No abstract

No abstract

Bu çalışmada, Kablosuz Yeraltı Algılayıcı Ağ'ların (KYAA) uzaktan çevre verilerini alma ve iletme, birbirleri arasında iletişim kurabilme ve organize olabilme yetenekleri kullanılmıştır. KYAA'ların bu yetenekleri sayesinde, maden ocaklarında açığa çıkan ve burada çalışan madenciler için tehlike oluşturan metan gazının yoğunluğu ölçülmüştür. Bu gaz yoğunluğunun madencileri zehirleme veya patlama seviyesine gelmeden önce erken uyarı vererek madencilere önlem almaları için zaman kazandırması amacı ile Maden Güvenlik Bilgi Sistemi benzetimi yapılmıştır. Daha önceden yapılmış çalışmalardan farklı olarak, maden ocağına kurulan özel bir raylı sistem sayesinde, sabit veya gereğinden fazla kullanılan düğümler yerine, az sayıda ve hareketli düğümler kullanılmıştır. Bu durumda, düğüm ve enerji maliyetinin en iyi seviyeye çekildiği gerçekleştirilen benzetim sonuçları aracılığı ile ispatlanmıştır.

Parkinson’s disease (PD), a slow-progressing neurological disease, affects a large percentage of the world’s elderly population, and this population is expected to grow over the next decade. As a result, early detection is crucial for community health and the future of the globe in order to take proper safeguards and have a less arduous treatment procedure. Recent research has begun to focus on the motor system deficits caused by PD. Because practically most of the PD patients suffer from voice abnormalities, researchers working on automated diagnostic systems investigate vocal impairments. In this paper, we undertake extensive experiments with features extracted from voice signals. We propose a layer Recurrent Neural Network (RNN) based diagnosis for PD. To prove the efficiency of the model, different network models are compared. To the best of our knowledge, several neural network topologies, namely RNN, Cascade Forward Neural Networks (CFNN), and Feed Forward Neural Networks (FFNN), are used and compared for voice-based PD detection for the first time. In addition, the impacts of data normalization and feature selection (FS) are thoroughly examined. The findings reveal that normalization increases classifier performance and Laplacian-based FS outperforms. The proposed RNN model with 300 voice features achieves 99.74% accuracy.

Dünya Sağlık Örgütü'nün verilerine göre, hem gelişmiş hem de gelişmekte olan ülkelerde, göğüs kanseri kadınlar arasındaki en yaygın kanser türüdür. Kentleşme ve batılı hayat tarzına uyum sağlamanın gelişen dünyada bu kanser türünü tetiklediği düşünülmektedir. Çoğu kanser vakası hastalığın son evrelerinde teşhis edilebilmekte ve tedaviler bu evreden sonra çoğu zaman cevap verememekte ve hasta kayıpları yaşanmaktadır. Bu sebeple, diğer kanser türlerinde olduğu gibi, göğüs kanserinin de erken tanısı hayati önem taşımaktadır. Bu çalışmada, göğüs kanserinin erken tanısına katkıda bulunabilmek amaçlanmıştır. Hastalara belirtileri doğrultusunda göğüs kanseri olup olmadıklarına dair teşhis konulmuştur. Bu amaçla, veritabanında mevcut olan, önceden teşhisi konulmuş vakaların verileri kullanılarak, henüz teşhisi belli olmayan örneklere tahmin yoluyla teşhis konulmuştur. Tahmin işi, tasarlanan bir yapay sinir ağına yaptırılmış ve doğruluk oranı %77 olarak bulunmuştur.