Hücresel yapay sinir ağları ve görüntü işleme uygulamaları
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
ÖZET 1988 yılında Leon Chua ve Lin Yang tarafından ilk olarak önerilen hücresel yapay sinir ağlan, genellikle iki boyutlu bir yapı oluşturacak şekilde sıralanmış hücrelerden meydana gelmişlerdir. Her bir hücre, ağırlıklı toplama yapan bir giriş birimi, dinamik bir ara birim ve parça-parça doğrusal bir çıkış biriminden oluşmaktadır. Tezde hücresel yapay sinir ağlan ile dört farklı uygulama gerçekleştirilmiştir. Sözkonusu uygulamalar şu şekilde sıralanabilir: Haberleşme sistemlerinde kodlama ve modülasyonun aynı anda yapıldığı kafes kodlamalı sistemlerdeki kafes yapı, hücresel yapay sinir ağlan ile gerçekleştirilmiştir. Daha sonra, bu kafes yapı üzerinden, renk seviyesi hücresel yapay sinir ağlan ile düşürülen bir görüntü geçirilerek kanala verilmiş ve farklı işaret/gürültü oranlan için hata başanmı ortaya çıkanlmıştır. Yüksek gerilim hatlannda kullanılan polyester izolatörlerde değişik çevre şartlannın etkisi sonucu meydana gelen bozulma miktarlannın sımflandınlması, yine hücresel yapay sinir ağlan ile gerçekleştirilmiştir. Daha sonra jeofizik alanında hücresel yapay sinir ağlarının ilk defa bir ayrım metodu olarak kullanımı anlatılmıştır. Elde edilen sonuçlar şu ana kadar bu alanda kullanılan diğer yöntemlerle karşılaştınlmış ve bu alandaki diğer yöntemlere göre üstünlükleri belirtilmiştir. Son olarak bir görüntüdeki baskın yönelimleri ortaya çıkaran yönlendirilebilir filtre katsayılarının hücresel yapay sinir ağlarında kullanılması sonucu, görüntü üzerindeki istenen yöndeki kenarlann yönlendirilebilir filtrelere göre nasıl daha iyi bir şekilde ortaya çıkanldığı herbir durumun açı-enerji değişimleri verilerek anlatılmıştır. XI SUMMARY Cellular Neural Network (CNN) is composed of weighted sum block, a dynamic unit following a piece-wice linear element. CNN is first introduced by Leon Chua and Lin Yang in 1988. Since its being two-dimensional, space invariant and real-time parallel processing properties, CNN has ben applied to many image processing problems. In this thesis, CNN has been applied four new scientific areas, namely, optimization of Trellis Coded Quantization /Modulation (TCQ/TCM) schemes, evaluation of environment effects on isolators by a new CNN based shadowing algorithm, separation of residual anomalies in geophysics and CNN having steerable filtering characterisics. In training procedure, Recurrent Perceptron Learning Algorithm (RPLA) has been modified for general unsymmetric coefficients. Here, a new CNN model is introduced which achieves modulation and quantization together. Here, multi-level input image is being coded and quantized via CNN approach. Then the performance of CNN equivalent system is evaluated for different Signal to Noise Ratio (SNR) values. The enviromental affects on polyester material used in high-voltage-isolators are being investigated by CNN the first time in literature. Afterwards, CNN has been also applied to geophysics in separation of anomalies. Anomaly separation is one of the main research areas in geophysics. We compared our seperation process outputs with classical derivative based methods. At the last section, we propose a new CNN model with steerable filters characteristics. Our CNN based steerable results are compared to the classical steerable filters. XII
Collections