Affiliation:
1. SABANCI ÜNİVERSİTESİ, MÜHENDİSLİK VE DOĞA BİLİMLERİ FAKÜLTESİ
Abstract
Bu makalede, günümüz modern uygulamalarında hızla artan veri miktar ve boyutlarının sebep olduğu algoritma eğitme sorunlarının çözümüne yönelik, kompakt veri özniteliklerinin öğrenilmesi amacıyla bir boyut indirgeme metodu önerilmiştir. Verinin boyutu yüksek olsa da, genellikle taşıdığı bilgi daha düşük boyutlu alt uzaylarda yaşar. Çalışmamızda, böyle alt uzayların bir kümesel birleşimi burada geliştirdiğimiz yenilikçi bir ileri beslemeli sinir ağı ile algoritmik öğrenilmiştir. İlaveten, bu bağlamdaki sınıflandırma problemleri üzerinde durduk. Metodumuzun performansı öncelikle kendi oluşturduğumuz bir yapay veri seti üzerinde incelenmiştir. Sonrasında ise, durağan hal görsel uyarılmış potansiyel (DHGUP) tabanlı beyin-bilgisayar arayüzü (BBA) heceletici sistemleri için sıkça kullanılan genel kullanıma açık bir veri seti üzerinde metodumuz test edilmiştir. Sonuçlar, metodumuzun alt uzayları başarıyla bulabildiğini ve diğer DHGUP BBA heceletici hedef karakter tanıma metotlarından makul zaman aralıklarında daha iyi bir performans (0,8 saniye sinyal uzunluğunda 156 bit/dk’lık veri aktarım hızı) verdiğini göstermiştir.
Funder
Türkiye Bilimsel ve Teknolojik Araştırma Kurumu
Publisher
Kahramanmaras Sutcu Imam University Journal of Engineering Sciences
Subject
General Earth and Planetary Sciences,General Environmental Science
Reference25 articles.
1. Abdi, H. & Williams, L.J. (2010). Principal component analysis. Wiley Interdisciplinary Reviews: Computational Statistics, 2(4), 433-459. https://doi.org/10.1002/wics.101
2. Dietterich, T. G. & Bakiri, G. (1994). Solving multiclass learning problems via error-correcting output codes. Journal of Artificial Intelligence Research, 2(1), 263-286. https://dl.acm.org/doi/10.5555/1622826.1622834
3. Ghodsi, A. (2006). Dimensionality reduction a short tutorial. Department of Statistics and Actuarial Science at Univ. of Waterloo, Ontario, Canada, 37(38). https://www.math.uwaterloo.ca/~aghodsib/courses/f06stat890/readings/tutorial_stat890.pdf
4. Guney, O. B., Oblokulov, M. & Ozkan, H. (2022). A deep neural network for ssvep-based brain-computer interfaces. IEEE Transactions on Biomedical Engineering, 69(2), 932-944. https://doi.org/10.1109/TBME.2021.3110440
5. Kim, C. & Klabjan, D. (2019). A simple and fast algorithm for L1-norm kernel PCA. IEEE Transactions on Pattern Analysis and Machine Intelligence, 42(8), pp.1842-1855. https://doi.org/10.1109/TPAMI.2019.2903505