2,3=20+(3-1)(50-20)/(5-1)=35 2,4=20+(4-1)(50-20)/(5-1)=42.5 2,5=50 3,1=l3(1)=30 3,2=30+(2-1)(65-30)/(5-1)=38.75 3,3=30+(3-1)(65-30)/(5-1)=47.5 3,4=30+(4-1)(65-30)/(5-1)=56.25 3,5=65 Problem, 3 boyutlu(faktr) ve seilen Q0=5 olduundan 5 seviyelidir. Kuantalamadan sonra (2) de elde edilen dzenli dizi formu uygulanr. Her bir alt uzayn kuantalamasndan sonra 3 (N) boyutlu 5 (Q0) adet kromozom elde edilir. 1.alt uzayn kuantalamasndan elde edilen kromozomlar aadaki gibidir:

68

Grsu, B. ve nce, M.C.

2=(0.2, 1.325, 2.45, 3.575, 4.7); 3=(-1.2, -0.325, 0.55, 1.425, 2.3); 4=(2.5, 3.75, 5, 6.25, 7.5); 5=(1, 2.425, 3.85, 5.275, 6.7) bulunur.k1=1, k2=3, k3=5 alrsak, f1=(x1), f2=(x2, x3), f3=(x4, x5) eklinde 3 faktr elde edilir. (2) de elde edilen U(3,5) dizisi lara uygulanarak aprazlama neticesinde yeni yavrular elde edilir. 0.55 7. 5 6.7 1.yavru 3.9 2.45 2.3 6.25 5.275 2.yavru 5.1 4.7 3.yavru = 6.3 1.325 0.325 5 3.85 4.yavru 7.5 3.575 1.425 3.75 2.425 5.yavru 2.7 0.2 2. 5 1 1. 2 3.4. Dzenli Dizaynl Genetik Admlar Algoritma alma

Tablo 2. Dzenli Dizaynl GA Giri Parametreleri Giri Parametre Deerleri Populasyon says Maks. Generasyon say. M, F S D0, Q0, Q1 D1 Mutasyon Olasl Program icra says 100 50 2 8 5 7 0.01 40

Adm 1.Balang Populasyonu retimi Adm 1.1 (1) denklemine dayanarak U(M,D0) ve U(N,Q0) dzenli dizilerini kur. Adm 1.2 (4) ve (5) denklemlerine ve U(M,D0) a dayanarak D0 uygunluk fonksiyonlarn olutur. Adm 1.3 Balang Populasyonunu retmek iin Algoritma 2 yi uygula. Adm 2.Populasyon Evrimi Durdurma art salanmyorsa alttaki adma ge, durdurma art salanyorsa dur. Adm 2.1 aprazlama: i.uygulamada, i.uygunluk fonksiyonuna dayananarak seilen en iyi bir ebeveyn ile rasgele seilen baka bir ebeveyne Algoritma 3 uygulayarak aprazlama yap. aprazlama ilemi D1 kez yaplr. Adm 2.2 Mutasyon: Pgen de her bir kromozom pm olasl ile mutasyona uratlr. Bir kromozoma mutasyon uygulamak iin, rasgele, bir j [1, N ] tamsays ve
r [l j , u j ] reel says retilir. Sonra yeni bir kromozom elde

(a)
0

-5

-10

etmek iin, seilen kromozomun j.bileeni r ile yer deitirir. Adm 2.3 Seme: Pgen deki kromozomlar ve aprazlama ve mutasyonla retilen kromozomlar arasndan bir sonraki generasyon iin en iyi ya da G / D0

-15

-20

G / D 0 kromozomlarn

semek

iin

D0

uygunluk

-25

fonksiyonlarnn her biri ele alnr. Seilen kromozomlarn toplam says G dir. Adm 3.4. Generasyon saysn 1 artr. Adm 3.5 Adm 2 ye git[11].

-30

2.2

2.4

2.6

2.8

3 f1(x)

3.2

3.4

3.6

3.8

(b)
0

4. Uygulamalar
-5

Burada 2 test problemi iin hem dzenli dizaynl GA, hem de standart rassal GA nn pareto optimal zmlerini bulma baarlar gsterilecektir. Rassal GA da populasyon, maksimum generasyon ve mutasyon olasl dzenli dizaynl GA ile ayndr. 40 ar kez altrlan programlarda 3 er sonu gsterilmitir. Test Problemi 1.

-10

-15

-20

Minimize Minimize aralik1 aralik 2

f1 ( x ) = 2 x1 f 2 ( x ) = x1 (1 x 2 ) + 5 1 x1 4 20 x 2 10

-25

-30

2.2

2.4

2.6

2.8

3 f1(x)

3.2

3.4

3.6

3.8

(c) ekil 1.Birinci Test Problemi in Dzenli Dizaynl GA ile Pareto-Optimal zmler(a-b-c)

69

Grsu, B. ve nce, M.C.

Minimize Test Problemi 2. Minimize aralik 1 aralik 2

f1 ( x ) =

1 x12 x12 + x 22 + 1 + 3x 2 2 + 1

f 2 (x) = 3 x1 3 5 x2 5

(d)

(a)

(e)

(b)

(f) ekil 2.Birinci Test Problemi in Rassal GA ile ParetoOptimal zmler(d-e-f) Birinci test problemi iin, ekil 1. dzenli dizaynl GA ile, ekil 2. de rassal GA ile bulunan Pareto optimal zmlerini gstermektedir. Standart rassal GA ile karlatrldnda, literatrde nerilen dzenli dizaynl GA nn daha anlaml Pareto-optimal zmleri bulduu ve bu zmlerin Pareto snrlarnda daha dzgn dald grlmektedir. nerilen arlklandrlm oklu uygunluk fonksiyonlar tm Pareto snrlarna doru arama rehberlii yapmtr. Dzenli dizaynl GA ile ortalama 140 (137-141140) Pareto-optimal zm bulunmuken, Standart rassal GA ile ortalama 32 (35-31-32) Pareto-optimal zm bulunmutur. Hem Pareto optimal zm saysnn fazla olmas hem de bu zmlerin Pareto snrlarnda daha dzgn dalmas dzenli dizaynl GAy stn klmaktadr.

(c) ekil 3.kinci Test Problemi in Dzenli Dizaynl GA ile Pareto-Optimal zmler(a-b-c) ekil 3. ikinci test problemi iin dzenli dizaynl GA ile, ama uzaynda bulunan Pareto optimal zmlerini gstermektedir. Ortalama 98 (104-94-95) Pareto optimal zm bulunmutur. Bu zmler, Pareto snrlar zerinde dzgn dalmldr. Grld gibi, ok amal programlamada, amalarn snrlar da birbirinden farkl olabilmektedir. Tm amalar, kendi snrlar ierisinde ve

70

Grsu, B. ve nce, M.C.

birlikte salayan tek bir zm yerine, uzlak zm denilen Pareto-optimal zmleri, dzgn dalml olarak ve sayca daha ok olarak bulabilmek istenendir. Ama, karar vericiye en iyi ve en ok alternatif zmler sunmaktr.

5. Sonular
Bu almada, ok amal programlamada Pareto snrlar zerinde dzgn dalm Pareto-optimal zmlerini bulmak iin dizayn edilen bir GA tantlmtr. Dzenli dizilerden faydalanlarak ileyi mant oluturulan bu GA da oklu uygunluk fonksiyonlar kullanlmtr. Bylece Pareto snrlar zerinde dzgn dalml zmleri bulabilmek iin ynlendirme yaplmtr. Ayrca Paretooptimal zmlerini aramak iin iyi bir balang populasyonu ve yeni bir aprazlama operatr de dzenli dizayn mantyla tanmlanmtr. Dzenli dizaynl GA ve standart rassal GA, iki test probleminin zm iin snanmtr. Dzenli dizaynl GA ile hem ok daha fazla sayda hem de Pareto snrlar zerinde ok daha dzgn dalml zmler bulunduu sonulardan grlmtr. Bylece karar vericiye, hem daha fazla sayda hem de daha eitli uzlalm zmler sunulmutur. eitliliin artmasyla karar vericinin tercihini belirlemesi kolaylaacaktr. Yntemin, her alandaki ok amal programlama problemlerine uygulanabilecei ve iyi bir performans sergileyecei dikkatlere sunulmutur.

(d)

Kaynaklar
[1] Kubeyzi,.,ok Amal Lineer Programlamada Dualite Teorisi, Y.T..,Fen Bilimleri Enstits,49 syf., 2006. [2] Uur, B.G., ok Amal Bulank Transport Probleminin Genileme Prensibiyle zlmesi, Y.T..,Fen Bilimleri Enstits, 104 syf., 2006. [3] Chan, T.M., Man, K.F., Kwong, S., Tang, K.S., A Gene Paradigm for Evolutionary Jumping Multiobjective Optimization, IEEE Transactions on Evolutionary Computation, Vol.12,No.2,143-159, 2008. [4] Grosan, C., Abraham, A., Exploration of Pareto Frontier Using a Fuzzy Controlled Hybrid Line Search, IEEE Seventh International Conference on Hybrid Intelligent Systems, 366-371, 2007. [5] Ho, S.L., Yang, S., Ni, G., Incorporating A Priori Preferences in a Vector PSD Algorithm to find Arbitrary Fractions of the Pareto Front of Multiobjective Design Problems, IEEE Transactions on Magnetics, Vol.44, No.6, 1038-1041, 2008. [6] Yong, Y., Yong-Quan, L., Multi-Issue Negotiation Research Based on Niched Co-Evolutionary Genetic Algorithm, Eight ACIS International Conference on Software Engineering, Artificial Intelligence, Networking, and Parallel/Distributed Computing, 564569, 2007. [7] Zhang, L.B., Zhou, C.G., Xu, X.L., Sun, C.T., Liu, M., Multi-Objective Evolutionary Algorithm Based on MaxMin Distance Density, IEEE, 312-315, 2006. [8] Umarusman, N., ok Amal Karar Problemlerinde Duyarllk Analizi ve Bulank Mantk likisi:De Novo Programlama Uygulamas, Dokuz Eyll niversitesi, 2007. [9] Kksoy, O., Hocaolu, G.,Multi-Objective Optimization Solutions to the Taguchis Problem, G.U., Journal of Science, 18/(4):613-626, 2005. [10] Grsu, B., nce, M.C.,Balang Populasyonu Dzgn Dalml Bir Genetik Algoritma,Galatasaray niversitesi,28.YA/EM Ulusal Kongresi,stanbul, 2008. [11] Leung, Y.W., Wang, Y., Multiobjective Programming Using Uniform Design and Genetic Algorithm, IEEE Transactions on Systems, Man and Cybernetics-PartC:Applications and Reviews, Vol.30, No:3, 2000.

(e)

(f) ekil 4.kiinci Test Problemi in Rassal GA ile ParetoOptimal zmler(d-e-f) ekil 4 ikinci test problemi iin standart rassal GA ile, ama uzaynda bulunan Pareto optimal zmlerini gstermektedir. Standart rassal GA ile ortalama 23 (26-2320) Pareto optimal zm bulunmutur. ekil 3 ve ekil 4 karlatrldnda dzenli dizaynl GA ile Pareto snrlar zerinde daha dzgn dalml ve sayca da yaklak 5 kat daha fazla Pareto-optimal zmler elde edilmitir. Bylece karar vericiye, daha fazla sayda ve daha dzgn dalml alternatif zmler sunulmutur.

71

5. Uluslararas leri Teknolojiler Sempozyumu (IATS09), 13-15 Mays 2009, Karabk, Trkiye

GENETK ALGORTMA KULLANILARAK MALYET TABANLI BLGSAYAR KONGFRASYONU BELRLEME DETERMINING COST BASED PC CONFIGURATION USING GENETIC ALGORITHM
a

Mehmet GK a ve Cevdet GLOLU b,*


Karabk niversitesi, Fen Bilimleri Enstits, Karabk, Trkiye, E-posta: mgok@karabuk.edu.tr b, * Karabk niversitesi, Tasarm ve Konstrksiyon Anabilim Dal, 78050, Karabk, Trkiye E-posta: cgologlu@karabuk.edu.tr

zet
Gnmzde kiisel bilgisayar konfigrasyonlar genel olarak donanm tabanl olarak yaplmaktadr. rnein ilemci, anakart vb. bileenler belirlenmekte ve sonrasnda maliyet hesab yaplmaktadr. Ancak bu durum mterileri birok alternatiften uzak tutmakta ve zengin konfigrasyonlar elde edilemeyebilmektedir. Ayrca donanm tabanl konfigrasyon oluturma ilemi donanm alternatifleri arttka gleecek ve uzun zaman alacaktr. Bu almada Genetik Algoritma (GA) kullanlarak maliyeti verilmi olan bir bilgisayar konfigrasyonunun farkl alternatiflerle ksa zamanda elde edilmesi zerinde durulmutur. Bu amala GENOEM adnda bir bilgisayar yazlm gelitirilmitir. Anahtar kelimeler: Genetik Algoritma (GA), Kiisel bilgisayar konfigrasyonu, Eniyilenim.

bilgisayar firmalarnn stoklar ile snrl olup ok hzl bir ekilde maliyet odakl konfigrasyon oluturma seenekleri sunmamaktadr. Bu almada Genetik Algoritma (GA) kullanlarak, maliyeti verilmi olan bir bilgisayar konfigrasyonunun farkl alternatiflerle ksa zamanda elde edilmesi zerinde durulmutur. Bu amala GENOEM adnda bir bilgisayar yazlm gelitirilmitir. Gelitirilen bilgisayar yazlm gml veritaban ile stok bilgilerini tutmakta ve GA yardm ile bilgisayar konfigrasyonlarn belirlemektedir. Yazlmn kullanc arabirimi stok bilgilerinin kolaylkla girilmesini ve gncellenebilmesini salamaktadr. Geriye kullancya kalan tek bir butonla genetik algoritmay altrlmak ve hesaplama sonularn grmektir.

2. Yazlmn Gelitirilmesi
Yazlmn gelitirilmesi iin gl grsel bileen desteine sahip C++ Builder 2007; veritaban eriimi iin ZEOS veritaban eriim nesneleri kullanlmtr. Yazlm tarafndan kullanlan gml veritaban ise ak kaynak kodlu SQLite veritabandr. Yazlm gelitirme srecinin ilk basanda bilgisayar bileenlerinin tutulaca izelgeler belirlenmi ve veritaban tasarm yaplmtr. Ardndan yazlm gelitirme ortamnda stok bilgilerinin girilecei ve gncellenecei kullanc arabirimi gelitirilmitir. Son olarak yazlma kullancnn GA ile konfigrasyon hesaplamas yaptrd blm ile arabirim tamamlanmtr. 2.1. Veritaban Tasarm Stok bilgilerinin ynetilmesini salayan veritabann tasarm iin SQLite Administrator adl ak kaynak kodlu yazlm kullanlmtr. Tasarlanan veritaban bilgisayar konfigrasyonunu oluturan bileenlerin ayr ayr tutulduu yedi izelge iermektedir. Bu izelgeler ilemci, anakart, bellek, sabit disk, ekran kart, kasa ve ekran izelgeleridir (ekil 1). Bu izelgeler, tasarmn sade ve anlalabilir olmas asndan en gerekli alanlarla oluturulmutur. rnein ilemcileri tutan izelgede GA tarafndan kullanlan fiyat ve ilemci-anakart uyumluluunun kontrol edildii form alanlar zorunlu alanlar olup ilemci adl alan ilemciye ait bilgilendirme alandr (ekil 2). Her bir izelgede yer alan ortak alanlardan biri olan kimlik alan otomatik artan tipinde bir alan olup bileene zel kimlik numaralar tutmaktadr. Tasarlanm olan yazlmdan her bir bileene eriim bu kimlik numaralar ile salanmaktadr. Dier bir ortak alan stok adl alan olup bileenin stokta olup olmadnn kontrol iin kullanlmaktadr. Gelitirilen yazlmn GA icrasnda ihtiyaca gre deiebilen uzunlukla

Abstract
Today personal computer configurations are generally constituted based on hardware components. For example processor, motherboard, etc. are selected and then cost of this configuration is calculated. But in this case customers cannot see many other alternatives and rich configurations cannot be formed. In addition, it would be hard to make component based configuration when there many component alternatives and would take too much time. In this paper, obtaining a personal computer configuration at a desired cost in a short time using Genetic Algorithm (GA) is considered. Computer software called GENOEM has been developed for this purpose. Keywords: Genetic Algorithm (GA), Personal computer configuration, Optimization.

1. Giri
Gnmzde kiisel bilgisayar konfigrasyonlar genel olarak donanm tabanl olarak yaplmaktadr. rnein ilemci, anakart vb. bileenler belirlenmekte ve sonrasnda maliyet hesab yaplmaktadr. Ancak bu durum mterileri birok alternatiften uzak tutmakta ve zengin konfigrasyonlar elde edilemeyebilmektedir. Ayrca donanm tabanl konfigrasyon oluturma ilemi donanm alternatifi arttka gleecek ve uzun zaman alacaktr. Baz bilgisayar firmalar gelitirdikleri bilgisayar konfigrasyonu toplama sihirbazlar ile bu olumsuzluun nne gemilerdir. Ancak bu tr uygulamalar da

IATS09, Karabk niversitesi, Karabk, Trkiye

72

Gk, M. ve Glolu, C.

kromozom yaps kullanldndan istendiinde veritabanna farkl bileenler iin izelge eklenmesi ve yazlmn hzl olarak gncellenmesi kolaylkla yaplabilmektedir.
lemciler GENOEM.DB Ekranlar

olarak kullanlacak bileenler gncelleme arabiriminden bamsz olarak getirilir. Arabirimden bamsz veri getirilmesinin nedeni sadece stokta olan ve uygun zelliklere sahip bileenlerin genetik algoritma hesaplanmasnda kullanlacak olmasdr.

GENOEM.DB
Anakartlar SQLITE Veritaban Ekran Kartlar

SQLITE Veritaban

Bellekler Sabit Diskler

Kasalar

lemciler

Anakartlar

Bellekler

ekil1. Veritaban yaps

...

ekil 2. lemciler izelgesinin yaps 2.2. Kullanc Arabirimin Gelitirilmesi Kullanc arabiriminin gelitirilmesinde en nemli aama veritaban balantsnn gerekletirilmesi ve izelgedeki bilgilere eriimin salanabilmesidir. Veri tabanna eriim iin uzun zaman alan ve ynetimi zor olan kod yazma yntemi yerine tasarm aracna yklenen ZEOS veritaban eriim bileenleri (nesneleri) kullanlmtr. Bu bileenler SQLite dahil birok veritabanna nesne tabanl yaklam ile eriim imkan salamaktadr. Tasarlanan yazlmn veritaban dosyasna (Genoem.db) balant iin TZConnection (balant) bileeni kullanlmtr [1]. Bu bileen yazlmn veritabanna balanmakta ve dier ilem bileenleri iin bir ortak bir yol amaktadr. Stoun her bir izelgesindeki bilgilerin getirilmesi ve ynetimi iin ayr ayr TZQuery (sorgu) bileenleri kullanlmtr. Her bir sorgu, ilikili olduu izelgedeki bilgileri bellekte tutmaktadr. rnein ilemci sorgusu, ilemcilere ait bilgileri veritabanndaki ilemci izelgesinden getirmekte ve bu bilgileri bellekte tutmaktadr. Bu bilgiler, TDataSource (veri kayna) bileenleri yardmyla veri bilinli denetimlere aktarlmaktadr. Sz konusu veri bilinli denetimlerden ilki TDBGrid (Izgara) bileenidir. Bu bileen, bilgilerin izelge halinde grntlenmesini ve dzenlenmesini salamaktadr. Dieri ise veri satrlar ile ilgili ilemlerin (kaydetme, silme vb.) yaplmasn salayan TDBNavigator (gezgin) bileenidir (ekilo3). TZConnection, TZQuery ve TDataSource bileenleri sadece tasarm annda grlmekte ve tasarmn hzlca yaplmasn salamaktadr. Yazlm altktan sonra bu bileenler grnmezken verilerin gncellenmesini salayan TDBGrid ve TDBNavigator nesneleri kullanc arabiriminin bir paras olarak kullancya gzkr. GA almadan nce salt okunur sorgular (TZReadQnlyQuery) yardmyla da girdi

TZConnection (Balant) TDBGrid (Izgara)

TZQuery (Sorgu)

TDataSource (Veri Kayna)

TBNavigator (Gezgin)

ekil 3. Veritabanndan gelen bilginin veri eriim nesneleri arasnda ak ve kullanlan eriim nesneleri 2.3. Kromozom Yapsnn Oluturulmas Gelitirilmi olan yazlmda her bir kromozom stokta tutulan bilgisayar bileenlerinin oluturduu bir konfigrasyon olarak dnlmtr. Problemin zm iin kullanlan kromozom yapsnn oluturulmasnda ikili kodlama (Binary Encoding) yntemi kullanlmtr [2]. ekil 4te bilgisayar bileenlerinin bu kromozoma yerleimi grlmektedir.
Ekranlar Kasalar Ekran Sabit Bellekler Anakartlar lemciler Kartlar Diskler

ekil 4. Kromozom yaps Stoktaki bilgisayar bileeni says deiebileceinden bu kromozomun uzunluu girdi saylarna gre deitirilmektedir. rnein 8 adet INTEL markal ilemci varken ilemci iin gereken bit says 3 iken stok izelgesinden 10 adet ilemci bu deer 4 olacaktr. 10 adet ilemci var iken 4-bitlik kodlamadan kaynaklanan 15e kadar olan girdi deerleri ile karlalabileceinden kromozomdaki alellerin onlu tabana (decimal) dnm sonrasnda aralk dnm fonksiyonu kullanlmaktadr (1) [3, 4].

BN = 1 + decimal( BIK )

BA 1 2b 1

(1)

Denklem (1)de verilen fonksiyonda BN, ikili kodun karlk geldii bileen numarasn; BIK, bileenin ikili kodunu; BA

73

Gk, M. ve Glolu, C.

ise stoktaki bileen adedini belirtmektedir. zmden kullanlan kromozomun programlama dilinde ifade edilmesi iin zel tip tanml C++ yaps (struct) kullanlmtr (ekil 5). typedef struct { unsigned short *gen; int uygunluk; } TKromozom ; ekil 5. Kromozomun kullanc tipi olarak tanmlanmas ekil 5te verilen kromozom tipi yapsndaki gen tanm iaretsiz ksa tamsay gsterici (pointer) tipindedir. Gen tanmnn bu ekilde yaplmas, gereken bit says kadar genin bellekten istenmesi ve hesaplama bittiinde tekrar bellee iade edilmesini kolaylatrmaktr [5]. Genetik algoritmann almas srasnda her bir kromozom dinamik olarak bellekte oluturulmakta ve ardndan gereken bit says kadar gen bellekten istenmektedir (ekil 6). Bellekten yer ayrma ilemi iin C++ new operatr kullanlmtr. TKromozom *birey = new TKromozom; birey->gen = new unsigned short[toplamBit]; birey->uygunluk = 0; ekil 6. Kromozomun bellekten istenmesi ve genler iin bellekten yer ayrlmas Genler iin gereken toplam bit saysnn hesab iin ncelikle her bir bilgisayar bileenin adedi iin gereken ikili bit says ayr ayr hesaplanp sonrasnda toplama ilemi yaplmaktadr. Bu toplama ilemi sonucu toplamBit adl deikene atanmaktadr. Bu noktada gen says iin gereken bit says kullancnn kullanc arabiriminde setii platform tipine ve stoktaki rnleri saysna baldr. rnein kullanc, yazlmn arabiriminde AMD tipinde platform setiinde AMD marka ilemci ile beraber bu ilemci markas ile uyumlu anakartlar bellekten getirilmektedir. Daha sonra stoktaki dier bileenler getirilmekte ve kromozom uzunluu iin gereken bit says hesab yaplmaktadr (ekil 7). 2.4. Bileenlerin Bellekte Tutulmas Gereken koullar salayan bilgisayar bileenleri salt okunur sorgu bileenleri (TZReadonlyQuery) yardmyla veritabanndan gerildikten sonra her bir bileen kendi iin tanmlanm yaplar (structs) yardmyla GA uygunluk fonksiyonunun kullanaca parametrelerle beraber listelere alnr. Bahsedilen parametrelere (fiyat, form vb.) sorgu nesnesi ile direkt ulalabilmesine ramen liste yntemi tercih edilmitir. nk uygunluk fonksiyonunun her hesaplannda diske veri eriimi yaplmakta ve bu da hz nemli lde drmektedir. Disk eriimi yerine sadece gereken parametrelerin tutulduu bellek listelerine eriim ile uygunluk fonksiyonunun alma hz artrlmtr. Bileenler listelere alnmadan nce sadece gerekli parametrelerle ayr bir bellek alanna yerletirilmekte ve ilgili olduu listeye gsterici (pointer) adresleri yardmyla eklenmektedir. Her bir bileen trnn listesi TList tipindeki liste snflar aracl ile tutulmaktadr. Her bir bileen tipi iin de gerekli parametreleri ieren yaplar (struct) tanmlanmtr.

Bala

Platform tipini se

INTEL

AMD

Stoktaki INTEL lemcileri getir.

Stoktaki AMD lemcileri getir.

Stoktaki INTEL uyumlu Anakartlar getir.

Stoktaki AMD uyumlu Anakartlar getir.

Stoktaki dier bileenleri getir. Her bir bileen says iin gerekli bir saylarn ayr ayr hesapla. Her bir bileen iin gerekli Bit saylarn topla ve toplamBit Deikenine ata.

Dur

ekil 7. Bileenlerin veritabanndan getirilmesi ve kromozom uzunluu hesabna ilikin ak emas rnein bir ilemci iin gereken parametrele fiyat ve formdur. Maliyet hesaplanrken ilemcinin fiyat; seilen anakartla pin uyumluu olup olmadn kontrol iin ise form parametresi kullanlr. Bu noktada marka parametresine ihtiya duyulmamaktadr nk bir nceki basamakta kullanc platform tipini seerken markay zaten belirlemitir. Anakart bileeninin gerekli parametreleri fiyat, DDR2, DDR3, formdur ve VGAdr (ekil 8). DDR2 ve DDR3 alanlar anakartlarn bellek uyumluluunun testi iin kullanlmaktadr. u an sadece DDR2, sadece DDR3 ve her iki bellek tipini destekleyen anakartlar satlmaktadr. Anakarta ait bu parametreler seim (check) alanlar yardmyla kullanc arabiriminden kolayca ayarlanabilmektedir. Anakarta ait form alan ilemci pin uyumluluunun kontrol iin kullanlmaktadr. VGA alan ise anakartta tmleik grafik biriminin olup olmad kontrol edilmektedir. Eer anakarta tmleik grafik birimi var ise optimum maliyet ekran kart olmakszn yaplmaktadr. Bu durumda kullanc arabirimindeki bilgilendirme alan yardmyla kullanc bilgilendirilmektedir. Bellek bileeni ise fiyat ve tip alanlarn iermektedir. Bellein tip alan yardmyla anakarta ait bellek uyumluluu kontrol yaplmaktadr. Dier bileenlerin bellee alnmas iin ise sadece fiyat alan kullanlmtr. typedef struct { int fiyat; bool DDR2; bool DDR3; bool VGA; String form;} TAnakart; ekil 8. Anakart bileeninin gereken alanlarla beraber bellekte tutulmas iin oluturulmu yap (struct).

74

Gk, M. ve Glolu, C.

2.5. Genetik Algoritmann Uygunluk Fonksiyonu Bu almada uygunluk fonksiyonu, her bir kromozomun ifade ettii maliyet deerinden hedef maliyet deerini kardktan sonra farkn mutlak deerini hesaplamaktadr. Bu alma ekliyle uygunluk fonksiyonunun grevi en kk deeri aramak olarak ifade edilebilir [6]. Kullanlan uygunluk fonksiyonu, kendisine parametre olarak gnderilen kromozomunun bellek adresi yoluyla kromozoma ulamakta ve uygunluk deerini hesaplayp kromozomun uygunluk deeri alanna hesaplama sonucunu yazmaktadr. Uygunluk fonksiyonu hesaplamay yaparken ilk olarak kromozomu oluturan paralarn ikili deerlerini onluk deere evirir. evrilmi olan bu ondalk deerleri aralk dnm fonksiyonu kullanarak geerli indis deerleri haline getirir. Bu sayede 10 ilemci olan bir stokta ondalk dnm sonrasnda 12 deerine sahip bir indisin ortaya kmas engellenir. Daha sonra bu indis deeri yardmyla nceden bellee alnm olan bileen listesinden ilgili elemann fiyat ve parametreleri alnr. Bu ilem kromozomu oluturan her bir bilgisayar bileeni iin tekrarlanp toplam maliyet deeri hesaplanr. Bu toplam maliyet deeri hedef maliyet deerinden karlr ve farkn mutlak deeri alnr. Bu aama sonrasnda anakartta tmleik grafik biriminin olup olmad kontrol yaplmaktadr. Eer anakarta tmleik grafik birimi var ise toplam fiyattan ekran kart fiyat karlarak optimum maliyet hesab yaplmaktadr. Bu durumda kullanc bilgilendirme alan ile uyarlmaktadr. Bu noktada elde edilen sonu kromozomun uygunluk alanna atanr. Kromozomun ifade ettii bilgisayar konfigrasyonundaki bileenlerin birbirine uyumlu olup olmad bu admdan sonra kontrol edilmektedir. Bu kontrollerden ilki ilemci pin saysnn ve anakarttaki ilemci soketinin pin saysnn karlatrlmasdr. Bu kontrol iin her iki bileenin de yapsnda form alanlar tanmlanmtr. Bu almada kullanlan veritabannda bulunan INTEL ilemcilerde ve uyumlu anakartlarda iki soket tipi vardr. Bunlar LGA775 ve LGA1366 formlardr. Ayn ekilde AMD ilemci ve uyumlu anakartlarda ise AM2 ve AM2+ ilemci formlar bulunmaktadr. Uygunluk fonksiyonu anakart ve ilemci pin saylarnn uyumsuz olmas sonunda kromozomun uygunluk deerine olas bir konfigrasyonunun en yksek maliyet deerinden daha byk bir deer atamaktadr. Bu almada bu deer 10000 olarak seilmitir. Bylece ilgili kromozom (konfigrasyon) yksek bir uygunluk deeri almaktadr. kinci uyumsuzluk kontrol ise anakart ile uyumlu bellek tipleri zerinde yaplmaktadr. Eer kromozomdaki bellek ile anakartn bellek tipi uyumsuz ise yine ilgili kromozomun uygunluk deeri alanna yksek bir uygunluk deeri atamas yaplmaktadr (ekil 9).

Bala Kromozomun bellek adresi deerini al. Kromozomdaki ikili deerleri ondalk tabana evir. Aralk uygunlatrma fonksiyonu ile geerli indis deerlerini hesapla. Bellekte tutulan bileenlerin bilgilerini hesaplanan indisler yardmyla getir. Toplam maliyeti hesapla.

Anakartta Tmleik VGA Var m? E

Toplam maliyetten ekran kart fiyatn kar. Uygunluk deerini ata.

Anakart ile lemci uyumlu mu? H

Anakart ile bellek uyumlu mu? H

Son

Uygunluk deerine 10000 deerini ata.

ekil 9. Uygunluk fonksiyonun almasna ilikin ak emas 1/PB < Mutasyon Oran < 1/KB (2)

Denklem (2)de PB, poplasyon boyu ve KB ise kromozom uzunluunu ifade etmektedir. Buna gre mutasyon orannn en kk deeri 1/85*100 1,17 olmaktadr. Genetik algoritmann seim operatr olarak turnuva seim yntemi kullanlm ve turnuvaya giren eleman says 4 olarak seilmitir [8]. Balang durumundaki zmler kmesinin kromozomlar ve her bir jenerasyondaki kromozomlara eriim iin TList snflar kullanlmtr. TList snf ile tanml listeler kromozomlarn bellek adreslerini tutmakta ve sonraki hesaplamalar iin eriim kolayl salamaktadr. Ayn ekilde her bir jenerasyon da bellek adresleri yoluyla TList snf ile tanml bir jenerasyonlar listesinde tutulmaktadr. Hesaplamann her balangcnda bu bileenlere ait listeler, kromozom listeleri ve jenerasyon listesi boaltlmaktadr. Stoktaki bileenler tekrar son halleri ile getirilmekte ve bellee bir liste eklinde yerletirilmektedir. Kromozom iin gereken bit says tekrar hesaplanrken kullanc arabiriminde balang durumuna dnlmektedir. Ardndan balang durumuna ait zmler hesaplanmakta ve genetik algoritma dngsne geilmektedir [3]. yazlmda kullanc bilgisayar Gelitirilmi olan bileenlerinin tutulduu stoklar gncelledikten sonra platform seimi yapmakta ve hedef maliyeti girip hesapla butonuna tklamaktadr (ekil 10). rnek alma iin 4000

3. Genetik Algoritmann almas


GAnn hesaplanmasnda kullanlan poplasyon deeri 85 ve jenerasyon says 100 olarak seilmitir. Poplasyon deerinin bu ekilde seilmesinin nedeni veritabanndaki rn adedinin ekran kart ve bellek alanlarnda 90 amasdr. Bu ekilde balang durumunda mmkn olduu kadar farkl bileenin zmler kmesine dhil edilmesi amalanmtr. Genetik algoritmann aprazlama oran %35 ve mutasyon oran ise %1,17 seilmitir. Mutasyon orannn hesaplanmasnda Bck [7] tarafndan verilen eitsizlik kullanlm ve mutasyon orannn en kk deeri alnmtr.

75

Gk, M. ve Glolu, C.

dolarlk AMD tabanl bir bilgisayar konfigrasyonunun hesaplanmas istenmektedir.

ekil 10. stenen platform ve maliyete gre konfigrasyon hesaplama Genetik algoritma dngs tamamlandktan sonra kullanc arabiriminden alr liste kutusu yardmyla her bir jenerasyona ait kromozomlara, uygunluk deerlerine ve her bir kromozomun ifade ettii bilgisayar konfigrasyonu bilgisine kolaylkla ulalabilmektedir (ekil 11).

ekil 13. rnek almaya ait genetik zm grafii

4. Sonu ve neriler
Gelitirilmi olan uygulama yazlm ortalama bilgisayar konfigrasyonlar maliyetlerine yakn hedef maliyetler seildiinde yksek baarm ile konfigrasyonlar oluturabilmektedir. Yazlm bu haliyle maliyet tabanl konfigrasyon oluturma zm olarak nerilebilir. Ancak yksek maliyetli hedef deerler seildiinde zmn bulunmas zorlamaktadr. Bu durumda hesaplama ileminin ardl olarak yaplmas gerekebilmektedir. Tmleik VGA birimine sahip anakartl konfigrasyonlarda yksek fiyatl ekran kartlar konfigrasyonlar iinde yer alabilmektedir. Ayrca ayn uygunluk deerine sahip farkl muhtemel konfigrasyonlarn ynetimi yazlmn bu srmnde yaplmamtr. Yazlmn bir sonraki srmnde bu durumlarn ynetilmesini kolaylatracak eklemeler yaplmas dnlmektedir.

ekil 11. Jenerasyonlar ve jenerasyondaki bireylerin uygunluk deerleri ekil 11de grld gibi zme (hedef maliyete) 373 dolarlk bir yaklamla sonu bulunmutur. Bu zme ilikin bilgisayar konfigrasyonu ekil 12de grlmektedir. ekil 13te ise zme ilikin minimum, maksimum ve ortalama deerlerin gsterildii grafik grlmektedir. Bu grafie gelitirilmi olan yazlmn Grafik sekmesinden eriilebilmektedir.

Kaynaklar
[1] Cant, M., Mastering Delphi 6, Sybex Publishing, 536540, 2001. [2] Sakawa, M., Genetic Algorithms and Fuzzy Multiobjective Optimization, Kluwer Academic Publishers Boston / Dord recht / London, 15-16, 2001. [3] Gen, M., Cheng, R., Genetic Algorithms and Engineering Design, Wiley Publishing, 8-9, 1997. [4] Altunkaynak, B., Esin, A., The Genetic Algorithm Method For Parameter Estimation In Nonlinear Regression, G.. Fen Bilimleri Dergisi, 17(2), 43-51, 2004. [5] Deitel, H. M., C++ How to Program, Fifth Edition, Prentice Hall, 550-552, 2005. [6] Saruhan, H., Genetic Algorithms: An Optimization Techique, Teknoloji, 7(1), 105-114, 2004. [7] Bck, T., Optimal Mutation Rates in Genetic Search, Proceedings of the 5th International Conference on Genetic Algorithms, 2-8, 1993. [8] Gologlu, C., A metaheuristic based self-reasoning system for assembly sequence automation in CIM, Beykent University, Journal of Science and Technology, 2(1) 99-114, 2008.

ekil 12. rnek alma sonunda elde edilen konfigrasyon

76

5. Uluslararas leri Teknolojiler Sempozyumu (IATS09), 13-15 Mays 2009, Karabk, Trkiye

TRAFK PARAMETRELERNN ELDE EDLMES N YEN BR YNTEM YAKLAIMI A NOVEL METHOD APPROACH TO OBTAIN OF TRAFFIC PARAMETERS
KOU, Teknik Eitim Fakltesi, Makina Eitimi Blm, Otomotiv ABD, Umuttepe, Kocaeli, Turkey, acavdar@kocaeli.edu.tr, ikaslan@kocaeli.edu.tr b GYTE, Bilgisayar Mhendislii Blm, Grnt leme Laboratuar, Gebze, Kocaeli, Turkey, aliiskurt@gyte.edu.tr
a,*

Ali AVDAR a,*, Ali SKURT b, brahim KILIASLAN a

zet
Trafik gvenlii ve planlamas iin yaplan almalardan en nemlilerinden biriside trafik hz ile ilgili almalardr. Bir blgedeki veya noktadaki trafie ait tat says, hz ve takip mesafeleri ile ilgili almalar o blgedeki trafik aknn ne tr bir zellie sahip olduu ile ilgili birok bilgi iermektedir. Bununla birlikte, hz etd almalar ok pahal, zaman alc ve zel olarak eitimli personelle yaplan almalar olduu iin ounlukla zorunlu hallerde yaplmaktadr. Bu almada, hem trafikteki tat, src ve yol gvenliinin salanmas hem de trafik, yol ve alt yap projelerinde zamandan tasarruf edilmesi ve maliyetin azaltlmas iin gerek artlarda ki trafie ait anlk parametrelerin elde edilmesini salayan yeni bir yntem gelitirilmitir. Bu yntem ile trafikteki tatlarn, anlk hzlar, ortalama hzlar ve saylar elde edilebilmektedir. Trafikte hareket eden tatlarn saylar, hzlar ve takip mesafeleri gibi parametrelerin elde edilmesi iin Matlab programnn grnt ileme modl altndaki simulink algoritmas istediimiz grnt ve yol artlarna uygun kodlar yazlarak yeniden tasarlanmtr. Ayrca, elde edilen trafik grntlerinin doru bir ekilde ilenmesi iin video kamera grntlerindeki tatlarn hareket yrngelerine bal olan bir n model oluturulmutur. Uygulama blgesi olarak seilen, stanbulun Unkapan kprsne ait trafik grntleri analiz edilerek istenilen parametrelerle ilgili veriler elde edilmitir. Sonu olarak, gerek artlardaki trafik ile ilgili nemli verilerin elde edilmesini salayacak bir yntem tasarlanmtr. Anahtar Kelimeler: Trafik parametreleri, Matlab simulink, Grnt ileme yntemi

enhanced tracking simulink model is developed for a true capture of vehicle trajectories. A new geometric model of perspective camera is designed according to camerahighway positions for that true capture. Practically, video from coming three traffic lanes from two regions of Istanbul are processed and valuable results are obtained. Looking at these results, acceleration or deceleration of these instantaneous traffic movements (number of vehicles and speed) increase the importance of this research in a great amount. As a consequence, a novel method for gathering the instantaneous parameters on reel time which produces reliable results in an easy and robust way have been developed. Keywords: Traffic parameters, Matlab simulink, image processing method

1. Giri
Trafik parametreleri bir blgedeki trafik aknn ne tr bir zellie sahip olduu ile ilgili birok bilgi iermektedir. Bu sebeple, hz etd sonular trafik planlamas ve gvenlii ile ilgili almalarda kullanlan temel veri kaynaklarndan birisi olmasna ramen ok pahal, zaman alc ve bu konuda zel olarak eitilmi personellerle yaplmas gereken ilerdir [1]. Bunun iin son zamanlarda zaman ve para tasarrufunun salanmas ve istenilen trafik parametrelerinin elde edilmesi iin grnt ileme yntemi kullanlmaya allmaktadr [2]. Her alanda kullanlmaya balanan bu yntem ile video ve kamera grntleri yeni gelitirilen analiz programlaryla ilenebilmekte ve istenilen parametreler geerli bir gvenilirlik dzeyinde elde edilebilmektedir [3]. Karayolu ulam iin video grntsne dayal bu tr sistemlerin uygulamas, hem src, tat ve yol gvenlii hem de parametrelerinin llmesi ve toplanmas iin ok nemlidir. Sadece bilimsel aratrmalar iin kullanlmazlar, ayn zamanda trafie duyarl kontrol gibi amalar iinde o andaki anlk bilgileri salayabilirler. Video grntlerinin ilenebilme zelliklerinden dolay normalde elde edilemeyen veya elde edilmesi iin ok pahal olan birok trafik parametresinin llebilme potansiyeline sahiptir [4]. Hlihazrda, hem ticari olarak hemde deneysel cihazlar olarak kullanlan birok grnt sistemi mevcuttur [5-13]. Bu sistemlerin birou trafik verilerinin toplanmas iin kullanlmakta ve sadece otoyol trafii ve dier basit trafik artlar iin gelitirilmitirler. Hem trafik hareketinin hznn hemde ynnn etkin olarak llebilir olmas trafik ynetimi iin ok nemlidir. Byle bilgiler sadece trafik durumunun daha iyi deerlendirilmesine izin vermez ayn zamanda src

Abstract
Speed researches involve valuable information about what types of properties traffic has in a particular region. However, these researches are very expensive, time consuming and are carried on by qualified specialists. In this study, a novel approach is developed for collecting instantaneous parameters of reel time traffic run in order to provide time and monetary saving at projects of traffic arrangement. This approach, aims to measure the instantaneous velocities of vehicles, average velocities in a certain time-window, numbers of vehicles and follow up distances on micro scale instead of averaged data on macro scale. Image and video processing simulink packet of MATLAB toolbox is adapted according to our parameters and conditions in this research. Moreover, code for additions to that toolbox is written and an
IATS09, Karabk niversitesi, Karabk, Trkiye

77

avdar, A., skurt, A., ve Klaslan, .

davranlarn da anlamaya yardm ederek trafik kontrolnn etkisinin artrlmasn salamaktadrlar. Video grntleri; olay, yer ve zaman bileenlerinin oluturduu karmak bir veriyi temsil etmektedir. Bu karmak yapnn analizinden oluacak sonularn eitlilii video grntlerinin ilenmesine verilen nemi ve gsterilen ilgiyi gn getike arttrmaktadr. Hareket halindeki boyutlu bir nesnenin zamana gre, uzaydaki ardk izgisel ve asal konumlarndan yararlanarak hareketin takip edilmesi kontrol uygulamalar asndan son derece nemlidir. Video analizindeki nemli aamalardan biride video geilerinde hareketli cisimlerin tespit edilmesidir. Grnt ilemenin birok deiik uygulamas mevcuttur. Hareketli nesnelerin tespit edilmesi birok alanda olduu gibi trafik aknn, hacminin, hznn ve takip mesafelerinin kontrol gibi durumlarda da nem kazanmaktadr [14]. Trafikteki tatlarn hareketleri analiz iin temel alnrken, bu hareketler sonucu retilmi olan; hzlanma, yavalama, yakn takip, yksek hz, ar younluk gibi hareket aamalarn oluturulmaktadr [15]. Hareket verilerine doru ulaabilmek ise veriye ait grntdeki ilgili nesnenin ekil ve konum bilgilerinin minimum hatayla tespit edilmesini gerektirmektedir [16]. Grntde aranan nesnenin doru ve hatasz bulunmas ya da cisim hareketinin hassas tespit edilmesi cismin gerek eklini de ortaya karmaktadr [17]. Gnmze kadar yaplan hareket analizi yntemlerini ana grupta incelemek mmkndr. Bunlar; blok tabanl hareket analiz yntemi, piksel tabanl hareket analiz yntemi ve blge tabanl hareket analiz yntemidir [18]. Bu almada, video grntlerinin kaplad alann tamam amacmz iin kullanlmamtr. Bu nedenle analiz iin kullanlacak yol resminde yolun snrlar veya leklendirmeleri belirlenmitir. Yolun sol-alt, sol-st, saalt ve sa-st keleri belirtilerek drtgen bir ilgi blgesi oluturulmutur. ekil 1de grld gibi oluturulan bu blgeler geli, gidi ynleri ve her yndeki tm eritler iin incelenen hareket blgesi; Geli iin A(x1,y1), B(x2,y2), C(x3,y3), D(x4,y4) gidi iin C(x3,y3), D(x4,y4), E(x5,y5) ve F(x6,y6) yol ke noktalar ile snrlandrlmtr. Bu ilgi blgesinin geli ve gidi yn ierisindeki her o(m,n) noktas, ekil 1de gsterilen l1, l2, l3 ve l4 dorular iin; doru denklemlerinde l1(m,n) 0, l2(m,n) 0, l3(m,n) 0 ve l4(m,n) 0 eitsizliklerini salamak zorundadr.

olmaktadr. Tatlar, birbirini takip eden resimlerdeki yerleri arasndaki mesafeye gre birer hareket vektr retmektedir. Baz durumlarda, tek bir tata ait olduu tespit edilen bir drtgen (kapan), kenar zayflamas nedeniyle oluan kopma sonucunda iki ayr drtgen olarak veya birbirine ok yakn giden tatlar tek bir drtgen olarak alglanabilmektedir. Bu tr problemler btn video grntleri incelenerek giderilmeye allmtr. nceden beri tek bir tatm gibi gelip, sonradan ikiye blnen ve ardndan tekrar birleen tat yrngeleri, iki tat hareketi olarak dnlmtr. Buna karlk yakn takipteki iki tat, kamera as sayesinde belli bir sre sonra ayrlmaya balayarak hareketine ayr ayr devam ederse, bunun aslnda iki yakn tat olduuna karar verilmektedir. Tat hareketinin balang noktasndan biti noktasna kadar geen zamanda, balang grnt karesinde bulunan tatn yrngesi, biti grnt karesindeki hangi tatn hareket yrngesine karlk geldii bilgisini devam eden birleik yrnge veya yrnge as sisteminden elde edilmitir. Trafikteki tatlarn hz bilgilerinin yan sra gerek artlarda ki anlk parametrelerin elde edilmesi iin mevcut bir grnt ileme algoritmas istenilen yol ve artlara bal olarak dzenlenerek yeni bir yntem gelitirilmitir. Bu yntem, trafikteki tatlara ait anlk ve ortalama hzlarn, tat saylarnn ve takip mesafelerinin elde edilebilmesini amalamaktadr. Bunun iin Matlab paket programnn grnt ileme modlne ait simulink algoritmas istediimiz artlara ve parametrelere uygun olarak leklendirilerek yeniden tasarlanmtr. ncelikle grntleri doru bir ekilde ilemek iin bir n model, yol artlarna ve kamera asna gre llendirmeler ve gerekli ara yazlmlar yaplarak, stanbulun Unkapan kprsndeki gelen yndeki eritler ilenmi ve istenen veriler elde edilmitir.

2. Trafik Grntleri Ve Grnt leme Yntemi


Materyal olarak kullanlan video kamera grntleri stanbulun Unkapan kprsndeki 12.00-01.00 saatleri arasndaki trafie ait 3er dakikalk grntler kullanlmtr. Trafik grntlerinin elde edilmesi iin kullanlan video kameralarla tek bir noktadan kayt yaplmtr. ekil 1de yol kenarna sabit olarak konulandrlan video kamera sistemi grlmektedir. Uygulama blgesi olarak seilen Unkapan kprs gelen ynde te giden ynde olmak zere alt eritlik bir otoyoldur. Bu almada sadece gelen yndeki erit ilenerek analiz edilmitir. 2.1. Grnt leme Yntemi le Veri Toplama Tek bir kamera grntlerin den elde edilen iki boyutlu veriler (tat saylar, hzlar ve takip mesafelerini) yani boyutlu dnyaya ait olan gerek verileri elde etmek iin perspektif kamera modeli kullanlmtr. Perspektif kamera modelinde derinlik bilgisi kayb kesindir. Uzaktaki cisimlerin kkl, paralelliin kayb gibi olumsuzluklardan sonra gerek hayata ait kesitler iki boyuta indirgenebilmektedir. Bu kayplarn stesinden gelerek gerek hayata ait verilerin elde edilmesi iin parametrelerin doru saptanmas veya iki kamerayla allmas gerekmektedir. Tek kamera olduunda ise bu almada olduu gibi baz kabullerin yaplmas gereklidir.

ekil 1. Unkapan kprsnn yol snrlarnn grnts ncelenen videolardan elde edilen tm veriler, her grnt iin bir matriste tutulmaktadr. Bu matrislerin diziliminde ayn tata ait tm veriler ayn stunda yer almaktadr. Bylece herhangi bir tata ait veriye ulamak daha kolay

78

avdar, A., skurt, A., ve Klaslan, .

2.2. Tatlarn Hareket Yrngelerine Gre Tespiti Unkapan kprsndeki gelen ynndeki eritlerin incelenmesi iin dier alanlar filtre edilmitir. Bunun iin median bir filtre ile fon lm yaplp iki film karesi birbirinden kartlarak hareket vektrleri elde edilmitir. ekil 2deki gibi fon bilgisi videodan kartldnda geriye kalan cisimler beyaz, duran cisimler siyah olarak gsterilmitir. ekil 3de grld gibi ise hareket eden tatlar kapan yntemi olarak ifadelendirilen bir yntemle kare veya dikdrtgen bir kutu iinde yakalanm olarak gsterimi salanmtr. Ancak ayn anda pek ok cisim hareket halinde olduu iin farkl eritlerin karkla sebep olmamas iin istenilen eritler incelenerek kaydedilmitir. stanbulun Unkapan kprsndeki trafik akna ait video kamera ile gzlemlenen grntlerdeki gelen yndeki eritin tat hareketleri ve parametreleri incelenmitir.

trafik grntsndeki eritlere ait istenilen parametrelerin elde edilmesi salanabilecektir.

ekil 4. Tat yrngesinin normale gre as 2.4. Tat Hzlarnn Elde Edilmesi ncelikle grntlerdeki hzlar bulunarak daha sonra anlk hzlarn elde edilmesi gerekmektedir. Bunun iin iki video karesindeki hareket eden cisimlerin merkezlerini bilmemiz yeterli olmaktadr. Merkezler x ve y eksenlerindeki farklar yer deitirmeleri verecektir. Bu deerler de rnekleme zamanna (1/30) blndnde kameradaki vx ve vy hzlar elde edilmi olmaktadr. vx_kamera = (X1-X2)*30 vy_kamera = (Y1-Y2)*30 (1) (2)

ekil 2. Hareket eden cisimlerin tespiti

Bu hzlar belirli bir bytme ile (perspektif kamera modeline gre) arplarak gerekte tatn Vx ve Vy bileenleri bulunmu olmaktadr. Ancak 3 boyutlu dnyada bir de kameraya doru gelen Vz bileenin de bulunmas ile gerek V hz vektrel toplam ile elde edilmi olmaktadr. V = Vx + Vy + Vz V = vx* A + vy* A + Vz 2.5. Gerek Anlk Hzn (V) Elde Edilmesi ekil 5de rnek bir grnt izleme modeli grlmektedir. ekil 5de gsterildii gibi kamera yola dz pozisyonda yerletirilmemitir. (3) (4)

ekil 3. Tatlarn tespiti iin kullanlan kapan yntemi 2.3. Tat Saylarnn Elde Edilmesi ekil 4de tatlara ait olan hareket yrngelerinin normale gre as grlmektedir. Tatlarn kameraya gre izledii yol alar birbirine gre paralellik gstermektedir. Tatlara ait olan birbirinden bamsz olarak elde edilen yrnge saylar bize tat saylarn vermektedir. Yrngelerin bazen srekli bir izgi eklinde olmamas sistemden veya tatlarn birbirlerini ok yakn bir ekilde takip etmesinden kaynaklanmaktadr. Fakat bu o kadar nemli bir olayda deildir. nk her tata ait bir yrnge olduu iin o yrngeye ait olan tat kesikli bir izgi demeti de olutursa sadece bir tatn hareketini simgelemektedir. Bu hareket yrngesine ait deerler kamerann yola uzakl ve as llerek tespit edilmitir. Yrnge alar sistem tarafndan bir n izlemeye tabi tutulduktan sonra her bir

ekil 5. rnek bir grnt izleme modeli Genel olarak hem daha fazla saydaki tatn ve trafik alannn grntlenmesi hem de kamerann yerletirilmesi

79

avdar, A., skurt, A., ve Klaslan, .

konusundaki skntlardan dolay videolardaki yollar kameraya dik deil de belli bir ayla gelmektedir. Her erit iin tatlar takip ettiimiz yol uzunluuna D dersek, bunun bir balang bir de son noktas olacaktr. D yol parasnn bann kameraya z ekseni boyunca uzakl Z dir. D ve Z gerek deerleri hesaplanarak bulunmutur. Bu mesafeler bulunurken, yol kenarlarndaki aydnlatma lambalarnn, erit iaretlerinin ve tatlarn uzunluklarna ait llendirmelerden yararlanlmtr. Hem D hem de Z kurulan matematiksel bir forml ierisine yerletirilerek Vz elde edilmitir. x, kameradaki tatnn orijine gre koordinat, Z, tatn kameraya z eksenine gre uzakl, X, tatn dnyada z eksenine uzakl, Kamera modelinde; x = f

Vz = V*sin() ve Vx = V*cos()* cos() olduundan V = vx*(Z + Z) / (f*cos()*cos() - K ) elde edilir.

(10) (11) (12)

Burada, F deeri bilinmekte ve vx daha nceden hesaplanmtr. Z hesaplanarak Z eksenine gre tatn dik uzakl bilgisi elde edilmektedir. Dolaysyla V gerek anlk hzlar elde edilebilir. Anlk hzlar yerine ise kapandaki toplam anlk hzlarn ortalamas alnrsa, bulunan tat merkezlerindeki kk dalgalanmalardan kaynaklanan hatalar azaltlm olur. Vort hz bylece elde edilmi olmaktadr. 2.6. Tat Takip Mesafelerinin Bulunmas ekil 3de iki beyaz izgi tatlarn yakalanmas iin kapan olarak kullanlmtr. Bu sayede o eritte yakalanan tm tatlarn deil de, sadece kapandaki tatlarn yakalanma sreleri elde edilmi olacaktr. Bir sonraki tatta yakalandnda aradaki zaman fark saniye olarak bilinmektedir. Bu kapandaki tat, kapan iinden kana kadarki ortalama hzyla arpldnda yaklak olarak takip mesafesi bulunmaktadr. X(t) = T*Vort (13)

X Z

(5)

Trevleri alndnda hzlar ortaya kmaktadr.

dx dx Z = f. . dt dt Z 2 dx dt

- f.

