SINIRLI BİR ALANDA SES KAYNAĞI YÖNÜNÜN DENEYSEL VERİLER KULLANILARAK YAPAY SİNİR AĞI İLE TAHMİN EDİLMESİ
Eyüp Can SARI Yüksek Lisans Tezi
Elektrik-Elektronik Mühendisliği Anabilim Dalı Nisan - 2019
SINIRLI BİR ALANDA SES KAYNAĞI YÖNÜNÜN DENEYSEL VERİLER KULLANILARAK YAPAY SİNİR AĞI İLE TAHMİN EDİLMESİ
Eyüp Can SARI
Kütahya Dumlupınar Üniversitesi
Lisansüstü Eğitim Öğretim ve Sınav Yönetmeliği Uyarınca
Fen Bilimleri Enstitüsü Elektrik-Elektronik Mühendisliği Anabilim Dalında YÜKSEK LİSANS TEZİ
Olarak Hazırlanmıştır.
Danışman: Dr. Öğr. Üyesi Ayhan GÜN
KABUL VE ONAY SAYFASI
Eyüp Can SARI’nın YÜKSEK LİSANS tezi olarak hazırladığı “SINIRLI BİR ALANDA SES KAYNAĞI YÖNÜNÜN DENEYSEL VERİLER KULLANILARAK YAPAY SİNİR AĞI İLE TAHMİN EDİLMESİ” başlıklı bu çalışma, jürimizce Kütahya Dumlupınar Üniversitesi Lisansüstü Eğitim Öğretim ve Sınav Yönetmeliğinin ilgili maddeleri uyarınca değerlendirilerek kabul edilmiştir.
30/04/2019
Prof. Dr. Önder UYSAL
Enstitü Müdürü, Fen Bilimleri Enstitüsü ______________
Prof. Dr. Mehmet Ali EBEOĞLU
Anabilim Dalı Başkanı, Elektrik-Elektronik Mühendisliği Bölümü ______________
Dr. Öğr. Üyesi Ayhan GÜN
Danışman, Elektrik-Elektronik Mühendisliği Bölümü ______________
Sınav Komitesi Üyeleri
Dr. Öğr. Üyesi Gökhan DINDIŞ
Elektrik-Elektronik Mühendisliği Bölümü, Eskişehir Osmangazi Üniversitesi ______________
Dr. Öğr. Üyesi Burhanettin DURMUŞ
Elektrik-Elektronik Mühendisliği Bölümü, Kütahya Dumlupınar Üniversitesi ______________
Dr. Öğr. Üyesi Ayhan GÜN
ETİK İLKE VE KURALLARA UYGUNLUK BEYANI
Bu tezin hazırlanmasında Akademik kurallara riayet ettiğimizi, özgün bir çalışma olduğunu ve yapılan tez çalışmasının bilimsel etik ilke ve kurallara uygun olduğunu, çalışma kapsamında teze ait olmayan veriler için kaynak gösterildiğini ve kaynaklar dizininde belirtildiğini, Yüksek Öğretim Kurulu tarafından kullanılmak üzere önerilen ve Kütahya Dumlupınar Üniversitesi tarafından kullanılan İntihal Programı ile tarandığını ve benzerlik oranının %5 çıktığını beyan ederiz. Aykırı bir durum ortaya çıktığı takdirde tüm hukuki sonuçlara razı olduğumuzu taahhüt ederiz.
