Yazar "Ataş, Musa" seçeneğine göre listele
Listeleniyor 1 - 4 / 4
Sayfa Başına Sonuç
Sıralama seçenekleri
Öğe Açık kuplajlı mikroşerit yama antenler için yapay sinir ağ modeli(Dicle Üniversitesi Mühendislik Fakültesi, 2013) Ataş, İsa; Kurt, M. Bahattin; Ataş, MusaTeknolojinin gelişmesine paralel olarak kablosuz iletişimin ilgi görmesi, son yıllarda anten teknolojisinin hızlı ilerlemesine olanak sağlamıştır. Kablosuz iletişim araçlarından biri de mobil uygulamalarda ve uzay araçlarında kullanılan Mikroşerit Yama Antenleridir (MYA). Kişisel taşınabilir cihazların yaygınlaşması MYA'nın önemini daha da arttırmıştır. Bu çalışmada 1 GHz ile 3.5 GHz arasındaki frekans değerleri için, Yapay Sinir Ağ (YSA) modeline dayalı Açıklık Kuplajlı Mikroşerit Yama Anten (AKMYA) tasarımı yapılmıştır. AKMYA'lar mikroşerit hat ile beslenirler ve kendi sınıfındaki MYA tipleri içerisinde en yüksek bant genişliğine sahiptirler. Geometrik yapıları farklı 500 adet AKMYA'nın simülasyonu, Finite Element Method (FEM) yöntemini kullanan 3 boyutlu tam dalga Elektromanyetik Alan Simülatörü (EAS) yazılımı ile yapılmış ve her bir anten için rezonans frekans değeri hesaplanmıştır. Levenberg-Marquardt (LM) öğrenme algoritması temelinde geliştirilen YSA modeli, EAS ile üretilen örnekler ile eğitilmiş, eğitim süresince görmediği test veri seti kullanılarak doğruluğu ölçülmüştür.Geliştirilen YSA modelinin başarımının ölçülmesinde 5 kat çaprazlam doğruluk yöntemi kullanılmış ve %3.5 test hata oranı tespit edilmiştir. Zaman verimliliği açısından bakıldığında önerilen yöntemin, EAS yazılımına göre en az 100 kat daha hızlı çalıştığı tespit edilmiştir. Önerilen YSA modelinin AKMYA'ların rezonans frekansının belirlenmesinde etkin ve verimli bir yöntem olacağı düşünülmektedir.Öğe Açıklık kuplajlı mikroşerit yama antenler için yapay sinir ağ modeli(2013) Ataş, İsa; Kurt, M. Bahattin; Ataş, MusaTeknolojinin gelişmesine paralel olarak kablosuz iletişimin ilgi görmesi, son yıllarda anten teknolojisininhızlı ilerlemesine olanak sağlamıştır. Kablosuz iletişim araçlarından biri de mobil uygulamalarda ve uzayaraçlarında kullanılan Mikroşerit Yama Antenlerdir (MYA). Kişisel taşınabilir cihazların yaygınlaşmasıMYA' nın önemini daha da arttırmıştır.Bu çalışmada 1GHz ile 3.5GHz arasındaki frekans değerleri için, Yapay Sinir Ağ (YSA) modeline dayalıAçıklık Kuplajlı Mikroşerit Yama Anten (AKMYA) tasarımı yapılmıştır. AKMYA'lar mikroşerit hat ilebeslenirler ve kendi sınıfındaki MYA tipleri içerisinde en yüksek bant genişliğine sahiptirler.Geometrik yapıları farklı 500 adet AKMYA'nın simülasyonu, Finite Element Method (FEM) yönteminikullanan 3 boyutlu tam dalga Elektromanyetik Alan Simülatörü (EAS) yazılımı ile yapılmış ve her bir anteniçin rezonans frekans değeri hesaplanmıştır.Levenberg-Marquardt (LM) öğrenme algoritması temelinde geliştirilen YSA modeli, EAS ile üretilenörnekler ile eğitilmiş, eğitim süresince görmediği test veri seti kullanılarak doğruluğu ölçülmüştür.Geliştirilen YSA modelinin başarımının ölçülmesinde 5 kat çaprazlama doğruluk yöntemi kullanılmış ve %3.5 test hata oranı tespit edilmiştir. Zaman verimliliği açısından bakıldığında önerilen yöntemin, EASyazılımına göre en az 100 kat daha hızlı çalıştığı tespit edilmiştir. Önerilen YSA modelinin AKMYA'larınrezonans frekansının belirlenmesinde etkin ve verimli bir yöntem olacağı düşünülmektedir.Öğe Biometric identification using panoramic dental radiographic images with few-shot learning(Tubitak Scientific & Technical Research Council Turkey, 2022) Ataş, Musa; Özdemir, Cüneyt; Ataş, İsa; Ak, Burak; Özeroğlu, EsmaDetermining identity is a crucial task especially in the cases of mass disasters such as tsunamis, earthquakes, fires, epidemics, and in forensics. Although there are various studies in the literature on biometric identification from radiographic dental images, more research is still required. In this study, a panoramic dental radiographic (PDR) image -based human identification system was developed using a customized deep convolutional neural network model in a few-shot learning scheme. The proposed model (PDR-net) was trained on 600 PDR images obtained from a total of 300 patients. As the PDR images of the patients were very different in terms of pose and intensity, they were first cropped by the domain experts according to the region of interest and adjusted to standard view with histogram equalization. A customized data augmentation approach was applied in order for the model to generalize better while it was being trained. The proposed model achieved a prediction accuracy of 84.72% and 97.91% in Rank-1 and Rank-10, respectively, by testing 144 PDR images of 72 patients that had not been previously used in training. It was concluded that well known similarity metrics such as Euclidean, Manhattan, Cosine, Pearson, Kendall's Tau and sum of absolute difference can be utilized in few-shot learning. Moreover, Cosine and Pearson similarity achieved the highest Rank 1 score of 84.72%. It was observed that as the number of rank increased, the Spearman and Kendall's Tau metrics had the same success as Cosine and Pearson. Based on the superimposed heatmap image analysis, it was determined that the maxillary, mandibular, nasal fossa, sinus and other bone forms in the mouth contributed biometric identification. It was also found that customized data augmentation parameters contributed positively to biometric identification.Öğe Forensic Dental Age Estimation Using Modified Deep Learning Neural Network(MUSA YILMAZ, 2023) Ataş, İsa; Özdemir, Cüneyt; Ataş, Musa; Doğan, YahyaDental age is one of the most reliable methods to identify an individual’s age. By using dental panoramic radiography (DPR) images, physicians and pathologists in forensic sciences try to establish the chronological age of individuals with no valid legal records or registered patients. The current methods in practice demand intensive labor, time, and qualified experts. The development of deep learning algorithms in the field of medical image processing has improved the sensitivity of predicting truth values while reducing the processing speed of imaging time. This study proposed an automated approach to estimate the forensic ages of individuals ranging in age from 8 to 68 using 1332 DPR images. Initially, experimental analyses were performed with the transfer learning-based models, including InceptionV3, DenseNet201, EfficientNetB4, MobileNetV2, VGG16, and ResNet50V2; and accordingly, the best-performing model, InceptionV3, was modified, and a new neural network model was developed. Reducing the number of the parameters already available in the developed model architecture resulted in a faster and more accurate dental age estimation. The performance metrics of the results attained were as follows: mean absolute error (MAE) was 3.13, root mean square error (RMSE) was 4.77, and correlation coefficient R2 was 87%. It is conceivable to propose the new model as potentially dependable and practical ancillary equipment in forensic sciences and dental medicine.