X dZ . Z dt

(6)

Sadelemeler yaplrsa, Vx = ile Vz =

dZ dt

ise,

(7)

vx =

x .Vz - f . Vx Z y .Vz - f . Vy Z

(8)

3. Trafik Grntlerinin lenmesi


Unkapan Kprsne ait otoyolun gelen ynndeki eride ait trafik akndaki istenilen verileri elde etmek iin video kamera grntleri kullanlmtr. Kameralarn yerletirildikleri yerler, yola uzaklklar, yola odak uzaklklar, izgi ve erit bilgileri gibi deerler alnarak lm yaplmtr. Uygulanan yntemin anlalmas iin Unkapan Kprsne ait gelen yndeki eridin video grntleri elde edilmitir. Elde edilen verilerin ilenmesi Matlab programnn grnt ileme modl iinde hem zaman aldndan hem de grntlerin net olarak anlalmas iin sadece 3er dakikalk zaman dilimleri ele alnmtr [19]. Bu zaman dilimlerinden istenilen trafik parametreleri ve yntemin verimlilii hakknda yeterli bilgiler elde edilmitir. 3.1. Unkapan Kprsndeki Tat Saylar ekil 6, 7 ve 8de sa, orta ve sol eride ait birbirinden bamsz olarak grlen yrnge saylar bize tat saylarn vermektedir. Yrngelerin bazen srekli bir izgi eklinde olmamas sistemden veya tatlarn birbirine ok yakn olmasndan kaynaklanmaktadr. Her tatn baka bir yrnge izeceini dndmzde dier bir tat baka bir yrngeye sahip olarak tat saylarnn ortaya kmasn salamaktadr. X ekseni geen sreyi ve tat saysn, Y ekseni de tatlara ait olan yrnge uzunluklarn gstermektedir. ekiller den de grld gibi bu geen 90 saniyede sa eritte 40 yrnge (tat), orta eritte 46 yrnge (tat), sol eritte de 55 yrngenin (tatn) hareket ettii izlenmitir. (2.11)

vy =

(9)

olarak elde edilmektedir. Bu perspektif kamera modeli bilindiine gre Unkapan kprsne ait matematiksel bir n izleme modeli ekil 5de ki gibi oluturulmutur. ekil 5de kameraya ait X-Y dik eksenleri k noktasna ve m noktasna tanm ve paralellikleri korunmutur. k noktas = D yol parasnn balama yeri, m noktas = D yol parasnn sonlanma yeridir. Alar elde edildikten sonra m noktas D yol paras zerinde hareket eden tatn durduu herhangi bir nokta olacaktr ve bu yeni nokta iin yeni bir D ve Z hesaplanp formllerde kullanlarak farkl blgeler iinde hareket yrngeleri tespit edilebilmektedir. Tahmini D ve Z deerleri biliniyor farz edildiinde modelin tamamlanmas iin sadece yola ait iki a bilgisi kalmaktadr. ve alar bilinirse tatlarn hepsi de bu eritte D dorultusunda ve bu alarla ilerleyecekleri iin tekrar tekrar hesap edilmesine gerek yoktur. Bir kez hesaplandktan sonra tekrar tekrar bu model zerinden dier modellerde kullanlabilmektedir. Yani hareket eden bir tatn V hzn bulmak iin o halde sin(), cos() ve cos() bilinmesi yeterli olmaktadr. vx = (Vz*x Vx*f)/Z formlnde,

80

avdar, A., skurt, A., ve Klaslan, .

ekil 6. Sa erite ait tat saylar

ekil 9. Sa erite ait anlk ve ortalama hzlar

ekil 7. Orta eride ait tat saylar ekil 10. Orta erite ait anlk ve ortalama hzlar

ekil 8. Sol eride ait tat saylar 3.2. Unkapan Kprsndeki Hzlar ekil 9, 10, 11de Unkapan kprsndeki gelen yndeki sa, orta ve sol eritteki tatlara ait 3er dakikalk anlk ve ortalama hzlar grlmektedir. ekillerden de grld gibi dz veya noktal izgiler o tata ait ortalama hz, erisel izgiler ise srekli deiim gsteren anlk hzlar vermektedir. Ortalama hzlar, grnt sresince geen 0-5 sn arasndaki anlk hzlarn ortalamasn olumaktadr. Anlk hzlardaki maksimum ve minimum hz aralklarnn az olmas ortalama hzn kullanlmasn yeterli klarken, bu aralklarn ok fazla olmas ise yetersiz klmaktadr. Anlk hzlar ise belli bir srede o tata ait yakalanan ve srekli her iki yndede birden deiebilen hzlardr. Anlk hzlar, tat hzndaki deiimi anlamak iin ok nemli parametreler olarak grlmtr. ekil 11. Sol eride ait anlk ve ortalama hzlar 3.3. Unkapan Blgesindeki Takip Mesafeleri ekil 12de Unkapan kprsnn gelen ynndeki sa eritteki herhangi iki tat arasndaki takip mesafelerine ait rnek bir grnt analizi grlmektedir. Burada birbirini takip eden iki tatn aralarndaki anlk takip mesafeleri grlmektedir. Balangta daha fazla olan takip mesafesi sonlara doru azalma gstermitir. Tatlarn izledikleri yrngelere dik dorular izildiinde iki yrnge arasnda kalan mesafeler bize gerek takip mesafesini vermektedir. Bunlar tat hzlarndaki artma veya azalmaya gre srekli deimektedir.

81

avdar, A., skurt, A., ve Klaslan, .

ekil 12. Tat takip mesafelerine ait genel bir grafik

4. Sonular ve Deerlendirmeler
Trafik parametrelerinin kolay, fazla bir maliyet getirmeden ve anlk olarak elde edilmesi iin yeni bir yntem zerinde allmtr. Bu yntem, tatlara ait olan anlk trafik parametrelerini elde ederek, trafik gvenlii ve planlamalarna yardm edebilecek yeni almalara nc olabilecek yeni bir veri toplama yntemidir. Bunun iin ncelikle incelenecek trafik blgesinin n modeli oluturularak, tatlara ait olan yrngeler ve x, y ve z eksenleri tespit edilmitir. Daha sonra Matlab programnn grnt ileme modl ilgili blgeye gre modifiye edilerek, trafik grntlerine uygun kodlar yazlarak, sisteme matematiksel modellemeler eklenerek ve n model kurularak her erit ayr ayr incelenmitir. Kurulan n modelden sonra blgedeki gelen yndeki eritlere ait bilgiler ayr ayr elde edilmitir. Elde edilen bilgiler tat saylar, anlk ve ortalama tat hzlar ve tat takip mesafeleridir. Sistemde birbirlerini takip eden tatlar trafik grntleri iinde 100 m den fazla bir takip mesafesine sahipseler gvenli olduu dnlerek takibin olmad dnlmektedir. 100 m nin altndaki takiplerde ise tatlar trafik grntlerinin iinde olduklar iin tatlara ait takip mesafeleri elde edilmektedir. Btn veriler hem grafiksel olarak hemde veri bankas olarak alnabilmektedir. Bu sayede istenilen blgeye ait trafik grntleri incelenerek tat saylar hzlar ve takip mesafeleri bulunabilmektedir. ncelenen blgede ki gelen eritlere baktmzda anlk deiimlerin olduu grlrken en youn tat hareketinin orta eritte, en ok yakn takibin ise sol eritte olduu grlmtr.

Kaynaklar
[1] Tercan, , H., Karma Trafik Akm Hznn Modellenmesi: Konya rnei, ITU Fen Bilimleri Dergisi, ITU, 2003. [2] Lu, Y, J., Yuan, X., Colour image analysis for vehicle speed measurement, Canadian Journal of Civil Engineering, 228-235, 1993. [3] Agganval, J.K., Nandhakumar, N., On the computation of motion from sequences of images - A review, Proceedings of the IEEE 76(8), 917-935, 1988. [4] Zhang, X., Forshaw, M. R. B., Optimization using a modified Hopfield neural network, Proceedings of the First European Congress on Fuzzy and Intelligent Technologies, Aachen, Germany, September 1993. [5] Abramczuk, T., Bielik, A., Image processing techniques applied to traffic measurement,

Symposium of the ZPAC Conference on Control, Computers, Communications in Transportation, France, 1989. [6] Bullock, D., Garrett, J., Hendrickson, C., A neural network for image-based vehicle detection. Transportation Research-C l(3), 235-247, 1993. [7] Hoose, N., Computer Image Processing in Traffic Engineering, Research Studies Press, Cambridge, MA, 1991. [8] Michalopoulos, P. G., Jacobson, R. D., Anderson, C. A., Barbaresso, J. C., Field deployment of Autoscope in the FAST-TRAC ATMS/ATIS program, Traffic Engineering and Control 33(9), 475483, 1992. [9] Wan, C. L., Dickinson, K. W., Road traffic monitoring using image processing - A survey of systems techniques and applications, Symposium of the IFAC Conference on Control, Computers, Communications in Transportation, Paris, France, September 1989. [10] Yamashita, H., Naito, T., Sakamoto, Y, Kamachi, M., Yoshino, M., Kanayama, K., Image processing vehicle detectors robust aeainst environment chanaes, The Third Annual World Congress on ITS, Orlando, FL, October 1996. [11] Maresca, M., Lavin, M. A., Li, H., Parallel architectures for vision, Proceedings of the IEEE 76(8), 97&981, 1988. [12] Coifman, B., Beymer, D., McLauchlan, P., Malik, J., "A Real-Time Computer Vision System for Vehicle Tracking and Traffic Surveillance", Transportation Research: Part C, vol 6, no 4, pp 271-288, 1988. [13] V. Kastrinaki, M. Zervakis., K. Kalaitzakis, A survey of video processing techniques for traffic applications, Image Vis. Comput., vol. 21, no. 4, pp. 359381, Apr. 2003. [14] Foresti, G. L., Object Recognition and Tracking for Remote Video Surveillance, IEEE Transactions on Circuits and Systems for Video Tech., Vol.9, No.7, s.1045-1061, 1999. [15] Chan P.K.M., Li, C.K., Motions of Multiple Objects Detection based on Video Frames, IEEE International Symposium on Consumer Electronics, Hong Kong, s.62-66, 2000. [16] Cucchiara, R., Mello, P., Piccardi, M., Image Analysis and Rule-Based Reasoning for a Traffic Monitoring, IEEE Transactions on Intelligent Transportation Systems, Vol.1, N.2, IEEE Press, s.119-130, 2000. [17] Koller, D., Daniilidis, K., Nagel, H. H., Model-Based Object Tracking in Monocular Sequences of Road Traffic Scenes, International Journal of Computer Vision 10:3, s.257-281, 1993. [18] Stiller, C., Konrad, J., Estimating Motion in Image Sequence: A Tutorial on Modeling and Computation of 2D Motion, IEEE Signal Process. Mag.,vol. 16, July, s.70-91, 1999, [19] Matlab Simulink, 2006.

82

5. Uluslararas leri Teknolojiler Sempozyumu (IATS09), 13-15 Mays 2009, Karabk, Trkiye

HSTOPATOLOJK MGELERDE STENEN HCRELERN ALANININ OTOMATK BELRLENMES AUTOMATIC DETERMINATION OF DESIRED CELL FIELDS ON HISTOPATHOLOGIC IMAGES
Suat TORAMANa, * ve brahim TRKOLUb
b

Frat niversitesi, Elaz, Trkiye, E-posta: iturkoglu@firat.edu.tr Frat niversitesi, Elaz, Trkiye, E-posta: sxtoraman@hotmail.com

a,*

zet
Bu almada, histopatolojik imgelerden eitli hastalklarn tannmas ileminde, hekime yardmc olacak ve kolaylk salayacak bir karar destek sistemi tasarlanmtr. Otomatik hcre alan belirleme sisteminde, hekimler iin uzun zaman ve dikkat gerektiren uygulamalarn daha ksa srede ve istenen baarm ltleri iinde yaplmas salanmtr. Gelitirilen sistem, renkli histopatolojik imgenin gri tona dntrlmesinin yapld nilem sreci, histopatolojik imgeden istenen hcrelerin ayrtrlmasn salayan bltleme, sz konusu hcrelerin daha grnr hale getirilmesinde iyiletirme ve istenen hcrelerin alannn belirlenmesi aamalarn iermektedir. Bltleme ilemi iin Shannon entropi yntemi, imgenin d hat blmlerini yumuatma esasna dayal iyiletirme ilemi iin kapama teknii kullanlmtr. Son aamada ise, histopatolojik imgeden istenen hcre tipinin alan, ierdii piksel says ile orantl olarak bulunmutur. Otomatik hcre alan belirleme sisteminin, hepatitli ve kanserli hastalardan alnan histopatolojik imgeler zerinde deerlendirmesi yaplmtr. Elde edilen sonular hekimler tarafndan da irdelenmitir. Anahtar Kelimeler: Shannon Entropi, Histopatolojik mge, Bltleme, Grnt leme.

imgedeki herhangi bir rnty veya imgenin herhangi bir parasnn arka plandan ayrlmas ilemidir [1]. Bltleme ileminin nemi, daha sonra yaplacak birok imge ileme algoritmalarnda kullanlmasndan kaynaklanmaktadr. Bu nedenle, bltleme aamasnda yaplacak herhangi bir hata btn admlara zincirleme hata olarak yansyacaktr [2,3]. mge bltleme ileminin bir ok baarl uygulamalar mevcuttur: Gamma ve X nlar yardmyla damardaki tkanklklar, sertlemeleri ve atlaklarn izlenmesi [4], hastalardan alnan doku paralarndaki hastalkl hcrelerin tespit edilmesi ve snflandrlmas [5-9]. mge bltleme ileminden faydalanarak istenen rntlerin imgeden ayrtrlmas ilemi yaplabilmektedir [10,11]. Bylece rntnn alannn belirlenmesi ilemi gerekletirilir.

2. Genel
Gelitirilen otomatik hcre sayma sisteminin alt yapsnn dayand temeller aada ksaca aklanmtr: 2.1. Shannon Entropi ile Bltleme Gelitirilen yntemde, bltleme kavram imgeden istenen hcrelerin ayrtrlmas amac ile kullanlmtr. Bu amala entropi tabanl bir yap, literatr destei ile tercih edilmitir [1]. Entropi kavram, bir sistemin dzenliliini lmek amac ile termodinamik fiziinde iyi bilinen bir kavramdr. Ayrca, entropi kavram bir olayn ierdii bilginin ortalama miktarn lmek amac ile de kullanlmaktadr. mge ilemede yaygn olarak kullanlan entropi hesaplama trleri: Shannon, Norm, Eik yntemleridir [13]. Shannon entropi, en popler entropi llerinden biridir. Bilim, teknoloji gibi birok alanda Shannon entropinin faydal olduu grlmtr.
n

ABSTRACT
In this study, an expert decision support system, which enables physicians to determine various symptoms and diseases from the histopathologic images, is designed. This automatic cell field determination system facilitates the physicians work and yields successful results in a short period. The developed system employs three preprocessing stages namely; color to gray scale transformation, image segmentation and image enhancements. While, Shannon entropy based technique is used for image segmentation and morphological closing procedure is employed for image enhancements. Finally, the field of a desired cell is determined by the proportional representation of pixel number. This system is evaluated on various images that were taken from hepatitis and cancer diseases. The results are also evaluated by the physicians. KEY WORDS: Shannon Entropy, Histopathologic Images Segmentation, Image Processing.

s i = 1, 2, ....., n e

kadar olan bir

olaslk sistemidir. pi, i. elemann olaslk deeridir [14].

i = 1, 2, ....., n pi = 1
i =1

Pn = ( p1 , p 2 ,......., p n ) P
P sonlu kmedeki btn olaslk dalm kmesini gsterir.

H 1 s n : P [0, ).
Ayrk olaslk dalm tretilir.
n

1.Giri
mge (resim, grnt) ileme tekniklerinin en nemlilerinden biri bltleme ilemidir. Bltleme ilemi,
IATS09, Karabk niversitesi, Karabk, Trkiye

Pn iin entropi tanm denklem 1den


(1)

H 1 s n = ( Pn ) = pi log pi
i =1

83

Toraman, S. ve Trkolu, .

3.1. Histopatolojik mgelerin Alnmas Btn entropi tanmlar iin log deeri log2 olarak alnmaktadr.

1 1 H 1 s n ( p1 , p 2 ,....., p n ) H 1 s n ,..., (2) n n 1 Btn n IN iin H s n uniform dalm iin maksimum


deer elde eder. Literatre bakldnda nesne-alt taban snflamasnda entropi kriter olarak kullanlmaktadr. sin eikleme deeri olduunu dnelim. O zaman s resmi iki paraya bler. [0,s] aras gri seviye deerleri alt taban temsil eder. [s+1,l+1] gri seviye aral nesneyi temsil eder. Blnm resmin Shannon entropisi Denklem 3de tanmlanmaktadr.

Histopatoloji, doku ve organlarn doal yapsnda oluan lezyonlarn mikroskobisini inceleyen bir bilim dal olup [12], uygulamada kullanlan histopatolojik imgeler, Frat niversitesi, Frat Tp Merkezi, Patoloji blmnden alnmtr. Bu histopatolojik imge rntleri, hastalardan alnan dokularn mikroskop altnda ekilen resimleridir. mgelerin alnmasnda Olympus BX-50 k mikroskobuna bal, Olympus C-4000Z dijital fotoraf makinesi kullanlmtr. Alnan saysal imgelerin znrlk deerleri 2288x1712 piksel ve 72 dpi dir. znrlk deerinin yksek olmas bltleme ileminin daha iyi olmasn salamaktadr. 3.2. Yntem Bilgisayar ortamna aktarlan renkli imgelerdeki hcre alanlarnn belirlenmesi iin imgeler belirli ilemlerden geirilmektedir. Gerekletirilen bu ilemler aada srasyla aklanmtr. Adm-1: Renkli imgeler gri seviyeye dntrlr.

p( g ) p( g ) l 1 p( g ) p( g ) H 1 (s) = log log (3) Ps g =s +1 1 Ps 1 Ps g =0 P s


s

p (g )
s

gri seviye gnin meydana gelme olasldr. [0,s] aralndaki gri seviye deerlerinin

Ps = p( g )
g =0

meydana gelme olaslklarnn toplamdr [14]. Bu olaslk deerleri kullanlarak resimde nesne-alt taban ayrm gerekletirilmektedir. 2.2. Kapama lemi Bltleme ilemine ek olarak, hcrelerin daha net bir ekilde ortaya kmasn salamak iin kapama ilemi uygulanmtr. Kapama (Closing) ilemi, d hat blmlerini yumuatma ilemdir. Kapama ilemi aklklar birbirine kaynatrr, kk delikleri yok eder ve d hatlardaki boluklar doldurur. ekillendirme eleman Daire A, Alan Ann dnda yuvarlanmaktadr. Daire Ann yuvarlanmas sonucunda yzeye temas etmedii yerlere kapama ilemi uygulanmaktadr. ekil 1 kapama ilemi yapsn gstermektedir[1].

(a)

(b)

ekil 3. Histopatolojik imgeler Adm-2: Gri seviyedeki her pikselin olaslk deeri p(g) belirlendikten sonra imgeyi bltleyecek en iyi eikleme deeri Shannon Entropi yntemi ile (denklem 3) elde edilir.

(a) (b) ekil 1. (a) Alan A kmesinin d snrlar boyunca yuvarlanan ekillendirme eleman Daire A (b) Tamamlanm kapama ilemi

Eik Deeri(H(s)): 138

Eik Deeri(H(s)): 115

3. Gelitirilen Sistemi

Otomatik

Hcre

Alan

Bulma

ekil 4. mgenin eik deeri Adm-3: Adm 2 de Shannon entropi ile elde edilen eikleme deeri kullanlarak imge bltlenmektedir (ekil 5).

Gelitirilen otomatik hcre sayma sisteminin yaps ekil 2de verilmitir [2].

1 f ( x, y ) = 0
ekil 2. Otomatik hcre alan belirleme sisteminin yaps

f ( x, y ) > H 1 ( s ) f ( x, y ) H 1 ( s )

(4)

84

Toraman, S. ve Trkolu, .

izelge 1. mgeler ve Bulunan Alanlar mgeler Alan

H(s): 138

H(s): 115

18966 piksel

ekil 5. Bltlenmi imge Adm-4: Bltleme ile istenen hcreler dier normal hcrelerden belirgin bir ekilde ayrlmtr. Ama imgede istenmeyen przler bulunmaktadr. Bu przlerin giderilmesi iin btn pikseller kapama ileminden geirilerek imge iyiletirmeye tabi tutulmaktadr. Bu ilem ile przl olan hcre kenarlar daha belirgin bir hale getirilmitir.

11938 piksel

H(s): 138

H(s): 115 13667 piksel

ekil 6. Kapama ileminden geirilen imgeler Adm-5: Kapama ileminden geirilmi olan hcrelerin alanlar toplam bulunmaktadr. Bu toplam ilemi imgedeki btn siyah piksellerin toplanmas ile elde edilmektedir [11]. izelge 1. de imgelerin iindeki hcre alalarnn, gelitirilen yntem ile bulunmu sonular verilmitir.

Teekkr
Histopatolojik imgeleri bize salad iin Frat Tp Merkezi Patoloji blmne teekkr ederiz. Bu alma Frat niversitesi Bilimsel Aratrma Projeleri Ynetim Birimi (Proje No: FBAP-985) tarafndan desteklenmitir.

4. Sonu ve Deerlendirme Bu almada, herhangi bir doku imgesinde bulunan hcrelerin toplam alannn bulunmas iin alt-taban nesne ayrtrlmas ve piksel says ile orantl alan hesaplama yaplmtr. Gelitirilen byle bir bilgisayarl imge ileme sisteminin yardm ile eitli hastalklarn tan bulma srelerinde hekimlere daha gvenilir ve salkl veriler sunulmasna ynelik, karar destek sistemi gerekletirmek mmkn olacaktr. Gelitirilen yntemle, eitli tbb imgelerdeki istenen hcre trlerinin alannn bulunmasna bal tehis sistemlerinde; hzllk saland gibi, hekimlerin i younluundan kaynaklanan hatalarn nne geilebilecektir. Ayrca, dikkat gerektiren patolojik deerlendirmelerde yardmc bir unsur olmaktadr.
Herhangi bir imgedeki hcre alann otomatik bulma ilemi iin gelitirilen sistemin baarm, doktor tecrbeleri ile deerlendirilmi olup, tehis gerektiren uygulamalarda doktorlar tarafndan kullanlabilecek bir sistem olarak belirtilmitir. Fakat nerilen hcre alan bulma ynteminin, benzer yntemler ile kyaslama yaplmasna ynelik bir ortam henz bulunamamtr. Sistemin gvenirlik testleri yapldktan sonra hekimlerin kullanmna almas planlanmaktadr.

Kaynaklar
[1] R. C. Gonzalez, R. E. Woods, Digital Images Prossesing, Prentical Hall, 2001. [2] Toraman, S., Histopatolojik mgelerin Deerlendirilmesinde rnt Tanma Temelli Karar Destek Sistemleri, Frat niversitesi, Yksek Lisans Tezi, 2006. [3] Toraman, S., ve Trkolu, ., Histopatolojik mgelerin Akll Yaplar le Bltlenmesi, ASYU-Akll Sistemlerde Yenilikler ve Uygulamalar Sempozyumu, stanbul, pp. 81-84, 2006. [4] R.Giansanti, P.Fumelli, G. Passerini, P. Zingaretti, maging system for retinal change evaluation, IPA97, Conference Publication No: 443, Vol: 2, pp. 530-534, 1997. [5] S.Kara, F. ener, M. Okandan, M. Yldrm, Patolojik doku rneklerinin bilgisayar tabanl analizi, SIU, pp. 246-249, 2003. [6] M.E. Petersen, T. Arts, Recognition of radiopaque markers in X-ray images using a neural network as

85

Toraman, S. ve Trkolu, .

nonlinear filter, Pattern Recognition Letters, Vol: 20, No: 5, pp. 521-533, 1999. [7] A. N. Esgiar, B. S. Sharif, R. N. G. Naguib, M. K. Bennett, A. Murray, Texture descriptions and classification for pathological analysis of cancerous colonic mucosa, Seventh International Conference on Image Processing And Its Applications, Vol: 1, pp. 335-338, 1999. [8] W. Bauer, C. D. Mackezie, Cancer detection via determination of fractal cell dimension, Pattern Formation and Solitons, IEEE, 9506003, 07/1995. [9] A. N. Esgiar, R. N. G. Naguib, Senior Member, IEEE, Bayan S. Sharif, Member, IEEE,M. K. Bennett, and A. Murray, Fractal Analysis in the Detection of Colonic Cancer Images, IEEE Transactons on Informaton Technology in Bomedcne, Vol: 6, Issue: 1, pp. 54-58, 2002. [10] Trkolu, ., ve Toraman, S., "Karar Aalar ve Fraktal Analiz Kullanarak Histopatolojik mgelerin Snflandrlmas", Gazi niversitesi MhendislikMimarlk Fakltesi Dergisi,22 (4), 753 - 758, Aralk2007. [11] Toraman, S., ve Trkolu, ., "Histopatolojik mgelerde stenen Bir Hcrenin Otomatik Saym", Frat niversitesi Salk Bilimleri Dergisi,20 (6), 409 413, 2006. [12] M.,Yenerman, Genel Patoloji, Nobel Tp Kitabevleri, stanbul, 1994. [13] Trkolu, ., Duraan olmayan iaretler iin zamanfrekans entropilerine dayal akll rnt tanma, Frat niversitesi, Fen Bilimleri Enstits, Doktora Tezi, 2002. [14] Karmeshu, Entropy Measures, Maximum Entropy Principle and Emerging Applications, 2003.

86

5. Uluslararas leri Teknolojiler Sempozyumu (IATS09), 13-15 Mays 2009, Karabk, Trkiye

SAYISAL GRNT ANALZ LEMNDE KAMERA KALBRASYON PARAMETRELERNN BELRLENMES DETERMINATION OF CAMERA CALIBRATION PARAMETERS AT DIGITAL IMAGE ANALYSIS
akir Tademira, *
a, *

Abdullah rkmezb Murat Yakarc eref nald

Seluk niversitesi Teknik Bilimler Meslek Yksekokulu, 42075, Kampus-Konya, E-posta:sakir_burak@hotmail.com b Seluk niversitesi Mhendislik-Mimarlk Fakltesi 42075, Kampus-Konya, E-posta:aburkmez@selcuk.edu.tr
c

Seluk niversitesi Mhendislik-Mimarlk Fakltesi 42075, Kampus-Konya, E-posta:yakar@selcuk.edu.tr d Seluk niversitesi Veteriner Fakltesi, 42075, Kampus-Konya, E-posta:sinal@selcuk.edu.tr

zet
Resimlerin bilgisayarlarla saysal grnt ileme ve analiz teknikleri kullanlarak deerlendirilmesi, lmler yaplmas, saysal haritalarnn karlmas mmkndr. Dijital kameralar bilgisayarla grnt ileme uygulamalarnda yaygn bir biimde kullanlmaktadr. Dijital kameralarn duyarl lmlerde kullanlabilmeleri iin mutlaka kalibre edilmeleri gereklidir. Fotogrametrik teknikler fotoraftan veya kamera ile ekilen dijital resimlerdeki objelerin direk lm (metrik yorumlanmas) esasna dayanr. Kamera kalibrasyonu ile kamera parametreleri matematiksel olarak belirlenir. Grnt koordinatlar (u, v) ve nesne uzay koordinatlar (X, Y, Z) arasnda analitik bir iliki modellenir ve dnm (transformasyon) yaplr. Bu almada Nikon D100 digital SLR fotoraf makinesi ile bir cisme ait deiik ynlerden resimler ekilmitir. Resimlerin analiz ilemleri iin, bu kameraya ait kalibrasyon parametrelerini bulan Delphi programlama dilinde bir yazlm gelitirilmitir. Yazlmda matematiksel olarak Direct Linear Transformation (DLT) yntemi kullanlmtr. Testler yapldnda baarlr sonular elde edildii grlmtr. Anahtar kelimeler: Saysal Grnt Analizi, Digital Kamera, Kalibrasyon, DLT.

Keywords: Digital Image Analysis, Digital Camera, Calibration, DLT.

1. Giri
Son yllarda grnt ileme sistemleri, teknikleri ve uygulamalarnda yeni almlar ve gelimeler olmaktadr. Bu grsel uygulamalardaki olanaklardan biride alnan resimlerden lmler yaplabilmesidir. Elektronik sistemlerle yaplan makine grmesi (machine vision) uygulamalar endstriyel alanda gnden gne artarak kullanlmaktadr. Cisimlerin temassz analizleri dier yntemlere gre daha ok tercih edilir, nk temas halinde llecek cisim zerinde tahribat veya deiiklik meydana gelebilir [1]. Bilgisayarla grme (computer vision) grntlerden veya resim zerindeki nesnelerden konumlar, boyutlar veya deiik zelliklerinin bir algoritmik program araclyla ortaya karlmas ve deerlendirilmesi ilemi olarak tarif edilebilir. Saysal grnt analizi ile grnt ilemenin uygulamada baz farkllklar vardr. Analiz ileminin temel fark yaplan ilemler sonucunda yeni bir grnt elde edilmeden, grntye ait snflandrmalar veya lmler yaplyor olmas, grntyle ilgili istatistikler retilmesidir. Grnt analizinde nesnelere ait parametrelerin (ekil, uzunluk, alan, a, gri-ton ve renk deerleri vb.) llmesi sz konusudur [2, 3, 4, 5]. lenmemi grntlerde, grnt alma amasnda genellikle deiik nedenlerden dolay baz bozulmalar, zelliklede geometrik bozulmalar oluabilmektedir. Grnt zerinde analizler yapmadan nce bir takm n ilemler yapmak gerekir. Bu n ilemlerin ilki kamera sistemini en iyi bir ekilde ifade eden kalibrasyon parametrelerin (resim ekme merkezinin uzakl, odak uzakl, resim koordinat sistemi eksenlerinin ynleri ve dnklkleri ile distorsiyon) bulunmasdr. Bu almada istenilen parametrelerin bulunmas hedeflenmitir. Bu ilem iin ncelikle kamera sistemli bir laboratuar ortam tesis edilmi ve oluturulan test alanna belirli sayda kontrol noktas tesis edilerek bu noktalara jeodezik metotlarla koordinatlar verilmitir. Bu ortamda oluturulan test alannda fotoraflar ekilmitir. Bu noktalardan 17 tanesi kullanlarak resimler, gelitirdiimiz yazlmla llm ve geometrik performanslar belirlenmitir. Kameralarn geometrik performanslarnn belirlenmesi iin DLT modeli ile allmtr.

Abstract
It is possible to make measurements, to evaluate and form digital maps of the images by using digital image processing and analysis techniques with computers. Digital cameras are being used in computer vision applications commonly. Digital cameras have been absolutely calibrated to use precision need works. Photogrammetry is based on direct measurement of the objects which is captured with the digital cameras and images. Camera parameters are determined with camera calibration procedures as mathematically. Images coordinates (u, v) and object space coordinates (X, Y, Z) have been modeled with analytical relationships and transformations have been completed. In this study Nikon D100 digital SLR (Single Lens Reflex) camera have been used to take images of the test object from different points. A software, which have capability of the calculate camera calibration parameters; have been developed in Delphi program language. Direct Linear Transformation (DLT) methods have been used to calculate calibration parameters. After finishing the test successfully results have been obtained.

IATS09, Karabk niversitesi, Karabk, Trkiye

87

Tademir, ., rkmez, A., Yakar, M. ve nal, ..

2. Digital (Saysal) Kameralar


Digital kameralar, analog grnt reten film kameralarn tersine, bilgisayar ortamnda ilenebilecek grnt sinyallerini saysal forma dntren optik elemanl elektronik bir cihazdr. Dijital kameralar yakn resim fotogrametrisi ve bilgisayar grnt ileme ve analiz uygulamalarnda (mimari objelerin lm, yakn mesafeden haritalama, mhendislik uygulamalar ve uzay endstrisi v.b. ) yaygn bir biimde kullanlmaktadr. Dijital kameralar grnt kayt dzlemi olarak CCD ve CMOS detektr kullanrlar. Bu detektrler, sayesinde grnt dijital formda kaydedilir. Ve alnan grnt zerinde grnt ileme operasyonlarnn yaplmasn da kolaylatrr. Ksmen veya tamamen i yneltme elemanlarnn bilinmemesi ve grnt zerinde ereve iaretlerinin olmamas nedeniyle, fotogrametrik adan dijital kameralar metrik olmayan kamera olarak adlandrlrlar. Bu kameralarn mercek distorsiyonu, alc (sensr) dzlemi deformasyonu ve elektronik transfer hatalar gibi grntlerin metrik kalitesini etkileyen bir takm sistematik bozulmalar olumaktadr. Bu hatalarn belirlenmesi ve dzeltilmesi gereklidir. Dijital kamera ile sz konusu l doruluunun tespiti iin geni anlamda distorsiyon ve dier parametrelerin dikkate alnmas gerekir. Bu tr kameralarn yaygn bir ekilde tercih edilme sebebi, grntlerin dorudan bilgisayar ortamna aktarlabilmesi (veri depolama kolayl-tanabilirlik) ve bilgisayar ortamnda dorudan hzl bir ekilde ilenebilmesidir [7, 8].

parametrelerinin kullanlmas salanr ve kalibrasyonla bulunarak distorsiyon dzeltilebilir. Bu distorsiyon iki eit olabilir. Radyal Distorsiyon; Eksen d bir hedefin grnts ana noktadan radyal olarak ya uzak ya da yakn yer deitirmise, resim radyal olarak distorsiyona uram demektir (ekil 1).

Obje

Pozitif Negatif distorsiyon distorsiyon (yastk) (f) ekil 1. Yastk ve f biimli distorsiyonlar

Teetsel Distorsiyon; Resim ekme makinelerinde kullanlan oklu mercek sistemini oluturan merceklerin btn elemanlar ayn doru zerinde olumamas nedeniyle mercek merkezleri ayn doru zerinde bulunmazlar ve buna fabrikasyon aamasnda zellikle dikkat edilmelidir. Dorultudan sapma resimde teetsel (tanjant) distorsiyon ad verilen geometrik yer deitirmeye sebep olacaktr (ekil 2) [12, 13].

3. Kamera Kalibrasyonu
Fotoraflardan, yani iki boyutlu grntlerden, boyutlu bilgi elde edebilmek iin baz koullarn olumas gerekir. boyutlu lm yapabilmek iin her bir ynteme zg baz deikenlerin (kamera kalibrasyon deikenleri ya da klandrma koullar gibi) bilinmesi gereklidir. Bunun yan sra, ou teknik ayn objenin en az iki farkl adan grntsnn olmasn gerektirmektedir [4]. Kamera kalibrasyon ilemi, kamerann i geometrik ve optik karakteristiinin ve/veya 3-boyuttaki konumu ve belirli koordinat sistemine gre asal konumunun ve metrik potansiyellerinin belirlenmesi, bu sistemlerdeki sistematik hatalar denetlemek, dzeltmek iin gerekletirilir. Kalibrasyon, llen bykln gerek deeri ile onu len cihazn verdii sonu arasndaki ilikiyi bulma ilemidir. Bir resim ekme makinesinin kalibrasyonu fotogrametrik nokta belirleme ileminin tersi olarak da ifade edilebilir. Fotogrametri, cismin bir veya birka resminden yararlanarak uzaydaki eklini, boyutlarn ve konumunu incelikli bir ekilde belirlemeyi ama edinmi bir bilim daldr. Fotogrametrik nokta belirlenmesinde i yneltme elemanlar bilinir ve cisim noktalarnn koordinatlar bulunur. Kalibrasyonda ise cisim noktalarnn koordinatlar bilinir ve i yneltme elemanlar bulunur [4, 5, 6, 7, 9, 11, 12]. Resim ekim makinesinin (kamerann) mercekleri fiziksel bir takm zelliklere sahiptir. Merceklerin, izdmdeki fiziksel etkilerine genel olarak distorsiyon ad verilir. Kamera kalibrasyonu ile distorsiyonun resim koordinat sistemi olan resim dzlemine etkisi belirlenir. Kolinerite (dorusallk) koulunda lineer transformasyon
Merkezlendirilmi Mercek Sistemi Merkezlendirilmemi Mercek Sistemi

ekil 2. Mercek elemanlarnn ayn dorultuda olmamas (Teetsel distorsiyon) Literatrde ok eitli kamera kalibrasyon metodlar mevcuttur. Bunlar lineer, nonlineer ve multi-step teknikleri olarak saylabilir. Lineer yntemi dierlerine gre hzldr ve ayrca iterasyon gerektirmez. Fakat doruluu dktr, nk kamera modeli sadeletirilmesi gerekmektedir. Bu kategoride en yaygn kullanlan metod DLT ve Tsais dr [14]. 3.1. DLT (Direct Linear Transformasyon) Matematik Modeli Direct linear transformasyon metodu Abdel Aziz ve Karara tarafndan nerilen dorudan lineer dnm yntemidir. Bu yntemin en byk avantaj, zmn lineer olmas ve yaklak deer probleminin olmamasdr. DLT eitlikleri ile direkt olarak resim koordinatlarndan uzay koordinatlarna ulamak mmkndr. 11 parametreye ilave edilmi parametrelerle birlikte DLT eitlikleri aadaki denklemlerde verilmitir [7, 10]. 2 boyutlu resim dzlemi ile

88

Tademir, ., rkmez, A., Yakar, M. ve nal, ..

3 boyutlu dnya koordinat sistemi arasndaki iliki modellenerek kameralara ait parametreler hesaplanr. Bu iliki modeline uygun, 3 boyutlu koordinat deerleri bilinen ve minimum 12 kontrol noktasndan oluan kamera kalibrasyon test alan ve Direkt Lineer Transformasyon (DLT) metodu kullanlarak kameralar tanmlayan 11 kamera kalibrasyon parametreleri hesaplanr. DLT metodu, resim dzlemi ile dnya koordinat sistemi arasndaki dnm tanmlamaktadr. [9]. Temel DLT eitliini matrissel formda (1) ifadesinde gsterilmitir.
x1 y1 0 0 xn yn 0 0 z1 1 0 0 0 0 u1x1 0 0 x1 y1 z1 1 v1x1 M zn 1 0 0 u1y1 v1y1 u1z1 L1 u1 v1z1 L2 v1 M = M u0x0 L15 un v0z0 L16 vn

elde edilir. Burada;

L1 =

u0 r31 d u r11 u r d u r12 L2 = 0 32 D D u 0 r33 d u r13 L3 = D

L4 =

(d u r11 u0 r31 )x0 + (d u r12 u0 r32 )y0 + (d u r13 u0 r33 )z0


D

M 0 0 un xn un xn

(1)

v r d v r21 v r d v r22 L5 = 0 31 L6 = 0 32 D D v r d v r23 L7 = 0 33 D


L8 =

0 0 xn yn zn 1 vnyn vnyn

(d v r21 v0 r31 )x0 + (d v r22 v0 r32 ) y0 + (d v r23 v0 r33 )z0


D

L9 =

r31 D

L10 =

r32 D

L11 =

r33 D
du = d

(4)

D = ( x0 r31 + y0 r32 + z 0 r33 )

dv =

ekil 3. Resim koordinat sistemi ile cisim koordinat sistemi arasndaki geometrik iliki ekil 3.te gsterilen resim koordinat sistemi ile cisim koordinat sistemi arasndaki iliki matematiksel olarak (2) eitliinde u ekilde ifade edilir.

(3) ve (4) eitliklerindeki L1,L2,L3,.,L11 katsaylar direkt lineer transformasyon (DLT) parametreleri olarak adlandrlr. Bunlar cisim uzay referans dzlemi ile resim dzlemi arasndaki ilikiyi yanstrlar. Yukardaki (3) eitlii 3 boyutlu DLT eitliidir ve kamera lenslerinin optik distorsiyon hatalarn iermemektedir. Bu hatalar dikkate alnrsa eitlik aadaki gibi dzenlenir;

u u0 = v v0 =

d r11 ( x x0 ) + r12 ( y y0 ) + r13 (z z 0 ) u r31 (x x0 ) + r32 ( y y0 ) + r33 ( z z 0 ) d r21 ( x x0 ) + r22 ( y y 0 ) + r23 ( z z 0 ) v r31 (x x0 ) + r32 ( y y0 ) + r33 ( z z 0 ) (2)

u u =

L1 x + L2 y + L3 z + L4 L9 x + L10 y + L11 z + 1 L x + L6 y + L7 z + L8 v v = 5 L9 x + L10 y + L11 z + 1

(5)

Burada, uo,vo : noktann resim noktalar, u,v: ana noktann resim koordinatlar, rij: dnme matrisi elemanlar, x,y,z: noktann cisim koordinatlar, u, v:birim dnm katsaylar, d: lek faktr, L1,.L11 : Kamera kalibrasyon parametreleridir. (2) eitliinin yeniden dzenlenmesiyle, Temel DLT eitlii (3) bulunmaktadr.

Burada u ve v optik distorsiyon nedeniyle oluan hatalardr [7, 9, 10, 12, 15].

4. Materyal ve Metot
4.1. Kullanlan Kamera Yaplan uygulama almasnda Nikon D100 DSLR fotoraf makinesi kullanlmtr. Resim maksimum boyutu 3008 x 2000 znrlkl (6.1 milyon pixel) dir. 23.7 x 15.6mm RGB CCD; 6.31 milyon toplam piksele sahiptir. USB destei ile, resimleri karta kayt imkan gibi zellikleri olan bir digital kameradr. Odak uzakl 20mm (sabit objektifli) dir.

u=

L1 x + L2 y + L3 z + L4 L9 x + L10 y + L11 z + 1 L x + L6 y + L7 z + L8 v= 5 L9 x + L10 y + L11 z + 1

(3)

89

Tademir, ., rkmez, A., Yakar, M. ve nal, ..

4.2. Uygulama Bu almada kamera kalibrasyon parametrelerinin bulunmas iin Nikon D100 digital SLR fotoraf makinas ile, koordinatlar bilinen test dzeneinin deiik ynlerden resimleri ekilmitir. Resimlerin analiz ilemleri iin, bu kameraya ait kalibrasyon parametrelerini bulan Delphi programlama dilinde bir yazlm (ekil 5) gelitirilmitir. Yazlmda matematiksel olarak Direct Linear Transformation (DLT) yntemi kullanlmtr.

izelge 1. 3 Boyutlu Koordinat Deerleri Kontrol X (m) No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 4,5360 4,4300 4,2880 4,2530 4,0990 4,1450 4,1450 4,1420 4,1240 4,0530 4,2240 4,3540 4,4100 4,5200 4,5620 4,5830 4,5670 4,5050 4,2480 4,2290 4,4820 4,5110 4,4020 4,2550 4,3740 Y(m) 9,8620 9,9420 9,9080 10,1090 10,0200 10,1220 10,1540 10,1490 10,0700 9,8890 10,0000 10,0620 9,9610 9,8190 9,9190 9,9750 9,9320 10,0260 10,1320 10,1310 10,0300 10,0200 10,0660 10,1280 10,0740 Z(m) 1,2490 1,2490 1,2480 1,2450 1,2510 1,3740 1,4510 1,6360 1,5460 1,7050 1,7120 1,7150 1,7090 1,7020 1,5890 1,4650 1,3600 1,3450 1,3490 1,6110 1,6440 1,5090 1,3380 1,4750 1,6460

ekil 5. Delphi Programlama Dilinde Gelitirilen Yazlm Kamera parametrelerinin hesaplanabilmesi iin 2 boyutlu resim dzlemi ile 3 boyutlu dnya koordinat sistemi arasndaki ilikiyi tanmlayan ve 3D koordinat deerleri bilinen bir kamera kalibrasyon test deney dzenei (25 spatial koordinatl) tasarlanmtr (ekil 6). Test dzenei kullanlarak resimler ekilmi, kamera kalibrasyon ilemi gerekletirilerek, DLT yntemi ile koordinat deerleri ve pixel deerleri arasnda transformasyon ilemi gerekletirilmitir.

5. Sonular
Bu almada kamera kalibrasyon parametreleri bulunmutur. Bu geometrik kalibrasyon ilemi iin 3D koordinatlara sahip ve koordinat deerleri bilinen bir test alan kullanlmtr. Daha sonra sabit odak uzaklna sahip Nikon D100 kamerayla uygun geometrik koullarda fotoraflar ekilmitir. Kalibrasyon ilemi iin Delphi Programlama dilinde bir yazlm gelitirilmitir. Yazlm algoritmas yukarda ifade edilmi olan denklem (1, 2, 3, 4, 5) eitlik yapsna gre gerekletirilmitir. Yazlmdan bir ksm kod rnei ekil 7de grlmektedir. Bu yazlm araclyla resimlerden pixel deerleri okunmu ve ardndan boyutlu koordinatlar kullanlarak (17 XYZ koordinat kullanlmtr) matrissel ilemlerle dnm ilemi gerekletirilmitir. DLT metodu ile yaplan deerlendirme sonucunda elde edilen L1.L11, X0, Y0, Z0 v.b. kalibrasyon parametre deerleri tabloda (izelge 2) gsterilmitir. Deerlendirmeler sonucunda DLT yaklam ile zmde yeterli derecede ulaabildii grlm, uygun geometri ve daha fazla resim ve kamera kullanlarak daha iyi sonular elde edilmesi mmkn olacaktr. Kontrol noktalarnn says artrlarak ve resim yzeylerine dengeli olarak datlarak kalibrasyon parametreleri daha dzgn sonular verebilecektir. Daha sonraki almada Deitirilmi DLT (MDLT) yntemi kullanlarak, DLTde dikkate alnmayan

ekil 6. Kamera Kalibrasyon Test Alan ve Kontrol Noktalar Tasarlanan test alanna ait 3 boyutlu koordinat deerleri tablosu (izelge 1)de verilmitir.

90

Tademir, ., rkmez, A., Yakar, M. ve nal, ..

lens distorsiyon parametrelerinden kaynaklanan hata deerleri yok etmek mmkn olabilecektir. .. //*********************** TERASYONUN GSTERLECE ALAN HAZIRLANIYOR ********************** AnalizKatmani:= TTabSheet.Create(PageControl1); AnalizKatmani.Caption:= inttostr(IterasyonSayisi)+'. terasyon'; AnalizKatmani.PageControl:= PageControl1; if IterasyonSayisi= 1 then begin // EER LK DEFA TERASYON YAPIYORSAK //*********************** A MATRS OLUTURULUYOR VE GRNTLENYOR ************************** TempMatrisAlani:= MatrisalaniOlustur('A Matrisi', AnalizKatmani,10,300); A:= AmatrisiOlustur(Noktalar,GercekNoktalar); A:= matrisYuvarla(A); MatrisYazdir(A,TempMatrisAlani.Grid); TempMatrisAlani.MatlapOutput.Text:= MatrisToMatlab(A); //*********************** A TRANSPOSE MATRS OLUTURULUYOR VE GRNTLENYOR ************************** TempMatrisAlani:= MatrisalaniOlustur('A TRANSPOSE Matrisi', AnalizKatmani,320,300); AT:= TMatrix.create(A.r, A.c); AT.copy(A); AT.transposeSelf; AT:= matrisYuvarla(AT); MatrisYazdir(AT,TempMatrisAlani.Grid); TempMatrisAlani.MatlapOutput.Text:= MatrisToMatlab(AT); //*********************** N (AT*A matrisi) MATRS OLUTURULUYOR VE GRNTLENYOR ************************** TempMatrisAlani:= MatrisalaniOlustur('N Matrisi (ATranspose*A)', AnalizKatmani,625,300); N:= TMatrix.create(11, 11); N:= N.mult(A,AT); N:= matrisYuvarla(N); MatrisYazdir(N,TempMatrisAlani.Grid); TempMatrisAlani.MatlapOutput.Text:= MatrisToMatlab(N); //*********************** N invers MATRS OLUTURULUYOR VE GRNTLENYOR ************************** TempMatrisAlani:= MatrisalaniOlustur('N invers matrisi', AnalizKatmani,930,300); Ni:= TMatrix.create(11, 11); Ni.copy(N); Ni.InvertSelf; Ni:= matrisYuvarla(Ni); MatrisYazdir(Ni,TempMatrisAlani.Grid); TempMatrisAlani.MatlapOutput.Text:= MatrisToMatlab(Ni); //*********************** L MATRS OLUTURULUYOR VE GRNTLENYOR ************************** TempMatrisAlani:= MatrisalaniOlustur('L Matrisi', AnalizKatmani,1230,150); L:= LmatrisiOlustur(Noktalar); L:= matrisYuvarla(L); MatrisYazdir(L,TempMatrisAlani.Grid);

TempMatrisAlani.MatlapOutput.Text:= MatrisToMatlab(L); //*********************** n (AT*L matrisi) MATRS OLUTURULUYOR VE GRNTLENYOR ************************** TempMatrisAlani:= MatrisalaniOlustur('n Matrisi (ATranspose*L)', AnalizKatmani,1390,150); kn:= TMatrix.create( 1, 11); kn.mult(L,AT); kn:= matrisYuvarla(kn); MatrisYazdir(kn,TempMatrisAlani.Grid); TempMatrisAlani.MatlapOutput.Text:= MatrisToMatlab(kn); //*********************** x (inversN*n ) MATRS OLUTURULUYOR VE GRNTLENYOR ************************** TempMatrisAlani:= MatrisalaniOlustur('x Matrisi (inversN*n)', AnalizKatmani,1540,150); x:= TMatrix.create( 1, 11); x.mult(kn,Ni); x:= matrisYuvarla(x); MatrisYazdir(x,TempMatrisAlani.Grid); TempMatrisAlani.MatlapOutput.Text:= MatrisToMatlab(x); .. ekil 7. Gelitirilen Yazlmdan Bir Ksm Kod kt rnei Dijital kameralar resim ileme alannda, kullanm kolayl, verilerin saklanmas, ilemlerin hzlandrlmas ve doruluk asndan nemli katklar ortaya koymaktadr. alma sonucunda, metrik olmayan dijital kameralarn, lmlerde kullanlabilmeleri iin kalibre edilmeleri gerektii belirlenmitir. izelge 2. Kamera Kalibrasyon Parametreleri L1 L7 L2 L8 L3 L9 L4 L10 L5 -129.73 L11 0.08471 L6 -309.5

-408.91 -24.088 143.357 1643.77 -217.58 3891.08 -0.0389 -0.1054

Xo

Yo

Zo

xo

yo

4,12956 9,49918 1,90910 1545,089 971,5159 2670,559

Teekkr
Bu alma, Seluk niversitesi Bilimsel Aratrma Projeleri (BAP) Koordinatrl tarafndan desteklenmitir.

Kaynaklar
[1] Akta, K., Bir Cismin 2 - Boyutlu Resimlerinden 3Boyutlu Modelinin retilmesi, yksek Lisans Tezi, Sleyman Demirel niversitesi, Isparta,2007. [2] Aktan, S., O. Sayisal Grnt Analizinin (Digital Image Analysis) Hayvancilikta Kullanim Olanaklari Ve Metodolojisi, 4. Ulusal Zootekni Bilim Kongresi, Sleyman Demirel niversitesi Ziraat Fakltesi Zootekni Blm, Isparta, 160-165, 2004. [3] Tademir, ., rkmez, A., Yakar ve M., nal, ., Determination of Body Measurements of a cow by Image Analys, in CompSysTech08: International

91

Tademir, ., rkmez, A., Yakar, M. ve nal, ..

Conference on Computer Systems, Bulgaria, V.8-1V.8-7, 2008. [4] Yaman , K., Sarucan, A., Atak, M., Aktrk, N., Dinamik izelgeleme in Grnt leme ve Arma Modelleri Yardmyla Veri Hazrlama, Gazi niv. Mh. Mim. Fak. Der., Cilt 16, No 1, 19-40, 2001 [5] Boazii niversitesi robot Grubu sitesi, Bilgisayar Gr ve imge leme, http://robot.cmpe.boun.edu.tr/593/gorusimge/5_2_Ka mera_kalibrasyonu.html, 15 Ocak 2009. [6] Wang, J., Shi, F., Zhang, J. ve Liu, Y., A new calibration model of camera lens distortion, Pattern Recognition, vol. 41, 607-615, 2008. [7] Karsl, E. Ayhan, E., Orta Ve Yksek znrlkl Dijital Kameralarn Metrik Performanslarnn Belirlenmesi, TMMOB Harita ve Kadastro Mhendisleri Odas 10. Trkiye Harita Bilimsel ve Teknik Kurultay, 2005. [8] Yldz, F., Karabrk, H., Yakar, M. ve Ylmaz, H. M., Yersel Fotogrametride Kullanlan Metrik Olmayan Dijital Kameralarn Kalibrasyonunda Kullanlan Yazlmlarn ncelenmesi zerine Bir alma, Harita Dergisi, say 134, 61-70, 2005. [9] Bedok, E. ve Kasap, B., 3D Nesne Modellemeye Ynelik Lazerli Bir Tarayc Sistemin Tasarm ve Gerekletirilmesi, Eleco'2006, Elektrik - Elektronik Bilgisayar Mhendislii Sempozyumu ve Fuar Bildirileri, 2006. [10] Abdel-Aziz, Y.I. ve Karara, H.M., Direct Lineer Transformation from Comparator Coordinates into Object Space Coordinates in Close-Range Photogrammetry, Proceedings of the Symposium on Close-Range Photogrammetry, Urbana, Illinois, 1-8, 1971. [11]Kapucu, S., Bayse, S., 3 Nokta Teknii le Cisimlerin Koordinatlarnn Video Grntlerinden Elde Edilmesi, 7.Ulusal Makina Teorisi Sempozyumu,Yldz Teknik niversitesi, 454-463, 1995. [12]Yakar, M., Yakn Resim Fotogrametrisi ve Uygulama Alanlar, Ders Notu, Seluk niversitesi, 2004. [13] Marangoz, A. M., http://jeodezi.karaelmas.edu.tr/ linkler/akademik/marangoz/marangoz_files/Yayinlar/C/ AycanTezy.pdf, 15 Ocak 2009. for Matlab, [14] Camera calibration toolbox http://www.ee.oulu.fi/~jth/calibr_old/, 15 Ocak 2009. [15] Fang-Jenq, C., Application of Least-Squares Adjustment Technique to Geometric Camera Calibration and Photogrammetric Flow Visualization, ISA 43rd International Instrumentation Symposium, Orlando, Florida,1997.

92

5. Uluslararas leri Teknolojiler Sempozyumu (IATS09), 13-15 Mays 2009, Karabk, Trkiye

RETNAL GRNTLERDE OPTK DSKN OTOMATK OLARAK IKARILMASI N BR YNTEM A METHOD FOR AUTOMATIC OPTIC DISC EXTRACTION IN RETINAL FUNDUS IMAGES
a,

Zafer YAVUZa,* , Cevat KBAa, Uur EVKa ve Cemal KSEa Karadeniz Teknik niversitesi, Trabzon, Trkiye, E-posta: zaferyavuz@ktu.edu.tr E-posta: cikibas@ktu.edu.tr, usevik@ktu.edu.tr, ckose@ktu.edu.tr

zet
Teknolojideki ilerlemelere paralel olarak, tpta kullanlan bilgisayarl tekniklerin saysnda ve etkinliinde nemli artlar kaydedilmektedir. Otomatik grnt ileme ve analizi, tbbi tehis, tedavi ve izleme alannda kullanlan tekniklerdendir. Bu alanda son 15 ylda kaydedilen gelimeler, retinal grntlerdeki deiik zelliklerin, deiimlerin ve dejenerasyonlarn otomatik olarak alglanmasna imkn salamaktadr. Retinal grntlerin analizinin doru biimde yaplmas, retinann doal yapsndaki optik disk ve makula gibi yaplarn doru olarak tespiti ve dejenerasyonlardan ayrt edilmesi ile yakndan ilikilidir. Literatrde bu alanda yaplm ok sayda alma vardr. Bu almalar, grnt ileme veya model tabanl olabilmektedir. Her iki yntemin de kullanld bu almada ilk olarak grnt ileme teknikleri ile retinal grntde aday optik disk blgeleri bulunmakta, daha sonra Hough Dnm yntemi ile retinada geometrik olarak bir daire oluturabilecek blgeler aratrlmaktadr. Son olarak dairesel yaplar ve aday optik disk blgeleri karlatrlarak optik diskin bulunduu blge tespit edilmektedir. Karadeniz Teknik niversitesi Tp Fakltesi oftalmoloji blmnden alnan retinal grntler zerinde yaplan testler sonucunda %85 orannda baar salamtr. Anahtar kelimeler: Optik Disk karma, Retinal Grnt analizi, Makula, Gz hastalklar

eliminating the areas where no circle is detected. The remaining area should be the one that includes the optic disc. The system achieved 85% of success on images taken from Department of Ophthalmology in Medical Faculty of Karadeniz Technical University. The experimental results has shown that using both approach increases the success rate compared to the ones used only one approach. Keywords: Optic disc extraction, Retinal image analysis, macula, retinal diseases

1. Giri
Gnmzde tp alanndaki bilgisayarl uygulamalarn yeri ve nemi giderek artmaktadr. Bu alanlara rnek olarak retinal fundus grntlerinin otomatik olarak ilenmesi ve bu yolla gz hastalklarnn tehis ve takibi verilebilir. Retinal grntlerdeki damarlar, optik disk ve makula gibi morfolojik yaplarn ve oluan dejenerasyonlarn otomatik olarak tespiti, retinal grntlerden hastalk tespit ve takibinde son derece nemlidir [1], [2], [3], [4], [25], [26]. Diyabetik retinopati, yaa bal bozulma, glukoma gibi birok hastalk bu yaplarda grlen deiikliklerden anlalabilmektedir [5], [6], [7]. Bu yzden bu alanda otomatik olarak bu fonksiyonlar gerekletiren sistemlere byk ihtiya vardr. Otomatik sistemlerin gelitirilip kullanlmas ok byk veri ynlarn grsel olarak inceleyip analiz eden salk teknisyenlerinin i ykn de nemli lde azaltacaktr. Optik disk, normal retinal grntlerde genellikle gzn ortasnda parlak, yuvarlak ve hafif oval bir disk grnmndedir. Makula ise yine ayn ekilde parlak ancak nispeten optik diske gre daha az parlaktr. ekil 1de rnek bir retinal fundus grnts verilmektedir. Optik disk, kan damarlarnn ve optik sinirlerin retinaya girdii yerdir ve optik diskin tespit edilmesi fundus grntlerinde analiz iin nemli bir admdr. Retinal grntlerde optik diskin tespiti, tehis ve takipte birok ilem iin ilk adm tekil etmektedir. Optik diske gre konumlanan damarlarn ve makulann tespiti buna rnek olarak verilebilir. zellikle retinal kan damarlarnn tespiti ve takip edilmesi ilemi optik diskin konumundan balamaktadr [1], [3], [4], [9], [14]. Optik diskin tespit edilerek ayn zellikleri tayan lezyonlardan ayrlmas, lezyonlarn daha iyi bltlenmesi asndan da son derece yararldr [3], [5], [6], [8]. Optik diskin anormal boyutlar glokoma gibi baz hastalklarn habercisi olabilmektedir. Dier taraftan hastalklara bal olarak bu yaplarn deiiklikler gstermesi, otomatik tespitlerini olduka zorlatrmaktadr [9].

Abstract
Along with the advancements in technology, the number and capability of techniques used in medical fields are increased. Automated image analysis and processing is one of the most promising areas of computer vision used in medical diagnosis, screening and treatment. The advancements achieved in this field made it possible that retinal degenerations, morphologic structures and features can be detected automatically. The proper and accurate analysis of retinal images is closely related with correct detection and segmentation of some structures such as optic disc, macula and vasculature and differentiation of these structures from degenerations. There are a quite number of studies conducted related with these issues. Most of these studies are based on image processing or pattern recognition. In this study, which employs both approaches, candidate regions for optic disc are first found based on image processing techniques and then regions that could include circular areas on the retinal image are searched by Hough Transform. The last operation is

IATS09, Karabk niversitesi, Karabk, Trkiye

93

Yavuz,Z., kiba C., evik, U. ve Kse, C.

