GCRIS

Now showing 1 - 3 of 3

Integrated Entropy-Edas Methods for the Electrified Car Selection Problem
(2022) Tozan, Hakan; Büyükselçuk, Elif Çaloğlu
Increasing air pollution affects the environment and life negatively. For a sustainable environment and life, people, voluntary organizations, and governments need to work on the solution of this problem. The biggest sources of air pollution are transportation vehicles. For this reason, many countries in Europe have stated that they will use solely electrified cars to reduce air pollution in the future. Therefore, in this study, it is aimed to determine the best electrified car. The result obtained can support consumers that to intend to buy an electrified vehicle in the decision-making process. This problem is a typical multi-criteria decision making (MCDM) problem and some MCDM techniques are used to solve these problems. Here, the Entropy method was used to determine the weights of the selection criteria. Selection criteria was determined according to comprehensive literature survey and interviews with sales representatives. The EDAS (Evaluation based on Distance from Average Solution) method was used to rank the electrified car alternatives that sold in Turkey. As a result of the evaluation, the most important criteria was determined by the price of the vehicle, the net battery capacity, and the electric motor power. According to these criteria, the electrified car manufactured in China was chosen as the best.
Elektrikli Kamyon Seçiminde Dairesel Sezgisel Bulanık Kümelere Dayalı Vıkor Yönteminin Uygulanması
(2024) Büyükselçuk, Elif Çaloğlu
Artan nüfus ve gelişen küresel tüketici davranışları, dünya çapında kapsamlı ticari etkileşimleri teşvik etti. Ancak bu genişleme çevre kirliliğinin artmasına neden oldu. Sonuç olarak ülkeler, özellikle ulaşım ve nakliye faaliyetlerinden kaynaklanan hava kirliliğini azaltmak için önlemler almaya başladı. Bu çabanın bir parçası olarak, fosil yakıt tüketen araçların yerini alan ve hızla yaygınlaşan elektrikli araçlar, uygulanabilir bir çözüm olarak ortaya çıktı. Bu çalışma, ulaşım amacıyla kullanılan elektrikli kamyonların seçim konusundaki ikilemlerini incelemektedir. Karar vericilerin seçim sürecinde dikkate alması gereken kriterleri tanımlar ve piyasada mevcut alternatifleri bu kriterlere göre değerlendirir. Karar verme sürecinin doğasında olan belirsizlik ve öznellikle mücadele etmek için dairesel sezgisel bulanık sayılar kullanıldı. Alternatiflerin değerlendirilmesinde bu sayılara dayalı VIKOR yöntemi tercih edilen yaklaşım olmuştur. Bu araştırma, sürdürülebilir ulaşım alanındaki kritik bir ihtiyacı ele alıyor ve karar vericilere elektrikli kamyonların önceden tanımlanmış kriterlere göre değerlendirilmesi için sistematik bir çerçeve sağlıyor. Dairesel sezgisel bulanık sayılardan ve VIKOR yönteminden yararlanan bu çalışma, elektrikli kamyon seçiminin doğasında bulunan karmaşıklıkların üstesinden gelmek için sağlam bir metodoloji sunuyor ve böylece hava kirliliğini azaltma ve çevresel açıdan sürdürülebilir ulaşım uygulamalarını teşvik etme çabalarını ilerletiyor.
Konuşma Duygu Tanıma Uygulamalarında Hiper Parametre Optimizasyonu ile Derin Öğrenme Metotlarının Geliştirilmesi
(2024) Parlak, Cevahir
Bu çalışmada derin öğrenme uygulamalarında oldukça yeni ve önemli bir aşama olan hiper parametre ayarlama metotlarının bir karşılaştırılması verilecektir. Veriseti olarak yeni duygu verisetlerinden NEMO duygusal konuşma veriseti kullanılacak olup, KerasTuner ile CNN, LSTM ve DNN modelleri Rassal arama, Hiperkomite ve Bayesçi optimizasyon metotları kullanılarak karşılaştırılacaktır. Genel olarak makine öğrenmesi ve özellikle de derin öğrenme uygulamalarında başarılı bir model üretebilmek zaman ve hesaplama gücü açısından oldukça pahalı ve zorlu bir işlem olarak araştırmacıların karşısına çıkmaktadır. Hiper parametre optimizasyonunun genel olarak iki temel aşamadan oluştuğu kabul edilebilir. Birinci aşamada öncelikle değişkenlik gösteren parametrelerin alabilecekleri değerlere dayalı bir arama uzayı belirlenir. Bu parametreler öğrenme katsayısı, nöron sayısı, katman sayısı, aktivasyon fonksiyonu ve benzeri değişkenler olabilir. İkinci aşama ise bu parametreleri kullanarak yapay zekâ modellerini oluşturur ve belirlenen bir başarı kriterine göre test eder. Optimizör bu modelleri çalıştırırken işlemi hızlandırmak için değişik algoritmalar kullanabilir. Hiper parametre optimizasyon uygulamaları bu konuda gün geçtikçe daha iyi çözümler sunmakta ve insan faktörünü kademeli olarak aradan çıkarmaktadırlar. Izgara arama mevcut bütün konfigürasyonları bütün kaynakları sonuna kadar tüketerek çalıştırırken, Rasgele arama ise mevcut kümeden tesadüfi olarak seçilen belli konfigürasyonları dener. Rassal arama her ne kadar bütün olası konfigürasyonları denemese bile genellikle Izgara aramaya yakın sonuçlar üretebilmektedir. Ardışık arama, Asenkron Ardışık arama, Populasyon-Tabanlı Eğitim, Hiperkomite ve Bayesçi yaklaşımlarda diğer hiper parametre optimizasyon metotları arasında sayılabilir. Bu çalışmada NEMO konuşma duygu veriseti 4 duygu ile CNN, LSTM ve DNN derin öğrenme sınıflandırıcılarıyla çalıştırılmış ve KerasTuner’in Rassal Arama, Bayesçi Arama ve Hiperkomite Arama metotlarıyla otomatik üretilen metotların performansları karşılaştırılmıştır. Hiper parametre optimizasyon metotlarından Bayesçi Optimizasyon metodunun diğerlerine göre daha iyi ve hızlı sonuçlar ürettiği görülmüştür.

TR-Dizin İndeksli Yayınlar Koleksiyonu

Browse

Filters

Settings

Sort By

Results per page

Search Results