(Haussdorf-based template matching) [20] ve Hough dnm verilebilir [4], [21]. Optik diskin bulunmasnda retinal grntlerdeki yaplarn geometrik olarak anlaml bir ekil arz etmesinden faydalanan yntemler de vardr. rnein gzdeki sinyalleri beyne ulatran tm retinal damarlar, ekil 1de grld gibi, optik diskten balamakta ve damarlar tm grntlerde benzer bir simetriye sahip olmaktadr [22], [23], [24].

2. Optik Disk Konumunu Belirleme


ekil 1. rnek bir retinal fundus grnts Literatrde optik diskin bulunmas konusu ile ilgili birok alma yaplmtr [1], [2], [8], [25], [26]. Bu almalar piksel tabal ve model tabanl olabilmektedir. Piksel tabanl bir almada Li ve ark. bir gri seviye grntsnde parlak piksellerin topland blgeleri aday blgeler olarak belirleyip, bu alanlardan optik disk iin en uygun olan model tabanl bir yaklamla belirlemektedir [10]. Piksel tabanl bir baka almada, Lee ve ark. iki aamal bir algoritma gelitirmi ve morfolojik bir interpolasyon yntemiyle optik disk blgesini bulmutur [11]. Renk morfolojisinin kullanld bir almada otomatik olarak balatlm Aktif Kontur Model (AKM) kullanlarak damarlarn elimine edilmesiyle grnt, AKM analize hazr hale getirilmitir [12]. Bu alma, [13]te Lab renk morfolojisi nerisiyle daha da gelitirilmitir. Retinal grntlerin morfolojik yaps da birok yntemde kullanlan balca zelliklerdendir. Bir almada, damar ve optik diskin snrlarndan yararlanlarak nce optik diskin yaklak yeri, daha sonra da Watershed dnmyle tam yeri tespit edilmektedir [14]. Glokoma tehisi iin optik disk/cup orannn otomatik olarak tespiti iin yaplan baka bir almada ise optik diskin otomatik olarak bulunmas iin nce grltler elenmi, daha sonrada aydnlanma normalletirilmi ve eikleme yntemi kullanlarak optik disk bulunmutur [15]. Ayn amaca ynelik baka bir almada ise optik disk parametrelerinin ve cup/disk orannn bulunmas iin renk younluunu ve eik dzeyi kmesini deerlendiren iki metot nerilmektedir [16]. [17]de deiik zelliklerdeki grntler, deiik kaynaklardan toplanm, basit sinyal ileme teknikleriyle ilenerek iki gruba ayrlm ve daha sonra uygulanan ki-kare (Chi-square p< 0.05 n=60) testi ile normal ve anormal grntlerin birbirinden ayrlmasnn anlaml olduu gsterilmitir. Optik diskin aktif snrlarnn bulunmasn temel alan almalar da mevcuttur. Bu almalarda, optik diskin snrlar tespit edilirken snrlardaki ekil bozukluu, glokoma gibi baz hastalklarn iareti olabildii belirtilmitir [18], [13], [12]. [19]da optik diskin yerinin bulunmas zel bir ablon eletirme ve bozulabilen snr model (Deformable Contour Model) kullanlarak gerekletirilmektedir. Optik diski bulmada kullanlan akll sistemlere rnek olarak Temel Bileen Analizi-TBA (Principle Component Analysis) [5], Haussdorf tabanl ablon eletirme Literatrde optik disk tespiti ile ilgili birok alma yaplmtr. Bu almalarda genel olarak iki ana yaklam kullanlmaktadr. Birinci yaklam piksel tabanl yaklamdr. Bu yaklama gre her bir piksel tek tek deerlendirilerek o pikselin optik diskin bir paras olup olmad aratrlmaktadr. kinci yaklam ise model tabanl yaklamdr ve bu yaklama gre grntye ait pikseller bir btn olarak anlamldr. Grntye ait pikseller tek balarna bir anlam ifade etmemekte, aksine, etrafnda bulunan piksellerle birlikte bir btn olarak deerlendirildiklerinde bir anlam ifade etmektedirler.

ekil 2. Sistemin alma emas Her iki yaklamn da kendine gre avantajlar ve dezavantajlar vardr. Bu almada, optik diskin belirlenmesi iin piksel tabanl ve model tabanl yaklamlar birilikte kullanlmaktadr. nce optik diskin parlaklk zelliinden yararlanarak aday optik disk blgeleri bulunmaktadr. Daha sonra Hough Dnm ile retinal grntlerde optik diske benzeyen dairesel blgeler bulunmaktadr. Son admda, bulunan aday optik disk blgeleri ve Hough Dnm ile bulunan dairesel blgeler karlatrlarak optik diskin konumu yaklak olarak belirlenmektedir. Sistemin alma emas ekil 2de verilmitir.

94

Yavuz,Z., kiba C., evik, U. ve Kse, C.

2.1. Aday Optik Disk Blgelerinin Belirlenmesi Aday optik disk tespiti ilemi, gri seviye retinal fundus grntleri zerinde gerekletirilmitir. lk olarak renkli retinal fundus grntlerin ilenmesi srasnda arka planda oluan koyu blgelerin elenmesi n ilemi gerekletirilmitir. Arka plann elenmesi iin renk kanallar arasndaki hata farkndan yararlanlmtr. Hata miktar E, eitlik (1)e gre elde edilmitir.

olarak grlmekte, bazlar ise aydnlatma, retinal hastalklar ve dier grltler nedeniyle parlak olduklarndan ve optik diskle benzerliklerinden, aday optik disk blgesi olarak hatal bir ekilde tespit edilmektedir. Bu sorunu zmek iin her bir pikselin optik diske ait olup olmadna baklr. Bir pikselin optik diske ait olup olmadn veren olaslk bants (5)te verilmitir.

P ( x, y ) =

E = (m R ) + (m G ) + (m B )

(1) (2) (3)

S ( x n, y n, x + n, y + n) NxN

(5)

m = maksimum( R, G, B)
ort ( R, G, B ) < T1

Burada E, hata deeri, R, G, B ise ilgili pikselin renginin srasyla krmz, yeil ve mavi bileenleridir. (1)de elde edilen hata deeri E, (4) bantsna gre deerlendirilerek ilgili pikselin arka plana ait olup olmadna karar verilir.

Burada S(x1,y1,x2,y2) fonksiyonu, (x1,y1) ve (x2,y2) koordinatlar arasnda kalan karesel blgedeki beyaz piksellerin saysn vermektedir. N=20 ve N=2n (karesel blgenin bir kenarnn uzunluu) olarak alnmtr. Elde edilen olaslk deerine gre bir pikselin optik diske ait olup olmadna (6) bantsnda verilen karlatrma sonucunda karar verilir.

1 I ( x, y ) = 0

, E < T2 , E T2

1 I ( x, y ) = 0

, P( x, y ) > T3 , P( x, y ) T3

(6)

(4)

Burada T3 eik deeri 0.5 olarak alnmtr. Son durumdaki aday grntler ekil 4te verilmektedir.

Elde edilen arka plan blgeleri ekil 2de gsterilmitir.

(b) (a) ekil 2. (a). Orijinal retinal fundus grnts. (b).Fundus grntye ait olmayan arka plan grntleri Siyah blgelerin elenmesi ileminden sonra grnt gri seviyeye evrilir. Retinal fundus grntsnde optik disk blgesinin parlaklk deeri dier blgelere gore daha yksek olduundan gri seviye grnt zerinde en yksek %2 parlakla sahip pikseller tespit edilir [6]. Burada bir eik deeri hesaplanarak grnt ikili grntye evrilir. kili grntde optik disk ve dier parlak blgeler (genellikle hastalkl blgeler) beyaz olarak iaretlenir (ekil 3). Burada grld gibi, oluan ikili grntde birok blge bulunmaktadr. ekil 4. rnek aday blgeler Aday optik disk seimi aamasnda elde edilen ikili grntlerde kk blgeler oluabilmektedir. Bu durum aday optik disc blge saysnn olduka artmasna sebep olabilir. Bu yzden toplam piksel says 100 den kk olan aday blgeler dorudan elenmektedir. Bu aamadan sonra Hough Dnm Yntemi le geometrik olarak bir daire oluturabilecek blgeler belirlenmekte ve aday optik disk blgeleriyle karlatrlmaktadr. 2.2. Hough Dnm Yardmyla Optik Disk Tespiti Retinal grntlerde optik disk blgesi genellikle dairesel bir blgedir. Bu nedenle grntlerde dairesel yaplar aratrlarak optik disk olabilecek blgeler tespit edilmektedir. Dairelerin tespiti iin gerekli Hough Dnm (7) eitliinde tanmlanmaktadr.

(a)

(b)

ekil 3. (a). Orjinal retinal grnt. (b). rnek ikili grnt Bu blgelerin her biri aday optik disk blgesidir. Baz blgeler tek bir blgeye ait olmasna ramen farkl blgeler

( x x0 ) 2 + ( y y 0 ) 2 = r 2

(7)

95

Yavuz,Z., kiba C., evik, U. ve Kse, C.

Bu eitlik, merkezi (x0,y0) ve yarap r olan (x,y) noktalarnn yrngesini gstermektedir. Daire denklemi parametrik olarak ise (8)deki gibi tanmlanabilir.

x = x0 + rcos

ve

y = y 0 + rcos

(8)

Retinal grntlerde dairesel blgeler (8)de verilen eitliklere gre taranr. Grnt zerinde dairesel blge aratrmas yapabilmek iin ncelikle grnt, Sobel operatr ile kenar grnts haline getirilmektedir. Bir baka deyile grnt, kenarlarn belirgin olduu ikili grntye dntrlmektedir. Dairelerin taranmas iin Hough daire tespit algoritmas kullanlmaktadr [24].

Aday optik disk belirleme admnda, eer tek bir blge bulunmusa bu blge optik disk blgesi olarak belirlenmektedir. Eer bu aamada birden fazla aday optik disk blgesi bulunmusa bu durumda Hough dnm yardmyla retinal grntde dairesel blgeler aratrlarak aday optik disk blgeleri ile Hough dnm sonucunda bulunan dairesel blgelerin merkezi koordinatlar karlatrlarak optik disk iin en uygun blgeye karar verilir. Aday optik disk blgelerinin bulunmas ve Hough dnm yardmyla dairesel blgelerin bulunmas ilemleri srasnda birbirine yakn olan ve ayn blgeye ait olan koordinatlar dikkate alnarak birletirme ilemleri de yaplmtr. ekil 4te bulunan aday blgeler ve ekil 5te bulunan dairesel blgeler karlatrlarak optik diskin konumu belirlenmektedir. ekil 6da bulunan bir optik disk verilmektedir.

ekil 5. Hough Dnm sonucu elde edilen dairesel blgeler. Verilen algoritma ile r yarapnda dairesel blge aratrlmaktadr. Bu ekilde retinal grntde optik disk olabilecek tm yaraplar tespit edilmektedir. almada kullanlan retinal fundus grntler KT Farabi Hastanesinden alnmtr. Bu grntler 760x570 znrlndedir. Bu znrle gre optik disk olabilecek karesel blgelerin boyutlar 80140 piksel arasnda deimektedir. Bu nedenle, dairesel blgeler aratrlrken kullanlan yarap deeri 4070 piksel olarak alnmtr. 2.3. En Uygun Optik Disk Konumunun Seilmesi Daha nceki blmlerde iki farkl yolla optik diskin konumu aratrlmtr. Bu blmde bu iki yntem birlikte kullanlarak en uygun optik disk konumunun tespiti amalanmaktadr. Optik diskin belirlenmesi iin ilk olarak uygulanan ilem, grntdeki aday optik disk blgelerinin belirlenmesidir. Bu ilem blm 2.1 de anlatlmtr. Retinal fundus grntlerde genellikle optik disk dnda da parlak blgeler bulunmaktadr. Bu blgeler aydnlatma ve benzeri istenmeyen grltler nedeniyle oluabilecei gibi ekil 2.ada gsterildii gibi glokoma ve yaa bal makula dejenerasyon gibi eitli hastalklar nedeniyle de oluabilmektedir. Bu nedenle aday optik disk blgelerinin belirlenmesi aamasnda genellikle birden ok aday blge bulunabilmektedir. Bu durum ekil 3.bde grlmektedir.

ekil 6. Optik disk konumunun belirlenmesi

3. Sonu
Bu almada retinal grntlerde nemli bir adm olan optik disk tespiti zerinde durulmutur. Optik disk tespiti iin nce grnt ileme teknikleri ile aday optik disk blgeleri bulunmu, daha sonra da Hough Dnm uygulanarak grnt zerindeki dairesel blgeler tespit edilmitir. ki farkl yntemle elde edilen aday optik disk blgeleri aktrlarak nihai optik disk tespiti gerekletirilmitir. Sistem iin kullanlan retinal grntler KT Farabi Hastanesi Oftalmoloji blmnden alnmtr. Grnt boyutlar 760x570 pikseldir ve RGB formatndadr. Test ilemi iin 20 retinal grntden 17si zerinde baarl bir ekilde optik disk tespiti gerekletirilmitir. Sonular izelge 1de verilmitir. izelge 1. Optik disk konumunu belirleme sonular Retinal grnt says Baarl tespit says Baarsz tespit says Baar oran 20 17 3 %85

izelge 1de gsterildii gibi, sistemin optik diskin konumunu belirlemedeki baarm % 85 civarndadr. Kullanlan yntem gelitirildiinde baarm daha da artacaktr. Bu tespit retinal damarlarn izlenmesi ve

96

Yavuz,Z., kiba C., evik, U. ve Kse, C.

kanamalarnn tespitinde ilk adm olarak kullanlabilir. Gelecek almada yntem daha da iyiletirilerek optik disk konumu belirleme baarm arttrlacak ve sistem daha fazla retinal grnt zerinde test edilecektir. nerilen yntem, piksel tabanl bir yaklam olan grnt ileme teknikleri ile model tabanl bir yaklam olan Hough Dnm yntemini bir arada kullanarak her iki yntemin de avantajlarn birletirmektedir. Sistemin parametrelerinin ilenen resme gre doru bir ekilde seilmesi daha yksek baarm oranlarn netice verecektir.

Kaynaklar
[1] C. Sinthanayothin, J. F. Boyce, H. L. Cook, T. H. Williamson, Automated Location of the Optic Disc, Fovea, and Retinal Blood Vessels from Digital Colour Fundus Images, British Journal of Ophthalmology, Vol. 83(8), pp.902-910, 1999. [2] J. Lowell, A.Hunter, D. Steel, A. Basu, R.Ryder, E. L. Kennedy, Optic Nerve Head Fletcher, Segmentation, IEEE Transaction on Medical Imaging, , Vol. 23, No. 2, pp.2556-264, 2004. [3] L. Gagnon, M. Lalonde, M. Beaulieu, M.-C. Boucher, Procedure to detect anatomical structures in optical fundus images, Proceedings of Conference Medical Imaging 2001: Image Processing, pp. 1218-1225. 2001 [4] T. Teng, M. Leey, and D. Claremont, Progress towards automated diabetic ocular screening: A review of image analysis and intelligent systems for diabetic retinopathy, Med. Biol. Eng. Comput., vol. 40, pp. 2 13, 2002. [5] H. Li, O. Chutatape, Automatic location of optic disc in retinal images, in Proc. IEEE-ICIP, vol. 2, pp. 837 840, 2001. [6] H. Li and O. Chutatape, A model-based approach for automated feature extraction in fundus images, in 9th IEEE Int. Conf. Computer Vision (ICCV03), 2003, vol. 1, pp. 394399. [7] R. A. Abdel-Ghafar, T. Morris, T. Ritchings, and I. Wood, Detection and characterisation of the optic disc in glaucoma and diabetic retinopathy, presented at the Med. Image Understand. Anal. Conf., London, U.K., Sep. 2324, 2004. [8] A. Osareh, M. Mirmehdi, B. Thomas, and R. Markham, Classication and localisation of diabetic-related eye disease, in 7th Eur. Conf. Computer Vision (ECCV), May 2002, vol. 2353, LNCS, pp. 502516. [9] F. ter Haar, Automatic localization of the optic disc in digital colour images of the human retina, M.S. thesis, Utrecht University, Utrecht, The Netherlands, 2005. [10] H. Li, O. Chutatape, Automatic location of optic disk in retinal images, in Proc. IEEE-ICIP, vol. 2, pp. 837 840, 2001. [11] S. S. Lee, M. Rajeswari, D. Ramachandram and B. Shaharuddin, Screening of Diabetic Retinopathy Automatic Segmentation of Optic Disc in Colour Fundus Images, IN: Proceedings of DFMA 2006: The 2nd International Conference on Distributed Frameworks for Multimedia Applications, pp. 37-43, 2006. [12] A. Osareh, M. Mirmehdi, B. Thomas, R. Markham, Colour Morphology and Snakes for Optic Disc

Localisation,16th IEEE Int. Conf. Pattern Recognition, vol.1, pp. 743746, 2002. [13] A. Osareh, M. Mirmehdi, B. Thomas, R. Markham, Comparison of color spaces for optic disc localization in retinal images, in Proc. 16th IEEE Int. Conf. Pattern Recognition, vol.1, pp. 743746, 2002. [14] T. Walter, J.-C. Klein, Segmentation of Color Fundus Images of the Human Retina: Detection of the Optic Disc and the Vascular Tree Using Morphological Techniques, Pattern Recognition Letters, Springer: Lecture Notes in Compute Science, ISMDA 2001, LNCS 2199, pp. 282287, 2001. [15] M. Edgardo, F. Rivern1 and M. del Toro Cspedes, Measurement of Parameters of the Optic Disk in Ophthalmoscopic Color Images of Human Retina, CIARP 2004, LNCS 3287, pp. 661668, 2004. [16] J. Liu, D. W. K. Wong, J.H. Lim, X. Jia, F. Yin, H. L, W. Xiong, T. Y. Wong, Optic Cup and Disk Extraction from Retinal Fundus Images for Determination of Cupto-Disc Ratio, 3rd IEEE International Conference on Industrial Electronics and Applications, ICIEA 2008. [17] R. A. Abdel-Ghafar, T. Morris, Progress towards automated detection and characterization of the optic disc in glaucoma and diabetic retinopathy, Informatics for Health and Social Care, Volume 32, Issue 1 March 2007 , pp 19-25 [18] F. Mendels, C. Heneghan, P. D. Harper, J.-Ph. Thiran, Identification of the Optic Disk Boundary in Retinal Images using Active Contours, In: Proceedings of Irish Machine Vision and Image Processing Conference (IMVIP) 1999, 1999, p. 103-115 IEEE, 1999. [19] J. Lowell, A.Hunter, D. Steel, A. Basu, R.Ryder, E. Fletcher, L. Kennedy, Optic Nerve Head Segmentation, IEEE Transaction on Medical Imaging, Vol. 23, No. 2, pp.2556-264, 2004. [20] M. Lalonde, M.Beaulieu, L. Gagnon, Fast and Robust Optic Disc Detection Using Pyramidal Decomposition and Hausdorff-Based Template Matching, IEEE Transaction on Medical Imaging, Vol. 20, No. 11, pp.:1193-1200, 2001 [21] M. Park, J. S. Jin, S. Luo, Locating the Optic Disc in Retinal Images, IEEE Transaction on Biomedical Engineering, Vol.:26 (1), pp.116-127, 2007. [22] M. Foracchia, E. Grisan, A. Ruggeri, Detection of Optic Disc in Retinal Images by Means of a Geometrical Model of Vessel Structure, IEEE Transaction on Medical Imaging, Vol. 23, No. 10, pp. 1189-1195, 2004. [23] Kenneth W. Tobin, Senior Member, IEEE, Edward Chaum, V. Priya Govindasamy, Member, IEEE, and Thomas P. Karnowski,Detection of Anatomic Structures in Human Retinal Imagery. [24] Nixon M. & Aguado A., Feature Extraction & Image Processing, Elsevier, Hungary, 2008. [25] Kse C., evik U., Genaliolu O., Automatic segmentation of age-related macular degeneration in retinal fundus images, Computers in Biology and Medicine. Vol.: 38, pp:611-619, 2008. [26] Kse C., evik U., Genaliolu O., kiba C., Kaykolu T., A Statistical Segmentation Method for Measuring Age-Related Macular Degeneration in Retinal Fundus Images, Journal of Medical Systems, 2008, doi: 10.1007/s10916-008-9210-4.

97

5. Uluslararas leri Teknolojiler Sempozyumu (IATS09), 13-15 Mays 2009, Karabk, Trkiye

RETNADAK YAA BALI MAKULA DEJENERASYONUNUN (YBMD), STATSTKSEL VE BLGE BYTME YNTEMLER LE BLTLEME SONULARININ KARILATIRILMASI COMPARING THE RESULTS OF STATISTICS AND REGION GROWING SEGMENTATION METHODS FOR AGE-RELATED MACULA DEGENERATION IN RETINA
a, *

Uur evika.*, Cemal Kseb , Hidayet Erdlc , Zafer Yavuzb , Cevat kibab
KT Fen Edebiyat Fak. statistik ve Bilgisayar Bil. Bl., Trabzon, TRKYE, E-posta: usevik@ktu.edu.tr b KT Mhendislik Fak. Bilgisayar Mh., Trabzon, TRKYE, E-posta: ckose@ktu.edu.tr c KT Tp Fak. Gz Hastalklar AD., Trabzon, TRKYE, E-posta: herdol@ktu.edu.tr E-posta: zaferyavuz@ktu.edu.tr, cikibas@yahoo.com

zet
nsanolunun en nemli duyu organlarndan biri olan gz, ilerleyen yaa ve ortama bal olarak ilevsellii zayflayabilir. Bu almada, hastalardan elde edilen retina grntleri zerinde eitli grnt ileme teknikleri kullanarak, ilerleyen yala ortaya kan Yaa Bal Makula Dejenerasyonu (YBMD) sonucunda meydana gelen drusen denilen sar parlak yaplarn alglanp bltlenmesi amalanmtr. Bu ama dorultusunda, ilk olarak drusenlerin bulunduu makula blgesinin lokalizasyonu iin optik diskin bulunmas hedeflenmitir. Optik disk bulunurken, optik disk zerindeki damarlarn oluturduu kenar bilgilerinden faydalanmak iin dikey kenar alglama filtreleri kullanlmtr. Filtrelenmi grnt zerinde dikey toplam parlaklk deeri histogram hesaplanarak, parlak damar kenarlarnn histogramda oluturduu maksimum deer tespit edilir. Bu maksimum deer byk oranda optik disk zerinden geer. Bylece optik disk alglanp makula ile olan geometrik ilikisinden faydalanarak drusenlerin bulunduu makula blgesi lokalize edilir. Burada, bltleme ilemine geilmeden nce optik diskin eliminasyonunun gerekletirilmesi gerekmektedir. Bunun nedeni, drusenlerin parlaklk dalm ile optik diskin parlaklk dalmlarnn benzer olmasdr. statistiksel ve blge bytme yntemleri yardmyla salkl dokular bltlenip, bltlenen alann tersi alnarak drusenler tespit edilmitir. Ayrca, kullanlan bu yntemler birbiriyle karlatrlarak deerler almann sonu ksmnda verilmitir. Anahtar kelimeler: Grnt leme, Retina, YBMD, ARMD

the histogram of the filtered image by calculating the vertical total intensity value. Then, the maximum value is used to determine the optic disc. Then, macular region including drusen is localized from geometrical relation between the optic disk and macula. Finally, the macula is located, and then the optic disc is eliminated to prevent the mis-segmentation because of the similarity between the intensity distribution of drusen and optic disk before the segmentation. Statistical and region growing methods are employed to segment the healthy areas of the macula. Then, a simple vessel elimination method is also used to segment the vessels in the macular area. Hence, the healthy texture is first segmented, and then the segmented image is inverted to determine the degenerated area with drusen. In addition to, this methods are compared each other and given the result values in the conclusion part of this paper. Keywords: Image Processing, Retina, YBMD, ARMD

1. Giri
Dijital ortamdaki grntlerin yaps grnt ileme yntemlerinin salkl uygulanmasnda byk bir neme sahiptir. Gz kliniklerinde yaplan muayene srasnda elde edilen retina grntleri gnmzn en son dijital grnt alma teknolojilerine sahip kameralar yardmyla yaplmaktadr. Elde edilen grntler, piksel bakmndan her ne kadar kaliteli ve iyi znrle sahip olurlarsa olsunlar, alnan grntlerden doktorlarn retinada meydana gelen lezyonlar, yapsal bozukluklar ve bu bozukluklarn zamana gre deiimlerini lmek iin, byklk, alan, ap gibi nicel verileri elde etmeleri ancak yazlmlar yardmyla olabilir. Amacmz yksek kaliteli dijital retina grntsnde, YBMD sonucu oluan lezyonlarn ve yapsal bozukluklarn daha rahat ve detayl biimde alglanmasn salamaktr. Bu almada, fundus kameradan alnan bu retina grntleri, 8-bit bitmap gri seviyeye grntlere dntrerek ilenmitir [1].

Abstract
Age-Related Macular Degeneration (ARMD) is one of the most common eye diseases causing the vision lost over 65 years old. In this study, a method is proposed to determine the drusens or ARMDs which occur as yellow-white small accumulation on the macula in the beginning of the disease. In the application, the optic disc is first detected in order to localize the macula region. For the finding of optic disc, we used the vertical edge detection filter to benefit from the knowledge of the edges of the disc which results from vessels. Hence, the maximum value is obtained from
IATS09, Karabk niversitesi, Karabk, Trkiye

2. Yaa Bal Makula Dejenerasyonu (YBMD) ve Etkileri


Makula, retina tabakasnn ortasnda sar nokta da denilen ve keskin grmeden sorumlu ok kk bir alan

98

EVK, U. ,KSE, C., ERDL, H.,YAVUZ, Z., KBA, C.

kapsamaktadr. Karya baktmzda kornea ve lens tarafndan k makulaya odaklanr. Grmemiz makula merkezinde daha keskin kenarlara doru ise daha zayftr. Makular dejenerasyon ite bu sar noktann hasar grmesi sonucu ortaya kar. Makula dnda kalan retina alanlar sayesinde evresel grme korunur. Bu nedenle makular dejenerasyon tam olarak bir krle yol amaz, ancak ekil 1deki gibi yakn almay ve okumay eitli optik yardmc cihazlar olmadan imkansz hale getirebilir. Makular dejenerasyonun gelimesinde temel risk faktr ilerleyen yatr. Gelimi lkelerde zellikle 50 ya zerindeki poplsyonda ciddi grme kaybna yol aan bir retina hastaldr. Batl lkelerde 65 ya zerinde en sk grme kayb sebebidir. Ar grme kayb yala birlikte art gstermektedir. Bunun yan sra aile genetii, cinsiyet (kadnlarda daha fazla), ak renkli gz, hipertansiyon, kalp hastal, sigara kullanm ve UV nlar da risk faktrleridir [3-8].

1, R( x, y ) = 0,

1 2 < T
diger

(1)

Burada ortalamalar fark T hata eiinin altnda ise R(x,y) deeri 1 olur ve ortalamalar birbirine benzerdir denilebilir. Bu karlatrma, dier istatistiksel deerler de eklenerek karlatrma parametreleri arttrlabilir. 3.2. Blge Bytme Yntemi Birbiriyle benzer blgelerin pikselleri dzenli bir dalma sahiptir. Bu dzgn dalm gri seviye, renkli veya dier formattaki resimlerin hepsinde grlebilir. Pikseller arasndaki benzerlik birka yntemle bulunabilir.

Dogru P(R ) = Yanlis

Eger Diger

f ( j, k ) f (m, n ) durumlarda

(2)

eklinde bir yaklam yntemi kullanlabilir. Buradaki (j,k) ve (m,n) R blgesindeki komu herhangi iki pikselin koordinatlardr. ise piksellerin R blgesine dahil etmek iin kullanlan pikseller arasndaki fark eiidir. Bu fark eii deitirilerek blge alanlar optimize edilebilir. eik deerinin kullanlmasn en byk nedeni, ayn blge olmalarna karn d etkenlerden azda olsa etkilenerek deiim gsteren komu pikseller arasndaki kk farklarn gz ard edilmesini salamaktr. Bylece birbirine yakn pikseller blgelere ayrlabilir [5],[10-12]. Bir baka blge ayrma yntemi de,

ekil 1. YBMD Hastalna sahip hastann grd grnt Makular dejenerasyonunun en sk grlen ekli, atrofik tiptir bu tipe kuru tip makular dejenerasyon da denir. Bu tipte grme kayb yllar ierisinde geliir. Atrofik bulgularn balangcndan yaklak 10 yl sonra grme 0.1 seviyesine iner. Kuru tip makula dejenerasyonunda, drusen denilen kk, yuvarlak ve beyaz-sar renkte birikintiler oluur. almann amac, drusen denilen yaplar istatistiksel ve blge bytme yntemleri yardmyla bltlenerek bunlarn alan ve ekil bilgisini elde etmek ve sonularn karlatrlmasdr [6-8].

Dogru P (R ) = Yanlis

Eger Diger

f ( j, k ) R durumlarda

(3)

art ile gerekletirebilir. Burada , f(j,k) R blgesindeki pikselin gri seviyedeki deeri, (j,k) bu pikselin R blgesindeki koordinatdr. R ise, R blgesine dahil olan tm piksellerin gri seviye ortalamalardr. zellikle blge bytme ynteminde seilen tohum blgesel bir tohumsa, (3) bantsnda R ortalamas tohum olarak kullanlabilir [9].

3. YBMD Hastalnn Bltlenmesi


3.1. Optik Diskin Alglanmas YBMD hastalnn grld retinadaki makula blgesinin lokalizasyonu iin optik diskin bulunmas gereklidir. Optik diskin bulunmas iin onun karakteristik zelliklerinden faydalanlr. Optik diskin baz karakteristik zellikleri, Optik diskin parlaklk deeri, ap uzunluu (yaklak 1.8 mm), Alan (yaklak 2.7 mm2), Retina zerindeki damarlarn bir parabol izerek optik disk blgesinde kesimesi, eklinde sralayabiliriz [13-16]. Bu almada optik diskin bulunmas iin retina zerindeki ana damarlarn optik disk zerinde bir araya gelerek youn bir damar blgesi oluur. Burada her damar bir kenar oluturur. Eer retina grnts zerine dikey kenar alglama filtrelerinden Sobel veya Prewitt uygulanrsa optik

3. Kullanlan Grnt leme Teknikleri


3.1. statistiksel Bltleme Yntemi statistiksel olarak bir blgenin benzeri, o blgenin dalm, varyans, standart sapmas ve ortalamas gibi istatistiksel deerleri karlatrarak bulunabilir. Doku analizinde en ok kullanlan yntemlerden biride istatistiksel verilerden faydalanlarak yaplan bltleme ilemidir. Grnt zerindeki istatistiksel verilerin, benzetim yntemi olarak da sylenebilir. Bu benzetme yntemi elbette bir hata eii (T) altnda gerekletirilir. rnein, iki ekirdek grntnn ortalama karlatrmas yaplsn. 1 birinci grntnn, 2 ise ikinci grntnn ortalamalar olmak zere;

99

EVK, U. ,KSE, C., ERDL, H.,YAVUZ, Z., KBA, C.

disk etrafnda kacaktr[11].

youn

ve

parlak

kenarlar

ortaya

ekil 1. Orijinal retina ve dikey toplam piksel histogramnn uygulamas Filtrelemeden sonra grntnn dikey toplam histogram alndnda parlak kenarlarn olduu blgelerin histogram deerleri de yksek olacaktr. En youn kenar blgeleri de optik disk zerinde olduundan, optik diskin dikey koordinat zerinde bir maksimum histogram deeri bulunacaktr [5]. ekil 2.deki dikey toplam histogramda grld gibi, optik disk zerindeki grntnn y eksenleri maksimum deerlere sahiptir. Maksimum deerin belli bir eii altndaki dier y koordinatlar da alnrsa, tam optik disk zerinde belli bir aralk meydana gelir. Optik disk bu araln ierisinde bulunur. Burada nemli olan optik diskin hangi gze ait olduudur. ekil 2.deki optik disk grntnn sol yarsnda bulunduu iin makula, optik diskin sa tarafnda yer alr. Bu bilgide, histogram zerindeki maksimum nokta (Max), grntnn orta izgisinin (Orta) sanda veya solunda olma konumuna gre elde edilir. Ksaca (4)deki art bantsyla bulunabilir [1-5].

ekil 3. Makula lokalizasyonu YBMD hastal makula blgesinde ve ana damarlarn izdii hiperbolun arasnda geni bir alana yaylm olabilir. Bu sebepten dolay makulay lokalize ederken optik diskin bulunduu aralktaki snr dorular gz nne alnr. Eer, optik disk sada ise optik disk zerinden geen minimum indeksli koordinat, optik disk solda ise optik disk zerinden geen maksimum indeksli koordinata gre makulann bulunduu alan tespit edilir. Optik diskin bulunmasnn ardndan, ekil 3te makulaya en yakn olan optik disk zerindeki maksimum noktadan 100 piksel makulaya doru 100er pikselde st ve alttan olmak zere makula blgesi belirlenir. Burada kullanlan 100 piksel snr, zerinde altmz 760x570 boyutunda ve 96dpi znrlkl resimler iin geerlidir [1-5]. 3.3 YBMDnin statistiksel Yntemlerle Bltlenmesi almada kullanlan istatistiksel benzetim metodunun ilk adm, istatistiksel olarak salkl retina dokusunu temsil edebilecek en kk a a grnt boyutunu ve bunun istatistiksel deerlerinin bulmaktr. Temsil grntsne, ekil 4te grld zere Karakteristik Temsil mgesi (KT) denilebilir. KTnin boyutunun optimum ekilde bulunmas, almasnda ayrntl olarak verilmitir. kinci admda, salkl dokular iin referans alnan KTye benzer dokularn tarama tekniiyle bltlenmesidir. Tarama srasnda yaplan karlatrma, KT boyutundaki alanlarn KT ile istatistiksel zelliklerinin belli bir eik deeri altnda ekil 5teki histogram benzerlikleri kontrol edilerek yaplmtr [5].

Sagda OptikDisk = Solda

Eger Max > Orta Eger Max < Orta

(4)

3.2 Makulann Lokalizasyonu Makulann lokalizasyonu, YBMD hastal sonucu meydana gelen drusenlerin bulunduu blgenin retinadan kartlarak bltlemeyi yerelletirmitir. Eer bltleme tm retina zerinde yaplsayd, asl amalanan durusenler ile beraber, amacmz dndaki drusenlere benzer blgelerde bltleme ierisine girebilirdi. Optik diskin yeri bulunduktan sonra geometrik ve konumsal bilgiler yardmyla makulann yerinin tespiti zor deildir. Normal bir o retinada makula, optik diskle 15 yapacak ekilde sa gzde optik diskin solunda, sol gzde ise optik diskin sanda yer alr [1-5],.

ekil 4. Retina zerinde KTnin seimi ve istatistiksel verileri

100

EVK, U. ,KSE, C., ERDL, H.,YAVUZ, Z., KBA, C.

ekil 5. KT ile taranan grntlerin histogram dalmlarnn karlatrlmas. ekil 6da da benzer a a blgesinin orta pikseli iaretlenerek tarama ilemi, bir dikey koordinat kaydrlarak grnt sonuna kadar devam etmektedir. Bylece ekil 7deki orijinal makula blgesi grnts, makula blgesi zerindeki salkl dokular iaretlenerek ekil 8deki hale gelmitir [5]. ekil 7. Orijinal dejenerasyona uram makula blgesi

ekil 6. Retinann taranmas ve KTye benzeyen alanlarn iaretlenmesi Burada ekil 8de de grld gibi makula blgesindeki salkl blgelerin bltlenmesi sonucunda geriye drusenler ve damarlar kalmtr. Ama, makula dejenerasyonu hastalnn bltlenmesi olduu iin dier tm yaplarn elimine edilmesi gerekir. Bu sebepten dolay, damarlarda bltleme ilemi srasnda gri seviye parlaklk deerleri drusen ve retina dokularndan farkl (dk deerli) olduklarndan belli bir eik deeri yardmyla ekil 9da grld gibi elimine edilmitir. Bylece, istatistiksel bltleme ynteminin uygulanmasndan sonra geriye YBMD sonucunda oluan drusenler kalmtr [5] [9], [1316]. ekil 9da YBMD hastalna bal olarak gelien yksek parlaklk deerlerine sahip drusenler, damarlarn ve salkl retina dokusunun eliminasyonu sonucunda bltlenmiti. Ama, YBMD hastalna bal drusenleri tespit edip, oluan bu drusenler hakknda nicel veriler elde etmekti. Salkl retina dokusu ve damarlarn bltlenmesi sonucu bltleme ters ynden yaplmtr. O halde, mevcut bltlenmi grntnn tersi alndnda yani bltlenmi alanlarla bltlenmemi alanlar yer deitirildiinde drusenler bltlenmi duruma geecektir [5] [9], [13-16]. ekil 10.da damarlar ve retina dokusu bltlenmi makula blgesinin tersi alndnda sadece drusenlerin bltlendii grlmektedir. ekil 9. statistiksel Yntemle bltlenen makula blgesinin damar eliminasyonu sonucunda geriye kalan drusenler

ekil 8. statistiksel Yntemle bltlenen makula blgesi

101

EVK, U. ,KSE, C., ERDL, H.,YAVUZ, Z., KBA, C.

ekil 10. Bltlenmi Salkl Alanlarn Tersinin Alnmas 3.4. Blge Bytme Yntemi ile Bltleme Blge bytme yntemi, komu piksel analiz ilemine dayanr. Bltlenmesi istenilen dokudan bir tohum alarak ve bu tohumun hemen komusundan balayp belli bir eik deeri altnda bltleme olayna balanr. Komu tabanl karlatrma yntemine dayanan blge bytme, grnt sonuna gelene kadar bltlenmesine devam eder [5][1012]. Blge bytme ynteminin ilk ve en nemli aamas tohum seimidir. Tohum seimi, grnt zerinde bir piksel olabilecei gibi bir blgenin ortalamas da olabilir. Ayrca grnt zerinde birden ok tohumda seilebilir. Bu almada tohum seimi blgesel olmutur. Bunun nedeni, bltlemek istediimiz retina dokusunun saf veya bir baka deyile tek renk bir yapya sahip deildir. Dolaysyla tohum seimi retina dokusu zerinden alnan bir blgenin parlaklk ortalamas deeri alnarak yaplmtr [5][10-12]. Blge bytme yntemi, tohum olarak salkl retina dokusu zerinde bir blge seilip bu blgenin ortalamas tohum deeri olarak alnp komu piksellerin karlatrlmas eklinde uygulanmtr. Blgeye giren piksellerin deerleri de eklenerek yeniden bir blge ortalamas hesaplanm ve bir sonraki piksel bu yeni ortalama deerine gre karlatrlmtr. Karlatrma belli bir hata eii altnda yaplmtr. Bu hata eii kullanc tarafndan seilebildii gibi, tohum olarak seilen ilk blgenin standart sapmas da alnabilmektedir. Ayrca bu standart sapma yine kullancnn seebilecei bir katsay ile arplp hata eii aral geniletilebilir [5][1012].. Tohum blgesi ve hata eii seildikten sonra tohum olarak belirlenecek olan tohum blgesinin ortalama deerinin sabit mi yoksa gncellemeli mi olacana karar verilir. Yaplan karlatrmalarda gncellemeli ortalama daha iyi sonu verildii gzlenmitir. Bunu sebebi de retina dokusunun birbirine yakn fakat deerleri arasnda fark olabilecek yapda olmasdr. Bu neden tohum olarak bu farkl piksellerin ortalamalarnn alnmas daha uygun olacaktr [5],[10-12]. Retina dokusunun bltlenmesi iin kullanlan blge bytme ynteminin uygulamadaki baz admlar ekil 11.de gsterilmitir. Buradan da grld gibi yaplan bltleme seilen blgenin komular bltlenerek devam etmektedir [5][10-12].

ekil 11. Blge bytme ynteminin uygulamas.

4. Sonular
4.1. statistiksel ve Blge Sonularnn Karlatrlmas Bytme Yntemleri

statistiksel ve Blge Bytme ile bltleme yntemleri manuel bltleme yntemiyle karlatrlmtr. Bu iki yntemin birbiriyle karlatrlmas ve sonular Tablo 1de verilmitir [5]. statistiksel bltleme yntemi ekil 12de ile Karakteristik Temsil mgesi boyutundaki kare alanlarn dalmlar karlatrlarak, blgesel bir bltleme ilemi yaplmaktadr. Blge bytme ynteminde ise, seilen tohum blgenin ortalamas tohum deeri kabul edilerek komu piksellerin bu deerle karlatrlmas ile ekil 13de sonular verilen bltleme yntemidir. Yani istatistiksel bltleme ynteminde blgesel, blge bytme ynteminde ise piksel baznda ilem yaplmaktadr. Dolaysyla bu iki yntem arasnda mutlaka bir fark beklenir [5].

ekil 12. YBMDnin istatistiksel yntemle bltlemesi

ekil 13. YBMDnin blge bytme yntemli ile bltlemesi

102

EVK, U. ,KSE, C., ERDL, H.,YAVUZ, Z., KBA, C.

Kaynaklar
[1] evik, U., Genaliolu, O. And Kse, C., Retina Grntlerinde Yaa Bal Makula Dejenerasyonunun Blge Bytme Yntemiyle Segmentasyonu, ElektrikElektronik-Bilgisayar Mhendislii 12. Ulusal Kongresi ve Fuar, Ekiehir, vol. 12, 635-639, 2007. [2] evik, U., Genaliolu, O. And Kse, C., Retina Grntlerinde Yaa Bali Makula Dejenerasyonunun statistiksel Yntemlerle Segmentasyonu, Akademik Biliim 2007 Dumlupnar niv., Ktahya, 2007. [3] Kse, C., evik, U., Genaliolu, O., kiba, C., and Kaykolu, T., A Statistical Segmentation Method for Measuring Age-Related Macular Degeneration in Retinal Fundus Images, Journal of Medical Systems, online, 2008. [4] Kse, C., evik, U., Genaliolu, O., Automatic segmentation of age-related macular degeneration in retinal fundus image, Computers in Biology and Medicine, vol.38, 5, 611-619, 2008. [5] evik, U., Retina Grntlerinde Yaa Bal Makula Dejenerasyonunun Otomatik Bltlenmesi, Yksek Lisans Tezi, KT Fen Bilimleri Enstits, 2007. [6] http://www2.bayar.edu.tr/baristoprak/mkldej.html Yaa Bal Makula Dejenerasyonu, 15 Mays 2007. [7] http://www.nei.nih.gov/health/maculardegen/armd_ facts. asp The National Eye Institute (NEI), AgeRelated Macular Degeneration, 05 Haziran 2007. [8] Alberti, W.E., Richard, G., Sagerman, R.H., AgeRelated Macular Degeneration, Springer First Edition, Hamburg, November 27, 2000. [9] Sinthanayothin C., Boyce J. F., Cook H. L., Williamson T. H., Automated Location of the Optic Disk, Fovea, and Retinal Blood Vessels from Digital Colour Fundus Images, British Journal of Ophthalmology, 83,8 902 910, 1999. [10] Boyle R. and Thomas R., Computer Vision: A First Course, Blackwell Scientific Publications, Oxford, 1988. [11] Gonzalez R. C., Woods R.E., Digital Image Processing (2nd Edition), Prentice Hall, New Jersey, 2002. [12] Efford, N., Digital Image Processing : A Practical Introduction Using Java, Addison-Wesley, 2000. [13] Niemeijer M., Ginneken B. and Haar F., Automatic detection of the optic disc, fovea and vascular arch indigital color photographs of the retina, Proceedings of the British Machine Vision Conference, 109-118, 2005. [14] Walter T., Klein J. C., Massin P. and Erginay A., A contribution of image processing to the diagnosis of diabetic retinopathyDetection of exudates in color fundus images of the human retina, IEEE Trans. Med. Imag., 21 1236 1243, 2002. [15] Hart W. E., Cote B., Kube P., Goldbaum M. and Nelson M., Automatic Segmentation and Classification of Objects in Retinal Images, Computer Science and Enginering University of California, San Diego, Haziran 24, 1994. [16] Rapantzikos, K. and Zervakis, M., Nonlinear enhancement and segmentation algorithm for the detection of age-related macular degeneration (AMD) in human eye's retina, Image Processing, 2001. Proceedings. 2001 International Conference , 3 1055 1058, Oct. 2001.

ekil 14. YBMD istatistiksel ve blge bytme yntemin bltleme karlatrmas ekil 14.de grld gibi blge bytme yntemi, istatistiksel yntemden biraz daha farkl olarak dank bir alanda bltleme yapmtr. Yani alan olarak ok kk drusenleri de bltleme alanna dahil etmitir. Bltleme sonular, elle, istatistiksel yntem ve blge bytme yntemleri ile karlatrlmalar Tablo 1.de verilmitir [5]. izelge 1. Manuel ve statistiksel Bltleme Yntemleri ile bltleme sonucu iaretlenen piksel saylarnn karlatrlmas Grnt Elle Bltleme statistiksel Bltleme Grnt-1 441 401 Grnt-2 1199 1076 Grnt-3 4340 4187 Grnt-4 16989 15836 Grnt-5 24156 25791 30 Grnt 9576 8954 in ortalama izelge 2. Manuel ve Blge Bytme Yntemleri ile bltleme sonucu iaretlenen piksel saylarnn karlatrlmas Grnt Grnt-1 Grnt-2 Grnt-3 Grnt-4 Grnt-5 30 Grnt in ortalama Elle Bltleme 441 1199 4340 16989 24156 9576 Blge Bytme ile Bltleme 385 1328 4726 18072 25376 10335

izelge 3. statistiksel ve Blge Bytme Yntemleri ile bltleme sonucu iaretlenen piksel saylarnn karlatrlmas Grnt Grnt-1 Grnt-2 Grnt-3 Grnt-4 Grnt-5 30 Grnt in ortalama Blge Bytme ile Bltleme 385 1328 4726 18072 25376 10335 statistiksel statistiksel Bltleme ve Blge Bytme 401 16 1076 -252 4187 -539 15836 -2236 25791 415 8954 -1381

103

5. Uluslararas leri Teknolojiler Sempozyumu (IATS09), 13-15 Mays 2009, Karabk, Trkiye

PARMAKZ TANIMA SSTEMLERNDE KULLANILAN ZELLK IKARTMA ALGORTMALARININ PERFORMANS ANALZ PERFORMANS ANALYSIS OF FEATURE EXTRACTION ALGORITHMS USED IN FINGERPRINT IDENTIFICATION SYSTEMS
a,*

Salih GRGNOLUa, * ve Abdullah AVUOLUb Karabk niversitesi Teknik Eitim Fakltesi Elektronik ve Bilgisayar Eitimi Blm, Karabk, Trkiye, b Karabk niversitesi Mhendislik Fakltesi, Bilgisayar Mhendislii, Karabk, Trkiye, E-posta: salihg@karabuk.edu.tr , abdullah.cavusoglu@gmail.com 1. Giri
Geleneksel olarak gvenlii artrmada kullanlan anahtarlar, ifreler ve tantm kartlar, alnma, paylama, kaybetme ve unutma gibi nedenlerle yetersiz kalmaktadr. Gnmzde gvenlii artrmak iin gz retinas, parmak izi, imza, yz, ses, DNA gibi biyometrik unsurlardan yararlanlmaktadr. Biyometrik zellikler, kaybedilmemesi, unutulmamas veya alnma olaslnn olmamas gibi nedenlerle daha gvenli bulunmakta ve tercih edilmektedir [1-4]. Otomatik parmakizi tanma sistemlerinde, zellik-tabanl ve grnt-tabanl yaklam olmak zere iki tr yaklam kullanlmaktadr [5]. zellik tabanl yaklamda parmakizi grntlerinden karlan tepe u ve atal noktalar ad verilen zellik noktalar kullanlmaktadr. Bu yaklamda, parmakizi tanma temel olarak parmakizi nileme, zellik kartma ve eleme olmak zere aamada gerekletirilmektedir. Parmakizi nileme aamas, taraycdan alnan parmakizi grntsnn iyiletirilmesi, iz ynlerinin bulunmas, segmentasyon, binarizasyon ve inceltme ilemlerini kapsamaktadr. Parmakizi zellik kartma aamasnda, inceltilmi grntden u ve atal noktalar bulunurken, iz ynlerinden yararlanlarak ekirdek, delta ve referans noktalar tespit edilmekte ve bu zellikler eleme aamasnda kullanlmaktadr. Grnt-tabanl yaklamda, nilem aamalar olmakszn dorudan parmakizi grntsnn zyapsndan elde edilen iz ynleri, iz frekanslar gibi veriler zerinde allmaktadr. Grnt zerinde wavelet dnm yaplarak elde edilen zelliklerden yararlanarak parmakizi tanma almalar da mevcuttur [6].

zet
Gnmzde kiisel gvenliin salanmasnda parmakizi yaygn olarak kullanlmaktadr. Parmakizi tanma ve dorulama sistemlerinde, zellik karma, parmakizi grntsndeki tepe u ve tepe atal noktalarnn bulunmas, alarnn ve konumlarnn tespit edilmesi ilemlerini kapsamaktadr. Bu zellikler parmakizlerinin elenmesinde yaygn olarak kullanlmaktadr. U ve atal noktalarn tespit edilmesi farkl algoritmalar kullanlarak gerekletirilebilmektedir. Bunlardan bir ou parmakizinin nilemlerden geirilerek inceltilmesi ve daha sonra zellik noktalarnn belirlenmesine dayanmaktadr. Baz algoritmalarda, n ilem basamaklarndan bir ksm elenerek zellik kartlabilmekte bylece zamandan tasarruf edilmektedir. Dier taraftan nilem yapmakszn dorudan parmakizi zelliklilerini kartmaya dayal algoritmalar da bulunmaktadr. Bu almada nceltme, zincir ve blgesel analiz algoritmalar kullanlarak zellik noktalar belirlenmi ve algoritmalarn performanslar irdelenmitir. Anahtar kelimeler: Parmakizi tanma, zellik kartma algoritmalar, Performans analizi

Abstract
Today fingerprints are commonly used to provide personal security. Fingerprint recognition and verification systems consist of feature extraction, finding ridge endings and ridge bifurcations, determining the angles and positions processes. These features are used to match the fingerprints. Different algorithms can be used to find the ridge endings and ridge bifurcations. Most of those are based on preprocessing steps like thinning of the fingerprint image and then determining the minutiaes. Some algorithms can eliminate a number of preprocessing steps for saving time. However there are algorithms based on fingerprint feature extraction without any preprocessing. In this paper, minutiaes are determined using thinning, chain rule and local analysis algorithms and performance of these algorithms are examined. Keywords: Fingerprint identification, Minutiae extraction, Performance analysis

2. zellik kartma Algoritmalar


Bu almada nceltilmi parmakizi grntsnden zellik kartma, zincir (chain code) kural ile zellik kartma, blgesel analiz yaparak zellik kartma algoritmalar incelenecektir.

2.1 nceltilmi parmakizi grntsnden zellik kartma


Bu yntemde parmakizi inceltildikten sonra zellikler belirlenmektedir. nceltilmi grntde u noktasnn evresindeki siyah piksel says bir, atallamann olduu noktalarda ise olmaktadr. Algoritmann uygulanmas u ekilde gerekletirilmektedir.

IATS09, Karabk niversitesi, Karabk, Trkiye

104

GRGNOLU, S. ve AVUOLU, A.

lgilenilen pikselin komular arasndaki siyahdan beyaza gei saylar(Crossing Number-CN) ekil 1de verilen 3x3 boyutlu bir maske kullanlarak bulunur. E. 1de verilen hesaplama yaplr. Eer CN=1 ise tepe u noktas, CN=3 ise tepe atal noktasdr [7].

yer alan bir piksel tespit edilir. ekil 3de grld gibi pikselin 4 komuluuna baklr. Eer ilgilenilen piksel (P) E. 2de belirtilen art salyorsa kenar noktas olarak tespit edilir ve balang noktas olarak alnr. Bu eitlikte 1 beyaz piksel ve 0 siyah piksel deerini gstermektedir.

(2)

ekil 1. zellik kartmada kullanlan maske

CN = 0.5 Pi Pi +1 ,
i =1

P9 = P 1

(1)

ekil 3. Piksel komuluklar z zerinde, kenar noktasnda yer alan balang pikseli belirlendikten sonra saat ibresinin tersi ynnde ve P0 pikselinden balayarak 1 den 0 deerine gei olup olmadna baklr. Eer 1 den 0 deerine gei varsa P pikseli ile komu ve balantl, iz kenarnda yer alan dier piksel bulunmu olur. Bulunan piksel balang P pikseli olarak atanr ve ilemler istenen adm saysnda ekil 4(a)da grld gibi tekrar edilir.

Her bir zellik noktas iin x,y koordinatlar, zelliin as ve tipi kaydedilerek eleme ileminde kullanlmak zere saklanr. ekil 2de bu yntemle bulunmu zellik noktalar grlmektedir.

(a) (b) ekil 2.. nilemler yapldktan sonra elde edilen zellik noktalar ( u noktalar, atal noktalar)

2.2 Zincir (chain code) kural ile zellik kartma


Bu yntem ile parmakizi resmi inceltilmeden u ve atal noktalar tespit edilmektedir. nceltme ilemi parmakizi grnts zerinde baz zelliklerin yok olmasna neden olmakta ve zaman almaktadr. Bu nedenlerle inceltme yapmadan dorudan binarize edilmi parmakizi grntsnden zellik kartmaya dayal almalar yaplmtr. Bunlardan birisi zincir kural ile zellik kartma algoritmasdr ve u ekilde gerekletirilmektedir [8]. Parmakizi iyiletirilir. Parmakizi binarize edilir. Resim yukardan aa ve soldan saa doru taranr. Ardndan, tepe izgilerinin kenarlar bulunarak iz takibi yaplr. z takibi sonucunda giri ve k vektrleri elde edilir. Giri ve k vektrlerinden izin saa veya sola dng yapt tespit edilir. z sola dng yapm ise u noktas ve saa dng yapm ise atal noktas bulunduu sonucuna varlr. Bu yntemin esas tepe iz izgilerinin kenarlarn, zincir kural ile takip etmektir. Binarize grntdeki iz kenarn takip etme ilemi u aamalar iermektedir: Binarize edilmi parmakizi tepe izgileri birden fazla piksel geniliine sahip olduundan, resim taranarak iz kenarnda

(a) (b) ekil 4. z kenarlarnn takibi rnek olarak balang noktasndan itibaren 8 adm bu ilemler tekrar edilmi ise 4. admda Pi giri vektrnn sonland nokta ve 8. admda Po k vektrnn sonland nokta elde edilir. Saysal bir rnek ile ekil 4.(b)de gsterildii gibi aklanacak olursa, balang pikseli P(i,j)=(10,10) ise, 4. Admda Pi(i,j)=(14,12) olarak ve 8. admda Po(i,j)=(14,8) olarak bulunur. ve Po arpm

Pi = (4,2)

= (0,4)
ile

vektrleri elde edilir. ki vektrn skaler vektrler arasndaki a bulunabilir.

ve Po = ( x2 , y2 ) vektrlerinin skaler arpm E. 3 de verildii gibi hesaplanabilir.

Pi = ( x1 , y1 )

Pi Po = Pi Po cos = ( x1 x2 + y1 y2 )

(3)

buradan iki vektor arasndaki a E. 4den yararlanlarak bulunur.

= arccos(

Pi Po Pi Po

)=

x1 x2 + y1 y2 x1 + y1
2 2

x2 + y2

(4)

Herhangi bir asal dn deeri,

105

GRGNOLU, S. ve AVUOLU, A.

x1 x2 + y1 y2 < T Po = ( x 2 , y 2 )

olarak seilebilir.

Pi = ( x1 , y1 )

ve

ortalamas

M7

olarak gsterilirse zellik noktas E.

vektrlerinin, vektrel arpm her iki vektre dik nc bir vektre eittir. Bu zellikten yararlanarak iki vektrn dn yn (sa,sol) bulunabilir. Vektrel arpm E. 5 de verildii gibi bulunur.

6da verildii gibi bulunabilir. ekil 6da algoritmann uygulama biimi ve sonucu grlmektedir.
U noktas P= atal noktas M 3 < 0.25 ve G s = 2 ve M 7 > 0.7 M 3 < 0.25 ve G s = 2 ve M 7 < 0.3

(6)

Pi Po = Pi Po sin = ( x1 y2 x2 y1 )
Buradan,

(5)

x1 y2 x2 y1 > 0 ise sola dng ve x1 y2 x2 y1 < 0 ise vektrlerin saa dng yapt

sonucu elde edilir. zellik noktasnn yn balang ve biti noktalar arasnda yer alan orta noktann koordinatlarndan yararlanlarak elde edilmektedir. ekil 5de bu yntem ile elde edilmi zellik noktalar grlmektedir.

(a)

(b)

ekil 5. Zincir kural ile elde edilmi zellik noktalar

(c) ekil 6. Blgesel analiz uygulanarak elde edilen zellik noktalar a) U noktas b) atal noktasna algoritmann uygulan c) Elde edilen zellik noktalar

2.3 Blgesel analiz yaparak zellik kartma


Bu yntem de bir nceki ynteme benzer olarak parmakizi resmi inceltilmeden u ve atal noktalar tespit edilmektedir. Algoritmann temelini binarize edilmi parmakizi grntsnde, zellik noktas etrafnda dolaarak, ortalama ve 1 den 0 a gei saylarn bulmak oluturmaktadr. zellik kartma ilemi u ekilde gerekletirilmektedir [9]: Parmakizi yukarda bahsedilen yntemlerden biri seilerek iyiletirilir. Bu almada hzl ve olduka iyi sonular verdii iin parabolik yapda filtre maskesi kullanlarak iyiletirme yaplmtr. Parmakizi binarize edilir. Bu almada blgesel ortalama eik deeri bu amala kullanlmtr. Beyaz pikseller 1 ve siyah pikseller0 ile gsterilir. P(x,y) pikseli etrafnda 3x3 boyutlu maske ortalamas bulunur. Eer ortalama deer 0.25 deerinden kk ise buras u noktas, ortalama deer 0.75 den byk ise aday atal noktas olarak belirlenir. P(x,y) pikseli etrafnda 7x7 boyutlu maskenin, d evresinde yer alan piksellerin 1-0 veya 0-1 gei says hesaplanr. Eer gei says 2 ise algoritma bir sonraki admdan devam eder. Eer gei says 2 deilse ise bir baka pikselden 3. adma dnerek devam edilir. 7x7 maskenin d evresinde yer alan piksellerin ortalama deeri belirlenir. 3x3 maskenin ortalama deeri

3. Performans Testleri
izelge 1de zellik kartma ilemine gelinceye kadar uygulanan algoritmalarn ilem sreleri verilmitir. Bu sreler FVC2000 parmakizi veri tabannda yer alan 300x300 boyutundaki bir parmakizi resmi zerinde ilemler uygulanarak elde edilmitir. izelge 1. Algoritmalarn ilem sreleri (P4 2.8 MHz, 512MB RAM, WinXP iletim sistemi ykl bilgisayar ve FVC2000-DB1A parmakizi veri taban kullanlarak) Algoritma Segmentasyon z Ynleri Filtreleme Refrerans Nokta Binarizasyon nceltme Temizleme zellik ikartma Toplam Sre(ms) Genel (ms) 65 94 272 3 53 26 94 53 660 Zincir kural (ms) 65 94 272 3 53 --15 502 Blgesel analiz (ms) 65 94 272 3 53 --63 550

M 3 , Gei says G s

ve

7x7 maskenin d evresinde yer alan piksellerin

Performans erileri, Yanl eleme oran(FMR), Yanl elememe oran (FNMR) belirlenerek izilmektedir. ekil 7(a)da geleneksel yntemle elde edilmi hata erileri,

106

GRGNOLU, S. ve AVUOLU, A.

ekil 7(b) zincir kural ile, ekil 7(c)de blgesel analiz ile, elde edilmi hata erileri grlmektedir.
FMR 1 0.8 FNMR 0.6 0.4 0.2 0 0 0.5 Esik deger 1 FNMR 1 0.8 0.6 0.4 0.2 0 0 0.5 FMR 1 EER ROC

zellik kartmaya dayal sistemlerde, uygulanan her bir nilem kts bir sonraki ileme girdi oluturmaktadr. Uygulanan her bir nilemde veri bir sonraki n ileme kayplara urayarak gitmektedir. Bu durum zaman ve veri kayplarna neden olmaktadr. Bu nedenle dorudan grnt zerinden zellik karmay salayan algoritmalar zerinde allabilir[11].

Kaynaklar
[1]. Jain, A.K., Ross, A., Prabhakar, S., An Introduction to Biometric Recognition, IEEE Transactions on Circuits and Systems for Video Technology, 14(1): 4-20, (2004). [2]. Liu, S., Silverman, M., A practical guide to biometric security technology, IT Professional , 3(1): 27-32, (2001). [3]. Uludag, U., Pankanti, S., Prabhakar, S., Jain, A.K., "Biometric Cryptosystems: Issues and Challenges", Proceedings .of the IEEE, 92(6): 948-960, (2004). [4]. Maltoni, D., Maio, D., Jain, A. K., Prabhakar, S., Handbook of Fingerprint Recognition, Springer Verlag, New York, 3,4,7-9,11, 54, 55, 63, 83,102,165,166, (2003). [5]. Seow, B. C., Yeoh, S. K., Lai, S. L., Abu, N. A., Image based fingerprint verification, Student Conference on Research and Development, Malaysia, 58-61, (2002). [6]. Tico, M., Immonen, E., Ramo, P., Kuosmanen, P., Saarinen, J., Fingerprint recognition using wavelet features, The 2001 IEEE International Symposium on Circuits and Systems (ISCAS 2001),2:21 24, (2001) [7]. Kasei, S., Deriche, M., Boashash, B. Fingerprint using block-direction on feature extraction reconstructed images, TENCON '97. IEEE Region 10 Annual Conference. Speech and Image Technologies for Computing and Telecommunications, 1: 303306, (1997). [8]. Zhixin Shi and Venu Govindaraju , A chaincode based scheme for fingerprint feature extraction, Pattern Recognition Letters, 27(5): 462-468, (2006). [9]. Gamassi, M., Piuri, V., Scotti, F., Fingerprint local analysis for high-performance minutiae extraction, IEEE International Conference on Image Processing ICIP 2005, 3: III - 265-8, (2005). [10]. avuolu, A., Grgnolu, S., A Fast Fingerprint Image Enhancement Algorithm Using a Parabolic Mask, Computers & Electrical Engineering, 34(3):250256, 2008. [11]. avuolu, A., Grgnolu, S., A Robust Correlation Based Fingerprint Matching Algorithm for Verification, Journal of Applied Sciences, 7(21) 2007.

(a)
FMR 1 0.8 FNMR 0.6 0.4 0.2 0 0 0.5 Esik deger 1 FNMR 1 0.8 0.6 0.4 0.2 0 0 0.5 FMR 1 EER ROC

(b)
FMR 1 0.8 FNMR 0.6 0.4 0.2 0 0 0.5 Esik deger 1 FNMR 1 0.8 0.6 0.4 0.2 0 0 0.5 FMR 1 EER ROC

(c ) ekil 7. DB1A iin elde edilen hata erileri (a) Geleneksel, (b) Zincir, (d) Blgesel Analiz yntemi ile Hata erileri ve izelge-1 incelendiinde eit hata orannn(EER) %20 civarnda olduu ve ilem zamanlarnn bir birine yakn kt sylenebilir. Bu deerler performans testleri yaplrken zellik noktalarnn a ve koordinat deerleri ile yakndan ilgilidir. Koordinat deerleri iin tolerans deeri 8 piksel, asal tolerans deeri iin 10 derece kullanlmtr.

4. Sonu
zellik tabanli otomatik parmakizi tanma sistemlerinde parmakizinin segmentasyonu, iyiletirilmesi, zellik noktalarnn bulunmas ve temizlenmesi son derece nem arz etmektedir. Ancak bu tr ilemlerin okluundan dolay ilem zaman da uzamaktadr. Bu almada, n ilemlerden inceltme ve temizleme ilemini yapmaya gerek kalmadan zellik kartma ilemi gerekletiren zincir, blgesel analiz ve geleneksel yntemler zaman ve eleme oran ynnden karlatrlmtr. Bu yntemler binarize edilmi parmakizi grnts zerinde almaktadr. Bu nedenle parmakizinin, binarizasyon ncesi iyiletirilmesi hala nemli bir ilem basaman oluturmaktadr. Her yntemde zel bir grnt maskesi kullanlarak gerekletirilmi olan iyiletirme algoritmas kullanlmtr [10 ].

107

5. Uluslararas leri Teknolojiler Sempozyumu (IATS09), 13-15 Mays 2009, Karabk, Trkiye

PATOLOJK GRNTLERN BLGSAYARLI ANALZ PROGRAMI LE DEERLENDRLMES EVALUATING PATHOLOGICAL VIEWS WITH COMPUTER ANALYSE PROGRAMME
a,

M.Cihat AVUNDUKa, Hakan IIKb, Evren SEZGNc, *

Seluk niversitesi Meram Tp Fakltesi, Konya, Trkiye, E-posta: mcavunduk@hotmail.com b Seluk niversitesi Teknik Eitim Fakltesi, Konya, Trkiye, E-posta: hisik@selcuk.edu.tr c, * Akdeniz niversitesi Enformatik Blm, Antalya, Trkiye, E-posta:esezgin@akdeniz.edu.tr lmler iin gl bir ara olacan ortaya koymutur [3].Bu almada hasta tans, tedavisi ve takibi iin hayati nem tayan patolojik incelemelerde kullanlan bilgisayarl grnt analiz program yaplmtr.

zet
Bu almada, tan amacyla hastalardan alnan doku rneklerinden hazrlanan preparatlar zerinde deerlendirme yaplmasn salayan, Grnt Analizi Program gelitirilmitir. Programn amac, kiiden kiiye deien deerlendirmeleri azaltmak ve lmleri belli bir standarda sokmaktr. Grntler Seluk niversitesi Meram Tp Fakltesi Patoloji Anabilimdalndaki rneklerden elede edilmektedir. Seilen grnt zerinde; alan bulma, a bulma, kenar bulma, bulanklatrma, keskinletirme, alan saydrma, renkleri birbirine oranlama, negatifini alma, griye evirme, renk skalasna gre boyama, ekil(dikdrtgen, daire, poligon, rastgele) kullanarak analiz etme ilemleri yaplabilir. Uzman patologun grnt analiz sonularna gre deerlendirme yapmas ile sre son bulmaktadr. Anahtar Kelime: Patoloji, Grnt Analizi, Grnt leme.

2. Materyal ve Metod
2.1. Uygulama Yaplan alma da kullanlan rnek grntler Seluk niversitesi Tp Fakltesinden alnarak elde edilmitir. Grntler mikroskoptan 24 bit BMP uzantl ve gri tona evrilerek kaydedilmitir. RGB modelinde her renk tayfn krmz, yeil ve mavi birincil bileenlerinden meydana gelir. Bilgisayarlarda grntlerini bu renk modeline uygun olarak kaydederler. Gri ton lei, siyahtan beyaza giden bir doru zerinde yer alr [4]. Program, grnt zerinde bir takm hesaplamalar yaparak kullancya sonuca ulamasn yardmc olmay amalamaktadr. Genel ilevi; alnan grnt zerinde boyutlarn deitirebilme, grnt zerinde izim yaparak belirli bir blgeyi iaretleyip alann hesaplayabilme, belirli bir noktadaki tolerans deerine bal olarak komu blgeleri karabilme, gri tonlama veya siyah-beyaz evirimleri yapma ve son olarak da resmin ierisinde ka tane farkl blgecik olduunu hesaplama gibi grevleri yapmaktadr. lk aamada, grnt alnp, uzman tarafndan referans deeri belirlenir. Referans deeri, uzmann grnt zerinde belirlemi olduu l birimini oluturur. Referans deerleri; mikron, milimetre, santimetre, metre veya kilometre olabilir. kinci aamada, uzman tarafndan iaretlenecek alann rengi belirlenir. Sonraki aamada ise ilem yaplacak algoritma seilir. aretleme yapldktan sonra alan hesaplanr ve uzman sonuca gre deerlendirme yapar. 2.1.1.Gri tona evirme Genellikle grnt ilem algoritmalarnda 8 bit gri tonlu grnt zerinde allmaktadr. Bunun nedeni alma yaplacak grnt aralnn azaltlmasdr. Programda grnt gri tonlu ise gri tona evirmeye ihtiya yoktur. Grnt renkli ise gri tona evirme algoritmas kullanlarak grnt 8 bite evrilir. Grideger=Round(R_degeri((x,y)), B_degeri((x,y)))/3; G_degeri((x,y)), (1)

Abstract
In this research, an Image Analysis Program, which helps to evaluate sample tisssues taken from patients for diagnosis, has been developed. The aim of the program is to lower evaluations changing from one person to another and put measurements into a standart. Images has been tahen from the department of patology, Meram Medicine Faculty of Seluk University. Analysis begis with the selection of the image. Analysis process includes finding area, angle and margin on the image, blur and sharpening the image, comparing colors, turning to image negative and grey, painting according to color scale, shaping(rectangle, circle, polygon, custom shape). The process ends with the evaluation of a pathologist according to the result of analysis. Key Words: Pathology, Image Analysis, Image

Processing.

1. Giri
Patoloji, Yunanca kkenli Pathos ve Logos szcklerinden olumu ve normalden farkllam, acayip, hastalk bilimi anlamna gelmektedir [1]. Patolojide znitelik karma ve sayma ilemleri iin alanlarn blmlenmesi temel problemlerdendir. Bilgisayarsz ortamda yaplan bu almalar zor olmas ile birlikte znel sonular vermektedir [2]. Bilgisayar Destekli deerlendirmeler nesnel ve hzl

IATS09, Karabk niversitesi, Karabk, Trkiye

108

Avunduk, M.C. ve Ik, H. ve Sezgin, E.

(x,y)=RGB(Grideger); 2.1.2. Referans Deerinin Belirlenmesi Grnt ileme ile yaplan almalarda birbirinden ok farkl boyutlarda ve tiplerde resim kullanlmaktadr. Burada yaplacak lmler, kullancnn belirtecei bir lt dikkate alnarak yaplmaktadr. Aksi takdirde lt deeri 1 olarak alnmaktadr. l birimi ve seilen blgenin hangi deere karlk geldii de nemlidir. Bu sorunlar zmek amacyla Referans blm oluturulmutur. Referans, resim zerinde belirli bir blgeyi iaretleyerek bu araln karln kullancya sormaktadr. 2.1.3.Noktaya Gre lem Yapma Yaylma algoritmas, grntde seilecek blge zerinde herhangi bir noktay iaretleme ile balar. Bu noktann koordinatlar bir diziye aktarlmaktadr. Bu dizi ierisinde kontrol yaplacak olan noktalarn koordinatlar bulunmaktadr. Seim sonucunda, iaretlenen noktann (x,y) renk deerleri elde edilir. . ekil 1.deki grntde hesaplanmas istenen blge zerinde herhangi bir nokta iaretlenir. rnekte (5,3) noktasnn renk deerleri alnr. Bu renk deerleri, iaretlenen noktann evresindeki drt komu noktann renk deerleri ile karlatrlr. Eer belirli bir toleransa uzman tarafndan belirlenir- gre bir renk uyumas tespit edilirse o nokta boyanr ve diziye eklenir. Bu karlatrma ilemi, dizideki tm elemanlar kontrol edilene kadar srer. Sonuncu dizi elemanna gelindikten sonrada renklendirilen blgedeki noktalar saylr. ekil 1 de programn bu algoritma sonucu elde ettii grntler yer almaktadr

0 0 1 2 3 4 5 6 7 8

9 0 1 2 3 4 5 6 7 8

(a) (b) ekil 1. Yaylma Algoritma emas a) rnek grnt b) Yaylma algoritmasnn ileme grnts (x,y) koordinatlarndaki bir p pikselinin drt adet dikey ve yatay komusu vardr. Bu komularn koordinatlar (x+1,y), (x-1,y), (x,y+1), (x,y-1) (2) (x,y-1) =[krmz(x, y-1), yeil(x, y-1), mavi(x, y-1)] (x,y+1) =[krmz(x, y+1), yeil(x, y+1), mavi(x, y+1)] Adm 3.Eer seilen noktadaki renk deeri ile N4() komuluundaki renklerden birisi arasnda (tolerans deeri de gz nne alnarak) ortaklk varsa; o noktay iaretle ve diziye aktar.

ile verilir. Bu pixel kmesine pnin 4 komuluu ad verilir ve N4(p) ile gsterilir. Noktaya gre ilem yapma fonksiyonunda, grnt zerinde herhangi bir yer iaretlenir. Daha nceden ayarlanan tolerans deerine gre de grntnn evresine yaylma algoritmas uygulanr. Adm 1.aretlenen noktann renk deerini al. (x,y) =[krmz(x,y), yeil(x,y), mavi(x,y)] Wi(x,y)=(x,y) Adm 2. Noktann (x,y) koordinatlarna gre evresindeki N4() komuluundaki yerlerin renk deerleri al. (x-1,y) =[krmz(x-1,y), yeil(x-1,y), mavi(x-1,y)] (x+1,y) =[krmz(x+1,y), yeil(x+1,y), mavi(x+1,y)] (3)

1, f ( x, y ) + z 1, f ( x, y ) + z Wi(x,y)= 1, f ( x, y ) + z 1, f ( x, y ) + z 0, dnd

> > > >

f ( x 1, y ) > f ( x + 1, y ) > f ( x, y + 1) > f ( x, y 1) >

f ( x, y ) z f ( x, y ) z f ( x, y ) z f ( x, y ) z

(5)

(4)

Wi(x,y)=iaretlenen dizilerin grnt fonksiyonu z=tolerans deeri Adm 4.Eer dizideki kontrol edilen eleman sonuncu deilse Adm 2ye git. Adm 5.aretli noktalar say. Adm 6. Dur .

109

Avunduk, M.C. ve Ik, H. ve Sezgin, E.

ekil 2. Noktaya gre ilem yapma sonucu elde edilen grntler


2.1.4.izime gre ilem yapma Rastgele seim algoritmasnda, ncelikli olarak grnt zerinde hesaplanmas istenen alan fare ile seilerek iaretlenir. Daha sonra i blgede kalan alann herhangi bir noktas iaretlenir ve noktann koordinatlar diziye eklenir.

ekil 3.de, (7,5) koordinat iaretlenmitir. Bu noktann renk deerleri alnarak komu noktalarn renk deerleri ile karlatrlr. Eer kontrol edilen nokta izginin rengine eit deil ise nokta boyanr ve kontrol iin diziye aktarlr. Aksi durumda noktalar iaretlenmez.

0 0 1 2 3 4 5 6 7 8

9 0 1 2 3 4 5 6 7 8

(a) (b) ekil 3. Rastgele seim emas a)Rastgele iaretlenmi blge b)Rastgele algoritmasnn ileme grnts ekil 3' deki rnekte (6,5), (7,4), (8,5), (7,6) noktalar kontrol edilir ve (6,5), (7,6) noktalar iaretlenerek diziye aktarlr. Dier noktalar ise izgi rengine eit olduundan iaretlenmez. Bu ekilde kapal alanda kalan tm noktalar kontrol edilinceye kadar ilem devam eder. Son olarak iaretli noktalar saylr. Uzman tarafndan bu deerler tan ve tedavi tespitinde kullanlr. Adm 1.Grnt zerinde fare ile rastgele seim ilemi yap. Adm 2.aretlediin blge ierisinde herhangi bir noktay se ve o noktann renk deerlerini al. (x,y) =[krmz(x,y), yeil(x,y), mavi(x,y)] (6) Wi(x,y)=(x,y) Adm 3.Noktann (x,y) koordinatlarna gre evresindeki N4() komuluundaki noktalarn renk deerlerini al. (x-1,y) =[krmz(x-1,y), yeil(x-1,y), mavi(x-1,y)] (7) (x+1,y) =[krmz(x+1,y), yeil(x+1,y), mavi(x+1,y)] (x,y-1) =[krmz(x, y-1), yeil(x, y-1), mavi(x, y-1)] (x,y+1) =[krmz(x, y+1), yeil(x, y+1), mavi(x, y+1)] Adm 4.Eer noktalarn renk deerleri seili blgedeki izginin renginden farkl ise diziye ekle ve o blgeyi iaretle.
1, f ( x 1, y ) z 1, f ( x + 1, y ) z

Wi(x,y)= 1, f ( x, y 1) z 1, f ( x, y + 1) z 0, dnd

(8)

Wi(x,y)=iaretlenen dizilerin grnt fonksiyonu z=Seili blgedeki izginin renk deerleri. Adm 5.Eer dizide kontrol edilen eleman son eleman deilse Adm 3e git. Adm 6.aretli noktalar say. Adm 7.Dur.

110

Avunduk, M.C. ve Ik, H. ve Sezgin, E.

ekil 4. Rastgele Seim algoritmas rnek grntler


2.2. Blgeleri saydrma ilemi

Alnan grntnn zerindeki blgelerin saydrlabilmesi iin ncelikli olarak grntnn gri moda olmas gerekmektedir. Gri moddaki grnt zerinde ayrnt blgelerinde saylmas isteniyorsa direk olarak siyah beyaza evrilmesi gerekmektedir. Eer ayrntlar istenmiyorsa median filtresi kullanlarak ayrntlar giderilir. Son olarak da siyah beyaz grnt zerinde sayma ilemi gerekletirilir. lem sonunda beyaz olan noktalarn says bulunur.

Adm 1.Grnt zerinde beyaz bir nokta buluncaya kadar ilerle. Adm 2. Bu noktann daha nce kontrol edilip edilmediine bak. Adm 3. Kontrol edilmemise noktann koordinatlarn diziye aktar ve noktaya sradaki numaray ver. Adm 4. ekil 5.daki grld zere noktann 4 komu deerlerine gz at. Bunlar arasndan beyaz renge sahip olan varsa bunlarn da daha nce iaretlenmediini kontrol et. Daha nce iaretlememi ise diziye aktar ve numara ver.

0 0 1 2 3 4 5 6 7 8

0 0 1 2 3 4 5 6 7 8

(a) ekil 5. Blge saydrma algoritmasnn ileyii

(b)

Adm 5. Dizideki kontrol edilen elamanlar bitinceye kadar Saydrma ilemi grntleri aada verilmitir. Grnt tekrarla. siyah beyaza evrildikten sonra saydrma ilemi yaplm Adm 6. Numaray 1 artr. ve belirli bir deer zerinde olan blge says bulunmutur.

(a) (b) ekil 6. Blge saydrma sonucu elde edilen grntler a) Sperm hcrelerinin ilk grnts Siyah-Beyaza evrilmi grnt ekil 6.da blge saydrma ilemi sonucu elde edilen grntler yer almaktadr. Blge saydrma ilemi, birbirine benzeyen ka para olduunu grnt zerinde belirlemektedir. Uzmann belirleyecei belirli bir deer altndaki blgeler gz nne alnmaz.

b) Sperm hcrelerinin

111

Avunduk, M.C. ve Ik, H. ve Sezgin, E.

3. Deerlendirme ve Sonu
almada, bilgisayarl grnt analizi sisteminin patoloji pratiinde kullanlmas ile ou sbjektif deerlendirmeler objektif deerlendirmeler haline getirilmektedir. Baz deerlendirmelerde de kantitatif deerlere ulalabilmitir. Bylelikle kiiden kiiye deiebilen sonulara standardizasyon kazandrlmaktadr. Net saysal deerlerin verilmesi de sonularn gvenilirlii artrd gzlemlenmektedir. Grnt analizi kullanlmadan nce . Para Birimi 5 kuru 10 kuru 50 kuru 1 YTL Gerek Alan (cm2) 2,01 2,54 4,15 4,90

yaplmas mmkn olmayan veya yaplmas ok zor grnen ilemler de bu sayede kolayca uygulanabilmitir. Grnt analizinin kullanm zaman tasarrufu salam, glkle uzun srede yaplabilen ilemler daha ksa srede ve daha kolay gerekletirilmektedir. Alan testini lebilmek amacyla T.C. Merkez Bankasna ait olan 5 kuru, 10 kuru, 50 kuru ve 1 YTL bozuk paralarn resmi ekilip, sistemde zmlemesi yaplmtr. Buna gre elde edilen sonular aadaki tabloda mevcuttur

izelge 1. Alan Testi Sonular Clemex Vision Lite llen Alan Baar oran (%) 3,5 lm (cm2) (cm2) 2,2 92 2,2 2,79 92 2,91 4,14 99 4,23 5,09 97 5,24 Ortalama Baar 95 Ortalama Baar Oran Oran

Baar Oran (%) 92 86 98 93 92,25

Para saydrma ilemi iin ise bir dairesel ablon iine bozuk paralar konmu ve resmi ekilmitir. Bu grntde iki rengin alanlar ve ka para olduklar tespit edilmitir. Bu ilem iin, saylmas istenen blgelerin en az ka pixel iermesi gerektii nceden belirlenmektedir. Testte en az

10 pixel ieren blgelerin saylmas istenmektedir. izelge 2.de sonular gsterilmektedir. Sonulara gre ayn renkten toplam alanlarn hesaplanmas ileminde %96.5 lk, para saydrma ileminde de %100 lk bir baar saland grlmtr.

izelge 2. Blge saydrma sonular Renkler Sar (5 kuru) Yeil (1 Ytl) Pembe (25 kuru) Mavi (10 kuru) Toplam Hesaplanan alan (cm2) alan (cm2) 4,15 4,06 9,80 9,41 16,00 16,01 10,16 10,92 Toplam Baar (%) Alan Baar Yzdesi (%) 97 96 99 94 96.5 Toplam Blge Hesaplanan Says Blge says 1 1 2 2 5 5 4 4 Toplam Baar ( % ) Blge Baar Yzdesi (%) 100 100 100 100 100

Bu almada, tan amacyla hastalardan alnan doku rneklerinden hazrlanan preparatlar zerinde deerlendirme yapmamz salayan, Grnt Analizi Program gelitirilmitir. Programda grntnn netlii, ekildii a ve referansn belirlenmesi gibi nemli ayrntlarn sonuca tesir ettii grlmektedir. Dijital grnt ileme parametreleri yeniden dzenlenerek ve sonucu ulaacak deiik algoritmalar gelitirilebilir. Bu konuda patologlarn ve bilgisayar yazlmclarnn ortak almas gerekmektedir.

Kaynaklar
[1] Kumar V., Abbas A.K., Fausto N., Pathologic Basis of Disease,seventh ed. Saunders, Philadelphia, PA, 2004. [2] Babaolu, . Dijital Grnt leme Teknikleri Kullanarak reme Hcrelerinin ncelenmesi, Seluk niv. Fen Bilimleri Enstits Konya, 2004.

[3] Fernandez, G..,Kunt, M, Zryd J-P., A new plant of Cell Image Segmentation Algoritm, 8th International Conference in Image Analysis and Processing system, Italy, 1995. [4] Gkmen, H., Saysal Grnt ileme ile Genetik Hastalklarn Tehisine Yardmc bir Bilgisayar Sisteminin Tasarm ve Gerekletirimi, Ege niversitesi, zmir, 1990. [5] Gonzalez, R.C.,Wintz P., Dijital Image Processing, Addison-Wesley Pub. Company,1983.. [6] Avunduk,M.C., mmunohistokimyasal ve Konvansiyonel Doku Boyamalarn Bilgisayarl Grnt Analizi le Deerlendirilmesi, Seluk niversitesi Salk Bilimleri Enstits Konya, 2003 [7] lker S., Patoloji , nklap Kitapevi, stanbul, 2003. [8] Zhang Y, Nojima S, Nakayama H, Jin Y, Enza H., Characteristics of normal stromal components and their correlation with cancer occurrence in human prostate. Oncol Rep 10(1):207-11, 2003.

112

5. Uluslararas leri Teknolojiler Sempozyumu (IATS09), 13-15 Mays 2009, Karabk, Trkiye

POZSYON TABANLI AD HOC YNLENDRME ALGORTMALARINDA BULANIK MANTIK LE YOL SEM PATH SELECTION WITH FUZZY LOGIC IN POSITION BASED AD HOC ROUTING ALGORITHM
a, * b

Resul KARAa, * ve brahim ZELKb

Dzce niversitesi Teknik Eitim Fak. Bilgisayar Eitimi Blm, Dzce, Trkiye, E-posta: resulkara@duzce.edu.tr Sakarya niversitesi Mhendislik Fak. Bilgisayar Mh. Blm, Adapazar, Trkiye, E-posta: ozcelik@sakarya.edu.tr

zet
Ad hoc kablosuz alar herhangi bir altyap olmakszn birbirleriyle iletiim kuran mobil dmlerden oluur. Bu tr alarda dmlerin hareketliliinden dolay sk sk topoloji deiiklii olur. Dmlerin birbirleriyle iletiimde kalmalar iin ada yayn paketlerinin sklkla gnderimine gereksinim vardr. Ad hoc kablosuz alarda tabloya dayal, istee bal ve pozisyon bilgilerine dayal ynlendirme algoritmalar kullanlmaktadr. Ad hoc alarda dm saysnn ok olduu ve yksek hareketlilik durumlarnda ynlendirme ek yk artar. Bant genilii ve dmlerin batarya mrlerinin iki nemli kaynak olduu bu alarda, ynlendirme ek yknn en dk seviyeye indirilerek bu kaynaklarn verimli bir ekilde kullanlmas gerekmektedir. Bu amala, bu almada, pozisyon tabanl algoritmalarn ynlendirme kararn verirken, dmlerin corafi konum bilgilerinin yannda, dmlerin batarya mrleri ve younluklar bilgilerini de kullanarak yol seimi nerisinde bulunulmutur. Konum, batarya mr ve dm younluu bilgileri kullanlarak bulank mantk yntemiyle dmler aras maliyet arlk deeri atanp, dmlerin graf yaps zerinden yol seimi yapmas salanmtr. Bulank mantk yntemi uygulanm ve uygulanmam alarn benzetimi yaplarak, ynlendirme amacyla kullanlan dmler belirlenmitir. Sonuta, bulank mantk uygulanm alarda daha az dm zerinden geilerek hedefe ulald ve bataryas iyi durumda olan dmlerin ynlendirme zincirine katld grlmtr. Anahtar kelimeler: Ad hoc, rota seimi, kablosuz ynlendirme, bulank mantk

For this purpose, in this study, while position based algorithms making decision, the path selection proposal is done using batery life and density informations in addition to geographical position informations of nodes. It is provided that nodes are made the path selection over graph structure having assigned the cost weight value among the nodes by fuzzy logic method using position, battery life and node density informations. Nodes used for routing are determined by simulation of networks with fuzzy logic approach applied and not applied. In conclusion, it was seen that the target is achieved by lesser number of nodes in fuzzy logic applied networks and that nodes having battery in good conditions is joined in routing chain. Keywords: Ad hoc, route selection, wireless routing, fuzzy logic

1. Giri
Kablosuz alar ilk ortaya kt 1970lerden beri olduka popler olmutur. Poplaritesi de kullancnn corafi yeri ne olursa olsun bilgiye eriim imkn salamasndan kaynaklanmaktadr. Kullanclarn teknolojik eilimi, kablosuz ve mobil cihazlarla iletiimi salama ynndedir. Son zamanlarda kullanmlar hzla artan hcresel telefonlar, kablosuz yerel alan a (WLAN- Wireless Local Area Network) zelliine sahip tanabilir bilgisayarlar ve el bilgisayarlar (PDA-Personal Digital Assistant) bunun en byk gstergesidir. Kablosuz alar altyapl ve altyapsz olmak zere iki snfa ayrlabilir. Altyapl kablosuz alar birbirlerine linklerle balanm sabit baz istasyonlarna sahiptir. Mobil dmler birbirleriyle bu baz istasyonlar araclyla haberleirler. Altyapl kablosuz alar hcresel alar olarak da adlandrlr. MANET (Mobile Ad Hoc Network) olarak da bilinen altyapsz kablosuz alar, nceden tanmlanm altyap veya baz istasyonlar gibi merkezi bir kontrol olmadan, rasgele hareket eden mobil dmlerden oluur. Gnmzde hava alanlarnda, gemilerde, kamyonlarda, otomobillerde, insanlarn zerinde ve ok kk cihazlar iinde yer alabilen bu mobil dmler, bir ok endstriyel ve ticari uygulamalarda yaygn olarak kullanlmaktadr. Belirtilen kullanm yerleri, dmlerin hareketliliini zorunlu klar. MANETs, merkezi kontrol olmamas, tm dmlerin kablosuz arayze sahip olmas, dmlerin serbeste hareketi sonucu sklkla oluan topoloji deiiklii,

Abstract
Ad hoc wireless networks consist of nodes which communicate with each other without infrastructure. In these type networks, the network topology frequently changes due to the movements of the nodes. Broadcast packets are regularly sent to network so that nodes in network can stay in communication with each other. Tabledriven, on-demand and position based routing algorithms are used in ad hoc networks, where routing overhead increases in the case of large number of nodes and raised mobility. Bandwidth and battery lives of nodes are two main sources in ad hoc networks. The reduction of routing overhead and efficiently use of sources are very important issues in these networks. In this study, it was proposed a new routing algorithm that based on the positions of nodes and consists of specification of reactive and proactive algorithms in order to achieve the issues.

IATS09, Karabk niversitesi, Karabk, Trkiye

113

Kara, R. ve zelik, .

dmlerin snrl miktarda kaynaa (bant genilii ve batarya mr gibi) sahip olmas, kablolu alara gre daha yksek fiziksel gvenlik tehlikesine sahip olmas ve simetrik (iki ynl) linklerin eksiklii gibi birok karakteristik zellie sahiptir. Ayn zamanda, kablosuz alarda ynlendirme ilemi, dmden dme iletilerek yapldndan her bir mobil dmn, kablolu a ynlendiricilerinin yapt ynlendirme iini de yapmalar gerekmektedir [1]. MANETsin bu karakteristik zellikleri, ynlendirme gelitirme ilemlerinde gz nnde algoritmas bulundurulmas gerekmektedir. Ayrca, kt olan kaynaklarn en etkin biimde tketilmesini salamak amacyla ynlendirme algoritmas ek yknn de en aza indirgenmesi gerekmektedir. Kablolu alarda en ksa yol (shortest path) bulma ilemi, genellikle distance vector veya link state ynlendirme algoritmalarn esas alan protokoller kullanlarak gerekletirilir. Bu algoritmalar, snrl bant geniliine sahip olan ve merkezi bir kontrol yaps olmayan MANETte iyi performans vermezler. Bu yzden kablosuz alarda ynlendirme ilemi iin ya belirtilen protokoller zerinde deiiklikler yaplmas ya da tamamen yeni protokollerin gelitirilmesi gerekir [2,3]. Literatrde kablosuz ad hoc alar iin gelitirilmi birok ynlendirme algoritmas bulunmaktadr. Bu algoritmalar da tabloya dayal, istee bal ve hibrit algoritmalar olmak zere ana kategoriye ayrlmaktadr [4]. Bunlar: dayal (table-driven) ynlendirme Tabloya algoritmalar: Destination Sequenced Distance Vector (DSDV), Clustered Gateway Switch Routing (CGSR), Wireless Routing Protocol (WRP) stee bal (on-demand) ynlendirme algoritmalar: Dynamic Source Routing (DSR), On-Demand Distance Vector Routing (AODV), Temporally Ordered Routing Algorithm (TORA), Zone Routing Protocol (ZRP) Hibrit (hybrid) ynlendirme algoritmalar oMulti Point Relaying (MPR) tabanl algoritmalar o Pozisyon tabanl algoritmalar: Directional Routing Algorithm (DIR), Most Forward within Radius (MFR), Geographic Distance Routing (GEDIR), Distance Routing Effect Algorithm For Mobility (DREAM), Voronoi-GEDIR (V-GEDIR) Tabloya dayal ynlendirme algoritmalar ayn zamanda ihtiyatl (proaktif) olarak da adlandrlr. Bu algoritmay kullanan protokoller, adaki tm kaynak-hedef iftleri arasndaki rotalar bulurlar ve periyodik rota gncellemeleriyle en yeni rota bilgilerini olutururlar. Gncelleme mesajlar a topolojisinde hi deiiklik olmasa bile gnderilir. Bu kategorideki protokoller distance vector ve link state algoritmalar deitirilerek gelitirilmitir. Protokoller ynlendirme bilgilerini ynlendirme tablolarnda saklarlar. Periyodik gncellemeler sayesinde bu protokoller ok yava sonuca ulaabilirler ve ok miktarda ynlendirme ek yk olutururlar. Bu durum ok dml ad hoc kablosuz alar iin ok uygun deildir [2]. stee bal ynlendirme algoritmalar dmler aras

kullanlacak rota bilgilerini srekli oluturmazlar. Rotalar sadece gerektiinde yani dmlerden herhangi birisi paket gndermek istediinde oluturulur. Bu yzden bu kategorideki protokollere istee bal (on-demand) ynlendirme protokolleri denir. Literatrde yer alan istee bal ynlendirme protokollerinden bazlar unlardr: Dynamic Source Routing (DSR), On-Demand Distance Vector Routing (AODV), Temporally Ordered Routing Algorithm (TORA). Pozisyon tabanl ynlendirme algoritmalar tabloya dayal ve istee bal protokollerin zelliklerini ierirler ve genellikle yerelletirilmi dmlerle ilgilenirler. Yerelletirme, dmlerin, corafi konumlarn belirlemelerini salayan GPS (Global Positioning System) veya Galileo (Global Navigasyon Sistemi) ile gerekletirilir [5]. MANETte dmlerin hareketliliinden dolay oluan pozisyon deiiklikleri, dmlerin rota tablolarnn deimesine yol aar. Ancak tabloya dayal ve istee bal algoritmalarn aksine, pozisyon tabanl algoritmalarda tablodaki bilgilerin gncellenmesinde, dmlerin ierdii GPSler kullanlr. Pozisyon tabanl algoritmalar, her bir dmn aktif olmayan (1-hop veya 2-hop komular dndaki dmler) dmlerden ayrk olduunu varsayar. Dmler yalnzca 1-hop ve 2-hop komuluklar zerinden paket gnderme ilevini yerine getirirler [6]. GPS sistemleri dk maliyetle ve yksek dorulukta enlem, boylam ve ykseklik deerlerini salad iin tercih edilen bir sistem olmutur. Bu tr protokollerde dmlerin ynlendirme kararn vermelerinde etkili olan onlarn ve dier dmlerin corafi yerleridir [7]. GPS tabanl hibrit ynlendirme algoritmalarndan bazlar unlardr: Geographic Distance Routing (GEDIR), Most Forward within Radius (MFR), Directional Routing Algorithm (DIR). Literatrde pozisyon tabanl ynlendirme algoritmalarnn performanslarn iyiletirme ile ilgili almalar yer almaktadr. Bunlardan biri [8]de nerilmitir. Distance Routing Effect Algorithm For Mobility (DREAM) algoritmasna gre, her dmn ynlendirme tablosunda, adaki tm dmlerin pozisyon bilgileri depolanr. Pozisyon bilgileri GPS kullanlarak elde edilir. Bu algoritma tm dmlere ait bilgi bulundurduu iin tabloya dayal bir algoritmadr. Algoritmaya gre, adaki bir A dm m mesajn B dmne gnderirken, Bnin ynn belirleyebilmek iin onun pozisyon bilgilerini kullanr. Ardndan m mesajn, B ynndeki 1-hop komularna gnderir. Her bir komu ayn ilemleri tekrar eder. Bu ilem, mesaj Bye ulancaya kadar (eer mmknse) devam eder. Bu ynyle de istee bal algoritmalara benzer. Algoritmada mesafe ve hareketlilik nemli rol oynad iin DREAM ad verildii ifade edilmektedir. Pozisyon tabanl algoritma almalarndan biri [9]de ileri srlmtr. V-GEDIR ad verilen bu algoritma, Geographic Distance Routing (GEDIR)e dayanmaktadr. Bu yntemde, kesiim dmleri hedefin olas pozisyonlarnn dairesel veya dikdrtgensel voronoi diyagram ile belirlenir. Bir dier pozisyon tabanl algoritma, rota istei iletici dm saysn azaltmay

114

Kara, R. ve zelik, .

nermektedir [6]. [7]de nerilen Location Information Aided Routing (LAR) algoritmas, arama blgesini azaltarak rota bulmay ele almaktadr.

Bulanklatrma ileminde giri ve k deikenleri iin gen yelik fonksiyonlar kullanlmtr. izelge 1de giri ve k deikenlerine ait gen yelik fonksiyonlarnn snrlar ve dilsel ifadeleri verilmitir. izelge 1 Giri ve k deikenleri iin gen yelik fonksiyonlar snrlar.

2. Bulank-DREAM
2.1. DREAM DREAM (Distance Routing Effect Algorithm for Mobility), dmlerin pozisyon bilgilerini srekli olarak her bir dmde depolar. Dmler ilerinde bulundurduklar GPS sayesinde, kendi pozisyonlarn belirlerler. Periyodik gncelleme mesajlar ile her bir dme ait pozisyon bilgilerini, adaki dier dmlere flooding yntemiyle gnderirler. Bylece her dmn ynlendirme tablosunda, adaki dier dmlere ait pozisyon bilgileri oluturulmu olur. DREAMa gre, bir dm adaki herhangi bir dme veri paketi gndermek istediinde, kendi pozisyon bilgisi ve hedef dmn pozisyon bilgisini kullanarak mesafe hesab yapar. Hedef dm kendisinin dorudan eriebilecei bir dm deilse, hedef ynndeki en yakn dme veri paketini gnderir. Bu ilem paket hedefe ulancaya kadar tekrar edilir. DREAM algoritmas, dmler arasndaki mesafeyi ynlendirmede birincil kriter olarak kullanr. Bizim bu almada nerdiimiz yntem ise mesafeye ek olarak, dmlerin batarya miktarlarnn ve anlk younluk deerlerinin, ynlendirme esnasnda dikkate alnmasdr. 2.2. Bulank-DREAM nerilen Bulank-DREAMe gre, dmler birbirlerine GPSden elde ettikleri pozisyon bilgileri ile birlikte, kalan batarya miktarlarn ve tampon younluk deerlerini de flooding yntemiyle gnderirler. Bylece her bir dmn ynlendirme tablosunda, dier tm dmlere ait pozisyon bilgileri, batarya ve younluk bilgileri yer alr. Herhangi bir dm, hedef bir dme paket gndermek istediinde, mesafe, batarya ve younluk deerlerini bulank mantk kullanarak, komular ile kendisi arasnda maliyet deerleri oluturur. Ynlendirme kararn DREAMda olduu gibi mesafeye gre deil, bulank mantk sonucu bulunmu olan maliyet deerine gre verir. DREAM algoritmasnda bulank mantk kullanarak maliyet deeri oluturmak iin, maliyet, batarya mr ve younluk olmak zere giri deikeni, maliyet olarak bir k deikeni kullanlmtr. Giri ve k deikenlerinin blok grnm ekil 1de verilmitir.

Mesafe ok Yakn Yakn Orta Uzak ok Uzak

Oran 0 0 25 0 25 50 25 50 75 50 75 100 75 100 100

Maliyet ok Dk Dk Orta Yksek ok Yksek

Oran 0 0 25 0 25 50 25 50 75 50 75 100 75 100 100 Oran 0 0 40 10 50 90 60 100 100

Younluk Oran Batarya Dk 0 0 40 Dk Orta 10 50 90 Orta Yksek 60 100 100 Yksek

Oluturulan yelik fonksiyonlar kullanlarak 45 adet kural oluturulmutur. Durulatrma ilemi arlk merkezi (Mamdani) yntemi kullanlarak yaplmtr. izelge 2de rnek giri deikenleri iin elde edilmi maliyet deerleri verilmitir. izelge 2 rnek giri deerleri iin bulunmu maliyet deerleri.

Mesafe 50 20 80 10 90

Batarya mr 50 20 20 80 80

Younluk 50 50 20 10 10

Maliyet 50 66 75 21 73

3. Benzetim Program ile DREAM ve BulankDREAM Karlatrmas


MATLAB 7.01de kodlanan bir benzetim program ile, 50 ve 100 dml alar DREAM ve Bulank DREAM algoritmalar ile benzetime tabi tutulmutur. Benzetim sonucunda Bulank-DREAM algoritmasnda, daha az sayda dmn kullanld yollar veya batarya mr yksek, younluu az olan dmlerin ynlendirme amacyla kullanld grlmtr. ekil 2de, 100 dml, 600x600 metrekare alana rastgele dalm dmlerin oluturduu bir a ve 1. dmden 20. dme olan yol verilmitir. Buna gre 1. dmden 20. dme olan ynlendirme yolu u dmlerden olumaktadr: 1-12-71-5-20. Ayn ada, DREAM algoritmasyla yol bulunduunda, 1. dmden 20. dme olan yol u dmlerden oluur (ekil 3): 1-53-64-52-5-20.

ekil 1. Bulank giri ve k deikenlerinin grnm.

115

Kara, R. ve zelik, .

Kaynaklar
[1] CORSON, S., MACKER, J., Mobile Ad hoc Networking (MANET): Routing Protocol Performance Issues and Evaluation Considerations, IETF, http://www.ietf.org/rfc/rfc2501.txt. [2] EHSAN, H., UZMI, Z. A., Performance Comparison Of Ad Hoc Wireless Network Routing Protocols, 0-78038680-IEEE, INMIC 2004. [3] WATTENHOFER R., Algorithms for ad hoc and sensor Networks, Computer Communications, Volume 28, Issue 13, 2 August 2005, Pages 1498-1504. [4] Kara, R., Ozcelik, I., Ekiz, H., "Position Based Hybrid Routing Algorithm in Wireless Ad Hoc Networks" 5th International Conference on Electrical and Electronics Engineering (ELECO 2007), 5 - 9 December 2007, Bursa TURKEY. [5] LEE, S., GERLA, M., Dynamic load-aware routing in ad hoc networks, IEEE International Conference on Communications (ICC 2001), Volume 10, 11-14 June 2001 Page(s):3206 3210. [6] Imielinski, T., Navas, J., GPS Based Geographic Addressing Routing and Resource Discovery, Communications of The ACM, Vol. 42, No. 4, April 1999 [7] Ko, Y., Vaidya, N., Location Aided Routing (LAR) in Mobile Ad Hoc Networks, The 4th Annual International Conference on Mobile Computing and Networking MOBCOM98, Dallas, Texas, October, 1998 [8] Basagni, S., Chiamtac, I., Syrotiuk, V.R., Woodward, B.A., A Distance Routing Effect Algorithm for Mobility (DREAM). [9] Stojmenovic, I., Seddigh, M., Zunic, J., Dominating Sets And Neighbor Elimination Based Broadcasting Algorithms in Wireless Networks, IEEE Transactions on Parallel and Distributed Systems, vol. 13, no. 1, January 2002.

ekil 2. 100 dml ada Bulank-DREAM ile bulunmu 1. dmden 20. dme olan yol.

ekil 3. 100 dml ada DREAM ile bulunmu 1. dmden 20. dme olan yol.

4. Sonular
Ad hoc mobil alarda batarya mr ve band genilii iki nemli kaynaktr. Bu kaynaklarn etkin bir biimde kullanlmas gereklidir. Bu amala dm pozisyon bilgilerine dayal olarak ynlendirme karar veren algoritmalarda, dmler aras mesafeye ek olarak, ynlendirmede grev alacak dmlerin batarya mrleri ve younluk bilgilerini de dikkate almay nerdiimiz bu almada, bulank mantk yntemi DREAM algoritmasna uygulanmtr. Bulank-DREAM ad verilen bu algoritma DREAM ile karlatrlmtr. Bulank-DREAMde, DREAMe gre ynlendirme yollar zerinde daha az sayda dm kullanld veya ayn sayda dm kullanlmas durumunda batarya mr yksek olan dmlerin kullanld grlmtr. Bylece adaki veri paketlerinin hedefine ulama ihtimali artmakta ve paketlerin hedefine ulama sreleri ksalmaktadr.

116

5. Uluslar aras leri Teknolojiler Sempozyumu (ATS09), 13-15 Mays 2009, Karabk, Trkiye

JAVA LE UNIX' DE SRELERN SSTEM ARILARINA DAYALI ANORMALLK TESPT ANOMALY DETECTION BASED ON SYSTEM CALLS IN UNIX BY USING JAVA
a

Karadeniz Teknik niversitesi, Trabzon, Trkiye, b Harran niversitesi, anlurfa, Trkiye a E-posta: pehlivan@ktu.edu.tr, b E-posta: emintenekeci@ktu.edu.tr

Hseyin PEHLVANa ve Mehmet Emin TENEKECb

zet
Bu almada, Java programlama dili ile UNIX iletim sisteminde komakta olan srelerin, yapm olduu sistem arlar izlenilerek, davranlarndaki anormallikler belirlenmitir. Bir srecin izlenebilmesi iletim sistemiyle etkileimi, bu ise yerel sistem fonksiyonlarnn kullanmn gerektirmektedir. Ancak Java gibi yksek seviyeli bir programlama dili ile iletim sisteminin etkileiminde baz zorluklar vardr. Modern UNIX iletim sistemlerinde sre izleme gereksinimleri sadece C/C++ programlama evrelerinden karlanabilmektedir. Bundan dolay Java tarafndan tedarik edilen JNI (Java Yerel Arayz) yardmyla C/C++ evrelerine eriim salanarak sre izleme mekanizmas gerekletirilmitir. Srelerin yapm olduklar sistem arlar dizileri K en yakn komuluk algoritmas kullanlarak snflandrlmtr. Anormal davranl olarak belirlenen sreler saldr ieren sreler olarak kabul edilmitir. Anahtar kelimeler: Sistem arlar, Dillerin Birlikte Kullanm, Sre gzetleme, Anormallik Tespiti,

yaplmasna ve iletim sistemine zel verilerin okunmasna dayandrlr. Bu ilemler UNIX iletim sisteminde sadece C/C++ dilleri ile yaplabilmektedir. C/C++ evrelerinde sre izleme ileri dzeyde sistem programcl gerektirir. zellikle iletim sistemi ile etkileim, sistem ekirdeine ait veri yaplarna eriim yaplmas, icra edilen srecin durdurulmas, srecin durum bilgilerinin alnmas gibi ilemler de programlamay zorlatrr. Java programlama dili ile srelerin yapm olduklar sistem arlarnn izlenmesi mmkn deildir. nk yksek seviyeli bir programlama dili olan Java nn yalnz olarak iletim sisteminin dk seviyeli veri yaplarna eriim yapmasna izin verilmemitir. Bu nedenle dillerin birlikte ilerliini salayan teknolojilere ihtiya duyulmaktadr. Birlikte ilerlik deiik programlama dillerinin birlikte kullanmn salayarak daha etkin bir programlama ortam oluturmak iin kullanlr. Birlikte ilerlik yksek seviyeli dillerin nispeten daha alak seviyeli dillerde bulunan ilev ve yaplar kullanmasna dayanr [1,2]. Programlama dillerinin birlikte kullanld teknolojilere veya yaplara CORBA [3] (Ortak Nesne stem Arac Mimarisi), RPC [4] (Uzak Yordam arma), COM [5] (Parackl Nesne Modeli), JNI (Java Yerel Arayz) rnek olarak verilebilir. Ayrca Microsoft.NET de dillerin ortak kullanmn salayacak bir alt yapda oluturulmutur [6]. Bu almamzda, Java programlama dilinin srelerin yapt sistem arlarnn belirlemesi iin C/C++ dilleri ile etkileimi gerekir. Bu iki dilin etkileimini salamak iin JNI teknolojisinden yararlanlmtr. JNI, Java ile nispeten daha alak seviyeli dillerin birlikte kullanlabilmesini salar. Bu alamzda JNI sayesinde, Java ile C/C++ dilerinin birlikte kullanlarak iletim sistemine ait veri yaplarna eriilip, icra edilen srelerin yapm olduklar sistem arlar Java ortamna geirilmitir. Java ile srelerin izlenilmesi sonucu toplanlan sistem arlar dizileri, anormallik tespitinde temel bilgiyi ieren veriler olarak kullanlmtr. Aslnda anormallik tespiti saldr tespit sistemlerinde kullanlan iki ana yaklamdan birisidir. Bundan baka yaln kullanm tespiti de saldrlar belirlemede kullanlr. Bu iki yntemin birbirlerine gre stnlkleri mevcuttur. Anormallik tespitini kullanan sistemler daha nce karlalmam saldrlarda belirleme yeteneine sahip iken ok fazla yaln alarm verme olasl vardr. Yaln kullanm tespiti daha nce karlalmam saldrlar tespit etmesi mmkn deildir. Bununla beraber yaln alarm vermesi olasl ok dktr. Bu nedenle daha etkin

Abstract
In this study, anomaly behaviors of running UNIX processes were determined by tracing system calls. Tracing the process needs an interaction with the operating system, which requires the usage of the local system primitives. However, there are some difficulties in interaction with the operating system using high level programming languages such as Java. Modern UNIX operating systems can perform the tracing process only through C/C++ programming environments. Hence, the process tracing mechanism is developed by accessing C/C++ environments via JNI provided by Java. System call sequences of process were classified by using K nearest neighbor algorithm. The processes determined as anomaly have been accepted to include attacking processes. Keywords: System call, Language Process Tracing, Anomaly Detection Interoperability,

1. Giri
Gnmzde sistem gvenlii konusunda yaplan almalarda, sistem arlarnn izlenmesi, kaydedilmesi ve analiz edilmesi ok deiik amalar iin kullanlmaktadr. Bu nedenle sistem arlarnn izlenmesi sistem gvenlii asndan yerel saldr tespit sistemlerinin temelini oluturmaktadr. Sistem arlarnn izlenmesi, iletim sisteminin ekirdek veri yaplarnda deiiklik
IATS09, Karabk niversitesi, Karabk, Trkiye

117

Pehlivan, H. ve Tenekeci, M.

saldr tespiti gidilmektedir.

iin

iki

tekniin

birletirilmesi

yoluna

onlarla ilgili olarak bilgi toplamak iin /proc dosya sistemini kullanr. Bu almada /proc dosya sistemi kullanlarak sreler gzetlenecektir. Sistem arlarnn izlenmesi, kaydedilmesi ve de analiz edilmesi ok deiik amalar iin kullanlmtr. Bu amalardan bazlar aada zetlenmitir. Hata Ayklama: Bir programn yapt sistem arlar incelenerek programn davran hakknda bilgi edinilebilmektedir. Bunun sonucunda ilgili programn davrannda gzlemlenen anormallikler yardmyla kod iinde hatal alan tespit edilebilir ve gerekli dzeltmeler yaplabilir [13,14]. Sistem Kt Kullanmlarnn ve Yetkisiz Girilerin Alglanmas: Sistemi kullanan kimselerin yaptklar ilemler kaydedilerek bu kiilerin sistem kaynaklarn nasl kullandklar hakknda bilgi sahibi olunabilmektedir. Sistemde yaplan ilemler sonucu meydana gelen sistem arlar dizileri zerinde snflandrma, tanma algoritmalar ve veri madencilii yntemlerinden yararlanarak kiilerin sistemi kullanm amalar yada niyetleri belirlenebilir. [15-19]. Program Dorulama: Programlarn sistem zerinde gerekletirdii ilemler kaydedilerek bir programn beklenen davran gsterip gstermedii belirlenebilir. Ayrca programn davranna gre bir virsn yada casus yazlmn (spyware) varl tespit edilebilir [20-22]. Ortam Modelleme ve Yeniden Oluturma: Programlarn derlenmesi esnasnda yaplan sistem arlarnn izlenmesi ile programlarn hangi ortamda hangi ktphane dosyalarn kulland belirlenebilir [23,24]. Arayzlerin Anlalmas: Programlarn icras esnasnda yapt sistem arlar incelenerek bir program arayznn kullanm biimi ve davran belirlenebilir. Ayrca belgelenmemi sistem fonksiyonlarnn veya arlarnn nasl alt hakknda bilgi alnabilir [25]. Gvenli Dosya Sistemi lemleri: Programlarn dosya sistemi zerinde yapt sistem arlar izlenerek, dosya sistemini etkileyen aktiviteler ile karlaldnda dosyalarn birer kopyalar alnabilir. Bu ekilde virsler veya kullanc hatalarndan meydana gelen hasarlar telafi edilebilir [26,27].

Bu almamzda anormallik tespiti iin metinleri snflandrmak iin kullanlan K en yakn komuluk algoritmas kullanlmtr. Herbir sistem ars bir kelime, sistem arlar dizisi de metin olarak kabul edilerek normal veya anormal olarak etiketlendirilmitir. K en yakn komuluk snflandrc iin eitim verileri olarak DARPA 1998 veri setlerinden Temel Gvenlik Modl (BSM) denetleme verileri kullanlmtr. BSM verileri kurban olarak seilen Solaris makinesinde alan srelerin yapt sistem arlarndan olumaktadr. Bu veriler yaplan sistem arlarnn isimlerini, alan dosyalarn zelliklerini, tam yolunu, parametrelerini, geri dn deerini, oturum numarasn ve buna benzer birok zellikleri iermektedir. Bu almada sadece sistem arlarnn isimleri kullanlmaktadr. Bu DARPA veri setlerinin kullanld almalara rnek olarak [7-9] verilebilir. Bu almalarda sistemin eitimi ve test ilemleri DARPA veri setleri kullanlarak gerekletirilmitir.

2. Sre zleme
Sreler sistem ekirdei tarafndan oluturulan ve programlarn icradaki rneklerinin yerletirildii ortamlardr. Sreler iletim sistemlerinden sistem arlar ile istekte bulunurlar. Srecin sistem kaynaklar zerinde yapmak istedii ilemler, sistem ekirdeine iletilen sistem arlarna dntrlr. Dolaysyla bir srecin sistemle etkileimi, sistem arlarnn bir dizisi olarak da dnlebilir. UNIX' te srelerin kullanc ve ekirdek modu olmak zere iki alma modu vardr [10]. Bir srecin sistem ars yapmasyla veya bir kesme geldiinde modlar aras gei yaplr (kullanc moddan ekirdek moda). ekil 1 de grlebilecei gibi sre izleme ilemi, srecin sistem arlar ile modlar aras geiin yapld anlarda srecin durdurularak sistem ars ile ilgili verilerin okunmasna dayanr.

ekil 1: Sre gzetleme mimarisi. Unix iletim sistemlerinde iki eit sre gzetleme mekanizmas vardr; ptrace sistem ars [11] ve /proc dosya sistemi [12]. Gzetlenen sre adm adm koturulabilir, bellek alan okunup deitirilebilir ve sistem tarafndan tutulan sre tablosuna eriilebilir. ptrace mekanizmas /proc'a gre daha ilkel bir mekanizmadr. /proc dosya sistemi, iletim sistemindeki her srecin adres alanna eriimi salar. Sistemde oluturulan btn sreler /proc dizini altnda temsili dosyalar eklinde tutulurlar. /proc dizininde bulunan her bir dosya, ilgili srecin IDsi ile isimlendirilmitir ve her bir dosyann sahibi srecin gerek kullanc (real user) IDsi ile belirlenir. Birok Unix program (gdb, ps, top ve truss gibi) sreleri kontrol etmek ve

3. Java ile UNIX Srelerinin zlenmesi


nceki ksmlarda bahsedildii gibi sre gzetleme ilemi, iletim sistemi veri yaplarna eriimi ve deitirilmesini gerektirdiinden sadece Java programlama dili ile gerekletirilmesi mmkn deildir. JNI teknolojisinin kullanlarak iletim sistemi verilerine eriebilen programlama dilleri ile birlikte kullanlmas gerekir. JNI, java ortamnn en nemli zelliklerinden birisi olarak karmza kmaktadr. JNI yapsn kullanan programlar, C ve C++ ile yazlm olan yerel uygulamalarla ve ktphanelerle birlikte alabilme olanana sahip olurlar.

118

Pehlivan, H. ve Tenekeci, M.

snflandrma ileminde kullanabileceimiz ulalm olacaktr.

bir yapya

Tablo 1. En yakn komuluk yntemini iin metin snflandrma ile anormallik tespitinin benzerlii Metin Snflandrma ekil 2: JNIn Java ortamndaki rol. JNI, Java sanal makinesinin (JVM) bir paras olmakla beraber Java uygulamas ve yerel ktphane ile iki ynl iletiimi salamaktadr. Standart Java uygulamalar yazlarak Java byte koda dntrlr. altrlmak istenildii zaman Java Sanal Makinesi tarafndan altrlan ortama uygun makine kodlar retilerek sistemde altrlmas salanr. Yerel fonksiyonlar Java programmzda kullanmak istediimiz zaman ekil 2 de gsterildii gibi JNI kullanlarak bu fonksiyon arlr ve JVM ile etkileimli olarak yazlan Java program ile beraber sistemde altrlr. JNI kullanlarak gelitirilen birok uygulama mevcuttur. Bu uygulamalara birka tane rnek verecek olursak: JTUX [28] (Java-To-UNIX Package), POSIX/SUS sistem arlarn Java ortamnda kullanabilmek iin JNI ile oluturulan bir arayzdr. Bu arayz sayesinde Java paketleri ile desteklenmeyen UNIX fonksiyonlarna Java ortamndan eriilebilmektedir. Unix sistem arlarnn byk bir ounluuna Java ortamndan eriimin salanmas iin gerekli fonksiyonlar tanmlanmtr. Bu fonksiyonlar kullanlarak Java evresinden Unix sisteminde kernel seviyesinde programlama imkn salanmtr. Dier bir JNI uygulamas da saysal iaret ilemede Java ile C/C++ fonksiyonlarnn birlikte kullanlmasdr. Burada C/C++ fonksiyonlar yksek performans elde etmek iin tercih edilmitir [29]. Bu uygulama ile C/C++ dilinin dk seviyeli olarak direk ilemci zerinde hzl aritmetik ilem yapma yeteneinden faydalanlmtr. Bu ekilde ok fazla aritmetik ilem gerektiren saysal iaret ileme uygulamalarnn Java kullanlarak hzl bir ekilde yaplmas salanmtr. Buna benzer bir almada da Java evresinden MPEG 4 sahneleri JNI kullanlarak oluturulmutur [30]. Burada biraz nce bahsettiimiz gibi performans art ok ciddi bir ekilde grlmektedir. Dier bir rnek olan JNIMarshall [31], Java ile C/C++ fonksiyonlar arasnda etkileimi salayacak JNI fonksiyonlarn otomatik olarak reten bir uygulamadr. Bu almayla acemi programclarn st dzey programlama gerektiren JNI ile yerel fonksiyonlar kullanabilmeleri salanmtr. Bu almamzda, JNI kullanlarak Java programlama dilinin eriimine izin verilmeyen iletim sistemi veri yaplarna eriimi salanmtr. Bu ekilde srelerin yapm olduklar sistem arlar dizisi elde edilmitir. N M ni fij Dj X Toplam Dokman Says Toplam Kelime Says i.Kelimenin Tekrarlanma Miktar j Dokmandaki i. Kelimenin Frekans j. Eitim Dokman Test Dokman Anormallik Tespit Toplam Sre Says Toplam Sistem ars Says i.Sistem arsnn Tekrarlanma Miktar j Srecindeki i. Sistem arsnn Frekans j. Eitim Sreci Test Sreci

Tablo 1 de grld gibi metinlerin snflandrlmas ile anormallik tespit iin sistem arlar dizisinin snflandrmas birbirine ok yakn bir iliki ierisindedir. Bu nedenden dolay K en yakn komuluk algoritmasnn uygulanmasna ok elverilidir. A= aij eklinde matris olarak verilebilir, aij, j numaral dokmanda bulunan i numaral kelimenin arldr. Snflandrma ileminde A matrisinin oluturulmas eitim ileminin gerekletirilmesi anlamna gelmektedir. A matrisinde eitim ileminde kullanlan dokman says kadar satr vardr. Her bir satr bir eitim vektrnn arlklandrlm aij deerlerinden oluur. A matrisi iin stunlarn says dokmanlarn ierisindeki kelimelerin adedine baldr. Bu aij arlklandrlm deerlerin hesab iin baz deiik yntemler bulunur. Bunlardan birisi (1) de grlecei gibi dokman ierisinde gelen kelimelerin frekansdr. (1) de fij, j dokman ierisinde i numaral kelimenin meydana gelme skln verir. Dier bir alklandrma yntemi ise tf*idf (term frequency - inverse document frequency) olarak bilinir (2). Bu yntemde btn eitim dokmanlar gz nne alnarak arlklandrma gerekletirilir. (2) de N, bulunan dokman saysn, ni ise btn test dokmanlarnda i numaral kelimelerin meydana gelme skln verir. M, birbirinden farkl olan kelimelerin saysn vermektedir.

aij = f ij

(1)

aij =

f ij

m l =1

log( f
2 ij

N ) ni

(2)

4. K En Yakn Komuluk Algoritmasnn Anormallik Tespitine Uyarlanmas


Sistemde alan srelerin davranlarnn snflandrlmas iin metinleri snflandrmak amac ile kullanlan K en yakn komuluk algoritmas kullanlabilir. almamz da Y. Liao [32] almasndan esinlenerek yaplmtr. Srelerin yapt sistem arlarnn her birisi bir kelime ve toplam ise metin olarak alndnda metin Eitim ileminin tamamlanmasndan sonra yeni dokmanlarn snfnn belirlenmesi iin (3) de gsterilen sim(X, Dj) fonksiyonu kullanlr. Burada X test dokmandr. Dj, j numaral eitim dokmandr. X Dj ifadesine ti olarak kabul edersek, ti X ve Dj tarafndan paylalan bir kelimedir. Xi, X ierisindeki ti kelimesinin bulunma saysdr (arldr). dij, Dj dokmannda bulunan ti kelimelerinin

119

Pehlivan, H. ve Tenekeci, M.

skln verir. (4) de ise test ilemi srasnda dokman vektrlerinin normunun hesab gsterilmektedir. xi deeri, her bir kelimenin arlk deerini belirtir.

gelitirilen saldr tespit sistemlerinin eitim ve test ilemlerinin doru bir ekilde gerekletirilebilmesi iin gvenilir veri setleri elde edilmesi gerekmektedir. Bu almamzda, davranlarn belirlenmesi iin DARPA sponsorluunda MIT laboratuarlarnda saldr tespit sistemlerinin karlatrlmas iin oluturulan yapay saldr ortamnda elde edilen IDEVAL veri setleri kullanlmtr. Bu veri setleri ierisinde 12 gnlk saldrsz olan veriler programlarn normal davrannn belirlenmesi iin kullanlmtr. Bu sre ierisinde 3668 ayr srecin yapt 50 sistem ars izlenilmitir. Sistemdeki srelerin izlenmesi sonucu elde edilen sistem arlarnn her birisinden ne kadar geldii hesaplanarak arlklandrma fonksiyonlarna gre vektrler oluturulur. Btn srelerin kendilerine ait vektrleri oluturmas eitim aamasn meydana getirir. Eitim aamasnda iki deiik arlklandrma fonksiyonu kullanlr. Bu fonksiyonlara gre srelerin yapt sistem arlarnn arlklandrlmas vektrlerin oluturulmas anlamna gelir. Srelerin yapt sistem arlar frekans arlklandrma (1) denklemine ve tf-idf arlklandrma (2) denklemine gre yaplarak eitim vektrleri oluturulur. (2) denkleminde, grlebilecei gibi her bir deerin arlklandrma ilemi iin btn eitim verilerinin frekans deerlerinin bilinmesi gerekir. Eitim aamasnn tamamlanmas ile birlikte evrimii olarak sistem izlenir. Srelerin yapm olduklar sistem arlar daha nceki eitim aamasndaki verilere uygulanan arlklandrma ilemine tabi tutularak kendi arlklandrlm vektr elde edilir. Bu vektrn her bir eitim vektrne uzakl (3) denklemine gre tespit edilir. Belirlenen k deerine gre k tane komu vektre benzerliinin ortalamas hesaplanr. Bu ortalama benzerlik belirli bir eik deerinden fazla olmas durumunda normal, az olma durumunda ise anormal olarak kabul edilir. Benzerlik (uzaklk) belirleme ileminde 1 sonucu elde edilirse k deere bakmadan kesin benzerlik bulunduundan normal olarak kabul edilir. K en yakn komuluk snflandrma sisteminin performans k deerinin seimine baldr. Genel olarak en uygun k deeri testler sonucu elde edilebilir. fakl k deeri iin sistemin almas test edilmitir. Anormallik tespitinde en nemli parametre olan yanl alarm oran dikkate alnmtr. K deeri olarak 10, 15, 20 alnarak, tf-idf arlklandrma fonksiyonu ile sistem test ileminden geirilmitir. Bu k deerleri ierisinde en iyi sonuca ekil 4de grlebilecei gibi 15 deeri ile ulalmtr. Test veri seti ierisindeki yanl alarm vermeksizin 21 atakl oturum ierisinden 115 sreten 63 tanesini yanl alarm vermeden tespit edebilmitir. Ayrca test verilerindeki tm ataklar 0,92 eik deeri tespit edilmi. Ancak izlenilen 38604 normal sre ierisinde sadece 1843 yanl alarm vermitir.

sim ( X , D j ) =

(X D
X
2

) X i d ij
2

(3)

Dj

2 2 = x12 + x 2 + x3 +

(4)

Metinlerin snflandrmasna benzer bir ekilde her srecin yapt sistem arlarn bir vektr olarak dnrsek frekansa gre arlklandrma (1) denklemine gre ve tf-idf arlklandrmas (2) denklemine gre yaplarak vektr kaytlarnn deerlerini hesaplayabiliriz. Yeni bir srecin normal veya saldrgan olduu belirlenmek istendii zaman k en yakn komuluk algoritmasna gre her bir eitim srecine olan uzakl (3) denklemine gre hesaplanr. Kendisine en yakn K tane komu vektre uzakl hesaplanr. Bu uzaklk vektrlerinin ortalamas belirli bir eik deerinden byk ise normal, kk ise anormal olduu varsaylr.

5. Gelitirilen Anormallik Tespitinin Mimarisi


Gelitirilen sistemde dikkatin ekilmesi gereken ksm vardr. Bunlar; iletim sisteminde alan sreleri gzetleyecek yerel fonksiyonlar, bu fonksiyonlarn Java ierisinde kullanmn salayacak JNI fonksiyonlar ve Java ortamnda, srelerin snflandrlmas olarak dnlebilir. Bu ksmn alma mimarisi ekil 3 de verilmitir.

ekil 3. Oluturulan normallik tespiti sisteminin mimarisi

6. Anormallik Deerlendirmesi

Tespitinin

Performans

alan srelerin anormal davrannn belirlenmesi, programlarn normal davranlarnn belirlenmesini gerekmektedir. Btn olas normal davranlarn belirlenmesi kolay deildir. Ancak ok byk veri setleri kullanm ile belirlenen davranlar ok daha etkili olmaktadr. Bu ise programlarn davranlarnn belirlenmesinde ok fazla ilem gerektirir. Bu ekilde

120

Pehlivan, H. ve Tenekeci, M.

ekil 4. tf-idf arlklandrma fonksiyonuna ile K=10, 15, 20 deerleri iin yanl alarm ve atak tespit oranlar K deeri olarak 10, 15, 20 alnarak, frekans arlklandrma fonksiyonu ile sistem test ileminden geirilmitir. Bu k deerleri ierisinde ataklar yakalama konusunda en iyi sonuca ekil 5de grlebilecei gibi 20 deeri ile ulalmtr. Ancak bu deer ile tm ataklar yakalamak istenmesi durumunda yanl alarm verme oran olduka ykselmektedir. Test veri seti ierisindeki yanl alarm vermeksizin 21 atakl oturum ierisinden 115 sreten 83 tanesini yanl alarm vermeden tespit edebilmitir. Ayrca test verilerindeki tm ataklar 0,92 eik deeri tespit edilmi. Ancak izlenilen 38604 normal sre ierisinde sadece 2765 yanl alarm vermitir.

ekil 6. tf-idf arlklandrma (k=10) ve frekans arlklandrma (k=20) iin yanl alarm ve atak tespit oranlar

7. Sonular
Bu almada Unix ortamnda almak olan srelerin Java programlama dili ile izlenilmesi salanmtr. Bu amala JNI teknolojisinden faydalanlarak SOLARIS iletim sisteminin sistem arlar kullanlarak C++ ortamnda gelitirilen sre gzetleme fonksiyonlar kullanlmtr. Srelerin gzetlenmesi sonucu elde edilen sistem arlar dizileri kullanlarak bu srelerin normal veya anormal davranl olduklar belirlenmitir. Bu ekilde sisteme yaplan ataklarn tespiti salanmaktadr. Gelecekte daha iyi performans elde etmek amac ile anormallik tespiti ile beraber kt kullanm tespiti kullanlarak saldrlar daha baarl bir ekilde tespit edilebilir.

Kaynaklar
[1] Stepanian L, Brown A, Kielstra A, Koblents G, Stoodley K, Inlining Java Native Calls at Runtime, Proceedings of the 1st ACM/USENIX international conference on Virtual execution environments VEE '05, June 2005. [2] Vivanco R, Pizzi N, Computational Performance of Java and C++ in Processing fMRI Datasets, Companion of the 17th annual ACM SIGPLAN conference on Object-oriented programming, systems, languages, and applications OOPSLA 02, 183 192, 2002 [3] Scallan, T., A corba primer. http://www.omg.org/news/whitepapers/seguecorba.pdf , 3 Haziran 2002. [4] Birrell, A. D. ve Nelson, B. J., Implementing remote procedure calls. ACM Transactions on Computer Systems, vol. 2, 1, 39-59, 1984. [5] Microsoft: Component object model. http://www.microsoft.com/com/default.mspx., 2 ubat 2000.

ekil 5. Frekans alklandrma fonksiyonuna ile K=10, 15, 20 deerleri iin yanl alarm ve atak tespit oranlar ekil 6de bu iki arlklandrma fonksiyonunun iyi olduu durumlar gsterilmektedir. Frekans arlklandrma iin 20, tf-idf arlklandrma iin 10 eik deeri ile sistemin performansn gsterecek eriler grafie eklenmitir. Bu iki farkl arlklandrma fonksiyonu kyaslandnda frekans arlklandrma fonksiyonu atak tespitinde, tf-idf arlklandrma fonksiyonu yanl alarm vermede istenilen seviyededir. Bu iki fonksiyonun kendine gre avantaj ve dezavantajlar vardr.

121

Pehlivan, H. ve Tenekeci, M.

[6] Andrew D. Gordon and Don Syme. Typing a multilanguage intermediate code. ACM SIGPLAN Notices, vol. 36, 3, 248-260, 2001. [7] Vigna G. ve Kemmerer R.A., NetSTAT: A NetworkBased Intrusion Detection Approach, Computer Security Applications Conference, Washington, 25 34, 1998. [8] Wenke L., Salvatore J. S. ve Kui W. M., A Data Mining Framework for Building Intrusion Detection Models, IEEE Symposium on Security and Privacy, Califonia, 120-132, 1999. [9] Sekar, R., and Uppuluri, P., Synthesizing Fast Intrusion Prevention/Detection Systems from HighLevel Specifications, Proceedings 8th Usenix Security Symposium, Washington, 63-78, 1999. [10] Bach, M.J., The Design of the UNIX Operating System, Prentice-Hall, New Jersey, 1986. [11] Leffler S, McKusick M, Karels M, ve Quarterman J. The Design and Implementation of the 4.3BSD Unix Operating System, Addison-Wesley, 1988. [12] Killian T. Processes as files, In Proceedings of the USENIX Summer 84 Conference, 203207, 1984 [13] Stallman, R., The GNU source-level debugger. Distributed by the Free Software Foundation, Boston, 1989. [14] Beander, B., VAX DEBUG: An interactive, symbolic, multilingual debugger, Proceedings of the Software Engineering Symposium on High-Level Debugging, ACM SIGSOFT/SIGPLAN, Encio, 173179, 1983. [15] Bernaschi, M., Gabrielli, E. ve Mancini, L., Operating System Enhancements to Prevent the Misuse of System Calls, Proc. ACM Conf. Computer and Comm. Security, Athens, 174-183, 2000. [16] Garfinkel, T., Traps and Pitfalls: Practical Problems in System Call Interposition Based Security Tools, Proc. Network and Distributed Systems Security Symp., 163-176, 2003. [17] Garfinkel, T., Pfaff, B. ve Rosenblum, M., Ostia: A Delegating Architecture for Secure System Call Interposition, Proc. Network and Distributed Systems Security Symp., Fortaleza, 187-201, 2004 [18] Provos, N., Improving Host Security with System Call Policies, Proc. 12th USENIX Security Symp., Washington, 257- 272, 2003. [19] Eskin, E., Lee, W. ve Stolfo, S.J., Modeling system calls for intrusion detection with dynamic window sizes. Proceedings of the 2001 DARPA Information Survivability Conference & Exposition II. DISCEX '01, Arizona, 165 -17, 2001. [20] Sekar, R., Bendre, M., Dhurjati, D., ve Bollineni, P., A Fast Automaton-Based Method for Detecting Anomalous Program Behaviors, Proc. IEEE Symp. Security and Privacy, California, 144-155, 2001.

[21] Peterson, D. S., Bishop, M., ve Pandey, R., A flexible containment mechanism for executing untrusted code, 11. USENIX Security Symposium, San Francisco, 2002. [22] Kruegel, C., Mutz, D., Valeur, F., ve Vigna, G., On the Detection of Anomalous System Call Arguments, Proc. 8. European Symp. Research in Computer Security (ESORICS 03), Norve, 326-343, 2003. [23] Graham, S. L., Kessler, P. B., and Marshall K. McKusick. An execution profiler for modular programs, Software Practice and Experience, Wiley Publishing, California, 1983. [24] Spinellis, D., A C execution profiler for MS-DOS, http://usenet.group.comp.source, 8, 8, 1989. [25] Ignatin, G. R., Let the hackers hack: Allowing the reverse engineering of copyrighted computer programs to achieve compatibility, University of Pennsylvania Law Review, 19992050, 1992. [26] Holyer, I., ve Pehlivan, H., A recovery mechanism for shells, The Computer Journal, vol. 3, 4, 1-9, 2000. [27] Pehlivan, H., ve Tenekeci, M. E., Unix letim Sistemleri in Akll Geri Dnm Kutusu Tasarm ve Gerekletirilmesi, Eleco Ulusal Konferans, Bursa, 178-182 ,2006. [28] Rochind, M. J., Jtux Java to Unix Package, , http://www.basepath.com/aup/jtux/, 25 Kasm 2005. [29] Shah, V. P., ve Younan, N. H., T. Alford and A. skjellum, An Advanced Signal Processing Toolkit For Java Applications, proceedings of the 2nd international conference on Principles and practice of programming in Java PPPJ '03, rlanda 112-119, 2003. [30] Shin, Y., Sangwook K.,: An MPEG-4 Scene Rendering Technology Using JNI Functions, International Conference on Parallel and Distributed Processing Techniques and Applications, Las Vegas, 1216-1222, 2002. [31] Dueck, G., JniMarshall A Java Native Interface Generator, Brandon University Revision, 2, Ekim 2006. [32] Y. Liao ve V. R. Vemuri. Use of K-Nearest Neighbor Classifier for Intrusion Detection, Computers & Security, vol. 21, 5, 439-448, 2002.

122

5 International Advanced Technologies Symposium (IATS09), May 13-15, 2009, Karabuk, Turkey

th

SCALARUP: SCALABLE DATA LOOKUP AND REPLICATION FRAMEWORK FOR UPDATED DATA
a, *

Deniz Altnbken a, * and znur zkasap a


Department of Computer Engineering, Ko University, Istanbul, Turkey {daltinbuken, oozkasap}@ku.edu.tr

Abstract
Scalability and data accessibility are significant issues in enhancing the power of mobile ad hoc networks (MANET). Scalable Data Lookup and Reactive Replication (SCALAR) framework for MANETs is our recent application layer solution standing out mostly by the scalability feature. It is composed of a virtual backbone construction algorithm, a scalable and low-cost data lookup protocol and a reactive replication scheme. However, SCALAR is based on the assumption that replicated data items are unchangeable, and hence updates to data items and related consistency problems are not considered. In this study, we propose an extended framework, namely ScalarUp, which offers replication service for updated data items. Issues of aperiodic data updates, ratio of read to write probabilities and data access behaviors of mobile users are considered for the replication decision. In ScalarUp, the cost function for replication decision is revised to utilize these issues. Keywords: Data replication, data lookup, scalability, virtual backbone, connected dominating set

problem in graph theory. The data lookup protocol is used over the dynamic virtual backbone and hence low-cost data requests are realized. Then, the data lookup protocol is extended to use the data replication approach, which replicates frequently accessed data items to achieve data access efficiently. We propose an extended framework, namely ScalarUp, which offers a replication service for updated data items. ScalarUp uses the dynamic virtual backbone construction and the data lookup protocols of SCALAR, and it contributes to replication protocol by considering updates to data items and related consistency issues Data update algorithms are added to the scenario to simulate the updating behavior during the data request and replication processes. The updates are done randomly and the write frequencies are stored for use in replication decision. In SCALAR, the replication decision was made according to the popularity of read-only data, and that was identified with the number of times the data is read. In ScalarUp, the replication decision is made by taking both the write frequency and read frequency of data into consideration. ScalarUp is recommended as a fully distributed approach that operates in a peer-to-peer fashion. It is designed to operate efficiently in large-scale ad hoc networks where updates to data are allowed. To the best of our knowledge, a data replication framework for large scale ad hoc networks, where updates to data are taken into consideration, has not been investigated before. The rest of this paper is organized as follows: Section 2 reviews related work. In Section 3, the ScalarUp framework is presented in connection to our previous work. In Section 4, the contributions of ScalarUp are discussed in detail. Section 5 presents an example scenario considering updated data, and Section 6 concludes our paper.

1. Introduction
Mobile ad hoc networks have gained substantial interest and popularity in recent years due to their immense potential in several fields of application. Example application areas include personal area networks, wireless peer-to-peer networks, military communication systems, and vehicular ad hoc networks. Lack of infrastructure, selforganization and mobility are the main features of such networks. MANETs consist of mobile nodes that can reconfigure the structure of the network continuously. The network is ad hoc since there is no fixed and known network structure that every other node forwards data. Every node can change its location, enter or leave the network. MANETs are adaptive networks and they are reconstructed according to such changes. Every node in the system may act as an end system as well as a router that forwards traffic. As the topology of the network is unstable, keeping the needed information for routing is one of the key issues in ad hoc networking. Another significant issue in MANETs is data sharing. As the structure of the network is constructed in an ad hoc manner, disconnections of nodes may end up in partitioning of the network such that detached nodes are formed. For providing high accessibility to data, we employed replication of data among hosts that also act as routers in our primary work SCALAR [2]. In SCALAR, a dynamic virtual backbone is created in order to minimize the number of nodes involved in the data lookup process. The dynamic virtual backbone is created based on the approximation of minimum connected dominating set

2. Related Work
A data replication mechanism is used to enhance data accessibility and to prevent data losses in case of disconnection or relocation of nodes in a MANET. It relies on the idea that data are replicated on nodes to maintain accessibility, even if the original owner node is not present. In this section, we review prior work on data replication techniques for MANETs as a solution to the data accessibility issue. Haras pioneering work on data replication considering data update [1] proposes three replica allocation methods, namely, SAF, DAFN and DCG. In the SAF (Static Access Frequency) method, mobile hosts keep replicas of data items considering their access frequencies to the data

IATS09, Karabk University, Karabk, Turkey

123

Altinbuken, D. and Ozkasap, O.

items. In the DAFN (Dynamic Access Frequency and Neighborhood) method, neighborhood of mobile hosts is also considered in addition to the access frequency. In the DCG (Dynamic Connectivity based Grouping) method, both access frequencies and the topology of the whole network are considered. These methods are then extended considering data updates. The data updates are assumed to occur randomly and the replication decision is made according to the Read/Write Ratio (RWR) which is defined as the read probability of a data item over its write probability. Thus, a data is replicated with a higher probability if it is read more frequently than it is updated. In the Extended SAF plus (E-SAF+) method only RWR values are considered during replication decision. So, during a relocation period every host first sends the write frequency of its own data item to other hosts. Later, the replication decisions are made depending on RWR. In the E-DAFN+ method after receiving the write frequencies every host replicates data taking the RWR into account. Later, for every set of connected mobile hosts the host with the lowest suffix becomes the coordinator. These coordinator hosts eliminate duplicated replicas in their neighborhoods using RWR values. In the E-DCG+ method after the write frequencies are broadcast, again groups of mobile hosts are created. But in the E-DCG+ method these groups are formed from biconnected elements. Later, the coordinators of the groups replicate data items in available memory spaces of the group, depending on the RWR values. The work of [1] also discusses the effects of the write frequency underlining that the write frequency is inversely proportional with the data accessibility. It is also emphasized that E-DCG+ method has the highest data accessibility compared to other methods proposed. The effects of the on-schedule probability, the relocation period, the radio communication range, the skew of access and write frequencies have also been investigated. Another method for data replication in MANETs is DREAM [3] that considers energy consumption during data access in addition to considering data access frequency. Overall, the aim is to optimize the energy consumption in the network. Thus, data items, that have higher access frequencies and that are accessed with energy efficient connections, are preferred for replication. In CADRE (Collaborative Allocation and Deallocation of Replicas with Efficiency) [4], a fair data replication method is proposed. The fairness is achieved through the collaboration of all nodes. The replication and removal of data items are decided together by all hosts, preventing unneeded replicas. For the decision process, every data item is assigned a score value which indicates the popularity of the data item among all nodes. The popularity of a data item is determined by its service to every node. Therefore, the nodes with higher popularity are replicated more frequently, which ensures that the data replication is done fairly, for the advantage every node. In CLEAR (Consistency and Load Based Efficient Allocation of Replicas) [5], both the data item to be replicated and the mobile host to act as the replica are

decided by optimization functions. The data items are chosen depending on their size and access frequency. The node of replication is chosen by the load, memory and energy constraints, and access frequency of a node. As a result, the most cost effective replication is chosen. In DHTR (Distributed Hash Table Replication) [6] the network is divided into hierarchical groups. Each group has a cluster head [CH] managing the cluster. This approach lowers the message overhead in the network. In this method, also a distributed hash table is used to keep the state information, which achieves fast accesses. But DHTR proposes no technique for the replication decision. Another method proposed for data replication is the CrossLayer Design for Data Accessibility in Mobile Ad Hoc Networks [7]. In this method, data items are replicated for the use of a group. During the replication decision, the prediction about the next topology of the network is used. In [7] it is proposed that using the present location and velocity information of nodes prediction of upcoming topology is possible. Our study is inspired by the main idea behind the E-SAF+ method for broadcasting and making the replication decision. The details about the procedure are discussed in the following sections.

3. ScalarUp
In this section, we first describe our system model. ScalarUp framework consists of three parts as the SCALAR [2]. The virtual backbone construction algorithm achieves that low message overhead is created, as traversing only the virtual backbone is enough for locating a data item. The scalable data lookup protocol also makes use of the virtual backbone. The reactive replication scheme is built over the scalable data lookup protocol and ensures lower message overhead and better data accessibility. Differently from SCALAR, in ScalarUp the replication decision parameters are access frequency, write frequency and the distance (hop count) of a node. In particular a data is more eligible for replication if it is farther from a node and has higher access frequency and lower write frequency. 3.1 System Model The system consists of N nodes each having a unique identifier number. The set of all nodes is indicated as M = {M1,M2,,MN}. Each node Mi is assumed to be the owner of a data item di and the set of data items is indicated as D = {d1, d2, , dN}. A data item di can only be updated by its owner Mi. The read frequency i of data item di is the number of times di is accessed in a node. Similarly, the write frequency i of data item di is the number of times it is updated. The write frequency of the data item di is broadcast again by its owner Mi. For simplicity, it is assumed that every data item is of the same length which is less than the maximum transfer unit of the path. 3.2 Virtual Backbone Construction In MANETs, every mobile host can change its position causing reconstruction of the network on a regular basis. This continuous infrastructure change introduces the need

124

Altinbuken, D. and Ozkasap, O.

for message broadcasting in MANETs, which is a general message overhead source. Flooding of packets is most commonly used for developing the routing framework. But, when flooding occurs many redundant packets are exchanged causing the broadcast storm problem [8] and collisions of packets on the wireless channels. In order to decrease extensive message overheads and prevent broadcast storm and collision problems, using virtual backbone structures is suggested by many scholars. Virtual backbones are used in the process of constructing and maintaining the general and routing structure of a MANET. Using a virtual backbone decreases the amount of excessive message overhead to a great extent by limiting the number of nodes that can broadcast a message. We use the CDS construction algorithm [9] for constructing the virtual backbone of the MANET. A connected dominating set (CDS) of the unit-disk graph in the network topology is used during the construction of a virtual backbone. 3.3 Scalable Data Lookup Protocol The scalable data lookup protocol aims to locate a data item and route it to the desired node. In MANETs, flooding is a commonly used technique for locating a data item but it causes large message overheads. In our design, the messages are broadcast only in the virtual backbone. Limiting the number of nodes decreases the message overhead and this provides an advantage for large-scale mobile networks. In our protocol every node is marked as either an end system (dominatee) or a backbone (dominator) in the virtual backbone construction phase. An end system node can send a data request message only to one of its neighbors. A backbone node is responsible for the entire data lookup process which consists of the searching and receiving of the data. The data lookup process is realized in two parts. Firstly, the data that is decided to be replicated is searched. If the data is requested by an end system, the end system sends a request message to the backbone node it is connected. Then the backbone node broadcasts this request to other backbone nodes. On the other hand, if the data is requested by a backbone, the request message is directly broadcast to other backbone nodes. When a backbone node receives a data request, it either forwards the data request or fulfills it. A data request can be fulfilled if the backbone node owns the requested data item or it can be found in its neighbors or neighbors of its neighbors. After the data item is located, it should also be received by the requester node. So, as the second part of the data lookup process the data that is found is received. During the receiving process, backbone nodes do the primary work. If they receive a data request for a data item they own, they fulfill the request. If they receive a data packet that they have requested, they store it. If they receive a data that was requested by a neighboring backbone or an end system, they forward the data.

During the data receiving process, end systems may receive data items that they have requested. When they receive the data item they directly store it. As outlined above, in SCALAR and ScalarUp data lookup is realized by the backbone nodes up to a great extent. Clearly, backbone nodes require more energy but as virtual backbone is dynamic, this energy consumption disequilibrium is solved as end systems become backbones and backbones become end systems. 3.4 Reactive Replication In reactive replication, the replication decision about a data item is given after the data item is received. This way the need for extra control packets is eliminated. On the other hand, following this method a data item can be located on a closer node. In ScalarUp, the replication decision is given using the read frequency, write frequency values of a data item and the hop count between the item and the requester node. These values are used as parameters of the cost function to determine the most suitable data item for replication. The cost function and the replication decision details are discussed thoroughly in the next section.

4. Replication Considering Data Updates


4.1. Updating Data In ScalarUp, data updates are done randomly. When a data update event is triggered, the owner of the data item updates the data. For simplicity, it is assumed that updates take a constant amount of time. After an update is done, the owner also updates the write frequency value of the data item. 4.2. Keeping and Maintaining the Write Frequencies In ScalarUp, there are two types of nodes. Depending on the connectivity information, a node becomes either a backbone (dominator) node or an end system (dominatee) node. A dominatee node is allowed to send data requests or write frequency messages only to its neighbors in the backbone. A dominator node on the other hand can realize the data lookup process. A dominator node can both search and receive a data. Also the replication decision for a data item is given by a dominator node. Therefore, every dominator node should keep the write frequencies of data items in addition to their access frequencies, and hop counts, which are used in SCALAR [2]. The write frequencies are broadcast to other nodes after every update event. Every write frequency broadcast message has a time-to-live (TTL) value to set an upper bound to the number of write frequency broadcast messages forwarded. Nodes receiving a write frequency broadcast message firstly update their write frequency tables and then forward the message to other nodes considering the TTL. 4.3. Cost Function The cost function is used during the replication decision process. It uses previous information on accesses,

125

Altinbuken, D. and Ozkasap, O.

updates and the distance of the data to the requester node. The cost function at node Mj for data item di is specified as follows:

Cost (i, i, hij ) =

i
kD

i
kD

hij

where i is the read frequency of data item di, i is the write frequency of data item di and hij is the hop count between node Mj and the node that data item di will be retrieved from. D is the set of all data items in the system. Using this function, data items which are more probable to be requested, less probable to be updated soon and farther from the requester node are assigned higher cost values. These cost values are used as primary parameter in the replication decision function. 4.4. Replication Decision Replication decision given by a backbone node may take place in two forms: if the backbone receives the data item on its own request, then it caches the data item only if its cost is as large as the cost of the cheapest data item in the memory or if there is an available memory space. if the backbone receives the data item through a forwarded request, then it checks if it is the mid node between the original sender and receiver. If it is the mid node, it may decide to replicate the data item depending on the cost value. On the other hand, as end systems cannot forward data, only the first replication decision form can be realized by the end systems. Again cost values are used to choose between data items. 4.5. Invalidating Old Replicas Another crucial point in considering data updates is to be able to invalidate old replicas. When a data is updated, all of its replicas throughout the network become invalid. So these replicas should be marked to prevent further copying and usage. The procedure of invalidating old replicas is straightforward. When a node updates its data item, it sends a broadcast message to its neighbor nodes. When a node receives a write frequency broadcast message, it checks if the new frequency is greater than the write frequency it is holding. If the new write frequency value is changed the node also checks its data items for the replica of the updated data. If an old replica is found, it is marked and the memory space reserved for that data item becomes available. Hence, accesses to old replicas are avoided. Figure 1. Example Scenario: Node9 updates data item 9. In the beginning of the scenario, the view of the system is as shown in Figure 1. There are 10 nodes, and 5 of them construct the virtual backbone of the system. The connections between the backbone nodes are shown in bold to emphasize the paths broadcast messages may flow. In the figure, the memory space of node10 is presented. Initially node10 is holding the replicas of data items 1, 5, 6 and 9 in addition to its own data item 10. As shown in the figure, at this point data item 9 is updated and a write frequency message is injected from node9. The write frequency message is broadcast between backbone nodes and at last received by node10. Here it should be noted that every node in the system receives the write frequency broadcast message, but in the figure only the path from node9 to node10 is indicated with dashed lines.

Figure 2. Example Scenario: a) The replica of data item 9 is invalidated in node10. b) Data item 2 is replicated instead of data item 9 in the next replication round. On receipt of the write frequency broadcast message from node9, node10 updates its memory space. As data item 9 is updated, the old replica is invalidated and the memory space allocated for the old replica becomes available in the next replication round. In Figure 2(a), the invalid replica is indicated with a red mark in the memory space. In the next replication round, node10 first calculates the cost values of data items. In this example, it is assumed that data item 2 has a higher cost than data item 9 at the decision time. This can be due to the changes in the read and write frequency values. Since the last replication data item 2 may be accessed more frequently and updated less frequently, making its cost higher than data item 9's cost.

5. Example Scenario
In this section, we provide an example scenario to outline the ScalarUp framework. During the discussion of the scenario, at a given time only one node's actions will be described for simplicity.

126

Altinbuken, D. and Ozkasap, O.

Also for simplicity, it is assumed that data items 1, 5 and 6 still have higher cost values in comparison to other data items. So node10 chooses to replicate data Item 2 instead of data item 9. The data request message and the data packet follow the path between node2 and 10, shown with dashed lines. In Figure 2(b), the system is shown in equilibrium. At this time, there is no traffic shown between the nodes. Node10 keeps its own data item and the replicas of data items 1, 2, 5 and 6. As illustrated with this scenario, data updates are important for the replication decisions. Data updates change the write frequency values and invalidate the replicas of the updated data item. So, every update causes reconstruction of the memory spaces in the next replication round.

6. Conclusions
We have discussed our extended SCALAR framework for updated data, namely ScalarUp. ScalarUp presents a scalable data lookup and reactive replication for updated data. ScalarUp is redesigned to support data updates, therefore it still supports the data accessibility, little message overhead and scalability features of SCALAR. In ScalarUp, data are updated randomly by the owner of a data item. After every update the new write frequency value is broadcast to the system. When a node receives a new write frequency value for a data item, it updates its write frequencies table and invalidates old replicas of the updated item. During this updating process the message overhead is changed only in terms of the write frequency broadcast messages. But as in SCALAR, the control message overhead is low. In ScalarUp, the dynamic backbone construction algorithm used minimizes the time required to search and retrieve data for replication so even if updates invalidate old replicas the necessary replications occur with the same efficiency as in SCALAR. As further work, we will develop the simulation model of ScalarUp and examine its performance in various application scenarios. Simulation results would let us investigate the functionality of ScalarUp in detail, providing us with the necessary information for optimizing the system.

[4] A. Mondal, S. Madria, and M. Kitsuregawa, CADRE: A Collaborative replica allocation and deallocation approach for Mobile-P2P networks, Database Engineering and Applications Symposium, 2006. IDEAS06. 10th International, pp. 2128, 2006. [5] , CLEAR: An efficient qossip-based dynamic replication scheme for mobile p2p networks, Proc. of International Conference on Database and Expert Systems Applications. DEXA, 2006. [6] H. Yu, P. Martin, and H. Hassanein, Cluster-based Replication for Large-scale Mobile Ad-hoc Networks, Wireless Networks, Communications and Mobile Computing, 2005 International Conference on, vol. 1, 2005. [7] K. Chen, S. Shah, and K. Nahrstedt, Cross-Layer Design for Data Accessibility in Mobile Ad Hoc Networks, Wireless Personal Communications, vol. 21, no. 1, pp. 4976, 2002. [8] Y. Tseng, S. Ni, Y. Chen, and J. Sheu, The Broadcast Storm Problem in a Mobile Ad Hoc Network, Wireless Networks, vol. 8, no. 2, pp. 153167, 2002. [9] J. Wu and H. Li, On calculating connected dominating set for efficient routing in ad hoc wireless networks, Proceedings of the 3rd international workshop on Discrete algorithms and methods for mobile computing and communications, pp. 714, 1999.

References
[1] T. Hara and S. K. Madria, Data replication for improving data accessibility in ad hoc networks, IEEE Transactions on Mobile Computing, vol.5, no.11, pp.15151532, 2006. [2] E. Atsan and O. Ozkasap, SCALAR: Scalable Data Lookup and Replication Framework for Mobile Ad hoc Networks, The 28th International Conference on Distributed Computing Systems Workshops, ICDCSW, pp.327332, 2008 [3] P. Pabmanabhan and L. Gruenwald, DREAM: A Data Replication Technique for Real-Time Mobile Ad-hoc Network Databases, Data Engineering, 2006. ICDE06. Proceedings of the 22nd International Conference on, pp. 134134, 2006.

127

5. Uluslararas leri Teknolojiler Sempozyumu (ATS09), 13-15 Mays 2009, Karabk, Trkiye

ALARIN ETM VE ARATIRILMASI N DEVS TABANLI SMLATR TASARIMI VE UYGULAMASI DESIGN AND APPLICATION OF A DEVS-BASED SIMULATOR FOR NETWORK EDUCATION AND RESEARCH
Ahmet ZENGN, Hseyin EKZ, Blent OBANOLU ve Sinan TUNCEL
Sakarya niversitesi Teknik Eitim Fakltesi Elektronik ve Bilgisayar Eitimi Blm, Sakarya, TRKYE. {azengin, ekiz, bcobanoglu ve stuncel}@sakarya.edu.tr

zet
Bilgisayar alar gnmzde hemen hemen her alanda yaygn olarak kullanlmaktadr. Devlet kamu hizmetlerinden elence ve sohbet alarna kadar her sektr a sistemlerini hizmet ve faaliyet alan olarak benimseyerek, bir ekilde sanal alemde yer edinmilerdir. A sistemleri bu kadar hayatmza girmiken, bu sistemlerin ve teknolojinin henz yeterince eitim altyaps olumamtr. zellikle eksiklik, teorik kavramlarn yerlemesine kakt salayacak eitim ve aratrma aralarnn yetersizliinden, anlalmazlndan, kullanm / geliim zorluundan ve ak kaynak kodlu olmayndan kaynaklanmaktadr. Bu almada, yukarda ifade edilen problemleri ortadan kaldrmaya ynelik olarak, eitim ve aratrma amal kullanlabilecek bir a simlatr gelitirilmitir. Simlatr ayrk olayl modelleme ve simlasyon yntemi (DEVS) kullanlarak DEVSJAVA ortamnda gelitirilmitir. Anahtar kelimeler: Eitim Simlatr, Modelleme ve Simlasyon, DEVS, nternet.

ilem yapma gcndeki hzl art gereksinimi, a ierisinde gerekletirilen ynlendirme ve ynetim ilemlerinin, merkezi bir yapdan datk bir yapya doru kaymasn zorunlu klmaktadr. Performans / maliyet orannn gz nnde tutulmas zorunluluu, aratrmaclar a zerinde yeni ilem kapasitelerinin eklenmesi ve yeni yntemlerin tasarlanmas konusuna daha fazla yneltmektedir. Bu ynelim, nesneye ynelik teknolojilerle birlikte yazlm endstrisinde younlamakta ve yazlm endstrisindeki younlama sonucunda nesneye ynelik eilim birbirleri ile etkileen yazlm bileenlerinin modellenmesi ve tasarlanmas yaygn bilinen konular olarak ortaya kmaktadr. A sistemleri bu kadar hayatmza girmiken, bu sistemlerin ve teknolojinin henz yeterince eitim altyaps olumamtr. zellikle eksiklik, teorik kavramlarn yerlemesine kakt salayacak eitim ve aratrma aralarnn yetersizliinden, anlalmazlndan, kullanm / geliim zorluundan ve ak kaynak kodlu olmayndan kaynaklanmaktadr. Bunun yannda, nternetin yakn gelecekte 1 milyar dme eriecei dnlrse, leklenebilirlik kavramnn alarn modellenmesinde ve simlasyonunda yeni boyutlar kazanaca aktr. Statik topoloji reten simlatrler (COMNET, NS2, OPNET, vb.) kk alar almak iin ideal platformlarken, gnmzde stel olarak artan a sistemlerini modellemede ve deiken yapl a sistemlerinin performansn test etmede yetersiz kalmaktadrlar. Ayrca, bu simlatrlerin mimarilerinin birou soyutlama ve hiyerariden yoksun olmalar yannda ok byk hesaplama maliyeti oluturmaktadrlar [1,2,3]. Yaplan almada, belirtilen kstlamalar / sakncalar ortadan kaldrmaya ynelik olarak DEVS (Discrete Event System Specification) metodolojisi kullanlarak bir a simlatr gelitirilmitir [4]. Tasarlanan a sisteminin modeli; a bileenlerinin tanmlanmasn, bu bileenlerde alacak yazlm nesnelerinin, etkileimlerinin ve bu varlklarn ilem yapan dmlere datlmalarn, a topolojilerinin ve iletiim protokollerinin tanmlanmasn iermektedir. Dmler ve balant elemanlar temel a bileenleri olarak tanmlandktan sonra, DEVS birleik model tanm kullanlarak temel bileenler birbirine balanp birleik a modelleri oluturulmutur. Gelitirilen a ortam farkl ynlendirme algoritmalarn (en ksa yol, uzaklk vektr, oul zekas, vb.) modelleyebilme yeteneine sahiptir. Gelitirilen simlatrn eitim amal kullanlmas rneklendirilmi ve bu erevede Ak En Ksa Yol lk (Open Shortest Path First OSPF) algoritmas modellenmitir. Modellenen a, farkl trafik ykleri altnda

Abstract
Network systems are used almost all areas in the world. From public services to entertainment, all sectors are adopted the internet as a service area. Though this is a fact, its education approaches are not completely well defined and provided. These deficiencies are lack of tools of education and methodology, difficulty of their design and lack of open source software. In this work, in order to meet above problems, a opensource, modular and easy to use network simulator are designed which can be used for network education and research. Simulator itself contains the technologies such as Java, DEVS and agent based modeling, and implemented in DEVSJAVA modeling and simulation environment. . Keywords: Educational simulator, simulation (M&S), DEVS, Internet. Modeling and

1. Giri
Bilgisayar alar gnmzde hemen hemen her alanda yaygn olarak kullanlmaktadr. Devlet kamu hizmetlerinden basit elence ve sohbet alarna kadar her sektr a sistemlerini hizmet ve faaliyet alan olarak benimseyerek, bir ekilde sanal alemde yer edinmilerdir. A hznda ve

IATS09, Karabk niversitesi, Karabk, Trkiye

128

Zengin, A., Ekiz, H.,obanolu, B. ve Tuncel, S.

altrlarak, alma srasnda gelitirilen ynlendirme algoritmasnn performans incelenmitir. Gerekletirilen uygulamalardan, gelitirilen simlatrn son derece paralel, esnek ve hzl altn, deiik teknolojileri barndran uygulamalar gelitirebilme yeteneine sahip olduu ve nihayetinde salam bir eitim arac olduu gzlemlenmitir. Bu almada, 2. Blmde Java teknolojisi, DEVS ve gezgin grevli yaklam, 3. Blmde DEVS tabanl simlatrn geliim evreleri, 4. Blmde simlasyon deneyleri ve 5. Blmde sonular ve neriler zetlenmektedir.

Java programlama dili nesneye ynelik olguyu benimser ve datk uygulamalarn gelitirilmesi iin aralar salar. Bu almada a sistemleri Java teknolojisi kullanlarak modellendi ve test edildi. Karmak sistemler, hesaplama iin daha byk kaynaklara ihtiya duyacandan, gelitirilen bileenlerin artan Java performansndan faydalanacak olmas bir avantajdr. Java alma an performansnn arttrmak aktif bir aratrma alandr. 2.2. Ayrk Olayl Sistem Tanmlama Formalizmi (DEVS) DEVS(Discrete Event System Specification) modelleme yaklam, ayrk olayl modelleme ve simlasyonda temel bir yaklam olarak Zeigler tarafndan ortaya atlmtr [6]. DEVS yaklamnn sadece ayrk olayl modeller iin deil, ayrk zamanl ve diferansiyel denklemli sistemlerle ifade edilen davranlar uyarlamak iin bir hesaplama temeli meydana getirmesi nedeni ile, modelleme ve simlasyon uygulamalarnda DEVS teorisinin gcn grmek nemlidir. Ayrk olayl yaklamlar snf iinde modeller, zamann srekli olduu ancak snrl bir zaman periyodunda sonlu sayda olayn meydana geldii bir soyutlama seviyesinde tanmlanr [7]. Bu olaylar sistemin durum deitirmesine neden olabilir. Olaylar arasnda sistemin durumu kesinlikle deimez. Bu nedenler Ayrk sistemler, sistemin durumunun zaman ierisinde srekli deitii srekli modellerden bu noktada farkldr. ekil 2de, modelleme ve simlasyon kavramlarnn birbiriyle ilikisi grlmektedir. DEVS bir sistemin davrann iki farkl seviyede ele alr: atomik ve birleik. Atomik DEVS; en dk seviyede, sral durumlar arasndaki geiler gibi ayrk olayl sistemin otonom davrann, harici bir girie (olaylar) nasl tepki verdiini ve k (olaylar) nasl hesapladn tanmlar. Birleik DEVS; daha yksek bir dzeyde, bir sistemi bileenler a olarak tarif eder. Bileenler, atomik DEVS modelleri ve birleik DEVS modelleri olabilir. Balantlar, bileenlerin birbirini nasl etkilediini gsterir.

2. Yararlanlan Teknolojiler
Bu blmde, datk ve paralel bir ekilde alan bir a sisteminin temel ve birleik paralarnn gelitirildii teknolojiler aklanacaktr. Tm modeller Java dili kullanlarak ve DEVS yaklam/formalizmine uygun olarak hiyerarik ve modler bir tarzda gelitirilmitir. Salam bir hiyerari model ve/veya modllerin arasnda sk bir iliki tesis ederken, modlerlik yazlmn hata bulma ve giderme, yeniden kullanlabilirlik, karlkl allabilirlik gibi ynetim ilevlerinin kolayca gerekletirilmesini olanakl klar (ekil 1). 2.1. Java teknolojisi Java, tanabilir uygulamalar ve appletler gibi bir takm kolaylklarla yazlmclara heyecan vermitir [5]. Gerekte, Java farkl tanabilirlik sunar: Kaynak kodu tanabilirlii, CPU mimarisi tanabilirlii ve OS/GUI tanabilirlii. Bu tanabilirlik trlerini salayan paketler; Java programlama dili, Java sanal mekanizmas (JVM) ve dil ile ilikili snf ktphaneleridir. Java programlama dili en alk olduumuz tanabilirlii salar: kaynak kodu tanabilirlii. Belirli bir Java program, temel CPU, iletim sistemi veya Java derleyicisi dikkate alnmakszn ayn sonular retmelidir. JVM CPU mimarisi tanabilirliini salar. Java derleyicisi, JVM iin nesne kodunu (J-code) retir ve belirli bir CPU zerinde JVM ilgili CPU iin Jkodunu derler. OS/GUI tanabilirliini tesis etmek iin, Java sanal OS ve GUI iin bir takm paketler (awt, util ve lang) salar.

GEREKLK
Gerek-Dnya Varl (nesne)

MODEL
Temel Model

HEDEFLER

sadece deneysel ortamdaki davrann allmas


Model
Sistem (S) Model (M) Model hakknda temel n bilgi

Model

Model

ortam ile deney yaplmas geerleme

Modelin simle edilmesi = sanal deney

Model

Deney esnasnda Gzlenen Veri


Model Model

Simlasyon Sonular

Modelleme ve Simlasyon Sreci

ekil 2. M&S kavramlar ve birbirleriyle ilikileri. Paralel bir atomik DEVS modeli aadaki yapdadr: M=<X, S, Y, int, ext, conf, , ta> Burada; X, giri deerleri kmesi, S, durumlar kmesi, Y, k deerleri kmesi, int : SS dahili gei fonksiyonu,

Model

ekil 1. Hiyerarik ve modler bir tasarmnn alt bileenlere ayrlmas.

129

Zengin, A., Ekiz, H.,obanolu, B. ve Tuncel, S.

ext : Q x XS harici gei fonksiyonu, burada; Q = {(s,e)|s S, 0 eta(s) toplam durum kmesi, e, en son olan geiten bu yana geen sredir. ext : Q x XS akma (confluent) gei fonksiyonu, : SY k fonksiyonu, ta: SR+0, zaman ilerleme (time advance) fonksiyonu, 0 ve arasndaki pozitif reel saylar kmesidir. 2.3. Gezgin grevliler Gnmzn iletiim ortamlarnda heterojen alarn kullanmna doru artan eilim, a operatrlerinin daha kapsaml bir bilgiye ve daha iyi bir eitime sahip olmalarn gerektirmektedir [8]. Farkl alarn ynetimi, byk boyutta verinin adan toplanmasn ve ynetim aktivitesine balanmadan nce verinin analiz edilmesi gereksinimini ortaya karmaktadr. Dier taraftan, gnmz a ve internet kullanclarnn artan bir gvenilirlik ve hizmet kalitesi gereksinimine ve beklentisine sahip olmalar, bu gereksinimleri ve beklentileri karlayacak olan yazlm grevlileri (software agents) konusunun geliimine bir etki / katk yapmaktadr [9]. oklu grevli sistemlerde, merkezi olarak alan ve sistemin tm zekasn / ilevini gerekletiren ok byk bir uygulamann yerine bir takm kk sistemler veya
DM
Global Ynlendirme Tablosu Ynlendirme Tablosu Ynlendirme Modl

grevliler bir problemi zmek iin ortak bir aba gsterirler. Bu yntem, byk sistemin sadece kk paralara blnd anlamna gelmez. Bu yntemde, her biri problemin belirli bir ynne odaklanabilen birka uygulama bir iletiim sistemiyle birlikte balanarak, bak alarnn karlkl deiilmesini salarlar. Problemin zmne ynelik olarak sonular toplamak, ilerleme stratejileriyle birlikte gndeme gelir. Bu problem zme teknii datk problem zm olarak adlandrlr ve ibirlii yapan sistemlerin her biri grevli (agent) olarak adlandrlr [10].

3. DEVS Tabanl Simlatr Tasarm Sreci


Paralel ve datk alan bir a sistemini modelleme amacna ynelik oluturulan balant elemanlar, bu balantlar araclyla haberleen dmler ve IP paketleri, temel a bileenleri olarak tanmlanmtr [11]. Tanmlanan dmler ve balant elemanlar ile ayarlanabilir kapasiteleri kullanlarak eitli a konfigrasyonlar ve topolojileri gelitirilebilir. Daha sonra bu bileenlerin bir araya gelmesinden oluan bir a modeli DEVS birleik a modeli olarak adlandrlr. Burada kullanlan atomik ve birleik modeller, Paralel DEVS yaklam kullanlarak tanmlanlr ve DEVSJAVA modelleme ve simlasyon ortamnda tasarlanlr. Bu yntemde, dmler ve balant elemanlarnda tanml dinamikler, a modelinin davrann (k zaman gibi) belirlemek iin kullanlabilir.

DM
Global Ynlendirme Tablosu Ynlendirme Tablosu Ynlendirme Modl

Gezgin Grevliler

Gezgin Grevliler

route route

route route

Gelen ve giden paketler iin tamponlar

A Arabirimi (NIC) 1 m IP Addresi

Ileme zaman

Gelen ve giden paketler iin tamponlar

A Arabirimi (NIC) 1 m IP Addresi

Ileme zaman

Alc kuyruu

Gnderici kuyruu

Band genilii

Alc kuyruu

Gnderici kuyruu

Band genilii

Duplex Link Model Link 1 in Queue Dela out

Link 2 Queue Dela

ekil 3. Dmlerin bir balant eleman araclyla birbirine balanmas Bir a topolojisi, dmler (bilgisayar, ynlendirici, vb.) ve balant elemanlarndan oluur (ekil 3). Dmler, a zerinde dolaan varlklar / gzcler / gezgin grevliler iin bir hesaplama altyaps oluturmas yannda dier dmlerle mesajlama ve veri trafii iin bir takm arabirimlere ve aralara sahiptir. Dier dmlere balant elemanlar kullanlarak balanan bir dm, an yapsna gre deiik modlarda alabilir (ynlendirici, datc vb.). Datc (hub) modunda alan bir dme bir balant eleman zerinden gelen paketler, dier balant elemanlar zerinden datlr. Dmn ynlendirici (router) modunda almas durumunda, paket adres bilgisi bir ynlendirme karar verebilmek iin kullanlr ve bu bilgiye gre paket belirli bir balant eleman zerinden ilgili adrese gnderilir. A oluturan dier bileenler olan balant elemanlar ise adaki anahtarlama elemanlar arasnda bir haberleme yolu salar.

130

Zengin, A., Ekiz, H.,obanolu, B. ve Tuncel, S.

Yaplan almada gelitirilen modellerle simlasyon deneyleri gerekletirmek iin, bir modelin deney yaplaca ve gzlemlenecei artlar tanmlayan DEVS deneysel ereve kavramndan faydalanld [7]. Tipik bir deneysel ereve bir rete ve dntrcden oluur. A trafiini retmek ve balant eleman, dm, vb. a bileenlerinin arzalanmalar ve hizmet verememeleri gibi an almas srasnda meydana gelebilecek olaylar nceden programlamak ve zamanlamak maksadyla bir olay reteci kullanld. Bu ilemleri gerekletirmek iin rete adaki ilgili bileenlere DEVS mesajlar gnderir. ekil 4te basit bir an ekran kts verilmektedir.

3. Adm: her dm daha sonra Dijkstra algoritmasna gre en ksa yollar hesaplarlar [12]. 4.2. Simlasyon sonular Yukarda aklanan OSPF uygulamas belirli bir trafik yk altnda altrlm ve sonular grafikler halinde sunulmutur. Gelitirilen rnek uygulamalarda yaplan deneylerde gerek dnya artlar tesis edilmeye allmtr ve btn bileenlerin parametreleri gerek dnyaya uygun olarak seilmitir. Bununla birlikte, deiik senaryolar uygulamak amacyla an davrann etkileyen simlasyon parametreleri simlasyon almasndan nce esnek bir ekilde ve kolayca ayarlanabilir.

ekil 4. Bir an DEVSJAVA grnts Her dm, iinde adaki muhtemel her bir hedef dmn temsil edildii bir ynlendirme tablosuna sahiptir. Bu ynlendirme tablosu komu dmlerin stunlar, kendisi hari hedef dmlerin ise satrlar temsil ettii bir matris olarak dnlebilir (yani satrlar hedeflere, stunlarda komulara karlk der) (ekil 5.c). Ynlendirme tablosunun boyutu ilgili dmn komular ve dmn kendisi hari adaki hedef dmlerin arpm kadar olsa da, bizim uygulamamzda ynlendirme tablosunun boyutu dmn kefedebildii dm ve komu says ile ilikilidir. Her bir dm bir ynlendirme tablosuyla donatarak veri paketleri sistematik olarak a boyunca ynlendirilebilir. Bir dm bir paketi belirli bir hedefe doru gndermeye ihtiya duyduunda, hangi gidi balant elemannn (veya DEVS atomik model k portu) kullanlaca karar ynlendirme tablosunda belirtilen bilgiye dayanlarak verilir. Ynlendirme tablolarnn grsel olarak takip edilebilmesi, gelitirilen simlatrn eitim amal kullanlmasnda son derece byk neme sahiptir.

(a)

(b)

4. rnek Uygulama
Bu blmde, yukardaki blmlerde temelleri anlatlan simlatr zerinde bir rnek alma gerekletirilmitir. rnek alma, OSPF protokolnn almasnn eitimine ynelik olarak tasarlanmtr. 4.1. OSPF protokol OSPF protokol balant durumu algoritmasnn en yaygn kullanlan rneklerinden biridir [8]. Ksaca admda alr. 1. Adm: her dm balangta kurulum safhasndadr. Bu aamada birbirlerini tanmak iin hello paketleri gnderirler. ekil 5.ada bu aama grlmektedir. 2. Adm: her dm belirli bir zaman aralnda yada olay tetiklemeli olarak birbirine balant durumu ilan- LSA paketlerini gnderirler (ekil 5.b).

(c) ekil 5. OSPF protokolnn almasnn grsel takibi. ekil 6da, a k 1 ms gibi bir srede en yksek deerini almakta ve simlasyon sonulanana kadar ortalama deerini korumaktadr. A kna hzl bir

131

Zengin, A., Ekiz, H.,obanolu, B. ve Tuncel, S.

ekilde ulalmas ve kn alma boyunca sabit kalmas, OSPF algoritmasnn yk dengeleme davrannn gstergesidir. Bununla birlikte, dmlerin snrl sayda balant eleman kullanlarak birbirine bal olmasna ve ar trafik artlarna ramen OSPF uygulamasnda herhangi bir paket kayb yaanmamaktadr. Ar trafik artlarna sistem hzl cevap verdiinden dolay a knda ar dalgalanmalar grlmemektedir.
1200 1000 800
k (KBits/s)

ekil 8de, a bileenleri zerindeki ykn zamanla deiimi grlmektedir. A yk birim zamanda ada kuyruklarda bekleyen paketlerin says olarak olay dntrc tarafndan hesaplanmaktadr. Kuyruklarda bekleyen paket saysnn birim zamandaki a zerindeki toplam yk olarak ele alnd bu deerlendirmede paket kayplar ve kontrol paketleri ihmal edilmektedir. Bu grafikte toplam yk deeri hibir zaman ar deerler almamakta, ykn artma eilimi gsterdii durumlara a gecikmeden cevap vermekte ve yk deiiminin belirli bir aralkta kalmas salanmaktadr. Ynlendirme sistemi ykn art eilimine milisaniyeler mertebesinde cevap vermektedir. Bu sebeple yk deiimi grafii, iniler ve klar eklindeki bir testere diini andrmaktadr.

600 400 200 0 0 -200


Zam an (s.)

5. Sonular ve Deerlendirme
0.2 0.4 0.6 0.8 1

ekil 6. A ierisinde oluan trafik k

Gelitirdiimiz modelleme ve simlasyon ortam, leklenebilir, adaptif ve salam a uygulamalarnn modellenmesi, tasarm ve eitimi iin rnek bir ereve olmutur. Teorik modelleme ve simlasyon bilgisinin pratie dklerek uygulanmas, a sistemlerinin almasnn ve teknolojisinin kavranmas lkemizde son derece zayf olan modelleme, simlasyon ve a sistemleri biliminin uygulamal olarak kavranmasn ve renilmesini salamtr. Bu alma DEVS metodolojisinin geni bir alana uygulanabilirliini desteklemitir.

Kaynaklar
[1] [2] [3] [4] [5] [6] [7] http://www.dei.isep.ipp.pt/docs/arpa.html, History of ARPANET D. Bertsekas and R. Gallager. Data Networks, Prentice-Hall, 1992. Network Simulator-2, http://www.isi.edu/nsnam/ns/ Bernard P. Zeigler. Theory of Modelling and Simulation. Robert E. Krieger, Malabar, Florida, 1984. Java Web Sitesi- www.java.sun.com B. P. Zeigler, Theory of Modelling and Simulation, John Wiley, New York, 1976. Bernard P. Zeigler, Herbert Praehofer, and Tag Gon Kim. Theory of Modelling and Simulation: Integrating Discrete Event and Continuous Complex Dynamic Systems. Academic Press, second edition, 2000. Steenstrup, M. E. (Ed.). (1995). Routing in Communications Network. Prentice-Hall. Appleby, S. and Steward, S. Mobile software agents for control in telecommunications Networks. BT Technology Journal, Vol. 12, No.2. 1994. Nwana, H. S., Software Agents: An Overview, Knowledge Engineering Review, vol. 11, no 3, Sept. 1996, pp.1-40. Zengin A., Sarjoughian H., Ekiz H., Biologically Inspired Discrete Event Network Modeling, ESS2004, Budapest / Hungary, 2004. Dijkstra, E.W. A Note on Two Problems in Connexion with Graphs In Numerische Mathematik vol. 1. 1959.

ekil 7. Ortalama paket gecikmesi.

[8] [9] ekil 8. A yknn zamanla deiimi. ekil 7de, 1 saniye boyunca a zerinden geen paketlerin maruz kald ortalama gecikmenin zaman zerinde deiim grafii grlmektedir. Ortalama gecikme; paket retecinin paketi rettii zaman ile paketin olay dntrcye vard zaman arasndaki fark olarak hesaplanmaktadr. ekilden de grlebilecei gibi paketler iin ortalama gecikme 9 ms olarak llmtr. Gecikmenin tutarl ve kabul edilebilir bir seviyede kalmas, an tkanklklar ynetebildiinin bir gstergesidir. [10] [11] [12]

132

5. Uluslararas leri Teknolojiler Sempozyumu (IATS09), 13-15 Mays 2009, Karabk, Trkiye

BLGSAYAR KMELERNN TCAR UYGULAMALARDAK NEM THE IMPORTANCE OF COMPUTER CLUSTERS IN BUSINESS APPLICATIONS
a, *

Grkan TUNAa,*
Trakya niversitesi, Edirne, Trkiye, E-posta:gurkantuna@trakya.edu.tr

zet
Bilgisayar Kmelerinin ticari Bu almada, uygulamalardaki nemi ele alnmtr. Kmeler yksek hesaplama gc, yk dengeleme ve hata tolerans salayan ve dm ad verilen bilgisayarlardan oluan paralel ilem yapan sper bilgisayarlardr. Kme yaplarn oluturan dmler iin zel sunucu veya i istasyonu gibi yksek maliyetli bileenler kullanlmas zorunlu deildir. Kmelerin amac sunulmakta olunan servislerin iyiletirilmesidir. Sunucu kmeleri kreselleme nedeniyle yaanan acmasz rekabet ortamnda irketlerin bilgi ilem altyaplar iin ok nemlidir. Gnmzde yaanan rekabet ortamnda en byk hedef kesintisiz servisler sunabilmektir. Kesintisiz servisler sunabilmek irketlerin rakiplerine gre avantajl duruma gemesini salayacaktr. Kme yaplar irketlerin bilgi ilem altyaplarnda hem yksek performans gerektiren uygulamalarda hem de kesintisiz servis sunan uygulamalarda kullanlabilir. Kme yaplar artan ihtiyalara cevap verebilmek iin kolayca bytlebilir ve gelimeye aktr. Bu alma kapsamnda ticari uygulamalarn gereksinimleri ele alnarak, bu uygulamalarda Bilgisayar Kmelerinin kullanm ve salad avantajlar incelenmitir. Anahtar kelimeler: Kme, Yksek Performansl lem, Hata Tolerans, Yk Dengeleme

1. Giri
Kmeler dmlerden meydana gelen paralel sanal sper bilgisayarlardr [1]. Kmeler kurulum ekline ve amacna gre Yksek Performansl lem Kmeleri ve Yk Dengeleyici-Hata Toleransl Kmeler olarak ikiye ayrlabilir. ki kme tipinde kullanlan donanm bileenleri ve yazlmlar arasnda farklar bulunmaktadr. Yksek Performansl lem Kmelerinde ama dmlerin birlikte paralel olarak alarak yksek ilem gc salamasdr. Bu kmelerde kme dmlerinden birinde sorun meydana gelse bile ilem almakta olan dmlerin birlikte almas sayesinde yerine getirilir. Sadece performans azalm olur. Yksek Performansl lem Kmeleri gerekli olan hesaplama gcn paralel programlama ile salarlar. Paralel programlama birok ilemcinin ayn anda kullanmnn koordinasyonunu salayan tekniktir. Genellikle normal PC veya sunucular ve Linux iletim sistemi zerinde oluturulan kmeler Beowulf ismini alrlar [1]. Yk Dengeleyici-Hata Toleransl Kmelerde ise ama gelen istein ynetici dm tarafndan kme dmleri iinde i yk en az olana gnderilmesidir. Bu kmelerde dmlerden birinde sorun meydana gelse bile gelen istek alan dmlerden birine gnderilir ve kesintisiz hizmet salanm olur [2].

Abstract
In this paper, the importance of computer clusters in business applications is discussed. Clusters are parallel processing super computers, which provide high computing power, load balancing and fault tolerance, composed of computers called nodes. The aim of clusters is to improve the services currently offered. Server Clusters are important for the information system infrastructures of companies in the merciless competition environment resulting from globalization. In todays competitive environment, the greatest aim is to provide uninterrupted services. Being able to offer uninterrupted services make companies advantageous over their rivals. Clusters can be used for both high performance requiring applications and applications offering uninterrupted services in the companies information system infrastructures. Clusters can easily be enlarged to give response to increasing demand and are open for improvement. In the coverage of this work, by examining the requirements of business applications, the use and advantages of Computer Clusters in these applications are examined. Keywords: Cluster, High Performance Computing, Fault Tolerance, Load Balancing

2. Ticari Uygulamalarn Gereksinimleri


Ticari uygulamalar farkl kurumlarda farkl amalarla yaygn olarak kullanlmaktadr. Online alveri siteleri, internet bankacl uygulamalar, ak arttrma siteleri, kent bilgi sistemi uygulamalar bu tr ticari uygulamalardan bazlardr. Bu tr ticari uygulamalarn hepsinin sahip olmas gereken ortak nokta kesintisiz hizmettir. Kesintisiz hizmet mteri sadakatinin devam iin birinci ncelikli konudur. Kesintisiz hizmetin yannda yksek performansl ve gecikmesiz hizmet sunabilmek de ok nemlidir. kesintilerin, Ticari uygulamalarda yaanabilecek gecikmelerin ve dk performansn nedenlerinin ortaya konulabilmesi ve bu sorunlarn engellenebilmesi iin bilgisayar sisteminde ncelikle baklmas gerekenler unlardr; lem gc ihtiyac Bellek gereksinimi Disk alan gereksinimi Veritaban gereksinimi A balant hz Yedekleme ihtiyalar Kullanlacak iletim sistemi Hizmet alacak ortalama kullanc says

IATS09, Karabk niversitesi, Karabk, Trkiye

133

Tuna, G.

Bir ticari uygulama hayata geirilmeden nce tm bu noktalar deerlendirilerek sistem kurulumu gerekletirilmelidir. Uygulamann kurulaca sistemin donanmsal ve yazlmsal gereksinimleri analiz edilerek sistem bu analiz sonularna gre kurulmaldr. Uygulamann tm performans gereksinimleri nceden doru olarak analiz edilmelidir. Sistem hayata geirildikten sonra sunaca hizmetin kalitesi mteri potansiyelini direkt olarak etkileyecei iin giriimin baars da sistemin performansna direkt olarak baldr. Yksek performansl ve kesintisiz hizmet sunabilmek iin gelitirilmi farkl donanm platformlar bulunmaktadr. Bilgisayar Kmeleri bu donanm platformlarndan birisidir.

sistemlerinde ise Windows HPC Server yazlm kullanlmaldr. Windows Server iletim sistemlerinde Yk Dengeleyici Kme destei Enterprise ve Datacenter srmlerinde ilave bir yazlm ihtiyac olmakszn kurulabilir. Linux iletim sistemi srmlerinde Yk Dengeleyici kmeler iin Linux Virtual Server yazlm merkez ynetici dme kurulmaldr. Linux iletim sistemleri ykl dmlerden oluan kmelerden Yksek Performansl lem Kmesi oluturmak iin OSCAR veya ROCKS yazlmlar kullanlmaldr. Linux iletim sistemlerinde Yksek Performansl lem Kmeleri oluturmak iin baka yazlmlar da bulunmaktadr. ekil 1, kme yapsn meydana getiren donanm bileenlerini gstermektedir.

3. Kme Yaplarnn Ticari Uygulamalardaki nemi


Kmeler yksek hesaplama gc, yk dengeleme ve hata tolerans salayan ve dm ad verilen bilgisayarlardan oluan paralel ilem yapan sper bilgisayarlardr. Kme yaplarn oluturan dmler iin zel sunucu veya i istasyonu gibi yksek maliyetli bileenler kullanlmas zorunlu deildir. Kmelemenin donanm maliyeti dnda ek bir maliyeti de yoktur. Kmelerin amac sunulmakta olunan servislerin iyiletirilmesidir. yi tasarlanm olan bir kme teorik olarak %100 alabilirlik sresi garantisi salar. Bilgisayar Kmeleri farkl uygulamalarda farkl ihtiyalar yerine getirmek iin baaryla kullanlmaktadr. zellikle Internetin hayatn her alanna girmesiyle birlikte web sunucu kmeleri yaygn olarak kullanlmaktadr. alternatif donanm Bilgisayar Kmelerinin dier platformlarna gre saysz avantajlar vardr. Bilgisayar Kmelerinin dier sistemlere gre avantajlarndan bazlar unlardr; Genileyebilir kapasite Yksek fiyat/performans oran Konfigrasyon esneklii Teknoloji takibi Ksa srede gelitirilebilme Herhangi bir donanm reticisine baml olmama Linux ve Windows Server 2003 / 2008 gibi gl ve kararl iletim sistemleri ile alabilmesi Herhangi bir dmde meydana gelebilecek donanmsal bir arzann tm kmenin almasn etkilemeyecek olmas Sistem bakmlar ve yenilemeler srasnda sunulmakta olan hizmetlerin kesilmemesi Kme yaps farkl iletim sistemleri zerinde kurulabilir [3]. Kme yapsnda kullanlabilecek iletim sistemlerine rnek olarak Windows Server 2003 Enterprise ve DataCenter srmleri, Windows Server 2008 ve Linux iletim sisteminin Redhat, SUSE, Fedora, Mandriva gibi birok datm verilebilir. Kurulacak kme tipine bal olarak bir kme yazlmnn iletim sistemi zerine kurulmas gereklidir. Windows Server 2003 iletim sistemlerinde Yksek Performansl lem Kmesi kurmak iin Windows Compute Cluster Server; Windows Server 2008 iletim ekil 1. Kme yapsn meydana getiren donanm bileenleri. Yksek Performansl lem Kmeleri yksek hesaplama gc sunan kmelerdir. Kme yapsnda alan dmler paralel olarak birlikte alarak yksek ilem gc elde edilmesini salarlar. Kmelerden birisinde sorun meydana geldiinde dm kme yazlm tarafndan sistemden kartlr. Dmdeki arza giderildiinde dm tekrar yneticide alan yazlm tarafndan sisteme katlr. Kmenin ilem gcnn arttrlmas iin dmlerin yenilenmesine gerek yoktur. Dolaysyla Yksek Performansl lem Kmeleri gelecekte ihtiya duyulacak gelitirmelere de aktr. Yaplmas gereken kme yapsna yeni ilave dmler eklenmesidir. Bylece kolaylkla kmenin performans arttrlabilir [4]. Yksek Performansl lem Kmeleri yksek ilem ve hesaplama gc gerektiren ok farkl uygulamalarda ihtiya duyulan ilem gcn salamak iin kullanlabilir. Yksek Performansl lem Kmelerinin kullanlabilecei uygulama trlerine rnek olarak Bilimsel uygulamalar, Corafi Bilgi Sistemi uygulamalar ve Veri Madencilii aralarn kullanan her tr ticari uygulama verilebilir. Yk Dengeleyici-Hata Toleransl Kmelerde ise gelen istek ynetici dm tarafndan kme dmleri iinde i yk en az olana gnderilir. Bu kmelerde dmlerden birinde sorun meydana gelse bile gelen istek alan dmlerden birine gnderilir ve bylece kesintisiz hizmet salanm olur [4]. Yk Dengeleyici Kme yaplar kesintisiz hizmet salamann yannda gelen istein en ksa sre iinde yantlanmasn salarlar.

134

Tuna, G.

Yk Dengeleyici Hata Toleransl Kme yaplarnn ticari uygulamalarda kullanmlaryla ilgili bir kstlama yapmak doru olmamakla birlikte Yk Dengeleyici Bilgisayar Kmelerinin yaygn kullanm alanlar unlardr; Veritaban sunucular Web sunucular FTP sunucular ERP sunucular Yk Dengeleyici sunucular E-Mail sunucular Firewall uygulamalar Dosya sunucular DNS sunucular DHCP sunucular Proxy Caching sunucular A Geidi uygulamalar oklu Ortam Yayn sunucular (Video, ses, Video on Demand, IPTV) Yukarda belirtilen sunucu trleri Yk Dengeleyici Kme yaplarnn uygulanabilecei sunucu trlerinden bazlardr. Bilgisayar Kmelerinin ticari uygulamalar iin en nemli kullanm alanlar Web sunucular ve Veritaban sunuculardr. Web sunucularnn Yk Dengeleyici Kme yapsnda almas ticari uygulamann web sitesinin kesintisiz ve yksek performansl olarak hizmet vermesini salayacaktr. Yk Dengelemeli Kme yaplarnn ticari uygulamalar iin nem arz eden yaygn bir kullanm alan da veritaban sunuculardr. Bunun nedeni btn ticari uygulamalarn temelinde bir veritaban yatmasdr [5]. Veritaban sunucusunda yaanacak bir problem durumunda uygulamann sunduu tm servisler bundan etkilenecektir. Bu nedenle veritaban sunucular da kme yaplarnda altrlarak uygulamann veritaban yapsnda sreklilik salanm olur. Hem Windows sunucularda alan Microsoft SQL Server veritaban hem de Linux sunucular zerinde alan MySQL veritaban kme yapsnda altrlabilir. Online ticari uygulamalar dnda kme yaplarnn nemli olduu bir dier kullanm yeri de ERP sunuculardr. ERP (Enterprise Resource Planning: Kurumsal Kaynak Planlamas) uygulamalar iletmelerde mal ve hizmet retimi iin gereken igc, makine, malzeme gibi kaynaklarn verimli bir ekilde kullanlmasn salayan btnleik ynetim sistemlerine verilen genel addr. Kurumsal kaynak planlamas sistemleri, bir iletmenin tm veri ve ilemlerini btnletirmeyi salayan uygulamalar olup, sat ve mteri ilikileri, satn alma ynetimi, malzeme ynetimi, retim ynetimi, finans ve muhasebe, insan kaynaklar ynetimi gibi farkl modllerden oluurlar [5]. ERP uygulamalar iletmeler iin en nemli uygulamalardr. nk irketlerin tm operasyonlar bu uygulamalara dayanr. Dolaysyla ERP Sunucular sunduklar hizmetler dolaysyla kurumlar iin ok nemlidirler. ERP uygulamalar da kme yaplarnda altrlarak kesintisiz ve yksek performansl alma elde edilebilir.

Bilgisayar Kmelerinin kullanm amalar sadece bunlarla snrl deildir. Bilgisayar Kmeleri her trl ticari uygulama da hem yksek performans salamak hem de kesintisiz hizmet sunmak iin kullanlabilir.

4. Sonular
irketler gnmzde yaanan rekabet ortamnda ayakta kalabilmek iin bilgi sistemlerine byk yatrm yapmaktadrlar. Internetin yaygnlamas ve bilgi sistemlerinin kurumlarn yaplarnda tm alanlarda kullanlmasyla birlikte bilgi sistemleri kurumlar iin kritik neme sahip olmutur. Bilgi sistemlerinin kullanm amac ne olursa olsun, bu uygulamalarn hepsinde ama kesintisiz hizmet ve yksek performans sunmaktr. zellikle B2B, B2C gibi online uygulamalarda kesintisiz hizmet olmazsa olmaz unsurlardan biridir. Bir alveri sitesi ele alnrsa, sitenin devre d kalmas mteri sadakatinin kaybolmasna ve direkt gelir kayb yaanmasna neden olacaktr. Site devre d kalmasa bile eer gelen isteklere yant veremezse ve alveri isteklerini yerine getiremezse geri dn olmayan sonular doabilecektir. Ticari uygulamalarn kme yaplarnda altrlmas uygulama performanslarnn artmasn, kesintisiz hizmet sunulmasn, ilem sresinin ve dolaysyla cevap alma sresinin ksalmasn salayacak ve genel sistem performansnn da artmasn salayacaktr. Bu alma kapsamnda kme yaplarnn donanm ve yazlm bileenleri ele alnarak, kme yaplarnn ticari uygulamalarda kullanmnn salad avantajlar incelenmitir.

Kaynaklar
[1] Gropp, W. , Lusk, E. and Sterling T., Beowulf Cluster Computing with Linux. The MIT Press, USA, 2003. [2] Kopparapu, C., Load Balancing Servers, Firewalls, and Caches. Wiley Computer Publishing, USA, 2002. [3] Kopper, K., The Linux Enterprise ClusterBuild a Highly Available Cluster with Commodity Hardware and Free Software. No Starch Press , USA, 2005. [4] Vugt, S.V., The Definitive Guide to SUSE Linux Enterprise Server. A Press , USA, 2006. [5] Cusumano, M. A., The Business of Software: What Every Manager, Programmer, and Entrepreneur Must Know to Thrive and Survive in Good Times and Bad. Free Press, USA, 2004.

135

5. Uluslararas leri Teknolojiler Sempozyumu (IATS09), 13-15 Mays 2009, Karabk, Trkiye

MATEMATKSEL LEMLERN MATLAB GUIDE ANALZ ANALYSIS OF MATHEMATICAL CALCULATIONS ON MATLAB GUI
Serdar KIRIOLUa, *,Mehmet Kenan DOLUb ve Ali ZTRKb
Dzce nv. Tek. Eitim Fak. Bilgisayar Eitimi Bl., Dzce, Trkiye b Dzce nv. Tek. Et. Fak. Elektrik Et. Bl., Dzce, Trkiye E-posta: serdarkirisoglu@duzce.edu.tr, kenandosoglu@duzce.edu.tr, aliozturk@duzce.edu.tr
a, *

zet
Baz kark matematiksel ilemler, nmerik analiz metotlar kullanlarak bilgisayar tarafndan kk, trev ve integral hesaplamalar Matlabn grafiksel arayznde gerekletirilmitir. Birok matematiksel ilemin belirli parametreler (bu parametreler kullanc tarafndan deitirilebilir) dahilinde zm ve grafiksel olarak trevi ve integrali hesaplanm kullancya bu ilemlerde kolaylk salanmtr. Matlabn salad birok kolaylk bu programda kullanlm ve ortaya tam anlamyla bir eitici ve retici bir uygulama ortaya kmtr. Anahtar kelimeler: Gui, Nmerik Analiz, Matlabda problem zmleri.

1. 2. 3.

Bisection ( Aralk Yarlama ) Kiri Newton Raphson

Bu arayzde kullanlan trev alma metotlar unlardr; 1. leri farklar cinsinden trev 2. Geri farklar cinsinden trev 3. Merkezi farklar cinsinden trev Hazrlanan arayzde kullanlan integral alma metotlar unlardr; 1. Trapez 2. Simpson

3. Metotlar
Bu metotlar analiz edilirken Matlab 7.4 programnn grafiksel arayz olan GUI kullanlmtr.

Abstract
Root, derivation and integral calculations of certain complex mathematical operations through computer on the graphical interface of Matlab have been carried out by using numerical analysis methods. The solution of several mathematical operations through certain parameters (which can be changed by the user) and graphical derivation and integral calculations of those operations have been performed and this has provided ease fort he user in those operations many facilities that Matlab provides have been utilized in that program and a relatively educational and instructional application has emerged, as a result. Keywords: Gui, Numerical Analysis, Problem solutions on Matlab.

ekil 1(Arayz Kesiti) 3.1. Kk Bulma Metotlar 3.1.1. Bisection (Aralk Yarlama) Bu metotta belirlenen iki aralkta denklemin kkne yaklalamaya allarak deneme yoluyla verilen denklemin kk bulunmaktadr[1]. 3.1.2. Kiri Bu yntemde ise Bisectiondan farkl olarak fonksiyonun kkne deerler daha ok yaknsamaktadr. Burada en alt ve en st limitler yer deitirir [2]. 3.1.3. Newton Raphson Bu metotta ise karmak fonksiyonlarn polinom eklinde yazlmasnda Taylor serisi alm kullanlr. Serinin ilk iki

1. Giri
Nmerik Analizin amac karmak nmerik problemleri sadece basit aritmetik ilemler kullanarak zmek ve verilen verilerden nmerik sonular elde etme metotlar gelitirmek ve deerlendirmektedir. Nmerik Analiz yaplrken problem zmlerinde gerek zme en yakn algoritmalar karld iin baz kk hata paylar oluabilmektedir. Bu hata paylar tolerans edilebilecek kadar kk olduunda problem zmne gerek zm kadar yaklalabilmi demektir.

2. Genel
Nmerik analiz metotlarndan bazlar hazrlam olduumuz grafik arayzl (ekil 1) matlab uygulamasnda gerekletirilmitir. Bu grafik arayznde denklem kklerinin hesabnda kullanlan yntemler unlardr;

IATS09, Karabk niversitesi, Karabk, Trkiye

136

KIRIOLU, S., DOLU, M. K. ve ZTRK, A.

terimini gz nne alarak lineer olmayan denklemi zmeye alr [3]. 3.2. Trev Alma Metotlar

Balang, biti aralklar ve izim aral kullancya braklmtr. 4.2. Kk Bulma

3.2.1. leri Farklar Cinsinden Trev Bir fonksiyonun trevi hesaplanrken hesaplanacak noktadaki trevinin hesab iin kullanlacak ikinci bir nokta ayet o noktadan ilerde ise ileri farklar yntemi olarak adlandrlr[4]. 3.2.2. Geri Farklar Cinsinden Trev Bir fonksiyonun trevi hesaplanrken hesaplanacak noktadaki trevinin hesab iin kullanlacak ikinci bir nokta ayet o noktadan geride ise geri farklar yntemi olarak adlandrlr [5]. 3.2.3. Merkezi Farklar Cinsinden Trev Bir fonksiyonun trevi hesaplanrken hesaplanacak noktadaki trev iin o noktaya x kadar yakn sandaki ve solundaki iki nokta gz nne alnarak hesap yaplrsa bu yaklama Merkezi Farklar Cinsinden Trev denir [6]. 3.3. ntegral Alma Metotlar: 3.3.1. Trapez Bu metotta verilen fonksiyonun belirli integrali hesaplanrken a ve b aralnda x ekseni ile arasna uygun bir trapez izilerek bu trapezin alan hesaplanr [7]. 3.3.2 Simpson Bu yntem trapez ynteminden daha iyi sonu vermektedir. Burada integralin alt ve st snr bykse bu aral n>=2 ve ift olacak ekilde n tane alt arala blerek ardk ift aralklar iin bu yntem kullanlr [8]. Arayzde kk bulunacak olan non lineer ve tek deikenli fonksiyon girildikten sonra .

ekil 3 (Kk Bulma Mens) kk bulma metodu seilerek (ekil 3) bu metot iin gerekli parametreler girilerek kk hesaplanr. ayet parametreler uygun deilse program hata mesaj vermektedir. 4.3. Trev Alma Bu kullanc mensnde(ekil 4) ise farkl ynteme ve aralklara gre trev alnarak kullancya sunulmutur.

4. Programn zellikler
4.1. Genel Programn arayznde girilecek olan fonksiyon matlab ortamnda deerlendirileceinden dolay uygun formda (rnek: x.^ 2) girilmelidir. Kullancya grsel olarak noktal (ekil 2) veya srekli bir izim olarak iki trl grsellik salanmtr.

ekil 4 (Trev Alma Mens).

ekil 2 (Noktal Gsterim)

137

KIRIOLU, S., DOLU, M. K. ve ZTRK, A.

4.4. ntegral Alma

eklinde bulunmutur. Zaman asndan bu metotta birbirine yakn zamanda gerekletirilmitir. ntegral alma metotlarnda ise yamuun alt kenarnn kullanld Trapez yntemi ve Simpson1/3 yntemlerinde bulunan deer ile Simpson3/8 ynteminde bulunan deerler (Tablo 3) farkl kmtr. Trapez ynteminde hesaplama zaman Simpson ynteminden daha uzun srede olduu grlmtr. Simpson ynteminde tek noktal ve ift noktal olarak sonular nokta saylar arttka birbirlerine yaklaan sonular olduu gzlemlenmitir. Bu grsel arayzde girilen lineer olmayan denklemler tek deikenli ve baz nmerik analiz metotlar eksik olarak hazrlanmtr. Bu almaya ek olarak alma zerine baz metotlar eklenebilir ve girilebilecek fonksiyonlar ok deikenli olarak program dzenlenebilir. ou Matlab Gui ile yaplm nmerik analiz uygulamalarnda kk bulma integral alma ve trev alma metotlar ayr bir ekilde verilmitir, ancak bu almada daha iyi bir grsellikle beraber ou metot ve grafik bir arada sunulmutur.

ekil 5 (ntegral Alma Mens) Bu kullanc mensnde (ekil 5) ise iki farkl integral alma metodu kullancya sunulmu ve grsel olarak integralin kaplad alan figrde gsterilmitir.

Kaynaklar
[1]. [2]. [3]. [4]. http://en.wikipedia.org/wiki/Bisection_method http://en.wikipedia.org/wiki/Regula_falsi http://en.wikipedia.org/wiki/Newton's_method ARFOLU U. Matlab 7.04 Simulink ve Mhendislik Uygulamalar .S.13-10,13-11 2005. ARFOLU U. Matlab 7.04 Simulink ve Mhendislik Uygulamalar .S.13-10,13-11,2005. ARFOLU U. Matlab 7.04 Simulink ve Mhendislik Uygulamalar .S.13-10,13-12 ,2005. AAL B.Saysal Analiz S.186-187, 1989. AAL B.Saysal Analiz S.193, 1989.

5.Sonular

x +10 x + 7
2

(1)

(1) Denklem kullanlarak Matlab Guide yaplan arayzde [5]. hesaplanan sonular aada liste halinde verilmitir. izelge 1(Kk Bulma Metotlar)
Balang-Biti Hassasiyet Zaman Denklem Kk Hata

[6]. [7]. [8].

Kk Bulma
Bisection Kiri Yntemi Newton Raphson

[-5,5] [-5,5] [-5,5]

0.1 0.1 0.1

0.197 0.206 0.208

0.7031 0.7031 0.7491

0.078 0.078 0.0073

izelge 2 (Trev Alma Metotlar)


Trev Alma Balang Noktas Aralk Miktar Zaman Sonu

leri Farklar Cinsinden Geri Farklar Cinsinden


Merkezi Farklar Cinsinden

1 1 -

0.01 0.01 0.01

0.2285 0.2434 0.2534

-7.99 -8.01 -8

izelge 3 (ntegral Alma Metotlar)


ntegral Alma Trapez Simpson Yntemi(1/3) Simpson Yntemi(3/8) Yamuk Alt Kenar 0.01 Nokta Says Zaman Sonu

7 8

0.4417 0.1165 0.1445

153.51 153.33 159.18

Matlab Guide hazrlanan arayzde elde edilen sonularda (1) Denklem kk bulma ynteminde Kiri ve Bisection yntemlerinde bulunan sonularn (Tablo 1) ayn deerde olduu zaman asndan Newton Raphsonn daha ge srede denklemi hesaplad grlmtr. Newton Raphson metodunda ise Denklem kk dier yntemlere yakn bir deer hesaplamtr. leri-Geri ve Merkezi Farklar cinsinden Trev alma metotlarnda elde edilen sonular (Tablo 2) Merkezi Farklar cinsinden trev alma metodunda leri-Geri Trev alma metodunun bulduu deerin aritmetik ortalamas

138

5. Uluslararas leri Teknolojiler Sempozyumu (IATS09), 13-15 Mays 2009, Karabk, Trkiye

MACLAURIN SERSNN MKRODENETLEYC KULLANILARAK HESAPLANMASI IMPLEMENTATION OF MACLAURIN SERIES BY USING MICROCONTROLLERS
a, * a * b b Blent OBANOLU , Yrd. Do.Dr. Ahmet ZENGN , Prof.Dr. Hseyin EKZ Sakarya niversitesi,Adapazar Meslek Yksekokulu, Esentepe, Sakarya, Trkiye E-posta: bcobanoglu@sakarya.edu.tr b Sakarya niversitesi,Teknik Eitim Fakltesi, Esentepe, Sakarya, Trkiye E-posta: azengin@sakarya.edu.tr, ekiz@sakarya.edu.tr

zet
Gnmzde hayatmzn her alannda bir mikro denetleyici uygulamas (cep telefonlar, kameralar, oyuncaklar, arabalar gibi) ile karlalmaktadr. Ancak mikrodenetleyiciler, karmak matematiksel fonksiyonlar ( Maclaurin serisi, Taylor serisi, Fourier serisi gibi) gerekletirmede snrl kaynaklara sahiptir. Bu almada mhendislik uygulamalarnda sklkla karlalan Maclaurin serisi kullanlarak PIC mikro denetleyicisi ile kayan saylarn gsterimi anlatlmtr. f(x)=Sinx fonksiyonunun a=0 noktasndaki Maclaurin seri alm mikrodenetleyici kullanlarak gerekletirilmitir. PIC mikrodenetleyiciler ierisinde kayan nokta birimi (FPU) bulunmamaktadr. Bu alma ile kayan nokta say gsteriminin nasl yapld anlatlm ve fonksiyon sonular LCD ekranda gsterilmitir. Anahtar kelimeler: Maclaurin Serisi, PIC denetleyici, LCD gsterge, Kayan say aritmetii mikro

fotokopi makineleri, otomobiller, kameralar, oyuncaklar, gvenlik sistemleri gibi) karlalmaktadr. Bu almada mhendislik uygulamalarnda sklkla karlalan kuvvet serilerinden Maclaurin serisi rneklenerek PIC mikro denetleyicisi ile kayan saylarn (floating point numbers) gsterimi anlatlmtr. f(x)=Sinx fonksiyonunun a=0 noktasndaki Taylor seri alm (ki bu fonksiyona Maclaurin Serisi denmektedir) mikro denetleyici kullanlarak gerekletirilmitir. Ayrca uygulama sonularn grntlendii LCD ekrann programlanmas da ayrntl bir ekilde anlatlmtr. Mikro denetleyici olarak Microchip firmasna ait PIC18F452 mikro denetleyicisi kullanlmtr. Bu mikro denetleyicinin seiminde CCS ve HI-TECH firmalarnn C derleyicileri ile uyumlu olmas, ucuz olmas, yaygn kullanm, daha fazla komut setine (75 adet) sahip olmas ve evrimii olarak web ortamnda belgelerine eriimin mmkn olmas etkili olmutur [1][5]. Fonksiyon girii PIC18F452nin PORTB ularna balanan butonlarla salanr. Butonlara her basta say deeri bir artmaktadr. RB0 ucuna balanan buton normal sins fonksiyonunun (f(x)=Sinx), RB4 ularna balanan buton ise Maclaurin serisine gre sins fonksiyonunun giri deerlerini alr ve fonksiyon deerleri LCD ekranda grlr. ekil 4 deki fonksiyon deerleri butonlara ikier kez basldktan sonra alnmtr.

Abstract
Nowadays we almost meet with microcontroller applications (such as cellular phones, cameras, toys and cars). However, the microcontrollers have limited resources to implement complex mathematical functions such as Maclaurin, Taylor and Fourier series. In this work, displays of floating-point numbers are implemented with PIC microcontroller using Maclaurin series frequently used in engineering applications. Maclaurin series algorithm of the function of f(x) = Sinx for the point of a=0, is implemented utilizing a PIC microcontroller. PIC microcontrollers do not include a floating-point unit. In this study it is demonstrated that how the floating point arithmetic operations and its results are displayed at the LCD display. Keywords: Maclaurin Series, PIC Microcontroller, LCD Display, Floating Point Arithmetic

2. PIC Mikro denetleyicisi


Mikro denetleyici (microcontroller, MCU veya C ), ilemci (CPU), hafza (RAM/ROM) ve giri-k (I/O ports) birimlerinin tek bir entegre paketi ierisine yerletirilmesi ile gerekletirilmi zel amal bir bilgisayardr. Gnmzde retilen birok mikro denetleyici, zellik ve trlerine gre PWM, ADC, USB, USART, CAN, SPI, I2C gibi ara birim ve zel amal kaydedicilere de sahiptir. Entegre retimi yapan birok firma (Intel, Atmel, Microchip, National Semiconductor, Texas Instruments, vb.) ayn zamanda mikro denetleyici de retmektedir. Mikro denetleyiciler birbirlerinden, sahip olduklar niteler(ADC, PWM, Zamanlayc, SPI, vb), giri/k bacak saylar, alma hzlar, veri ve program yolu genilii, bellek kullanm ekilleri alarndan farkllklar arz etmektedirler[3].

1. Giri
LCD (Liquid Crystal Display) gstergeli mikro denetleyici uygulamalar ile hayatmzn her alannda (cep telefonlar,

IATS09, Karabk niversitesi, Karabk, Trkiye

139

obanolu, B. , Zengin, A. , Ekiz, H.

Microchip firmas tarafndan retilen PIC mikro denetleyicileri, Harvard mimarisine ve RISC ilemcisine sahiptirler [1]. PIC kelimesi, Peripheral Interface Controller- evresel Arabirim Denetleyicisi den tretilmi olsa da farkl kaynaklarda Programmable Interface Controller Programlanabilir Arabirim Denetleyicisi veya Programmable Intelligent Computer -Programlanabilir Akll Bilgisayar olarak da adlandrlmaktadr.[2] PIC Mikro denetleyicilerinin birok eidi vardr, veri yolu genilii temel alnarak PIC mikro denetleyiciler; 8bit(PIC10,PIC12,PIC16,PIC18), 16-bit(PIC24) ve 32bit(PIC32) olarak snflandrlabilir [6]. Bu almada 8 bitlik PIC18F452 mikro denetleyicisi x kullanlarak fonksiyonlarn (sinx, cosx, e ,..) Maclaurin serisine alm hesaplanmtr. ekil 1 de PIC18F452 mikro denetleyicisi ve bacak balantlar grlmektedir.

a) ekil 2. a) LCD iyaps

b) b) LCD gsterge

LCD d dnyaya 14 pinlik bir konnektr ile balanr. izelge 1.1. de LCD nin pin (bacak) numaralar ve her pinin grevi verilmitir. izelge 1.1. LCD Bacak Balantlar Pin No 1 2 3 4 5 6 7 14 sim Vss VDD VEE RS R/W E DO - D7 Fonksiyonu Toprak(ase) +Vcc kaynak Kontrast Gerilimi "R/S" Komut/Kaydedici Seme "R/W" Oku/Yaz Aktif Veri Giri/k Bacaklar

D0, D1, D2, D3, D4, D5, D6, D7 LCD nin veri pinleridir. Vss LCDnin toprak hatt, VDD g kayna pini ve VEE LCDnin kontrastn ayarlar. 4 nolu bacak (RS), lojik 0 olduunda LCDye gnderilen veri komut olarak alglanr. Bacak lojik 1 olduunda gnderilen veri gsterilecek karakter veya say olarak alglanr. 5 nolu bacak (R/W) , lojik 0 olduunda LCDye komut veya karakter yazlabilir. Bacak lojik 1 olduunda LCDden durum okunabilir. ekil 1. PIC18F452 ve bacak balantlar

3. LCD Gsterge
Devre tasarmnda ilem sonularn veya istenen mesajlar grmek iin yedi paral LED (Light Emitting Diode-Ik Yayan Diyot) gsterge elemanlar veya LCD (Liquid Crystal Display Sv Kristal Gsterge) gstergeler kullanlmaktadr. LED gsterge ile sadece saysal deerler ve snrl saydaki karakterler gsterilebilmektedir. Buna karlk LCD gstergeler ile her trl yaz ve saysal deeri gstermek mmkndr. LCDler eitli firmalar tarafndan retilmesine ramen kontrolleri standartlamtr [3]. Tm LCD gstergelerde yetki (Enable), oku yaz (R/W), ve kaydedici se (RS) ular ile veri giri hatlar vardr. Balant ekillerine gre LCD gstergeler seri ve paralel olarak snflandrlmaktadrlar. Paralel LCDler ucuz olular nedeniyle ok yaygn olarak kullanlmaktadr. Bu uygulamada fonksiyon sonular 2x20 satrlk LM020L paralel LCD kullanlarak gsterilmitir. ekil 2de LCD gsterge ve iyaps grlmektedir.

6 nolu bacak (Enable) aktif yaplnca mikro denetleyiciden LCDye veri gnderilebilir. E bacann lojik 1 den lojik 0 a geii ile LCDye veri transfer olur. Bacan lojik 0dan lojik 1e gemesi ile LCDden durum okunabilir. 3.1.LCD Kontrol lemleri LCD gstergeye gnderilen veri ya bir komut kodu veya bir karakterdir. ekil 3. de LCD gstergeye yazma ilemine ait zamanlama diyagram grlmektedir. RS ucu dk seviyeye ekilirse yaplacak ilem bir kontrol ilemidir. Eer yksek seviyede tutulursa gnderilen bir karakterdir. LCDye her 8 bitlik veri, nce yksek deerlikli 4 - bit, sonra dk deerlikli 4 - bit olmak zere iki defada gnderilir. LCD ekrana veriler ASCII karakter kodlar gnderilerek gsterilirler. Mesela ekrana 0 gstermek iin, sfrn ASCII kodu olan 48i gndermek gerekir.

140

obanolu, B. , Zengin, A. , Ekiz, H.

LCD_RS=0;LCD_DATA=0x3c; CLOCK();DELAY(200); /*fonksiyon belirleme*/ LCD_DATA=0x0c; CLOCK();DELAY(200); /*gstergeyi a */ LCD_DATA=0x01; CLOCK();DELAY(8000); /*gstergeyi temizle */ ekil 3. LCD gstergeye yazma ilemine ait zamanlama diyagram [3]. LCD ekrana veri yazmak iin aadaki admlar izlenir; Veri, veri yoluna konulur, RS ucu lojik 1 yaplarak, yazma ileminin komut olmad belirtilir, RW ucu lojik 0 yaplr, E ucuna lojik 010 eklinde bir saat (clock) darbesi verilir. LCD ekrana komut yazmak iin ise aadaki admlar izlenir; Komut, veri yoluna konulur, RS ucu lojik 0 yaplarak, yazma ileminin komut olduu bildirilir, RW ucu lojik 0 yaplr, E ucuna lojik 010 eklinde bir saat (clock) darbesi verilir. 3.2. LCD Yazlm Uygulama devresine bakldnda PIC18F452nin D portuna (PORTD) LCD gstergenin veri hatlar, RE0,RE1,RE2 ularna LCD kontrol sinyalleri balanmtr. Bu programda LCD iin zel amal kaydedici ve deiken tanmlamalar yapldktan sonra resetleme altyordam arlarak LCDnin resetlenmesi ve kullanma hazrlanmas salanr. DATA_GONDER altyordam akmlatrdeki (Working register) veriyi LCDye gnderir. CLOCK altyordam Enable darbesi reterek LCDnin veri veya komutu ( adres bilgisi de bir komut olarak dnlr) kabul etmesi salanr. DELAY altyordam ile programn ilgili yerlerinde gecikme salanr. LINE altyordam imleci LCDnin 1. satrna konumlandrr. DISPLAY altyordam, Sins fonksiyonunun retecei deerlerin formatna uygun olarak ( kayan say formatnda deerler retecektir) LCD ekranda gsterilmesini salar. LCD kontrolleri iin tanmlanan fonksiyon ve alt programlar aada verilmitir. /*--Gecikme Alt Program--*/ void DELAY(unsigned int x) { while (x>0){x--;asm("nop"); asm("nop");}} /*LCD iin Enable darbesi reten altyordam */ void CLOCK() { LCD_RW=0;LCD_EN=0;DELAY(1); LCD_EN=1;DELAY(1);LCD_EN=0; } /*--LCD Resetleme Alt Program */ void RESETLEME() { LCD_RS=0;LCD_DATA=0x3c; CLOCK();DELAY(18000); LCD_RS=0;LCD_DATA=0x3c; CLOCK();DELAY(400); LCD_RS=0;LCD_DATA=0x3c; CLOCK();DELAY(400); LCD_DATA=0x06; CLOCK();DELAY(200); /*giri modu */ } /*--LCD Data Gnder Alt Program-- */ void DATA_GONDER(unsigned char x) { LCD_DATA=x;LCD_RS=1;CLOCK();DELAY(1); } /*--LCD mle Konumlandrma Alt Program-- */ void LINE(unsigned char y) { LCD_DATA=y; LCD_RS=0;CLOCK(); }

4. Kayan Noktal Saylar ve Gsterimi


Kayan noktal saylar, gerel (reel) saylarn (3.21, 0,0035 v.b.) bilgisayar ortamnda ki gsterim ekillerinden biridir[4]. Kayan noktal saylar, iaret, st e, st taban b ve anlaml ksm (mantis) s olmak zere drt ksmdan oluur. Bu blmler bir sayy (4.1) eitliinde olduu gibi temsil eder.

x = s be

(4.1)

Kayan noktal saylarn donanma baml olmadan uyumlu bir gsterime sahip olmas iin ANSI/IEEE 754 standard gelitirilmitir. Bu standarda gre kayan noktal saylarn gsterimi tek duyarl -single precision (32 bit), ift duyarl double precision (64 bit) ve geni duyarl -extended precision (80 bit) olmak zere ekilde belirlenmitir. Tek duyarl gsterimde, 32 bitin 1 biti iaret iin, 8 biti st iin ve 23 biti de anlaml ksmn gsterimi iin kullanlmaktadr.

ift duyarl gsterimde 64 bitin 1 biti iaret iin, 11 biti st iin ve 52 biti de anlaml ksmn gsterimi iin kullanlmaktadr. Anlaml ksmda ok bit kullanmak duyarll/hassasiyeti artrrken, s ksmda ok bit kullanm aral artrr. HI-TECH PIC C derleyicisi, kayan noktal saylarn gsterimi iin IEEE 754 standardn kullanmaktadr ve 32 bit gsterim iin double, float veri tiplerini kullanmaktadr. Kayan noktal saylarn, LCD ekranda gsterimi aadaki kod satrlar ile gerekletirilir; Void DISPLAY (unsigned char sat1, float x) { Long sayi; Unsigned int s7, s6, s5, s4, s3, s2, s1, xx; LINE (sat1);

141

obanolu, B. , Zengin, A. , Ekiz, H.

Sayi = x*100000; s7 = (sayi/1000000); Sayi = (sayi%1000000); s6= (sayi/100000); Sayi= (sayi%100000); s5= (sayi/10000); Sayi= (sayi%10000); s4= (sayi/1000); Sayi= (sayi%1000); s3= (sayi/100); Sayi= (sayi%100); s2= (sayi/10); Sayi= (sayi%10); s1=sayi; xx=s7+48;DATA_GONDER(xx); xx=s6+48;DATA_GONDER(xx); xx='.' ;DATA_GONDER(xx); xx=s5+48;DATA_GONDER(xx); xx=s4+48;DATA_GONDER(xx); xx=s3+48;DATA_GONDER(xx); xx=s2+48;DATA_GONDER(xx); xx=s1+48;DATA_GONDER(xx); }

fakt=1; xt=x; for (i=2;i<=15;i++) { xt=xt*x*x; fakt=fakt*(2*i-2)*(2*i-1); snx=snx+isaret*xt/fakt; isaret=-isaret; } return(snx*c2); }

5. Maclaurin Serisinin Hesaplanmas


Maclaurin seri formln kullanmak suretiyle stel, sins ve kosins gibi serilerin yaknsakl belirlenebilir. Bu uygulamada sins fonksiyonunun Maclaurin serisine alm hesaplamtr. Bunun iin f(x)=Sinx fonksiyonunun a=0 noktasndaki Taylor serisinin algoritmas alnmtr. Matematikte f(x) fonksiyonunun a=0 noktasndaki Taylor seri almna bu fonksiyonunun Maclaurin Serisi denir ve

ekil 4. Sin(x) fonksiyonun Maclaurin Seri Alm ve Uygulama Devresi

Sonular
Bu almada mhendislik uygulamalarnda sklkla kullanlan Maclaurin serisinin mikro denetleyici kullanlarak hesab yaplmtr. Bunun iin f(x)=Sin x fonksiyonunun Maclaurin serisine almnn algoritmas, PIC18F452 mikro denetleyici kullanlarak hesaplanm ve sonular LCD ekranda gsterilmitir. Ayrca LCD gstergelerin programlamas ayrntl bir ekilde anlatlmtr. Kayan nokta birimi olmayan mikro denetleyiciler ile kayan nokta gsteriminin nasl yaplaca, yazlmsal olarak gsterilmitir.

f (n)(0) n f"(0) 2 f (3)(0) 3 x = f (0) + f '(0)x+ x+ x +.... ! 2 ! 3 ! n=0 n

(1)

eklinde gsterilir. Sin(x) fonksiyonun seri alm ise Sin(x)= =

x3 x5 x7 x + + .... 3! 5! 7!

(2)

eklinde gsterilir. Sin(x) fonksiyonun 15 terim iin Maclaurin serisi almnn C dilinde programlamas ve uygulama devresinin ProteusISIS program ile gerekletirimi ekil 4. de gsterilmitir. ekil 4 deki fonksiyon deerleri butonlara ikier kez basldktan sonra (2 saysnn sins deeri) elde edilmitir. LCD ekrann sa st satrnda sin(x) fonksiyon deeri, sol alt satrnda ise sin(x) fonksiyonunun Maclaurin seri alm grlmektedir. float ESN(float x) { static int isaret; static unsigned int i,j; static float snx=0.0; static double xt,fakt; DELAY(50000); snx=x; isaret=isaret*(-1);

Maclaurin seri alm, yerleik Sin(x) komutuna gre daha yaklak deerler retmesine karn, PIC Mikro denetleyicilerin veri ve program belleklerinin yetersizliinden dolay, yksek deerlikli saylarn hesaplanmasnda farkl deerlerin kt gzlemlenmitir.

Kaynaklar
[1] obanolu, B. Implementation Of Taylor Method By The Use Of Microcontrollers, Yksek Lisans Tezi, Baheehir niversitesi, Fen Bilimleri Enstits Bilgisayar Mh. ABD, STANBUL, 2005 [2] http://en.wikipedia.org/wiki/PIC_microcontroller [3] Grgnolu, S., Bay, .F., 8051 Ailesi Mikrodenetleyici Eitim Setinin Tasarm Ve Gerekletirilmesi ,Journal of Polytecnic, v.5,No:3, pp.195-207, 2002 [4] http://tr.wikipedia.org/wiki/Kayan_Nokta [5] Microchip PIC 18FXX2 Datasheet Microchip Technology, Inc. 2002. [6] http://www.microchip.com

142

5. Uluslararas leri Teknolojiler Sempozyumu (IATS09), 13-15 Mays 2009, Karabk, Trkiye

DAITIK PARALEL SSTEMLER HAKKINDA KIYASLAMALI BR ALIMA: PVM VE MPI A COMPARATIVE STUDY ON DISTRIBUTED PARALLEL SYSTEMS: PVM AND MPI
a, *

Ahmet elik a, * ve Ahmet zmen b


Dumlupnar niversitesi, Elektrik-Elektronik Mh. Bl., Ktahya, Trkiye, E-posta: ozmen@dpu.edu.tr

zet
Bu almada, datk paralel sistemler irdelenmi, daha sonra mevcut datk paralel sistemlerden PVM (Parallel Virtual Machine) ve MPI (Message Passing Interface) tantlmtr. Datk sistemler aratrma kurumlar, niversiteler veya yksek performansl bilgisayar ihtiyac olan yerler iin ekonomik zmler sunmaktadr. PVM ve MPI datk sistemleri, mevcut kiisel bilgisayarlara iletim sistemine ek olarak kolayca kurulabilmektedir. Seri programlar ayn kurulumda salanan ktphane destei ile paralele dntrlebilmektedir. Datk paralel sistemlerin kurulumu kolay olmasna ramen, programlanmas zordur. almada, bu sistemlerin kurulumu, paralel uygulamalarn bu sistemler zerinde koturulmas bir rnekle anlatlmtr. Anahtar kelimeler: Paralel bilgi ileme, datk paralel sistemler, PVM, MPI.

nedeniyle mmkn olmamaktadr. Bu nedenle daha fazla donanmn paralel olarak kullanlmasyla performans arttrlmas en ok tercih edilen yoldur. Bu yaklam kendini nce ilemci iinde paralellik ile gsterdi. retim hatt (pipeline) mimarisinde ilemci iine ilave edilen donanm ile ayn anda birden fazla komut icra edilebilir hale getirildi. Bylece komut seviyesinde paralellik yoluyla performans artrlm oldu. Artk gnmz genel amal bilgisayarlarnda kullanlan ilemcilerinin hepsinde pipeline yap kullanlmaktadr. Bu sistemlerde paralellik komut leinde olduundan, kullanc asndan bir sorun veya deiiklik olumaz. Paralellik iin gerekli dzenlemeler derleyici veya donanm iindeki alt birimler tarafndan gereklenir. Gelien yariletken teknolojisi ile daha ok miktarda donanm ayn pul (wafer) zerinde gereklenebilir oldu. Gnmz teknolojisiyle, yakn gemiteki ilemcilerden 2, 4, 8 gibi saylardaki oklu kopyalar ve ara lojik devreleri ayn pul zerinde sentezlenebilmektedir. Yaygn olarak kullanmda olan bu ilemcilere gnmzde ok ekirdekli ilemciler denilmektedir. Bu yaklamda paralellik, hem ekirdek iinde (pipeline) ve hem de ekirdekler arasnda kullanlmaktadr. lemci iindeki paralellik bir komutun evreleri veya komutlar aras lekte olmaktadr. Bunun yannda, bir grevin blmleri bir grup ilemci arasnda eit datlmak suretiyle de paralellik gereklenebilir. Balangta belirlenen kurala ve datlm verilere gre, her ilemci kendi iini yapar sonucunu yine balangta belirlenmi ilemciye gnderir. Grev datm yoluyla paralellik yazlm yoluyla gereklendiinden, dier yntemlere gre esnek ve ekonomiktir. Bu almann konusu kk ve orta lekli kurumlarda zaten var olan bir grup bilgisayarn hzl bir a ile birbirine balanmas suretiyle yksek performansl bir bilgisayar elde edilmesidir. Bu amala iletim sistemine ek olarak gelitirilmi ve yaygn olarak kullanmda olan iki sistem mevcuttur: PVM (Parallel Virtual Machine) ve MPI (Message Passing Interface) [1, 2]. almada bu sistemlerin kurulmas, uygulamalarn derlenmesi ve koturulmas konular kyaslamal olarak incelenmitir. Ayrca, bir matris arpm program deien makine says ve problem boyutu iin altrlm ve sonular analiz edilmitir.

Abstract
In this work, distributed parallel systems examined, and then PVM (Parallel Virtual Machine) and MPI (Message Passing Interface) are introduced as existing distributed parallel systems. Distributed systems provide economical solutions to organizations such as research centers and universities when high performance computer is needed. PVM and MPI can be installed to existing personal computers as an extension to the operating system. Serial programs can be converted to parallel with provided libraries. Although distributed systems are set up easily, they are difficult to program. The paper presents, how these systems are set up, and how parallel programs run on these systems with an example. Keywords: Parallel systems, PVM, MPI. computing, distributed parallel

1. Giri
Mhendislik uygulamalarnda yksek performansl bilgisayarlara ihtiya her geen gn daha da artmaktadr. Yksek performansl bilgisayarlarn yetenekleri ile retime giden tasarm srecinde baz evreler ortadan kalkm olup (rnein prototip gerekleme ve testler), bu ilemler artk benzetim yoluyla yaplmaktadr. Bylece, gelitirme srecinde zaman ve paradan tasarruf edilmekte, yeni rnlerin piyasaya kma periyodu ksalmaktadr. Yksek performansl sistemler ilemci saat frekansnn arttrlmas veya donanmn paralel kullanlmasyla elde edilebilir. lemci saat frekansnn arttrlmas bir noktadan sonra ya ekonomik nedenlerle veya fiziksel snrlar
IATS09, Karabk niversitesi, Karabk, Trkiye

2. Paralel Sistemlerin Snflandrlmas


Grev paylaml paralel sistemler ortak bellekli (shared memory) ve datk bellekli (distributed memory) olmak zere iki ana snfa ayrlmaktadr. Bu sistemlere sk bal

143

elik, A. ve zmen, A.

(tightly coupled) ve gevek bal (loosely coupled) sistemler de denmektedir.


Islemci 1 Islemci 2 Islemci n

Paylaml bellekli sistemlerde birbirinin tamamyla ayn olan ok sayda ilemci ayn saat frekans ile srlr ve ayn bellei paylarlar (Bkz. ekil 1). lemciler arasnda iletiim paylalan bellek zerinden olduundan veri paylam olduka hzldr. Bu tr sistemlerde tek iletim sistemi tm ilemcileri ve bellei ynetir ve bilgisayar genelde tek bir kasa iinde gereklenir. Kullanc, donanmsal farkll (tek ilemcili sistemlere gre) pek hissetmez. Uygulama yazlmlarnn paralelletirilmesi donanm, derleyici ve iletim sistemi yardmyla gereklenir ve kullancya sadece ihtiya duyduu ilemci saysn belirlemek kalr. Bu nedenle bu tr sistemleri kullanmak, bu tr sistemler iin yazlm gelitirmek dier paralel sistemlere gre daha kolaydr. Ancak, bu mimarideki paralel sistemler genelde snrl miktarda imal edildiklerinden pahal, farkl amalar iin kullanm zor ve yeniden dzenlenmeye, yaplandrlmaya esnek deildir.

Bellek 1 IO

Bellek 2 IO

Bellek n IO

Dagitik Bellek Mimarisi

Hizli anahtar

ekil 2. Datk bellek mimarisinde paralel bir bilgisayarn ematik grn. Bu tr sistemlerde icra sresi ilk prosesin icraya balamasndan son prosesin icray sona erdirmesine kadar geen sredir. cra sresi iinde her proses zamann bir ksmn hesaplamayla (ilemcide geen sre), bir ksmn iletiimle (mesajlama), bir ksmn da sistem iinde geirir. Sistemde harcanan sre genelde dierleri yannda ihmal edilebilir boyuttadr. Ancak, paralel bir uygulamann iletiimde harcad srenin, hesaplamada (ilemcilerde) harcanan sreye oran ne kadar kk olursa, paralellik o oranda baarl olmu olur. Bu oran bydke verim der, performans tek ilemcili sistemden bile daha kt olabilir. Piyasada datk bellekli, tek iletim sistemi ile ynetilen bilgisayarlar da kullanlmtr [3]. Bu sistemler kullanclarna trl kolaylklar sunmakla beraber, hem pahal ve hem de esnek deildirler. Bunun yannda, her tr mimari ve iletim sistemine kolayca ilave edilebilen iki yaklam (PVM, MPI) yaygn olarak tercih edilmektedir. Bu sistemlere ait paket programlar Internette cretsiz olarak indirilip eitim veya ticari maksatl olarak kullanlabilmektedir. Aadaki blmler bu yaklamlarn kurulumu, altrlmas ve zerinde program koturulmas ile ilgili bilgiler iermektedir.

Islemci 1

Islemci 2 Bus

Islemci n

Paylasimli Bellek Mimarisi


Bellek

ekil 1. Paylaml bellek mimarisinde paralel bir bilgisayarn ematik grn. bellek mimarisinin Datk mimari, paylalan dezavantajlarn gidermek iin gelitirilmitir. En byk avantaj, aa bal ve zaten kullanlmakta olan bilgisayarlardan ihtiya duyulan kadarn yazlm yoluyla yaplandrp tek bir hzl bilgisayara (sper-bilgisayara) dntrebilmesidir. Ayrca, sisteme ilave edilen bilgisayarlarn, mimarileri ya da iletim sistemleri farkl olabilmektedir. Datk mimaride, ilemci iindeki paralellikten farkl olarak komutlar aras paralellik deil de gruplar halindeki komutlar aras paralellik n plana kmaktadr. ekil 2de datk mimaride paralel bir bilgisayarn blok diyagram grlmektedir. Sistemi meydana getiren bireysel bilgisayarlarn kullanclar isterlerse her an bilgisayarlarn kullanmaya devam edebilirler. Yksek performans taleplerine ekonomik zm sunduu iin bu yaklam aratrma kurumlarnda, niversitelerde ve hatta orta lekli kurumlarda tercih edilmektedir. Bununla birlikte, datk sistemlerin temel problemi programlama zorluudur. yknn dalmn, ilemciler arasndaki veri paylamn ve senkronizasyonu programcnn kendisi tasarlamal ve uygulamasn ona gre yaplandrmaldr. Bu nedenle, bu sistemlerde almak zere tasarlanan uygulama yazlmlarnn nceden performans gzlemlenmesi yaplmaldr. Aksi halde sistemden beklenen performans elde edilemez.

2. PVM: Paralel Zahiri Makine (Parallel Virtual Machine)


PVM, Oak-Ridge ulusal laboratuarlarnda Tennessee niversitesi ibirlii ile gelitirilmitir. Ksa zamanda birok niversite tarafndan eitimde ve daha sonra ticari, endstriyel ve tp uygulamalarnda kullanlmaya balanmtr [4]. PVM bir yazlm pakedi olarak i) sunucu (PVM daemon), ii) statik ktphaneler (pvm.h gibi), iii) dinamik ktphaneler (libpvm.a gibi) ve iv) rnek programlarla birlikte gelmektedir. Bu yazlm paketinin derlenmi ve derlenmemi (kaynak kodlu) paketlerini indirmek mmkndr. Derlenmemi, kaynak kodlu olarak indirildiinde, derleme aamalarn ve kurulum aamalarn anlatan yardmc dosyalar paket iinde mevcuttur. Bunun yannda kapsaml bir dokmantasyon destei de web aracl ile sunulmaktadr. PVM bir grup makineye kurulup aktif hale getirildiinde her makinede PVM sunucusu (pvmd daemon) arka planda alr. Makineler aras iletiim grup iinde farkl makinelerde uygulamalarn altrlmas rsh (remote shell: uzak kabuk) altyapsna dayanmaktadr. Bu nedenle

144

elik, A. ve zmen, A.

paralel sisteme ilave yaplandrlmaldr.

edilen

makineler

rsh

iin

Tm makinelere PVM paketi kurulduktan sonra bir makine konsol olarak belirlenir ve tm sistem oradan ynetilir. lk yaplacak i paralel sistem iinde yer alacak makineleri sisteme ilave etmektir. Bu amala konsol makinede kabuktan pvm yazlr, ve arkasndan paralel sistemin dier yeleri zahiri sisteme add komutuyla ilave edilir. Belirli sayda ve zellikteki makineleri barndran bir sistemi ksa srede oluturmak iin bilgisayar adlar bir dosyaya yazlabilir. Bu ekilde tek komutla istenilen kadar bilgisayar hemen sisteme ilave edilmi olur. PVM grsel arayz zerinden de kontrol edilebilmektedir. Grsel arayz yazlm XPVM olarak adlandrlm olup, ayr bir paket olarak indirilip sadece konsol makineye kurulabilmektedir [5]. ekil 3te sisteme ilave edilmi 9 makine XPVM hosts arayznde grlmektedir.

zaman-uzay (time-space) diyagram grlmektedir. Bu ekilde yeil renkli ubuklar ilgili ilemcinin uygulamay icra ettiini, sar renkli ksmlar sistemde geen sreyi, beyaz ksmlar ise bekleme (bo) zaman gstermektedir. ubuklar arsndaki krmz izgiler ise mesajlamay gstermektedir.

ekil 4. cra halindeki bir PVM uygulamasnn zaman-uzay arayzndeki grnm. XPVM paralel sistemdeki makinelerin, program icrasnn dnda baka arayzleri de sunmaktadr (mesaj kuyruklar, utilization gibi). Burada yer darlndan dolay dier arayzlere ait ktlar verilmemitir. XPVM etkin paralel program gelitirmede, mevcut programlarn en iyi konfigrasyonla altrlmasn ve dolaysyla paralel sistemden azami istifade edilmesini salamas bakmndan ok faydal bir aratr. Ancak, grsel arayz iin toplanan veriler paralel programa ait verilerle ayn ada seyahat ettiklerinden sistemin gzlemlenen sistemi etkilemektedir. Bu etki seri programlardakinden daha fazladr [6,7].

ekil 3. PVM grafik arayz XPVM de sanal makineye dahil edilmi bilgisayarlarn grnm. Paralel sistem oluturulduktan sonra, altrlacak yazlmlarn hazrlanmas gerekmektedir. Bu ilem iin ya problemimizi zecek paralel bir program kendimiz yazmalyz veya problemimize zm olan mevcut bir program paralel sistemde koturmalyz. Paralel program yazmak, paralel algoritma gelitirmek bu almann kapsam dnda olduundan, biz ikinci ksma odaklanacaz. PVM de alacak programlar Fortran veya C dilinde yazlm olabilirler. Bir Linux bilgisayarda Fortran ve C derleyicileri mevcuttur. PVM uygulamalarn derlemek iin bu derleyicilerden yararlanlabilir. Bunun iin statik ve dinamik ktphanelerin yerini belirtmek ve derleme satrna ilgili anahtarlar koymak gereklidir (-lpvm3 gibi). Program derlendikten sonra, tm makinelere kopyalanmaldr. Baz programlar ana ve uydu olarak iki icra edilebilir dosyadan oluabilir, bu durumda hangi makinede hangi icra edilebilir ksm alacaksa uygun ekilde kopyalanmaldr. Bu ilem ftp yoluyla ok hzl bir ekilde halledilebilmektedir. Baz sistemlerde network file system olabilir, byle durumlarda ise kopyalamaya gerek kalmayabilir. Kopyalama tamamlandktan sonra konsoldan paralel uygulama altrlabilir. Uygulama yazlmnn veri girileri ve sonularn sunumu genelde konsol makineden yaplr. Benzer ekilde almakta olan bir paralel uygulamann evreleri grafik arayzden izlenebilmektedir. ekil 4te

3. MPI: Mesaj Gei Arayz (Message Passing Interface)


MPI, PVMden sonra ABDdeki eitli niversiteler tarafndan ayr srmler olarak gelitirilmitir. FT-MPI: Tennessee niversitesi, LA-MPI: Los Alamos Ulasal lboratuar, LAM/MPI: Indiana niversitesi tarafndan gelitirilmektedir. Bir de tm aratrmaclarn destei ile gelitirilen Open-MPI bulunmaktadr. MPI, kurulum asndan PVMe ok benzemekle beraber uzak makinelerde uygulama altrlmas iin ssh (secure shell kullanmaktadr. ssh PVMin kulland rsh oluturduu gvenlik aklarnn kapatlmasn salamtr. Bu nedenle daha ok tercih edilmektedir. MPI yazlm paketi cretsiz olarak Internetten indirilebilmektedir. MPI, PVMde olduu gibi hemen tm mimarileri ve iletim sistemlerini desteklemektedir. cra edilebilir ve derlenmemi, kaynak kodu olarak indirilip dorudan veya derlemek suretiyle kurulabilir. MPInda grafik arayz XMPI paket olarak bulunmaktadr. Grafik arayz paralel sistemin durumunu, altrlacak uygulamann seimini, icra halindeki programn durumunu grsel olarak ekrana dkebilmektedir. ekil 5te 9 makineden oluan paralel sistemin anlk durumu

145

elik, A. ve zmen, A.

grlmektedir. Bu grnmde petek ekli sistemdeki bilgisayarlar, trafik iareti ise o bilgisayarn o anda ne yaptn gstermektedir. rnein yeil k ilgili bilgisayarn hesaplama yaptn, krmz k ise beklediini gstermektedir.

ekil 6. cra halindeki MPI uygulamasnn zaman-uzay grnm.

4. rnek alma
almann bu ksmnda paralel bir uygulamann PVM ve MPI ile altrlmas ve zaman lmlerinin yaplmas anlatlmtr. Bu amala bilgisayar laboratuarndaki 9 makineye PVM ve LAM/MPI kurulmutur. Makinelerin her biri edeer olup Pentium-4 2.4 GHz ilemci ve 256 MByte RAM hafzaya sahiptir. A altyaps ise 100 MBit/s lik standart bir anahtar ve CAT-5 kablolamadan olumaktadr. Seilen paralel uygulama bir matris arpm programdr. Program fox algoritmasna gre paralelletirilmi olup MPI arlaryla bakalar tarafndan kodlanmtr [fox, kodlayan]. Program deien makine says (m) ve problem boyutu (n) iin altrlm icra sreleri kaydedilmitir. Problem boyutu olarak arpma giren kare matrislerin boyu alnmtr. Uygulama her bir n, m konfigrasyonu iin 5 defa altrlarak icra sresi olarak bunun ortalamas alnmtr. Deney srasnda n iin 4, ve 9, m iin ise 150den 510a kadar deerler alnmtr. llen zaman ve dier bilgiler izelge 1de sunulmutur. izelge 1. eitli boyutlarda matrisin 4 ve 9 makineyle MPI ile icra sreleri. n m t (sn) n m t (sn) 4 0,64 4 2,33 150 390 9 0,93 9 1,85 4 0,83 4 3,68 180 420 9 1,02 9 2,45 4 1,14 4 4,26 240 450 9 1,32 9 3,08 4 1,49 4 4,86 300 480 9 1,52 9 3,50 4 1,78 4 6,65 330 510 9 1,78 9 3,56

ekil 5. MPI grafik arayz XMPIda paralel sistemde bulunan bilgisayarlar ve o anki durumlar grlmektedir. MPI Fortran, C++ veya C programlama dillerini desteklemektedir. Bu dillerde yazlm paralel uygulamalar paket ile birlikte gelen derleyici ile derlenir (LAM/MPI iin derleyici ad mpicc). Derlenen uygulamann icra edilebilir ktlar tm makinelerde bilinen bir yere kopyalanr. Daha sonra konsol olarak seilen bir makineden mpirun girilerek paralel uygulama altrlr. Paralel uygulamann veri girii ve verilerin sunumu, dosyaya kaydedilmesi genelde konsol makinede yaplr. alan programn icra srasndaki evreleri grsel arayzden grlebilmektedir. ekil 6 alan bir paralel programn zaman-uzay grnmn gstermektedir. Burada yeil ksmlar ilemcinin problemle ilgili altn, krmz ksmlar ise beklemede olduunu gstermektedir. Yazlmcnn veya sistemi idare eden kiinin sistemin verimliliini arttrmak iin, ekil 6da grlen krmz ksmlar en aza indirmek temel grevi olmaldr. Aksi takdirde sistemden beklenen performans elde edilemez. XMPI ile birlikte paralel uygulamann gzlenmesini kolaylatran dier baka arayzler de vardr (kiviat, matrix gibi), burada ok yer kapladndan gsterilememitir.

146

elik, A. ve zmen, A.

ekil 7den de grld gibi kk boyutlu problemler iin makine saysn arttrmak icra sresini azaltmamtr. Mesajlamada geen zaman, hesaplamada geen zamana gre olduka fazla olduunu gstermektedir. Bu tr verimsiz alma durumlar zaman-uzay arayznden de grlebilmektedir.
7 6 5 4 makine 9 makine

Kaynaklar
[1] Geist A, Beguelin A, Dongarra J, Jiang W, Manchek R, Sunderam V. PVM 3 Users Guide and Reference Manual. Oak Ridge National Labs. September 1994.. [2] LAM/MPI Users Guide Version 7.1.4. The LAM/MPI Team, Open Systems Lab., July 2007. [3] Convex Computer Corporation. Convex Reference(2nd edn). December 1994. [4] www.ornl.gov.tr. [5] Geist G.A, Kohl J, Papadopoulus P. Visualization, Debugging and Performance in PVM. Proceedings of Visualization and Debugging Workshop. 1994. [6] zmen A. A Minimal Overhead Instrumentation System. Proceedings of the Fifteenth International Symposium on Computer and Information Sciences (ISCIS XV). 2000;102110. CXpa

Icra sresi (t) sn

4 3 2 1 0

[7] zmen A., "An Entropy-Based Algorithm for Data


150 180 240 300 330 390 420 450 480 510 Problem boyutu (n)

Elimination in Time-Driven Software Instrumentation", Journal of Systems and Software, (Article In Press, DOI: 10.1016/j.jss.2008.12.028).

ekil 7. Paralel matris arpm programnn MPI ile 4 ve 9 makinede icra sreleri. Yukardaki rnek PVM zerinde de ayn makine saylar ile altrlm ve benzer sonular elde edilmitir. Datk paralel sistemler iin program yazmak olduka gtr. Sorun, yk dengeli bir ekilde makinelere databilme problemidir. Programclar makinelerin yk ve performanslarn nceden ngrerek paralel yk dalmn yapmalar gerekmektedir. Datk bir paralel program alrken yk dier makinelere kaydrabilme (dinamik olarak) imkn yoktur. Bu nedenle bir yazlm gelitirildiinde, problemin boyutuna ve eldeki makinelerin performansna gre, altrlabilecei en iyi makine saysn da belirlemek gerekmektedir. Mevcut gzlemle aralar bu problemlerin zmnde yardmc olmaktadr.

5. Sonular
Bu almada datk paralel sistemler incelenmi, bu sistemlerden PVM ve MPI tantlmtr. PVM ve MPI, aratrma kurumlar ve niversitelerin yksek performansl bilgisayar (sper-bilgisayar) ihtiyalarna ekonomik zmler sunmaktadr. Kurumlarda zaten mevcut olan sradan bilgisayarlarn kme halinde bir sper-bilgisayara dntrld bu yazlm paketleri cretsiz olarak indirilip kolayca kurulabilmektedir. Bu sistemlerde alacak programlar yazmak zor olsa da, bu sistemlere ek olarak verilen gzlemleme aralar (monitrler) yazlm gelitirmeyi veya bu sistemleri etkin kullanmay kolaylatrmaktadr.

147

5. Uluslararas leri Teknolojiler Sempozyumu (IATS09), 13-15 Mays 2009, Karabk, Trkiye

KONTROL SSTEMLERNE YNELK NTERNET DESTEKL UZAKTAN ETM UYGULAMASI INTERNET SUPPORTED DISTANCE LEARNING APPLICATION IN CONTROL SYSTEMS
a,*

Erdal BYKBIAKCI a,*, Ali Fuat BOZb


Sakarya niversitesi Karasu Meslek Yksekokulu, Sakarya, Trkiye, E-posta: erdal@sakarya.edu.tr b Sakarya niversitesi Teknik Eitim Fakltesi, Sakarya, Trkiye, E-posta: afboz@sakarya.edu.tr

zet
Eitim retim sektr, internet teknolojilerinin yaygn ve etkili olarak kullanlabilecei sektrlerin banda gelmektedir. Birok ders internet destekli uzaktan eitim ile anlatlmaya balanmtr. nternet destekli eitimin yabanc dil eitiminden, matematik eitimine, corafya eitiminden, iktisat eitimine yani hem teknik hem de sosyal branlar alannda pek ok rnekleri grlmektedir. Bilgi teknolojilerindeki hzl geliim beraberinde renme metotlarnda da ilerlemeye sebep olmutur. nternet balants olan herhangi bir bilgisayardan, zamana ve mekana bal kalmakszn her trl bilgiye kolayca ulamak mmkndr. Bu durum retim tekniklerinde klasik metotlarn yerini yeni oluumlara brakmas olarak aklanabilir. nternet destekli uzaktan eitim sistemleri bunlardan biridir. Bu retim metodunda renciler gerek sistemleri simlasyonlarda altrma ve sistemlerin gerek davranlarn inceleme imkan bulabilmektedirler. Bu almada gnmz eitim retim sistemleri iinde internet destekli uzaktan eitimin nemi vurgulanmakta, lkemizdeki farkllklar aklanmakta ve internet destekli uzaktan eitim iin gelitirilen rnek bir uygulamadan bahsedilmektedir. Bu uygulamada ierik olarak kontrol sistemleri ele alnm ve bu alanda eitim materyali gelitirilmitir. Hazrlanan Web sayfasnda, renci etkileimi n plana alnm ve bu amaca ynelik olarak uygulamalar gelitirilerek kullanma sunulmutur. Anahtar Kelimeler : Uzaktan Eitim, Simlasyon, Kontrol Sistemleri

In this study, the importance of todays modern internet supported distance learning education was stressed, its differences in our country were explained and finally a case study was given. In this application, new education materials were developed for the control systems. Also, a new web page was constructed and students interactions were focused on this scope. The designed page and applications can be reachable from the web server. Keywords: systems Distant Education, Simulation, Control

1. Giri
nternet ve iletiim teknolojisindeki hzl gelimeler, eitimde mevcut sistemlerin modern teknoloji yntemleri ile gelitirilmesine yol amtr. Bu gelimeye paralel eitimde yeni metotlar gelitirilmeye balanmtr. Bu metotlarn gelimesiyle de zamandan ve mekandan bamsz olan eitim sistemleri ortaya kmtr. Ortaya kan bu yeni metotlardan biri olan internet destekli uzaktan eitimi; a zerinden eriilebilen, LAN, intranet, internet, ok ortamllk (multimedia) zelliklerine sahip, etkileimli olarak hazrlanm pedagojik zellikleri olan, bilgi aktarmann yan sra beceri kazandrmaya ynelik eitim alanlarn performanslarnn bilgisayar tarafndan deerlendirilebildii, herkesin kendi bilgi seviyesinden kendi alglama ve kavrama hzna gre ilerleyebildii ve kendine uygun zaman ve yerde eitim almasna olanak salayan malzemelerin kullanlarak yapld uygulamalar olarak ifade etmek mmkndr [1]. Gnmz teknoloji dnyasnda hzla yerini alan nternet ve Web uygulamalar klasik snf ortamnda karlalan problemlerin zmne nemli lde katk salamaktadr. nternet zerinden sunulan teorik ve yaz tabanl anlatmlar, yada tam donanml problem zme yntemleri, kullanc etkileimli rnekler, zml testler ve simlasyon rnekleri Webe, eitimde ve bilgilerin renciye aktarlmasnda nemli grevler yklemektedir [2]. Bu grevlerden biriside bilgiye eriim konusunda klasik yntemlerden ok farkl ve bu gne dek pek rastlanmayan imkanlar tanmasdr. Bu imkanlarn sonucu olarak, uzaktan eitimde kullanlmas da anlaml klnmaktadr. Son yllarda nternet teknolojisinde yaanan gelimeler, burada kullanlan multimedya arabirimlerinin elektronik eitim amac ile kullanlmasna imkan tanmtr. Bu amala hazrlanan materyaller ister yaz tabanl olsun, isterse de etkileimli alma materyallerinden olusun, bunlarn rencilere sunulmas ve karlnda alnan geri besleme Webin nemini daha da arttrmtr. Bu amaca ynelik olarak, Web zerinde farkl dizayn uygulamalar

Abstract
The education and teaching sector is the main field of interest of internet technologies used dominantly and effectively. Many courses are being given by web-based media. There are lots of examples given by means of internet in both social sciences like economics, foreign language teaching, geography etc. and in science like mathematics, engineering, etc. Recent advances in informatics technologies caused new developments in learning methods. Today, any information can be easily reachable to, just by an internet connection. Therefore, old methods were replaced with new teaching techniques. One of the examples of this change is the internet supported distance learning system. Students have an opportunity to run and investigate the real systems in simulation form in this learning method.
IATS09, Karabk niversitesi, Karabk, Trkiye

148

BYKBIAKCI, E. ve BOZ, A.F

etkileimli olarak tek bir arabirim altnda toplanabilmekte, bu sayede de zellikle hzl deien bilginin byk kitlelere ulamasnda nemli bir rol oynamaktadr. Web, salad imkanlar bakmndan renme ve alma yntemleri zerinde devrim saylabilecek yenilikler getirmektedir. Teorik ve uygulamal bilimler alannda yaplan uzaktan eitim almalar gnmzde ok yaygn bir ekilde kullanlmaktadr. Kontrol sistemleri alannda da yine birok uzaktan eitim almas yaplmtr. Bunlar arasnda en nemlilerinden biride hem uluslararas boyutlu ve hemde geni kapsaml olmas bakmndan DynLab[3] projesidir. Avrupa birlii destekli bu projede hem teorik konular verilirken hemde sanal bir kontrol sistemleri laboratuar gelitirilmitir. Hazrlanan web sayfas tm kullanclara snrsz olarak hizmet vermektedir. Bu sayfann greceli olarak bir eksiklii, teorik konu anlatmlarn dz yaz tarznda anlatmasdr. Bu almada ise, bu probleme zm olarak dinamik bir kontrol sistemleri web sayfas hazrlanmtr. Hazrlanan sayfann Trke olmas da ayrca lkemiz insanlar asndan bir avantaj olarak grlmektedir. Bunun yan sra hazrlanan Web tabanl uygulamann amac, dier eitim retim tekniklerinin yerini almak deil, aksine onlarla bir btn oluturup, eksik veya yetersiz kaldklar yerde tamamlayc grevi stlenmektir. Makalenin genel yaps u ekilde dzenlenmitir. 2. blmde ksaca uzaktan eitim tanm yaplmtr. 3. blmde hazrlanan web sayfasnn tantm yaplarak, ama ve hedeflerden bahsedilmitir. 4. blmde yaplan uygulamann eitime katks ve baz geri bildirim sonular verilmitir. Son olarak 5. blmde elde edilen sonular zetlenmitir.

3. Yaplan alma
Gelitirilen uygulamada Teknik Eitim Fakltesi Elektronik Bilgisayar Blm rencilerinin klasik eitimde aldklar Kontrol Sistemleri I ve II dersi, yaz tabanl klasik anlatmn yan sra etkileimli hale getirilmesi amac ile internet zerinden kullanma sunulmutur. Bu dersin temel konularndan olan kontrol sistemlerine giri, sistem modellemesi, blok diyagramlarn sadeletirilmesi, Routh Hurwitz kararllk kriteri, kklerin yer erisi, kontrolr dizayn ile Nyguist ve Bode kararllk ltleri teorik olarak anlatld gibi, her bir blm ile ilgili kullanc etkileimli rnekler ve simlasyon uygulamalar Flash paket programndan faydalanlarak gelitirilmitir. 3.1. Yaplan almann Amac Bu almada, Web teknolojisinden yararlanarak, dersleri rencilere etkileimli ve hareketli hale getirerek sunmak, bylece dersleri hem monotonluk ve skclktan kurtarmak ve hem de temel ilemleri rencilerin kendilerinin yapp grmesi iin derslere canlandrma bileeni katmak amalanmtr. Bunun yan sra, rencilerin sayfa ile ilgili dncelerini ve karlaabilecekleri problemleri, dersin ilgili hocasna dorudan iletebilmesi iin, geri besleme amal bir mesaj hatt hazrlanmtr. Bylece hem uygulamann amacna ynelik olarak kullanlp kullanlmad hakknda bilgi sahibi olunmas, hem de rencilerin problemlerine en ksa srede cevap bulmas imkan salanmtr 3.2. almann Bileenleri ve Tantm Teknik Eitim Faklteleri ElektronikBilgisayar Eitimi Blm rencilerinin ald Kontrol SistemleriI ve II dersinin ierii temelde kontrol sistemlerine giri ile balayarak sistem modelleme, blok diyagramlar, Routh Hurwitz kararllk kriteri, Bode ve kk yer erilerin izilmesi, Nyquist kararllk kriteri, kontrol dizayn gibi konular ve uygulamalar eklinde olumaktadr. Snf tabanl retime dayanan sistemde zellikle rencilerin bu konular anlamalar, teorik olarak grlen konularn pratik uygulamalarnn yetersizliinden veya zlen problemlerin saysnn azlndan, zor olmaktadr. Bu amala, hazrlanan nternet sayfasnda bu problemin zmne ynelik olarak zellikle animasyon ve problem zmlerine arlk verilmitir. Uygulamann ilk al sayfasnda rencilerin istedikleri konulara veya sayfa ieriine gidebilmesi iin linkler verilmitir. Her konu iin ayr olarak hazrlanan sayfalar, zellikle yava alan sitemlerde gereksiz vakit kayplarn nleyecek ekilde dizayn edilmitir. Konu anlatmlar, ilgili devre elemanlarnn yaplar ve kullanldklar devre rneklerinin emalar ile zenginletirilmi ve bu emalara animasyon zellikleri eklenerek, hem konunun daha iyi anlalmas, hemde rencinin ilgisini ekerek sklmadan almas amalanmtr. ekil 1.de hazrlanm olan Web almasnn ana sayfas grlmektedir. Kontrol sistemlerine giri konusunda, sistemlerin klasik ak evrim ve geri besleme blok diyagramlar anlatlmakta ve gerek zamanda eitli kontrol sistemlerinin blok diyagrama dnm hakknda ekil 2. deki animasyon verilmektedir. Sistemin blok diyagramn grmek iin tkladmzda blok diyagram grlmektedir. Kontrol sistemlerinde, blok diyagramlar

2. Uzaktan Eitim
Uzaktan eitim deiik yntemlerle yllardr uygulana gelen bir eitim yntemidir. Bu yntemlerden u ana kadar kullanlanlardan bazlar mektup, radyo, televizyon, video ve CD dir. Bu eitim yntemlerinden deiik zamanlarda faydalanlmtr. eitli nedenlerden dolay eitim iin belirli merkezlere gidemeyen kiilerin zellikle tercih ettii bir eitim biimi olan uzaktan eitim, olduka fazla kullanlan bir yntem haline gelmitir. Uzaktan eitim, poplaritesini kaybetmek zere iken, internet ve bilgisayarlarn ok yaygnlamas ile birlikte yepyeni bir anlam kazanmtr. zellikle kiisel bilgisayarlarn yaylmaya balamas ile birlikte 1980 li yllarn balarndan itibaren bilgisayarn eitim alannda da kullanm artmaya balam ve zamanla yaylmtr[4]. Gnmzde internet alt yapsnn gelimesi uzaktan eitimin yaygnlamasn ve hatta baz alanlarda rgn eitimin yerine almaya balamasna neden olmutur. lkemizde de, bnyesinde tamamen uzaktan eitim veren sanal bir Meslek yksek Okulu bulunan Sakarya niversitesinde, 2008 yl itibar ile Endstri ve Bilgisayar mhendislii eitimi uzaktan eitim ve ksmen yz yze eitim modeli ile verilmeye balanmtr. Geni kitlelere ulaabildii iin uzaktan eitimin gnlk hayattaki neminin artmas kanlmaz olarak grlmektedir.

149

BYKBIAKCI, E. ve BOZ, A.F

zerinde yaplan sadeletirme ilemleri, ardndan gelen transfer fonksiyonu konusu, blok diyagramlarn sadeletirilmesi, iaret ak diyagramlarna gei ve Matlab ortamnda modelemede kullanlan komutlar gibi konularn yer ald blok diyagramlar linkinde ise yine animasyon arlkl bir alma yaplmtr.

Ayn zamanda Matlabda kullanlan baz komutlarla ilgili olarak yaplan uygulamada ise, komutun kullanm ve rnek zerinde gsterilii ekil 4. de grlmektedir. Bylece problemlerin daha iyi anlalmas amalanm ve eksikliklerin giderilerek, zmn elde edilmesi salanmtr.

ekil 1. Uygulama ana sayfas

ekil 2. Gerek bir sistemin blok diyagram animasyonu zellikle rencilerin blok diyagram ve iaret ak diyagramlarnda yapacaklar ilemleri daha net grebilmeleri iin rnek zmlerinde verilen bir transfer fonksiyonunun en sade halinin bulunmas noktasnda adm adm sadeletirme yollar gsterilmitir. Konu ile ilgili olarak ekil 3. deki rnek grlmektedir.

ekil 3. rnek blok diyagramn sadeletirilme animasyonu

150

BYKBIAKCI, E. ve BOZ, A.F

lerleyen blmlerde de yine yukardaki ekillerde gsterilen anlatmlara ynelik, konunun ieriinin daha anlalr ve grsel olmas asndan Routh-Hurwitz, Bode, kk yer erileri, parametreler, Nyquist ve kontrolr dizayn balklar altnda da zel animasyonlara yer verilmitir. Ayrca iletiim ksmndan dersin ilgili retim eleman ile balantya geilmesi ynnde iletiim bilgileri sunulmaktadr.

edememektedir. Bunun sonucu olarak renciler teoride grdkleri konular, uygulama eksikliinden dolay somut olarak anlamakta glk ekmektedirler. Bu anlamda hazrlanan nternet sayfas, bu eksiklii gidermede nemli bir rol oynamaktadr. rencilerin sayfada bulunan etkileimli problem, animasyon ve simlasyon uygulamalarndan olduka faydalandklar, teori ve pratii kaynatrdklar geri besleme sonularndan anlalmaktadr. Yine konularn yukarda saylan yntemlerle daha ilgi ekici hale getirilmesinin sonucu olarak, rencilerin derse olan ilgilerinin artt ders srasnda sayfada yer alan konularn gndeme getirilmesi sonucu anlalmaktadr. Kontrol Sistemleri derslerinde temel olarak ilenen konulara ynelik olarak yaplan bu alma www.sakarya.edu.tr/~afboz internet adresinde yayna sunulmutur.

5. Sonu
Gnmzde bilgi teknolojileri arasnda yer alan nternet uygulamalarnn, zellikle uygulamal derslerin bilgisayar ortamnda, animasyon destekli eitim yazlmlaryla retilmesi ve dolays ile rencilerin baarsnda nemli bir rol oynad aktr. Bu makalede, bu derslere rnek olabilecek Kontrol Sistemleri-I ve II derslerine ynelik olarak hazrlanan internet sayfas anlatlmtr. Buna gre, sayfann zellikle rencilerde grlen uygulama eksikliklerinin giderilmesinde nemli bir rol oynad grlmtr. Yine rencilerin konuya olan ilgisi animasyon ve simlasyonlarla salanarak, derse daha youn ve etkili katlmlar salanmtr. zellikle nternet uygulamasnn her renciye bireysel uygulama imkan vermesi, renciler arasnda oluabilecek anlama farkllklarnn giderilmesinde byk bir etki gstermitir. renciler tarafndan yaplan geri besleme sonularndan, sayfada yer alan problem saylarnn arttrlmas ve simlasyon uygulamalarnn daha da gelitirilerek, kullanc isteklerini daha byk lde yerine getirebilir yapmak bundan sonraki gelitirme safhalarnda yer alacaktr. Yine online snav modlnn yaplandrlmas yaplacak iler arasnda saylabilir. Hazrlanan internet sayfas gelitirilmeye ak bir sistemdir. Uygulamada rencilerin kontrol sistemleri dersine ynelik animasyon ve simlasyonlarla yaplmas sreci zevkli bir renme aamasna getirmitir. Uzaktan eitimlerin verimli olmasna neden olan faktrlerden biri de eitimde srekliliin salanmasdr. Bu nedenle sistem srekliliinin salanmas asndan, farkl derslere ynelik ierik hazrlanarak, sayfa daha zengin hale getirilebilir. Bu konudaki almalar devam etmektedir.

ekil 4. Matlabda Cloop komutunun rnek uygulama zerinde gsterilmesi

4. Uygulamann Katks ve Baz Geri Besleme Sonular


Yukarda anlatlan uygulama, Sakarya niversitesi nternet servis salaycs zerinden kullanma sunulmutur. Sayfa tm kullanclara ak hale getirilmitir. Daha ncede deinildii gibi bu sayfann gerekletirilmesindeki temel amalar ksa balklar altnda toplamak gerekirse; Dersini karan rencinin, eksikliklerini buradan giderebilmesi Derste yeterince anlalamayan konularn tekrar edilmesi Zaman snrlamasndan dolay oluan problem zmndeki eksikliklerin giderilmesi zellikle derste verilemeyen ve dolays ile rencilerin anlamakta glk ektikleri, sistemlerin pratikte alma ekillerinin, uygulamalarnn ve simlasyonlarnn renilmesinin salanmas rencinin, anlamakta glk ektii veya zmnde zorluklarla karlat konu ve problemlere zm bulabilmesi iin ilgili retim yesine ulaabilmesini salamak Ders ile ilgili konular skclktan ve monotonluktan kurtararak, rencinin ilgisini konuya ekmek Dersle ilgili temel ilemleri, rencilerin kendilerinin yapp grmesini salamak olarak belirtilebilir. Kontrol Sistemleri dersinin en nemli zelliklerinden biriside uygulamaya ynelik olmasdr. zellikle yeni kurulan ve gelimekte olan niversitelerin laboratuar imkanlarnn kstl olmas, bu gibi derslerin uygulamalarnda problemler oluturmakta, ya istenilen deneyler ve uygulamalar yaplamamakta, ya da yaplan uygulamalar tam anlam ile amacna hizmet

Kaynaklar
[1] nceolu, M.M., Uur, A., Aslan, B.G., Web Tabanl erenme Sistemleri in Zeki Yaklamlar, First nternational Conferance on Innovations in Learning fort the Future : eLearning, Turkey, 2004. Blbl, ., akr, H., Kkali, M., Bilgisayar Destekli Eitimde Animasyon Kullanm, I. Mesleki ve Teknik Eitim Sempozyumu, METES-98, pp. 196-202, 1998. http://virtual.cvut.cz/dynlab/ Kuzucuolu, A.E., zbek, M., C Programlama Dili Dersi in Web Tabanl Eitim Uygulamas, I.Uluslararas Mesleki ve Teknik Eitim Teknolojileri Kongresi stanbul Turkey, 2005.

[2] [3] [4]

151

5. Uluslararas leri Teknolojiler Sempozyumu (IATS09), 1315 Mays 2009, Karabk, Trkiye

OKUL NCES OCUKLARI N NGLZCE KELME ETM PROGRAMI VOCABULARY LAERNING SOFTWARE FOR KINDERGARTEN CHILDREN
a, * b

Yrd. Do. Dr. Nursal ARICI a, * ve Cansel DEMR b

Gazi niversitesi, Teknik Eitim Fakltesi, Ankara, Trkiye, E-posta: nursal@gazi.edu.tr Gazi niversitesi, Biliim Enstits, Ankara, Trkiye, E-posta: cansel_cansel@hotmail.com

zet
Konuma tanma ve sentezleme teknolojileri, yazl bir metni akustik ortama, anlalr ve doal bir ekilde tamay, akustik ortamdaki sesi de bilgisayar araclyla metne dntrmeyi amalayan sistemlerdir. Gnmze kadar gelitirilmi ve halen gelitirilmekte olan bu teknolojilerle ilgili almalar, ok byk oranda ngilizce dil yapsnn zellikleri esas alnarak gerekletirilmitir. Son yllarda grsel-iitsel iletiim teknolojilerinin hzla gelimesi, eitimde de bu teknolojilerin kullanlmasn zorunlu hale getirmitir. Gelien teknolojilerin retmen ve renciye salad olanaklardan yararlanmaya en ok gereksinim duyan alanlarn banda yabanc dil dersleri gelmektedir. Biz de bu almamzda konuma tanma ve sentezleme teknolojisindeki yenilikleri yabanc dil eitimine tamay amaladk. Bu ama dorultusunda, bilgisayar destekli yabanc dil eitimi alannda kullanlmak zere konuma tanma-sentezleme teknolojilerinin entegre edildii bir eitim yazlm hazrlanmtr. Bu yazlmn en belirgin zellii, ngilizce kelime bilgisi renmede kullancya farkl etkinlikler sunarak hem dinleme, hem de telaffuz eitimi iin destek verebilmesidir. Bu bildiride, hazrladmz yazlm tm zellikleri ile tantlmaktadr. Anahtar kelimeler: Konuma Tanma-Sentezleme Teknolojileri, Bilgisayar Destekli Dil renme, Yabanc Dil olarak ngilizce Kelime Bilgisi renme.

1. Giri
Avantajlar son yllarda ortaya kan konuma teknolojisi, bizim makinelerimizle ve makinelerin bizimle konumasna imkan salayan sistemlerdir. Konuan makinelere olan ilgi yeni deildir. Bu teknolojiler hakknda belgeye dayal aratrmalar 1700lere dayanr. Aratrmaclarn bu alan semesindeki sebep faydal olmasna ek olarak karmak ve zorlu olmasdr. Konuma teknolojisi almalar disiplineraras bir yaklam izler. ou zaman ses bilimi olarak anlan bu saha akustik, dilbilimi, mhendislik, fizyoloji, fonetik, istatistik, iletiim teorisi, eitim, hukuk ve anlambilim gibi birok dal ilgilendirir. Teknolojinin olgunlamasyla sesli cihazlara yatrmlar giderek artmtr. Bu gnlerde bu sektre temeller atlmakta ve konuma teknolojisi kullanan rnler halkn kullanmna uygun hale gelmektedir. Sesli teknolojiyi kullanan rn ve sistemlerin pazarlama mcadelesinin kesin bir balama ve bitme noktas yoktur. Ancak sesli girdi teknolojisinin geliiminin henz balangcnda olduu aka sylenebilir [1]. Konuma sentezleme yazl bir metni akustik ortama, anlalr ve doal bir ekilde tamay amalayan sistemlerdir. Bir metinden konuma sentezleyicinin (MKS) asl amac, bilgisayara ister bir operatr yada tarayc tarafndan ister bir OCR sayesinde tantlm olsun girilen metni okumaktr. Okuma anlalr ve doal olmaldr [2]. Sentezlenen konumann kalitesi arttka bu sistemlerin kullanm alanlar da artmaktadr. rnek uygulama alanlarna; sesli yant sistemleri, dil eitimi, konuan oyuncaklar, sesli uyar sistemleri ve dilbilim aratrmalar saylabilir [3]. Tm bunlarn nda eer ocuklarmzn oyuncaklar konuabiliyorsa mikrodalgalarn, buzdolaplarn ve bulak makinelerinin konuabileceini dnmek de mmkndr[1]. Sesli ifade tanma ise akustik ortamdaki sesi bilgisayar araclyla metine dntrmeyi amalayan sistemlerdir. Bu sistemler hazrlanrken karlalan balca zorluklar telaffuz, ksaltmalar, numaralar ve vurgu olarak sralayabiliriz [4]. Konumann insan-bilgisayar arabiriminin vazgeilmez bir bileeni olduunu fark etmek uzun srmtr. Alexander ve Lincoln, Bilgisayar Destekli Eitim (BDE) cihaz ina etmeyi amalayan bir makalede konuma ve grnt birleiminin ksa ve orta vadede bilgisayar destekli

Abstract
Speech syntesizer is a system that aim at carrying the text to an acoustic surroundings understandably and naturally. Similarly voiced expression recogniser is a system that aim at transforming the voice in acoustic surroundings to tha text by computer. The researchs about voiced expression recogniser have materialized highly in English Gramer. n last years, it makes essential using new materials in education that visual-acoustic comminication appliances have improved rapidly. Foreign language lessons are the first of the satements which needs to benefit from the possibilities that the education Technologies obtained to teachers and students. n that study, we purpose to adapt the improvements in voice technologies to foreign language education. Throught this aim, a protoptype software presented for computer assisted foreign language training by using voice technologies will be introduced completely. The target group of this application has been choosen as kindergarthen students who do not have reading-writing skills in their native language. Keywords: Speech Recognition-Synthesis Technologies, Computer Aided Language Learning, English Vocabulary Learning as foreign lanuage

IATS09, Karabk niversitesi, Karabk, Trkiye

152

ARICI, N. ve DEMR, C.

retimin en gls olacan belirtmitir. MKSde metin girdi eklinde kullanlr ve gerekli parametreleri salamak iin bilgisayarn sentezleyiciyi yrtmesiyle ileme tabi tutulur. Bu ilem telaffuz ve l aamalarn ierir. Telaffuz aamasnda yazl metni fonetik metne dntrmek iin bir dizi harfe fonasyon kurallar uygulanr. l aamasnda cmleye nedensel bir vurgu kazandrlr. BDE gnmzde gl imknlarna ramen gerek potansiyelini yanstmamaktadr. BDE in cazibesini byk oranda arttrmak iin konumay insan-bilgisayar arabirimi ierisine dhil etmektir. Bu ekilde retmen-renci etkileimine daha yakn bir BDE yazlm mmkn klnr. Konumay oluturmann en mantkl yolu MKS sistemlerinin yapsnda bulunan esnekliktir. nk yerletirilmesindeki basitlik fazladan kutu ve kablolar gerektirmez [5]. Bilgisayarlarn ocuk zerindeki etkisi grsel ve iitsel olarak grlmektedir. Grsel etki, ekranda kan ekillerden ve yazlar tarafndan olumaktadr. Ekranda bulunan her yeni imaj, ocuk iin bir yenilik tamaktadr. Bu nedenle de uyarc durumundadr. Bilgisayarla alan ocuk, ekrandaki bilgi akna ayak uydurarak dikkatini srekli younlatrmak ve her yeni ekran grntsnde uyarlmak durumundadr. Bilgisayarla eitim, ocuun oyun iinde renmesini salamaktadr. Ayrca ocuk iin ilgi ekici bir aratr. ocuk bilgisayarn belli tularn kullanarak, ekranda grntlerini deitirerek, farkl ekiller, sonular elde eder. rnek olarak, birbirinin ayn olan iki ekli bulmak, birini dierinin iine yerletirmek ocuk ii bir oyundur. Hlbuki o anda farkl geometrik ekilleri ayrt etmeyi renmektedir. Anaokulu eitiminin amac; ocuun btn geliim alanlarn desteklemektedir. Bilgisayarlar, modern teknolojinin sembolleridir. ocuklarn gittike gelien arala erken deneyim kazanmalar gerekmektedir [6]. ocuklarn bilgisayar ekrannda izdii bir resmi, hareket ettirdii bir objeyi ya da grd kahramanlar anlatma eilimi gsterirler ki bu da onlarn dil geliimine byk bir katk salamaktadr. Scott ve Ytberge gre ise, ocuklar ile yetikinlerin d dnyay alglamalarnn birbirinden ok farkl olduu; yetikinler d dnyadan gelen uyarclar alglayabilmek iin birok soru sorarken ocuklarn sadece grme, duyma ve dokunma duyular ile hareket ettiklerini belirtmektedir. Bu nedenle de ocuklara dil retirken derslerin daha anlalabilir ve elenceli geebilmesi iin grsel-iitsel destekleyici materyallerin kullanmnn zorunluluu zerinde durmaktadr [7]. Yabanc dil retimi uzun vadeli, sreklilik tayan ve ocuun beyin geliiminde etkili olan bir olgudur. Bu dorultuda dil bilimcilerine gre 511 ya grubu rencilerine yabanc dil retmek biimsellik tamaz. Bu ya grubu renciler; yalar, fiziksel, ruhsal, psikolojik ve sosyal durumlar ele alndnda eitim-retim yaplmas en kolay, ancak zel ve bilinli bir dikkat gerektiren bir gruptur. Bu ya grubundakiler; dili analiz edemezler, dokunduklar, grdkleri somut olaylar ve nesneleri alglayabilirler. renme srecine dinleme becerisi ile balarlar sonra srasyla konuma, okuma ve yazma ile devam ederler.

ok zengin bir d gcne sahiptirler, ksa zamanda yaptklar etkinliklerden sklrlar, srekli tekrara gereksinim duyarlar. Anmsamalar iin ilgin ve aklda kalc materyallere gereksinim duyarlar, paylama ve i birliini rendikleri etkinlikleri severler. ocuklarn bu zellikleri dikkate alnrsa, erken yata yabanc dil renimine balamak; sosyal, fiziksel, ruhsal, psikolojik ve zihinsel geliimlerini etkili bir biimde hzlandracaktr [8]. Bu sreler gz nne alndnda anaokulunda yabanc dil eitiminde kullanlan baz retim teknikleri yle sralanabilir[9-10]; Zt anlamlar / E anlamlar (Antonyms / Synonyms), Oyunlar (Games), Kark kelimeler (Jumbled Sentences), renci zerklii (Learner Autonomy), Ezberleme (Memorization), arklar (Songs). Bu teknikler, ada eitim ara-gereleriyle zevkli bir ortamda etkin yntemlerle desteklenmeli ve ocuklar yabanc dilin yaamlarnda ne kadar yararl ve gerekli olaca konusunda inandrlmaldr. Her ne kadar nrodilbilim verilerine gre ocuklarn yabancl dil renimine erken yalarda anadili renimi ile birlikte balamalar, iki dilin de renimini olumlu ynde etkilediini gsterse de, Trkiye de okullarda yabanc dil retimine ilkretim 4. snftan baland gerei gz nnde tutulduunda renciler ana dilini nemli lde renmi olarak yabanc dil renmeye balamaktadrlar. Dolaysyla belli bir yatan sonra yabanc dil renirken bireyler, nceden edindikleri, iletiim ve dnce arac olarak kullandklar ana dillerindeki gstergelerle yabanc dilin gstergeleri arasnda iliki kurarak ikinci bir dili renirler. Her seferinde ana dildeki ifre ve dizimler bilinaltnda arm yoluyla anmsanacaktr. Bu nedenle, anadilinde anlatm glkleri olan rencilerden yabanc dili renmelerinde baarl olmalarn beklemek bo bir umuda kaplmak olur. [11]. Son yllarda grsel-iitsel iletiim aralarnn hzla gelimesi, eitimde de yeni ara-gerelerin kullanlmasn zorunlu hale getirmitir. Gelien eitim teknolojisinin retmen ve renciye salad olanaklardan yararlanmaya en ok gereksinim duyan alanlarn banda yabanc dil dersleri gelmektedir. Yabanc dil eitiminde bir yandan dilbilgisine yer verilirken, te yandan da ada eitim ara gerelerinden faydalanlan bir yntemi izlemek renciyi baarya tayabilecek en uygun yoldur. Yabanc dil retiminde bugnn koullarnda arzu edilen dzeye ulalamamasndaki nedenlerden biri de, retimde ada eitim ara gerelerine yeterince yer verilmeyiinden kaynaklanmaktadr. ok aral bir retim, tek bir araca dayandrlan renimden daha verimli olur. Aralarla desteklenen retimin, yalnzca anlatma dayal retime gre daha etkin olduu, teknolojinin ve kitle iletiim aralarnn gelitii gnmzde yadsnamaz bir gerektir. renmeye tevik eder. retimi zenginletirir, somut ve daha kalc bilgi salar. rencilerin konuma, dinleme ve dinlediini anlama becerilerini gelitirir [12]. Snf ii etkinliklerde szel iletiimin eksikliklerini gidermede ve zellikle yabanc dil retiminde doal bir ortamn salanmasnda grsel ve iitsel aralar en etkili ders ara ve gereleridir. rencilerin rendikleri yabanc dilin seslerini en iyi ve doru bir ekilde telaffuz edebilmeleri ok nemlidir. zellikle iitsel- grsel yntem ara-gerelerin kullanmyla yabanc dil retiminde byk kolaylklarn salanacan gstermitir [13-14].

153

ARICI, N. ve DEMR, C.

Bu bildiride, bilgisayar destekli dil renmede, di eitimi literatrnde ngrlen retim teknikleri kullanlarak gelitirdiimiz yazlm tantlmaktadr. Bu yazlm, geleneksel dil renme yazlmlarndan farkl klan en belirgin zellii, entegre edilen konuma tanmasentezleme teknolojisi ve grsel-iitsel elerle zenginletirilmi arayz sayesinde, kullancya hem dinleme, hem de telaffuz etkinlikleri sunmasdr. Aadaki kesimlerde hazrladmz yazlm tm zellikleri ile aklanmaktadr.

izelge 1 Yazlma dahil edilen kelimeler Renk Krmz Mavi Sar Yeil Beyaz Siyah Gri Mor Pembe Turuncu Kahverengi Say Bir ki Drt Be Alt Yedi Sekiz Dokuz On Hayvan Kedi Kpek Balk Tavan Ku Tavuk At Eek nek Koyun Maymun Fare Tilki Ay Aslan Beden Ba Sa Gz Kulak Burun Az Di El Ayak Parmak Tat Araba Tren Uak Otobs Kamyon Motosiklet Traktr

2. Okul ncesi ocuklar in ngilizce Kelime Eitim Yazlm


2.1 Ama Bilgi ve letiim a olarak adlandrlan amzda, bilgi ve iletiim teknolojileri hzla gelimekte, kullanm yaygnlamakta, bu suretle insanlar arasnda iletiim kolayca kurulabilmektedir. amzn sunduu bu frsatlar bize, gelien teknolojiyi kullanabilen, takip edebilen, gelitirebilen bireyler olma sorumluluunu yklemektedir. te yandan gelien teknolojiler, iletiimi kolaylatrmakla birlikte dilin nemi daha da artmaktadr. Gerek kltrel, gerekse ticari olarak ok ynl iletiimin kurulabilmesi konuulan dil sayesinde gereklemektedir. Bu nedenle aa uygun bireyler olabilmenin bir dier sorumluluu da, anadilin dnda ikinci bir konuma dilini (yabanc dil) bilmektir. Bu durumda, amzn ykledii sorumluluklar yerine getirirken, bireylere gelien teknolojinin imkanlarndan yararlanarak ikinci bir dilin renilmesinde destek salayacak renme/retme materyalleri ne kmaktadr. Bu bildiriye konu olan yazlm, bilgisayar ve balantl oklu ortam teknolojilerini kullanarak yabanc dil renmeyi kolaylatracak bir renme/retme materyalidir. Amacmz, olabildiince erken yata teknolojiyi kullanarak ikinci bir dilin renilmesini kolaylatracak bir renme/retme materyalini gelitirilmektir. Bu materyal yardmyla bireylerin, aa uygun olarak, erken yata teknolojiyi kullanarak yabanc dil renmelerine katk salanaca dnlmektedir. Bu gerekelerle yazlmn hedef kitlesi henz kendi anadilinde okuma-yazma becerilerine sahip olmayan anaokulu rencileri olarak belirlenmitir. Hedef kitle dikkate alndnda renme-retme kapsamna giren her bir renme-retme hedefinin grsel-iitsel nesneler halinde tasarlanmas ve yazlmnn bu dorultuda gelitirilmesi nem tamaktadr. Bu grsel-iitsel elerin renci ile etkileimli olarak almasn salayacak yazlmnn arayz tasarmnda C# programlama dili, dinleme ve telaffuz etkinlikleri tasarmnda ise, Microsoft Speech Server altnda alan SAPI (Speech Application Programming Interface) ve Speech Application MKS teknolojisi kullanlmtr. 2.2 Kapsam Yazlmn ieriindeki kelimeler, okul ncesi eitim kurumlarnn ngilizce eitim programlarnda yer verdii kavramlarla snrlandrlmtr. Bu kavramlar, izelge-1de sunulmaktadr:

Giri blmnde kullancnn dikkatini ekmek, ierik hakknda genel bilgi vermek amatr. lgi ekmek iin resimler kullanlmtr. Bu blm; Renk, Say, Hayvan ve Beden alanlarndan birini seerek programn balatld blmdr (ekil1). Resimlerin zerine gelindiinde ilgili alan seslendirilmektedir. Numbers, Colours vb.

ekil 1 Giri Penceresi Alanlardan hangisi seilirse seilsin, ilk pencere, o alana ait kelimelerin bilgisayar tarafndan seslendirildii penceredir. ekil 2 de grld gibi Beden alanna ait kelimeleri ifade eden resimler pencereye yerletirilmitir. ocuk fare yardmyla resimler zerine geldiinde bilgisayar MKS sistemini kullanarak kelimenin ngilizce karln seslendirmektedir.

154

ARICI, N. ve DEMR, C.

Etkinliklerden bir dieri de ocuun doru telaffuzu kazanmas amacyla yaplmtr.

ekil 2 MyBody(Beden) Etkinlik Penceresi ocuk, ekran zerindeki resimlerin zerine fare yardmyla gelerek kelimelerin okunularn dinleme etkinliini istedii kadar tekrarlayabilir. Telaffuz etkinlii yapmak zere kendini hazr hisseden ocuk setii bir kelimenin zerine tklayarak onu seer ve ekranda bulunan Speak dmesine basar. Mikrofonu kullanarak bu kelimeyi syler. Yazlm, konuma sentezleme sistemi yardmyla ocuun syledii kelimeyi ekrana yazdrr. Stop dmesine bastnda kelimeyi doru okuyup okumad kontrol edilir. Doruysa yeil simge ile yanlsa krmz simge ile geri bildirim verilir. ocuk ekran zerindeki btn kelimeleri dinledikten ve telaffuz ettikten sonra bu etkinlie ait oyunlara geebilir. Bu blmde ocuk, almak istedii alanlar seerek eitli etkinlikleri uygular. Bu etkinlikler hazrlanrken yabanc dil retiminde kullanlan Oyun ve Kark Kelimeler teknikleri kullanlmtr. Bu etkinliklerden biri, srkle-brak etkinliidir. ekil-3 de Beden alanna ait srkle-brak etkinlii grlmektedir.

ekil 4 Animals (Hayvanlar) Etkinlik Penceresi ocuk ekil 4 te ters olarak grnen hayvan resmine ait kelimeyi Speak dmesine basarak mikrofona sylemektedir. Sylenen kelime ekrana yazdrlr. ocuk Stop dmesine bastnda kelimeyi doru telaffuz edip etmedii kontrol edilir. Eer doru telaffuz ettiyse resim dzelir. ocuk ekrana gelen resme ait kelimeyi doru telaffuz etmeden bir sonraki resme geemez. Bylelikle tm kelimeleri doru telaffuz etmesi salanr. Bu etkinlik Tatlar, Bedenimiz ve Hayvanlar alanlarnn nde de vardr. Renkler alannda farkl olarak renk isimlerini doru telaffuz ederek ocuklara boyama yaptrlmaktadr.

ekil 3 Srkle-Brak Etkinlii Bilgisayar rasgele setii kelimeyi seslendirir. ocuk duyduu bu kelimeyi resimlerden seer ve ekranda bulunan kutuya srkleyip brakr. Eer yanl resmi brakrsa ekil 3 de grld gibi arp iaretiyle karlar. Eer doru resmi brakrsa resim kutuya yerleir. Kelimenin zerine fare ile gelindiinde bilgisayar kelimeyi seslendirir. Kelime deitirmek iin ekran zerinde bulunan byk yinele dmesi kullanlmaldr. Ayrca resimler zerine fare ile gelindiinde de ocuk kelimenin okunuunu dinleyebilir. ekil 5 Colours (Renkler) Etkinlik Penceresi ocuk ekranda grd rengi Speak dmesine basarak sylediinde ekranda telaffuz ettii ekilde yazlr. Stop dmesine bastnda doru telaffuz edip etmedii kontrol edilir ve eer doru telaffuz ettiyse sa tarafta grnen iek resminin sylenen renge ait yerleri boyanr. ocuk ikinci renge gemek iin yinele butonunu kullanr. Srasyla btn renkler ekrana gelir ve ocuk doru telaffuz ettike resim boyanr.

155

ARICI, N. ve DEMR, C.

3.Sonu Yabanc dil eitiminde bilgisayarlar cazip klan unsur, bilgisayarlarn oklu ortam teknolojilerini kullanarak yabanc dili dinleme, konuma gibi etkileimli ortamlar yardmyla retme potansiyeline sahip olmasdr. zellikle konuma tanma ve sentezleme teknolojileri konumann hem sentezlenmesi hem de tannmas ilevini yerine getirebilmeleri zelliklerinden dolay kullanc ile bilgisayarlar arasnda iki ynl etkileimin kurabilmesini salar. Bu ynyle sz konusu bu teknolojiler yabanc dil eitiminde dinleme, konuma ve telaffuz eitimi etkinliklerine katk salayabilecek durumdadr. yabanc dil eitimine Teknolojik gelimelerin salayabilecei katklara ramen lkemizdeki yabanc dil eitiminde yaanan sorunlar incelendiinde grld ki, yabanc dil eitimi kalabalk snflarda, retmen merkezli olarak, ders kitaplarna baml bir ekilde ve teknoloji desteinden yoksun olarak yrtlmektedir. zellikle ders retmenleri tarafndan ihtiya duyulmasna ramen, yabanc dil retimini zenginletirecek, rencilerin derslerde aktif klnmasn salayacak teknolojik aragere (CD, DVD, Teyp vb.) bulma konusunda yaanan zorluklar okullarmzda yabanc dil eitiminde amza uygun retim metotlarnn henz yeterince kullanlamadnn iaretleridir. Bu noktadan hareketle yaanan sorunlar ve ihtiyalar dorultusunda, yaadmz aa uygun olarak olabildiince erken yata teknoloji ile iie yabanc dil(ngilizce) renmelerine katk salayabilmek zere, bireysel alma ortam olarak kullanabilecekleri bir yazlm gelitirilmitir. Bu yazlm, ihtiyalar dorultusunda hazrlanacak bu trden yazlmlara bir n model tekil edebilecek, kapsam ve hedef kitlesi snrl tutulmu bir yazlmdr. Anaokulu(4-6 ya) andaki ocuklara verilen yabanc dil(ngilizce) ders mfredatlar ile paralel olmas, konuma tanma-sentezleme teknolojilerinin entegre edilmi bir yazlm olmas kullanlabilirliini artrc unsurlardr. Bu almada tantlan sz konusu bu yazlmn zellikle dinleme, konuma ve telaffuz eitimlerinde rencilerin kendi kendilerine de alarak bireysel renme kazanmlarna katk salayaca dnlmektedir. Bu uygulama almas ile iaret edilmeye allan bir dier husus, rencilerimizin okullarmzda okutulan ders kitaplarnn dnda, bu kitaplarla paralel, ayn zamanda teknolojiyi kullanabilecekleri, sadece kullanmayp onunla karlkl etkileim iinde kendi kendini denetleyebilecekleri renme ortamlar hakknda fikir verebilmektir. Teekkr Bu alma, 07/2007-38 Proje kodu ile Gazi niversitesi Bilimsel Aratrma Projeleri Birimi tarafndan desteklenmektedir.

Kaynaklar [1] Teja, E.R., Teaching Your Computer To Talk a manual of command and response. Tab Boks Inc., USA, 1981. [2] Dutoit, T., An Intoduction ta Text to Speech Synthesis, Klywer Academic Publishers, Dordrechit Boston London,1997. [3] Uslu, B., Trke Metinden Konuma Sentezleme, Doktora Tezi neri Raporu, Ankara niversitesi Fen Bilimleri Enstits, Ankara. [4] Cook S. , Speech Recognition How To, http://www.faqs.org/docs/Linux-HOWTO/SpeechRecognition-HOWTO.html, 2007. [5] Lewis , E., Speech Synthesis In A Computer Aided Learning Environment, IEEE UK IT Conference Vol., 19-22, 294 298, 1990. [6] Cokun, F., Anaokuluna Giden Be Ya ocuklarnn 1-5e Kadar Say Sembollerini renmelerinde Geleneksel Eitim ile Bilgisayar Eitiminin Karlatrlmal Olarak ncelenmesi, Bilim Uzmanl Tezi, Hacettepe niversitesi Salk Bilimler Enstits, Ankara, 1990. [7] Aan, . . , Dil retiminin lkretim Okul ncesi Eitimi Anasnf rencilerinin renme ve Hatrlama Dzeyleri zerinde Etkisi, Yksek Lisans, Mula niversitesi Sosyal Bilimler Enstits, Mula, 2004. [8] Okul ncesi Eitim Kurumlar ve lkretim Okulu Yabanc Dil retim Etkinlikleri Programnn Uygulanma Esaslar, Tebliler Dergisi, Karar Says:32 Karar Tarihi: 2000. [9] Ayaz, S., Okul ncesi retmenlerinin ve retmen Adaylarnn Bilgisayar Destekli Eitim Hakkndaki Gr ve Tutumlarnn ncelenmesi, Yksek Lisans, Gazi niversitesi Eitim Bilimleri Enstits, Ankara, 2005 [10] Prof. Dr. Ersz A., Prof. Dr. akr A.,Dr. zkan N., Yrd. Do. Dr. Cephe T. P., Dr. Demir G., Yrd. Do. Dr. Peker B. G., Time For English Teachers Book Grade 4, Ankara, Devlet Kitaplar Mdrl, 2007. [11] Senemolu, O., Yabanc Dil retiminde kmazlar, Dilbilim VII, stanbul, 135-140, 1987. [12] Gnday, R., Yabanc Dil retiminde Baarszla Neden olan Etmenler zerine Bir Aratrma, Milli Eitim, Say 175, 210-228, 2007. [13] Demirel, . lkretim Okullarnda Yabanc Dil retimi, M.E.B, stanbul, 1999. [14] Arc, N. ve Demir, C., Metinden Konuma Sentezleme Sistemlerinin Yabanc Dil Eitiminde Kullanm, Trkiye de Yabanc Dil Eitimi Ulusal Kongresi, 2007.

156

5. Uluslararas leri Teknolojiler Sempozyumu (IATS09), 13-15 Mays 2009, Karabk, Trkiye

WEB TABANLI UZAKTAN ETMDE K FARKLI RETM MODELNN RENC BAARISI ZERNDEK ETKLERNN NCELENMES INVESTIGATION OF THE EFFECTS OF TWO DIFFERENT INSTRUCTIONAL MODELS IN WEB-BASED DISTANCE EDUCATION ON THE STUDENT ACHIEVEMENT
a, b*

Serdar SAVAa ve Nursal ARICIb, *


Gazi niversitesi, Teknik Eitim Fakltesi, Ankara, Trkiye, E-posta: serdarsavas1@gmail.com Gazi niversitesi, Teknik Eitim Fakltesi, Ankara, Trkiye, E-posta: nursal@gazi.edu.tr

zet
Zamandan ve mekndan bamsz eitim fikrinin ilk ortaya kndan gnmze dek, birok farkl yntem ve ara, insanlara daha etkin bir renme ortam salayabilmek amacyla deiik kombinasyonlar iinde kullanlmtr. Bu kombinasyonlardan gnmz teknolojileri nda en etkin olan Web Tabanl Uzaktan Eitimdir. Web Tabanl Uzaktan Eitimin amacna ulaabilmesi, byk lde kullanlan retim modelinin doru seimine baldr. Bu almada, video destekli ve animasyon destekli retim modeline uygun iki farkl retim materyali hazrlanmtr. Bunlar, Dijital Elektronik dersinin Lojik Kaplar Modln kapsayan materyallerdir. almann amac, iki farkl retim modeline gre hazrlanm bu materyallerin renci baars zerindeki etkilerinin incelenmesidir. Bu dorultuda retim materyalleri internet zerinden yaynlanarak Akhisar Anadolu Teknik Lisesi 10. snf rencilerinin kullanmna sunulmutur. rencilerin bu materyallere alma anndaki log verileri veri tabanna kaydedilerek retim srecine ait geri bildirimler veri madencilii teknikleri kullanlarak analiz edilmitir. Bu analiz sonucunda video destekli retim materyallerinin animasyon destekli retim materyallerine gre renci baarsn daha olumlu etkiledii belirlenmitir. Anahtar kelimeler: Uzaktan eitim, Web Tabanl Eitim, Veri madencilii

students reading at 10 A class of Akhisar Anatolian Technical High School. The data obtained while the students was working on these materials had been recorded on the database, and the feedbacks belonging to education process has been analyzed by using the data mining techniques. At the end of this analysis, it has been determined that the video-assisted instructional material affected the student achievement more positively than the animation-assisted instructional material. Keywords:Distance Education, Web Based Education, Data Mining

1. Giri
Teknolojik gelimeler, bilimsel almalardaki ilerlemeler, bilgi tabanl ekonomiler insanolunu sahip olduu bilgileri sk aralklarla gzden geirmeye itmektedir. Bunun sonucunda "Srekli Eitim" ve "Hayat Boyu Eitim" ad verilen yeni eitim modelleri gndeme gelmitir. Tm dnyada Internet altyapsnn byk bir hzla gelimesi, Web tabanl yazlmlarn ve bu yazlmlar destekleyen byk ve hzl bilgisayarlarn gelitirilmesi, Internet zerinde ses, grnt ve veri aktarm hzlarnn artmas insanlar Internet zerinden iletiim kurmaya ve bilgi paylamaya itmektedir. Uzaktan eitim, renci ve retim elemanlarnn farkl corafi meknlarda olduu, ders malzemesi aktarm ve etkileimin teknolojiden faydalanarak gerekletirildii eitim biimidir. Uzaktan eitimde kullanlan teknolojiler yazl metin, ses, video ve veri olarak drt gruba ayrlabilir. Gnmzde uzaktan eitim, zaman, fiziksel kstlamalar ve maliyet gibi konularda geleneksel eitime olan stnlnden dolay lisans ve yksek lisans dzeyinde niversitelerde, zel eitim kurumlarnda (dershaneler), firmalarn hizmet ii eitimlerinde tercih edilen bir yntem olmaktadr. Bu aratrmann amac, web destekli retim materyallerinin renciye aktarlmas esnasnda kullanlan tekniklerin baarlarnn deerlendirilmesine ve renci ders alma etkinliklerinin veritabanna kaydedilerek analizine odaklanmtr Bu bildiriye konu olan almada Akhisar Anadolu Teknik Lisesi 10 A snfndan 20 renci dahil edilmitir. 20 renci eit sayda iki gruba ayrlmtr. almann gvenilirlilii asndan her iki gruptaki rencilerin baar

Abstract
Since the beginning of first appearing of the idea of the independent education from time and space, various different methods and materials have been used within different combinations in order to maintain more efficient learning environments for the individuals. The most efficient one among these combinations with todays technology is the web-based distance education. Reaching the web-based distance education to its aim mostly depends on the correct selection of the instructional model used. In this study, two different instructional materials which are video-assisted instructional method and the animation-assisted instructional method has been prepared. These instructional materials are the materials containing the logic gate module of the digital electronics course. The purpose of this study is to investigate the effects of the materials prepared according to two different instructional models on the student achievement. Accordingly these instructional materials have been published on the internet and brought into the use of the

IATS09, Karabk niversitesi, Karabk, Trkiye

157

SAVA, S. ve ARICI, N.

durumlar birbirine yakn olmasna dikkat edilmitir. rencilerin bu modl ierisindeki konulara tamamen yabanc olduu yaplan n test uygulamas ile nceden tespit edilmitir. renciler 7 gn sreyle ezamansz olarak evlerinde, kendi bilgisayarlarnda internet zerinden yaynlanan Dijital Elektronik modlne almlardr. Gerekli olan veriler internet zerinde veri tabannda tutulmutur. Oluturulan veri tabannda bulunan tablolarda toplanan veriler SQL komutlar yardm ile analiz edilmitir. Web tabanl uzaktan eitimi baarya tayacak en nemli almalardan biri phesiz sistemin ne derece etkin kullanldnn gzlenebilmesidir. Bunun yolu kullanclarn sistem ierisinde davranlarnn izlenebilmesinden geer. rencilerin gnn hangi saatinde sistemden ne lde yararlandklar, hangi ders ieriklerinde ne kadar vakit geirdikleri gibi bilgilerin sistem zerinden takip edilebilmesi gerekmektedir. renci davranlarnn belirlenmesinde iki farkl yntem kullanlmaktadr. Bunlardan birincisi rencilere anket uygulamaktr. Bu yntemin gvenilirlilii rencilerin anket sorularna verecekleri cevaplarn samimiyetine baldr. kinci yntem ise log kaytlarnn incelemesidir. Log kaytlar veritabanndaki tablolarn iinde kaytlar halinde tutulur. Log kaytlarnn bykl ve eitlilii, gelimi veri taban sistemlerinin kullanlmasn gerektirmektedir. Log kaytlarnn tutulmas sonucunda, aratrmaclarn kullanabilecei ykl miktarda veri ynlar olumaktadr. Bu ynlar yaplan ilem hacmi orannda oalmaktadr. Tasarlanan tablolama ve kayt tutma teknikleri neticesinde kaytlar ok anlaml grnmemekle birlikte, yorum yaplmak istenildiinde kstl anlamlar karlabilir. Ders alma bilgilerinin tutulduu tablo incelendiinde, kayt saysnn fazla olmas ilemin youn olduu dnlebilir. Analiz iin nemli olan ise kayt saysnn okluu deil, kayt trleri ve kullanclarn farkllk gsteren davranlardr. Uygun analiz yaplabilmesi zel yaklamlar gerektirir. Bu almada renci ders alma sreleri log kaytlarnn analizi ile gerekletirilmitir. Eitimin sonunda hem sistemin baarsn, hem de rencinin baarsn renci baar durum deerlendirmesi ortaya koyacaktr. Bu deerlendirme ayn zamanda, diploma, sertifikasyon ya da baar belgesine rencinin hak sahibi olup olmadn da belirlemeye yardmc olabilecektir. Baar durumlarnn deerlendirilmesi eitim programnda daha sonraki aamalarda n koulun yerine getirilip getirilmediinin de bir gstergesi olacaktr. rencilere yaplan konuyla ilgili cevapladklar testlerin sonular veritabanlarnda saklanmtr. Daha sonra veritaban analiz edilerek renci baarlar belirlenmitir. Bununla birlikte rencilere 6 hafta sonra kalclk testi uygulanmtr. Ayrca elde edilen istatistik sonularnn gvenirliliini belirlemek iin t testi uygulanmtr. renci ders alma etkinliklerine ynelik analiz ilemleri sonucunda, Biliim Teknolojileri Alannda okutulan, Dijital Elektronik Dersinin Dijital Kaplar Modl anlatmnda kullanlan iki temel retim ynteminin hangisinin daha baarl olduu ortaya konulmaya allmtr. Ayrca rencilerin baarlarnda ders alma srelerinin etkinlii de hedeflenen bir problem durumdur.

2. Web Tabanl Uzaktan Eitim


Gnmzn gelien teknolojisi ve deien ihtiyalar yaygn olarak kullanlan eitim ve retim metotlarnda deiikler yapmaktadr. Genelde renci ve retmenin ayn zamanda ve ayn meknda olmasn gerektiren ve retmenin hem kaynak hem de idareci roln slendii retim biimleri artk yetersiz kalmakta, gnmzn baka sorumluluklar ya da kiisel tercihlerinden dolay belli bir zaman ve meknda olamayan rencilerin renme ihtiyalarn karlamamaktadr. 2.1. Web Tabanl Uzaktan Eitim Deerlendirilmesi ve Veri Madencilii Web tabanl Uzaktan Eitimde renci davranlarnn kaydedildii veri tabanndaki bilgilerin incelenmesi iin veri madencilii kullanlmaktadr. Veri madencilii u ekilde tanmlanabilir: veri madencilii, byk aptaki verilerin iersindeki desenlerin, ilikileri, deiimlerin, dzensizliklerin, deiimlerin, kurlarn ve istatistiksel olarak nemli olan yaplarn otomatik veya yar otomatik olarak kefedilmesidir [1]. Veri madenciliinde ilk adm doru verinin tanmlanmas ve temin edilmesidir [2]. Genellikle doru veri, elimizde olan, olduka temiz ve ulalabilir olandr ve ounlukla daha fazla veri, daha iyidir. Veri madencilii aadaki veri trleri zerinden yaplabilir: likisel veritabanlar Veri ambarlar Gelimi veritabanlar ve bilgi depolar (nesne kaynakl, nesne ilikili, uzamsal, metin, oklu ortam, heterojen veritabanlar zamansal veriler ve WWW) Baz insanlar veri madenciliinin sihirli bir ilem olduunu ve ham veriden uygun bilginin kendiliinden ktn sanrlar. Gerekte bu ilemin temelinde verilerin hazrlanmas yatmaktadr. lk olarak elimizde olduu dnlen veriye ulaabilmek gerekmektedir. Hangi ortamdaki veriye ne ekilde ulalaca tanmlanmaldr. Eer elimizde bir veri ambar varsa bu ilem daha kolay olacaktr. Veri ambar, farkl tipteki veri kaynaklarnn, ilerini yerine getirirken biriken bilgilerin, karar alma ynetimini kolaylatrmak amac ile tek bir yerde oluturulmu bir depodur. Veri ambarnn amac, yaps, alma biimi ve baarm, allm veri tabanlarndan olduka farkldr. Allm veri tabanlarnda, daha ok iletimsel verileri yer alr ve bu veriler zerinde daha ok evrim ii hareket ilemleri gerekletirilir [2] . Hedefe ulamak iin ne tip veriye ihtiya olduu belirlenmeli ve bu verinin sistemden nasl alnacana karar verilmelidir. ifti almasnda ilemleri gerekletiren yazlmlar hazrlanrken log kaytlarnn tutulmasn salayacak modller hazrlamtr. Bu modller sistemdeki hareketleri geri planda belirli bir dzene gre alglar ve kaytlar veritaban sistemlerine aktarr [3]. Veri madencilii almasnda yaplmas gereken ikinci adm ise hedeflerin tanmlanmasdr. Hedefin tanmlanmas cevaplanmas istenilen sorunun

158

SAVA, S. ve ARICI, N.

tanmlanmasdr. Bunu yapabilmek iin veri hazrlama ileminin tamamen bitmi olmas gerekmektedir. Bilinmesi gerekir ki veri madencilii tek seferde sonuca ulalabilecek bir ilem deildir. Veri hazrlanrken cevaplanmas istenilen sorunun bilinmesi gerekebilir. Bu ekilde bakldnda hedefin tanmlanmasnn ilk olarak yaplmas gerekiyor gibi gzkebilir, fakat var olan bilgiyi tanmlamadan da doru sorunun sorulmas mmkn deildir. O yzden bu ilemler i ie yaplmaldr. Baz veri madencilii modelleri verinin iersinden otomatik olarak karmlarda bulunmaktadr. Yani orada ilemi ynlendirmek iin sorulara gerek yoktur. Ancak bu modellere veri salamak ve kan sonular deerlendirebilmek iin mutlaka hedefe ihtiyacmz vardr. almamzdaki hedefler unlardr: rencilerin setikleri anlatm trne gre genel baarlarnn tespiti, rencilerin setikleri anlatm trne gre nite bazndaki baarlarnn tespiti, rencilerin setikleri anlatm trene gre alma srelerinin tespiti, rencilerin alma srelerine gre baarlarnn tespiti.

ekil 1 Video Destekli Anlatm Animasyon ile Anlatm: nternet destekli retim sisteminde, hazrlanan animasyon ve simlasyon, dersin daha faydal olmas ve sklmadan takip edilebilmesi hedeflenmitir. Her konu iin ayr olarak hazrlanan sayfalar, zellikle yava alan sitemlerde gereksiz vakit kayplarn nleyecek ekilde dizayn edilmitir. Bu ders anlatm trnde konular slayt eklinde nitelere ayrlmtr. Konu anlatmn glendirmek amac ile eitli flash animasyonlar kullanlmtr. Yaplan uygulama ile, rencinin hazrlanan senaryolarnn ierisinde dolaarak retilmesi hedeflenen bilgi, kavram ve olgular kefetmesi hedeflenmektedir. Bu eitim materyalini kullanan kurumlarn banda ise Sakarya niversitesi gelmektedir. Bu niversitenin bnyesinde kurulan Sakarya niversitesi nternet Destekli retim (SAD) birimi rencilerine web tabanl uzaktan eitim vermektedir.

4. Materyal ve Metod
Bu alma 2 farkl teknie gre hazrlanm web tabanl retim materyallerinin deerlendirilmesi zerine odaklanmtr. 4.1. retim Materyalleri Video ile Anlatm: Web tabanl uzaktan eitimin nde gelen ve yaygn olarak kullanlan retim metotlarndan biride Video destekli anlatmdr. lkemizde en kapsaml uzaktan eitim uygulamas gerekletiren kurum Ak retim Fakltesidir. Ak retim Fakltesinin e-renme hizmetlerinden birisi de e-televizyon uygulamasdr. 20032004 retim ylnda e-renme hizmetleri kapsamnda rencilerin derslere ait TV Programlarn bilgisayarlarna kaydederek izleyebilmeleri olana salayan e-Televizyon hizmeti balamtr. renciler, TRT4'te belirli tarih ve saatlerde yaynlanan ders programlarna, internet araclyla istedikleri yerden ve istedikleri anda eriebilmekte ve bilgisayarlarna kaydettikleri videolar izleyebilmektedirler. renciler bu hizmetlere T.C. Kimlik Numaralar ile ulaabilmektedir. eTelevizyon uygulamasnda 163 derse ait 1196 ders program yaynlanmaktadr[4]. Bu almada uygulanan video destekli eitim materyalinde retmen snf ortamnda konular anlatmtr. Anlatm videoya ekilmitir. Bu retim metodunun en nemli avantajlar, rencinin kendisini snf ortamnda hissetmesi ve konuyu istedikleri an durdurup tekrar izleyebilmesidir. Anlatm 4 nite olarak ayr ayr kaydedilmitir. ekilen bu video grntleri internetten yaynlanarak rencilere ulatrlmtr(ekil1).

ekil 2 Animasyon Destekli Anlatim 4.2. Kullanlan Yazlm Aralar Bu alma da kullanlan yazlm aralar, SQL Server 2005 ve Microsoft Visual Studiodr.

5. Bir Web Tabanl Eitim Uygulamas


Bu almada, Dijital Elektronik Dersinin Dijital Elektronik Modl iki farkl retim materyali kullanlarak Internet zerinden Akhisar Anadolu Teknik Lisesi Biliim

159

SAVA, S. ve ARICI, N.

Teknolojileri alan 10. snf rencilerine aktarlmtr. rencilerin bu materyallere alma anndaki veriler veri tabanna kaydedilerek retim srecine ait geri bildirimler veri madencilii teknikleri kullanlarak analiz etmektir. renci ders alma etkinliklerine ynelik analiz ilemleri sonucunda, Dijital Elektronik Dersinin Dijital Kaplar Modl anlatmnda kullanlan iki temel retim ynteminin hangisinin daha baarl olduu ortaya koyulmutur. Ayrca rencilerin ders alma srelerinin eitim materyallerine gre deiimlerini incelemektir. Dijital Kaplar Modl 4 ayr niteye ayrlmtr. Bu almada her bir nitedeki renci baarlar da kullanlan retim materyaline bal olarak ortaya karlmtr. 5.1. Uygulamaya Kayt Olunmas renciler internet zerinden kayt yapmaktadrlar. Kayt esnasnda kayt formunu eksiksiz doldurup, sadece kendilerinin bilecei kullanc ad ve ifresi olutururlar. Daha sonra bu ifre ve kullanc adn kullanarak sisteme giri yapabilirler. ifre ve kullanc adnn gvenliinden rencinin kendisi sorumludur(ekil3).

rencinin deerlendirilecei kriterlerden birisi de ders dinleme sreleridir. Bu deerlendirmenin salkl bir biimde yaplabilmesi iin rencinin uymas gereken en nemli kural dersi takibi bittikten sonra Ders Tamamland butonunu tklamasdr. Eer renci ders takibi esnasnda ara vermek isterse Ara Ver butonuna tklamaldr(ekil5).

ekil 5 Ders Tamamland ve Ara Ver Sayfas rencinin derse balamas ile bitirmesi arasnda kalan sre bulunup veri tabanna kaydedilmektedir. Bu veriler rencinin ders alma sresi ile baars arasndaki iliki bulunurken kullanlmaktadr. 5.4. lme ve Deerlendirme rencilerin ders baarlarn lmek iin 20 sorudan oluan oktan semeli snav yaplmaktadr. Bu test snavnda 4 adet cevap kk bulunmaktadr. rencinin verdii cevaplar veri tabanna daha sonra kullanlmak zere saklanmaktadr. Yaplan deerlendirme sonucunda rencilerin nitelerdeki baarlar altklar retim materyaline gre raporlamada kullanlacaktr.

ekil 3 renci Kayt Formu 5.2. Ders Anlatm Trlerinin Seilmesi renci sisteme kayt yaptrdktan sonra sisteme kullanc ad ve ifresini yazarak giri yapabilir. Bundan sonraki admda ders anlatm tr seilmelidir. Uygulamann sonularnn gvenilirlii asndan rencilerin seecekleri ders anlatm trleri daha nceden belirlenmitir. Aratrmac ayn zamanda snf retmeni olduu iin rencileri kendisi gruplandrmtr(ekil4).

5.5. Analiz Modeli Uygulama Anadolu Teknik Lisesi Biliim Teknolojileri alan Dijital Elektronik Dersinin Dijital Kaplar Modl Web destekli uzaktan retim materyalleri zerinde gerekletirilmitir. Akhisar Anadolu Teknik Lisesi, Teknik Lise ve Endstri Meslek Lisesi Biliim Teknolojileri Alan 10/A Snf rencileri Milli Eitim Bakanl Mfredat dorultusunda 2007/2008 Eitim retim Yl II. Dneminde Dijital Elektronik Modl anlatlmaktadr. rencilerin bu modl ileriki haftalarda gemek zorunda olduklar bir derste grecek olmalar. rencilerin bu konuya olan ilgileri daha da artmtr. Bu durum da aratrma sonularnn dorululuk derecesine olumlu ynde katk salamtr. Materyaller Web zerinden bilgisayar ortamnda alacak ekilde tasarlanmtr. renciler internet zerinden kayt olmulardr. Bu kaytlar yine internet zerinde oluturulan veritabanlarnda saklanmtr. Aada, oluturulan ilikisel veri taban grlmektedir(ekil 6).

ekil 4 Anlatm Tr Seim Sayfas

5.3.rencilerin Ders alma Srelerinin Belirlenmesi

160

SAVA, S. ve ARICI, N.

ortalamalar 5,2dir. Toplamda doru cevap says ise 104tr. izelge 2de ise snava Video destekli eitim materyali ile hazrlanan rencileri baarlar yanstlmtr. izelge 2 Video destekli Eitim Materyali ile Snava Hazrlanan rencilerin Baar Tablosu
Video nite Ad Lojik Kapilar Lojik Kapilar Lojik Kapilar Lojik Kapilar Lojik Kapilar Lojik Kapilar Lojik Kapilar Lojik Kapilar Flip Floplar Flip Floplar Flip Floplar Flip Floplar Flip Floplar Toplayici Devreleri Toplayici Devreleri Toplayici Devreleri Kaydedici ve Sayicilar Kaydedici ve Sayicilar Kaydedici ve Sayicilar Kaydedici ve Sayicilar Toplam Ortalama Soru No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Doru Cevap Says 8 8 5 9 10 4 5 5 8 7 7 6 9 8 7 6 4 6 8 7 137 6,85

ekil 6 Uygulamada Kullanlan likisel Veri Taban

6. Bulgular ve Yorumlar
Veritabanndaki bilgilerin analizi iin SQL komutlar kullanlmtr. SQL komutlarnn kullanlabilmesi iin Microsoft SQL Server Management Studio Express program kullanlmtr. 6.1. rencilerin alma Materyallerine Gre Baars Bu ksmda rencilerin snava hazrlanrken kullandklar retim materyaline gre baarlar incelenmektedir. Bu baarlar soru bazndadr. izelge 1 Animasyon Destekli Eitim Materyaline Gre Baar Tablosu
Kullanlan Eitim Materyali
Animasyon Lojik Kapilar Lojik Kapilar Lojik Kapilar Lojik Kapilar Lojik Kapilar Lojik Kapilar Lojik Kapilar Lojik Kapilar Flip Floplar Flip Floplar Flip Floplar Flip Floplar Flip Floplar Toplayici Devreleri Toplayici Devreleri Toplayici Devreleri Kaydedici ve Sayicilar Kaydedici ve Sayicilar Kaydedici ve Sayicilar Kaydedici ve Sayicilar Toplam Ortalama 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 6 9 6 6 6 5 6 3 8 3 2 3 8 6 6 6 2 7 2 4 104 5,2

Unite Ad

Soru No

Doru Cevap

izelge 2ye gre video destekli eitim materyali ile snava hazrlanan rencilerin verdikleri doru cevap ortalamas 6,85dir. Yine ayn rencilerin verdikleri toplam doru cevap says ise 137dir. Sonu olarak Video destekli eitim materyali ile snava hazrlanan rencilerin daha baarl olduu anlalmaktadr. 6.2. rencilerin Baar Durumlarnn Karlatrlmas izelge 3te video ve animasyon gruplarnn retim uygulamasndan sonra aldklar puanlarn grup istatistikleri grlmektedir. izelge 3e gre Video grubunun test puanlar ortalamas 6,85, Animasyon grubunun ise 5,2 dir. Gruplar arasnda anlaml farkn olup olmadn anlamak iin t testi kullanlmtr. izelge 4te elde edilen p<0,05 olduundan Video ve Animasyon grubunun test puanlar arasnda istatistiksel olarak anlaml bir fark vardr. statistikler sorulara verilen doru cevaplar zerinden yaplmtr. Uygulamada 20 soru bulunduundan N = 20 bulunmutur.

izelge 1e gre Animasyon destekli eitim materyalleri ile snava hazrlanan rencilerin verdikleri doru cevap izelge 3 Uygulanan Snavn Puanlarnn Grup statistikleri GRUP N Ortalama Standard Sapma 6,8500 1,69442 5,2000 2,11760 esnek ve kaliteli oluturmasdr[4]. Standard Hata ,37888 ,47351 evvideo

Sontest VDEO 20 Orhan ve Puanlar ANMASYON 20 Akkoyunluya gre Video destekli eitim materyallerinin etkili olmasnn balca sebepleri; hareket, ses ve renk boyutlar ile renmeyi kolaylatrmas, zel ekim ve grnt

tekniklerinin kullanlabilmesi, eitim sistemini

161

5. Uluslararas leri Teknolojiler Sempozyumu (IATS09), 13-15 Mays 2009, Karabk, Trkiye

izelge 4 Uygulanan Snavn Puanlarnn T-Testi Anlamllk izelgesi Levenein varyanslarn eitlii testi F Sig. t df Ortalamalarn Eitlii in t Testi ift Ynl Ortalamalarn p Fark ,010 ,010 Standart Farklarn %95 Hata Gven Aral Fark Alt st

PUAN

Eit varyans 1,382 ,247 2,721 38 Varsaym Eit Olmayan 2,721 36,256 Varyans varsaym

1,65000 ,60643 ,42234 2,87766 1,65000 ,60643 ,42039 2,87961

6.3. alma Srelerine Gre renci Baarlarnn incelenmesi rencilerin ilgi eken retim yntemleri ile ders almalar onlarn daha fazla ders almalarn salamtr. Ders alma sreleri fazla olan renciler test snavnda daha baarl olmulardr. Burada nemli olan rencinin dersi ilgiliyle ve dikkatle takip edecei retim yntemini bulup uygulamaktr. izelge 5te Animasyon destekli eitim materyali ile ders alan rencilerin ders alma sreleri grlmektedir. Bu retim metoduyla alan rencilerin ortalama ders alma sreleri 17 dakika 44 saniyedir. izelge 6da ise Video destekli eitim materyali ile ders alan rencilerin alma sreleri ortaya konulmutur. Video destekli eitim materyali ile ders alan rencilerin sre olarak daha fazla alt grlmektedir. Bu gruptaki renciler ortalama 28 dakika 53 saniye ders almlardr. Bu durumda rencilerin baarlarn olumlu ynde etkilemitir. izelge 5 rencileri Animasyon Destekli Anlatm ile Ders alma Sreleri

izelge 6 rencilerin Video Destekli Anlatm ile Ders alma Sreleri

alma Zamanna Gre


Ders alma Biimi Video Desteli Anlatm Ders alma Sresi Doru Cevap Sayisi 137
12 10 14 14 12 15 17 15 17 11

00:20:36 00:23:44 00:24:56 00:25:32 00:28:56 00:29:47 00:31:35 00:33:18 00:35:04 00:35:20

Ortalama

00:28:53

6.4. Kalclk Testi retim tekniklerinin en nemli zelliklerinde bir tanesi de bilgilerin rencilere kalc bir ekilde retilebilmesidir. Kalclk testi ad verilen bu testin amac belli bir sre sonunda, bu almada sre 6 hafta alnmtr. rencilerin 6 hafta nce takip ettikleri konuyla ilgili bilgilerini lmektir. Dolays ile iki retim ynteminden hangisinin renciye kalc bilgiler edindirdii ortaya karlmaya allmtr. Bu testin sorular konu anlatmlar sonunda uygulanan test ile ayndr. Bu uygulamann sonunda aadaki sonulara ulalmtr.
Uygulanan Teste Verilen Doru Cevap Saylar
120 Video; 101 100 80 60 40 20 0 Flash ; 77 Flash Video

alma Zamanna Gre Baar


Ders alma Ders alma Sresi Biimi Flash Destekli Anlatm Doru Cevap Sayisi 104
4 11 10 14 10 10 10 10 15 10

00:10:50 00:14:39 00:16:16 00:16:37 00:16:48 00:17:09 00:18:34 00:20:05 00:22:31 00:23:56

Ortalama

00:17:44

ekil 7 Kalclk Testi Sonular

ekil 6dan da anlalaca gibi Video destekli eitim materyali ile ders alan renciler toplam 101 soruya cevap verirken. Flash destekli eitim materyali ile alan renciler toplam 77 soruya doru cevap vermilerdir.

IATS09, Karabk niversitesi, Karabk, Trkiye

162

SAVA, S. ve ARICI, N.

6.5. Kalclk Testi Puanlarnn Karlatrlmas izelge 7de Kalclk testi ortalamalar grlmektedir. Video grubunun kalclk testi ortalamas 5,05 iken Animasyon grubunun kalclk testi ortalamas 3,85te kalmtr.

izelge 7 Uygulanan Kalclk Snav Puanlarnn Grup statistii GRUP N Ortalam a 20 5,0500 Standard Sapma 1,63755 1,46089 Standard Hata ,36617 ,32667

Sontest Video Puanlar Animasyo 20 3,8500 n

izelge 7de Kalclk testi ortalamalar grlmektedir. Video grubunun kalclk testi ortalamas 5,05 iken Animasyon grubunun kalclk testi ortalamas 3,85te kalmtr.
izelge 8 Uygulanan Kalclk Snav Puanlarnn T-Testi Anlamllk izelgesi Levenein varyanslarn eitlii testi F Sig. ,594 t 2,445 df 38 Ortalamalarn Eitlii in t Testi ift Ynl p ,019 ,019 Ortalamalarn Fark 1,20000 1,20000 Standart Hata Farklarn %95 Gven Fark Aral Alt st ,49070 ,49070 ,20662 ,20620 2,19338 2,19380

Puan

Eit varyans ,289 Varsaym Eit Olmayan Varyans varsaym

2,445 37,515

Video ve Animasyon gruplarnn Kalclk testi puanlar t testi ile karlatrlmtr. izelge 8de elde edilen p< 0,05 dir. Grup ortalamalar arasnda istatistiksel olarak fark vardr ve bu fark nemlidir. Akgretim televizyon programlar, televizyonda snrl kez seyredilebilmesi ve bu seyir annn rencilerin belirleyemedii gn ve saatlerde olmas nedeniyle, rencilerin eitsel hedeflere erimelerinde yetersiz kalmaktadr. Ayn ierik internetten indirilerek, ders kitab ve dier e-grenme ortamlaryla paralel olarak istenildii kadar izlendiinde ise eitsel verimlilii ykseltmektedir [5]. lkemizde Mesleki ve Teknik Eitimde yaanan sorunlardan dolay bu liselere ynlenen renci saylar son derece yetersizdir. rnein, bu almann uygulamalarnn yrtld Akhisar Anadolu Teknik, Teknik ve Endstri Meslek lisesinden oluan 3 okulun bnyesinde sadece Anadolu Teknik Lisesi bnyesinde 30 kiilik kontenjan olan tek bir snf mevcuttur. Bu say Akhisar gibi saniyelemekte olan ve nfusu 100.000e yaklaan bir ile iin olduka yetersizdir. phesiz sonularn doruluu asndan uygulamaya katlan renci saysnn fazlal nemlidir.

Uzaktan Eitimin gelecei, eitim ieriinin kalitesine ve sistemin genelinin standartlara uygun oluuna baldr. Web Tabanl Uzaktan Eitimlerin baarsnda bu almada sz edilen avantajlarn rol her ne kadar byk olsa da, belirleyici unsurun sistemi kullanan kiiler olduu hibir zaman unutulmamaldr. Amalar deinilen durumlarn veritaban analizi ile aadaki sonulara ulalmtr. Hangi tr ve dzeyde olursa olsun renciler, retmenleri tarafndan motive edilmeye ve her ynyle yaplandrlm bir eitim sistemine gereksinim duyarlar. Uzaktan eitim sistemi ile renimlerini srdren rencilerin ska dile getirdikleri ikayet, retmenleriyle aralarnda bulunan uzaklk hissi ve iletiimsizlik konularnda olmaktadr. rencinin uzaktan eitim programnda baarl olmasnn en nemli ve ilk koulu, ift ynl etkileim dzeyi ile doru orantldr. Bu nedenle tam anlamyla yaplandrlm bir uzaktan eitim program, zellikle rencilerin retmenlerini ve arkadalarn karlarnda grebilmelidir. Bu uygulamada kullanlan iki farkl retim metodundan Video destekli eitim metodunun, test snav sonular asndan daha baarl sonular ortaya koyduu ortaya kmtr. Ayn zamanda rencinin Video destekli eitim materyalleri ile daha fazla sre ders alt da saptanmtr. Bu soncun en nemli sebebi video destekli retim metodunda rencilerin kendilerini daha fazla snf ortamnda hissetmeleridir. Ayrca snavlardan nce retmen ve rencilerin ift ynl iletiim kurabilecekleri video konferans sistemi kurulabilir. Bylece renciler eksik kaldklarn dndkleri konular retmenleri ile paylaabilirler.

7.Sonu
Zamandan ve mekndan bamsz eitim fikrinin ilk ortaya kndan gnmze dek, birok farkl yntem ve ara, insanlara daha etkin bir renme ortam salayabilmek amacyla deiik birleimler iinde kullanlmtr. Bu birleimlerden gnmz teknolojileri nda en etkin olan Web Tabanl Uzaktan Eitimdir. Web Tabanl Uzaktan Eitim, snf eitimi olarak da adlandrabileceimiz rgn eitime hi bir zaman rakip olarak dnlmemelidir. Sz konusu eitim eklini destekleyecek bir yap oluturulabilecei hibir zaman unutulmamaldr. rgn eitimi destekleyici ya da bamsz olarak Web Tabanl

163

SAVA, S. ve ARICI, N.

Milli Eitim Bakanlnn gndemine snflara video kamera yerletirilerek derslerin internet zerinden bu derslerin yaynlanmas uygulamasn almtr. Bu uygulama yerine dersler daha uzman kiiler tarafndan snf ortamnda olmadan video kameraya ekilip internete aktarlrsa daha faydal olacaktr. Bylece renci istedii yerde istedii zaman ders videolarna ulap eitim srecini devam ettirecektir. Bu alma kapsamnda rencilerin rendikleri bilgilerin kalc olmasnda retim tekniklerinin baarsn ortaya koymak iin kalclk testi uygulanmtr. Uygulanan bu kalclk testine rencilerin vermi olduklar cevaplar deerlendirildiinde Video destekli retim materyalleri ile konulara alan rencilerin edindikleri bilgilerin daha kalc olduu belirlenmitir. Geleneksel snf ortamndaki pasif bir ekilde ders dinlemenin vermi olduu skcln olmamasna ve snf ierisindeki renci-retmen renci-renci arasnda oluabilecek olumsuz olaylarn yaanmamas Web tabanl uzaktan eitimin avantajlarndandr. Ayrca geleneksel snf ortamnda sormaktan ekinilen sorularn sanal ortamda daha rahat sorulabildii ortaya kmtr. Ancak renci ile retmenin zaman zaman canl grme yapmas mmkn olsa da genellikle ezamansz ekilde yrtlen bu tr uygulamalarda anlk soru ve sorunlara zm getirilmesinde yetersiz kalnabildii grlmektedir. Uygulamadaki ara yz grevini stlenen web sayfalarnda, etkileimli ve dinamik bir yap olmas kadar grsel ve eitsel tasarmlarn gerekletirilmesine de dikkat edilmelidir. nk hazrlanan materyal renci performansn etkileyen en nemli unsur olarak karmza kmaktadr. Snf ii uygulamalarn yan sra web tabanl retim uygulamalarna da gerekli arln ve zamann verilmesi gerekmektedir. Web tabanl retim uygulamalarnda ezamanl ve ayr zamanl iletiimin salanmasna dikkat edilmelidir. Web tabanl retim uygulamalarn tasarlarken hedef kitlenin zellikleri gz nne alnmas ve genel tasarm ilkelerinden vazgeilmemesi gerekmektedir. Web tabanl retim uygulamalarn tasarlarken yneticinin ve rencilerin kulland teknik altyapnn gz nnde bulundurulmasna dikkat edilmelidir. Web tabanl retim uygulamalarnda gerek yaam durumlarn yanstan grevlere yer verilmelidir. Web tabanl retim uygulamalarnda ibirlikli alma guruplar oluturacak nitelikte grevlerin de verilmesine dikkat edilmelidir.

Kaynaklar
[1] Berry, Michael J., Gordon, L., Data Mining Techniques For Marketting, Sales and Customer Support, John Wiley & Sons Inc, New York, 5 (1997). [2] Fayyad, U., Mining Databasses: Towards Algorithms For Knowladge Discovery, IEEE Bultein of the Technical Comittee on Data Engineering, 21 (1): 41-48 (1998). [3] ifti, S., Uzaktan Eitimde rencilerin Ders alma Etkinliklerinin Log Verileri Analiz Edilerek ncelenmesi , Yksek Lisans Tezi , Gazi niversitesi Eitim Bilimleri Enstits Bilgisayar Ve retim Teknolojileri Eitimi, Ankara, 6 (2006). [4] Orhan, F., Akkoyun, B., Uzaktan eitim Yaklamnda I. Kademe retmenlerinin Video Destekli Hizmet ii Eitimi, Hacettepe niversitesi Eitim Fakltesi Dergisi, 16: 134-141 (1999). [5] Mutlu, M. E., Avdan, H., eri, P., Akretim Televizyon Programlarn nternet Ortamnda Yaynlama Hizmetinin Deerlendirilmesi, 6. Uluslararas Eitim Teknolojileri Konferans, Kbrs, 19-21 (2006).

164

5. Uluslar aras leri Teknolojiler Sempozyumu (ATS09), 13-15 Mays 2009, Karabk, Trkiye

BULANIK MANTIK TABANLI MESLEK YNLENDRME VOCATIONAL GUIDANCE BASED ON FUZZY LOGIC
a, * b

Erhan Aria,* ve Fahri Vatanseverb

Kaynarca EML, Sakarya, Trkiye, E-posta: erhanari16@hotmail.com Sakarya niversitesi, Sakarya, Trkiye, E-posta: fahriv@sakarya.edu.tr

zet
mesleki yeteneklerinin tespit edilip, rencilerin kendilerine uygun alanlarda eitim grmelerini salamak; baarl bireyler yetitirebilmek iin balca hedeflerdendir. Genel olarak yeteneklerin tespiti, ok karmak bir sretir. Bu srecin iyi ynetilememesi veya yanl ynetilmesiyle, rencilerin eitim hayatnda ve dolaysyla yaamlar boyunca skntlar ortaya kmaktadr. Yeteneklerin belirlenmesi iin kullanlan klasik test yntemlerinin birok olumsuzluklar vardr. Modern teknikler kullanarak bu olumsuzluklar byk oranda giderilebilir. Bu almada; rencilerin meslee ynlendirilmesinde; onlarn gemi eitim baarlar ve retmen grleri kullanlarak mesleki ilgi ve yeteneklerinin tespiti, bulank mantk kurallaryla gerekletirilmi ve bu tr yaklamlarla daha etkin ve doru sonulara ulalabilecei gsterilmitir. Anahtar kelimeler: Mesleki ynlendirme, bulank mantk

srasnda sklmalar, rasgele cevaplar vermeleri gibi birok olumsuzluklar beraberinde getirmektedir. Mesleki eilim belirleme testlerinde, meslek gruplar bulunarak rencilere evet/hayr eklinde sorular yneltilir. renci cevap verdii sorunun hangi meslek gruplarna ait olduunu bilmemektedir. Test uygulanan renci kendisine uygun olanlara evet cevab vermektedir. Verdii cevaplara gre; hangi meslek gruplarna, ne kadar ilgisinin olduu tespit edilebilmektedir. Ancak tek bana bu testlerin yetersiz olabilmesi muhtemeldir [1-4]. rencilerin hangi mesleklerde baarl olabileceini tespit etmek iin mesleki eilim belirleme testleri dnda, farkl parametrelerin de dikkate alnmas (deerlendirilmesi) gereklilii vardr. Bu almada; rencilerin mesleki yeterliliklerin belirlenmesi, bulank mantk kurallaryla MATLABda [5] deerlendirilmitir. Ayrca yukardaki deinilen olumsuzluklar azaltmak amacyla ilave parametreler (rehber retmen gr, gemi eitimlerin not ortalamalar) de sisteme aktarlmakta ve sonularn retilmesinde kullanlmaktadr.

Abstract
Determining the professional abilities of students and providing suitable education areas for them to study are the main aims to bring up successful individuals. Generally, determining these abilities is so complex process. Not managing this process completely or managing it badly causes some hardships in student's life and in consequence of in their educational life. The standard test methods which are being used to determine the students abilities have a number of disadvantages. At that point, using modern techniques can probably eliminate these disadvantages. In this study, while directing the students to their careers, their technical interests and capabilities determination was implemented with fuzzy logic rules by using their former educational success and teacher's sight and its approaches can be reached more effective and accurate results. Keywords: Vocational guidance, fuzzy logic

2. Bulank Mantk
1965 ylnda University of California, Berkeley yelerinden aslen Azerbaycanl Prof. Lotfi A. Zadeh tarafndan ortaya atlan bulank mantk; bata kontrol sistemleri olmak zere birok alanda artarak kullanlmaktadr. kili mantktaki gibi iki kesin deerlerli olmayp ok deerli mantk olan bulank mantkta, belirsizlikler matematiksel olarak ifade edilebilmektedir. Aslnda insann gnlk hayatnda kulland birok karmlar, bulank mantk denetimidir. Bulank mantktaki yelik fonksiyonlar; bir yenin, ilgili bulank mantk kmesinin yesi olup olmad tespit edilir. Bulank kmelerdeki yelik dereceleri, 0-1 arasndadr. 1e yakn deerler, nesnenin ilgili kmeye yeliini; 0a yakn deerler de ilgili kmenin yesi olmadn gsterir. Genel olarak herhangi bir bulank sistem, ksmdan oluur: Kural taban: Bulank mantk kurallarnn seimini ierir. Veri taban: Sistemde kullanlacak yelik fonksiyonlarn ierir. Yarglama mekanizmas: Verilen koullara gre belirtilen kurallarla klar belirleyen ksmdr [57].

1. Giri
Eitim, insan hayatnn en nemli aamalarndan birisidir. Kiinin yetenek ve ilgisine gre, uygun alanda eitim almas; onu hayatnda daha baarl olmasn salamaktadr. Bu nedenle toplumda baarl bireyler yetitirmek iin eitimdeki mesleki ynlendirmenin nemi ok byktr. Bireylerin yeteneklerin tespiti ok karmak ve zor bir sretir. Klasik yntemlerle gerekletirilen srete; rehber ve snf retmenleri rencilerin mesleki eilimlerini belirlemek iin baz testler kullanmaktadrlar. Bu testlerin soru saylarnn fazla olmas rencilerin cevaplandrma
IATS09, Karabk niversitesi, Karabk, Trkiye

3. Bulank Mantk ile Mesleki Eilim Belirleme


Bulank mantk tabanl olarak mesleki eilimleri belirlemek iin tasarlanan ileyiin (sistemin) blok emas ekil 1de verilmektedir.

165

Ar, E. ve Vatansever, F.

Mesleki eilim (ME)

retmen gr (OG)

BULANIK MANTIK KURALLARI

retmen gr (OG): Snf veya rehber retmenin renciyle birebir grmesi sonucunda; dier retmenlerin, velilerin, arkadalarnn grleri de dikkate alarak, rencinin meslek gruplarna yatknln gsteren deerdir. Bu deere ait belirlenen yelik fonksiyonu ekil 3teki gibidir.

Mesleki puan (MP)

Diploma notu (DN)

ekil 3. retmen gr yelik fonksiyonu. Diploma notu (DN): rencinin o anki diploma notudur. Orta retim sistemine gre liselerin 9. snfn bitiren renciler meslek lisesi ya da dier lise tercihini yapmaktadr. 9. snf ve ilkretim not ortalamas gz nnde tutularak rencinin meslee ait baars ngrlebilir. Meslein istedii saysal, sosyal ya da tm derslerin ortalamas diploma notu girii olarak alnarak rencinin meslekte ne kadar baarl olabilecei kestirilebilir. Diploma notuna ait yelik fonksiyonu ekil 4teki gibidir.

Giriler

Kurallar kmesi

ekil 1. Sistemin blok emas. Sisteme giri olarak 3 parametre verilmektedir. Bunlar; Mesleki eilim belirleme (ME): Rehber retmenlerin, rencilerin ilgi ve yeteneklerini tespit etmek amacyla kullandklar testtir. Gerekletirilen almada, bu girie ait yelik fonksiyonu ekil 2deki gibi belirlenmitir.

ekil 4. Diploma notu yelik fonksiyonu. ekil 2. Mesleki eilim yelik fonksiyonu. Gerekletirilen almada mesleki eilim girii iin 160 sorudan oluan test uygulanmtr. Ayrca meslekler 10 gruba ayrlmtr. rencinin meslek gruplarndan habersiz verdii cevaplara gre, rencilerin ilgileri/eilimleri tespit edilmektedir. Bu teste ait baz sorular, Tablo 1de verilmektedir [1-2]. Tablo 1. Testten seilmi baz sorular
Alnan ilalarn prospektsn okumak. Ekonomi dergilerini izlemek. Ev, apartman ve benzeri yaplarn projelerini izmek. Modern iftilik yntemleri hakknda yazlar okumak. Gzel resim yapmak. Okul tercihi yaparken arkadalarna yol gstermek. Taklit yapmak. TVlerdeki kltr-sanat programlarn izlemek. Gazetelerdeki sorunlarnza zmler trndeki yazlar okumak.

Girilen bu parametreler, oluturulan bulank mantk kurallar kmesinde deerlendirilerek rencinin, mesleki eilimini belirleyen mesleki puan elde edilmektedir. Mesleki puan hesaplanrken, almada kullanlan baz bulank mantk kurallar Tablo 2de verilmektedir. Mesleki puana ait yelik fonksiyonu ekil 5teki gibidir.

ekil 5. Mesleki puan notu yelik fonksiyonu.

166

Ar, E. ve Vatansever, F.

Tablo 2. Kullanlan baz bulank mantk kurallar


Eer ME=ilgili ve OG=normal ve DN=orta ise MP=Yeterli Eer ME=ok ilgili ve OG=ok yetersiz ve DN=ok baarsz ise MP=uygun deil
Bal hata 3,5 3 2,5

Test sonular bal hatalar

Eer ME=ilgisiz ve OG=normal ve DN=ok baarsz ise MP=hi uygun deil Eer ME=ok ilgisiz ve OG=ok yetersiz ve DN=ok baarl ise MP=hi uygun deil Eer ME=hafif ilgili ve OG=yetersiz ve DN=ok baarl ise MP=orta Eer ME=ilgili ve OG=yeterli ve DN=hafif baarl ise MP=hafif uygun Eer ME=ok ilgili ve OG=normal ve DN=ok baarl ise MP=ok uygun

2 1,5 1 0,5 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 renci no MP bal hata ME bal hata

ekil 6. MP ve ME bal hatalar. Tablo 3 veya ekil 6 incelendiinde; bulank sistemden kan sonularn, rencilerin mevcut mesleki ders not ortalamalaryla ok daha fazla rtt grlmektedir.

Bu almann geree uygunluunu tespit etmek iin meslek lisesine gelip mesleini semi rencilerin, 9. snf not ortalamalar ve meslek eilim belirleme testi kullanlmtr. Ayrca snf retmeninin renci hakkndaki gr sisteme girilmi ve bulank mantk sonularna bakarak rencilerin u anki baar durumlar karlatrlmtr. Gerekletirilen alma sonucunda elde edilen bulgular Tablo 3te verilmektedir. Bu tabloda test verileri ile rencilerin u anki meslek dersleri not ortalamalar (MDNO) grlmektedir. Meslek dersleri not ortalamalar, rencilerin meslek hayatna hala atlmam olmalar nedeniyle, ME ve MP puanlaryla karlatrmak iin kullanlmtr. Tablo 3. Test sonular
renci 1 renci 2 renci 3 renci 4 renci 5 renci 6 renci 7 renci 8 renci 9 renci 10 renci 11 renci 12 renci 13 renci 14 renci 15 renci 16 renci 17 renci 18 renci 19 renci 20 renci 21 renci 22 ME 70 50 110 100 100 110 50 40 100 40 90 60 50 60 100 90 80 50 50 130 100 40 OG 50 45 50 40 80 55 10 15 70 70 65 75 30 70 60 55 40 45 65 55 45 35 DN 48 56.8 72.4 77.4 85.6 70.6 50 53.6 81.8 85.6 75.6 86.8 57.4 71.8 78 67.4 81.8 81.2 91.8 85.6 63 56.2 MP 21.26 26.42 65 53.51 62 50 21 21 60 47 57 55 21 45 58.79 53.51 50 50 70 65 51.60 21 MDNO 18 31 30 30 52 27 18 29 55 55 33 46 19 46 25 30 27 24 50 48 33 37

4. Sonular
nsan hayatnn en nemli dnemlerinden olan okul hayatnn, en verimli ekilde gemesi ve topluma baarl bireylerin kazandrlmas iin mesleki eilim ynlendirmesinin ok iyi yaplmas gerekmektir. Bireyin ilgi ve yeteneklerine uygun meslek dallarnn belirlenip, o alanlara ynlendirilmelidir. Bu almada, ilgili sre iin bulank mantk tabanl yaklam sunulmutur. Tablo 3 ve ekil 6da da verildii gibi, rencilerin mevcut meslek dersleri not ortalamas ile sistemin bulduu mesleki puann (MP), mesleki eilim belirleme testine gre (ME) daha fazla rtt grlmtr. Bulank mantk kurallarnn ve giri parametrelerin arttrlmasyla, daha verimli sonularn ortaya kaca aikrdr.

Kaynaklar
[1] http://www.adnanmendereslisesi.meb.k12.tr/ rehberlik/meslekegilimtesti.htm [2] www.catalcateml.k12.tr/rehberlik/dokumanlar/ MeslekiEgilimBelirlemeTesti.doc [3] Arslan, M.M., Kl, ., Baz Avrupa lkelerinde ve Trkiye'de zorunlu eitimde ynlendirme almalarnn deerlendirilmesi, Milli Eitim Dergisi, Say 148, EkimKasm-Aralk 2000 [4] ahin, ., Fndk, T., Trkiyede mesleki ve teknik eitim: mevcut durum, sorunlar ve zm nerileri, TSA, Yl 12, Say 3, Aralk 2008 [5] Fuzzy Logic Toolbox, MATLAB, The MathWorks Inc. [6] McNeill, F.M., Thro, E., Fuzzy Logic A Practical approach, Academic Press, Inc., 1994 [7] Yldrm, E., ve dierleri, Bulank mantk modeli ile zeminlerin snflandrlmas, International Earthquake Symposium, Kocaeli, 22-26 October 2007, pp. 578-582

167

You might also like