Dr. Öğr. Üyesi Ayhan GÜN Eyüp Can SARI
SINIRLI BİR ALANDA SES KAYNAĞI YÖNÜNÜN DENEYSEL VERİLER KULLANILARAK YAPAY SİNİR AĞI İLE TAHMİN EDİLMESİ
Eyüp Can SARI
Elektrik-Elektronik Mühendisliği, Yüksek Lisans Tezi, 2019 Tez Danışmanı: Dr. Öğr. Üyesi Ayhan GÜN
ÖZET
Bu çalışmada, normal koşullar altında daha önceden belirlenmiş ve bir metre karelik alandan alınmış ses seviyesi değerleri kullanılarak, ses kaynağının belli bir uzaklığa göre yönünün bulunması amaçlanmıştır. Sabit genlikte ve frekansta yayın yapan bir ses kaynağı kullanılarak, tertiplenen uygun ortam için, sürekli ilgili ortamı dinleyerek ve verileri kaydederek, yön tayinindeki ilişki incelenmeye çalışılmış ve o alan için bir “konum-ses seviyesi” ilişkisi ortaya konulmuştur. Sistemin fiziksel gerçekliği, ses seviyesi ölçerlerin kaynağa olan uzaklığından meydana gelen ses gücü seviyesi düşmelerine dayanmaktadır. Ses kaynağının, ses seviyesi ölçerlere olan açısı değiştikçe, alınan sistem verilerindeki değişim ve bu değişimle kaynağın yönü arasındaki ilişkisi incelenmiştir. Sistemde beş adet desibel metre kullanılmış ve mesafe, ses seviyesi, ortam gürültüsü, ses kaynağı açısı gibi veriler alınmıştır. Bu veriler kullanılarak, sistemde tanımlanan dört bölge için çeşitli açılarda doğrusallık incelenmiştir. Elde edilen doğrusallık parametreleri ile ortamda başka bir konum için alınan değerler birlikte işleme tâbî tutulduğunda kaynak açısının doğru bulunup bulunmadığı incelenmiştir. Alınan veriler, MATLAB’ de yapay sinir ağına tabii tutularak, ses kaynağının bulunduğu bölgenin ve açının tahmin edilmesi sağlanmıştır. Ayrıca doğrusallık incelemesinde elde edilen yön verisi ile yapay sinir ağından alınan yön verisi arasında karşılaştırma yapılmıştır. Tahmin için, geri yayılımlı ileri beslemeli (feed-forward back propagation) gizli katmanında 8 nöron olan yapay sinir ağı yapısı kullanılmıştır. Sonuçlar ve sonuçlar arasındaki ilişkiler grafikler ile ifade edilmiştir.
ESTIMATION OF THE SOUND SOURCE DIRECTION WITH ARTIFICIAL NEURAL NETWORKS USING EXPERIMENTAL DATA ON THE LIMITED AREA
Eyüp Can SARI
Electrical & Electronics Engineering, M. S. Thesis, 2019 Thesis Supervisor: Asst. Prof. Dr. Ayhan GÜN
SUMMARY
In this study, it is aimed to find the direction of the sound source, according to certain distance which were determined previously at the normal conditions and taken from one square meter area by using the sound level values. A source of sound, at a constant amplitude and frequency, for a suitable environment arranged, and by recording the data, attempted to examine the relationship in the direction determination and “position-sound level relation” was established for releated area. The physical reality of the system is based on the decreasing the sound power level according to distance that the sound level meter from the source. As the angle of the sound source to the sound level meter changes, the relationship between the change in the received system data and the direction of the source was investigated. Five decibel meters were used in the system and some datas, such as distance, sound level, ambient noise, and sound source angle were taken. Using these data, linearity was examined at the various angles for the four defined regions in the system. The obtained linearity parameters and the values which were taken for another position in the environment, were investigated that whether the source angle was correct or not. The obtained datas were subjected to artificial neural network in MATLAB and the region and angle of the sound source were estimated. Moreover, the direction datas were obtained from the linearity analysis and the direction datas were taken from the artificial neural network. They were compared. For estimation, an artificial neural network structure which has 8 neurons were used in the feed-forward back propagation in its secret layer. Consequenlty, the results were expressed with the graphs.
Keywords: Prediction of the sound source direction, Artificial neural networks, Measurement of
TEŞEKKÜR
Bu tezin hazırlanmasında başından sonuna kadar desteklerini ve tecrübelerini hiç esirgemeyen, başta değerli danışman Hocam Dr. Öğr. Üyesi Ayhan GÜN’e, hayatımın her noktasında her ne olursa olsun hep yanımda olan kıymetlilerim; anneme, babama ve sevdiklerime, ayrıca bana yazıdan ziyâdesini kazandıran ve üzerimde büyük emeği olan kıymetli Hocam Seyyah Kemankeş Hattat Mahmut ŞAHİN’ e hürmetlerimi ve şükranlarımı sunarım.
Ayrıca tez çalışmamı sanayiye yönelik birçok lisansüstü ve doktora tezi arasından akademik teşvik ödülüne layık gören Kütahya Ticaret ve Sanayii Odası (KÜTSO)’na ve Kütahya Dumlupınar Üniversitesi Teknoloji Transfer Ofisi (KÜTAHYA DPÜ TTO A.Ş)’ne destekleri ve teveccühleri için hasseten teşekkürlerimi arz ederim.
İÇİNDEKİLER
Sayfa
ÖZET ... v SUMMARY ... vi ŞEKİLLER DİZİNİ ... x ÇİZELGELER DİZİNİ ... xiv SİMGELER VE KISALTMALAR DİZİNİ ... xv 1.GİRİŞ ... 1 2. KAVRAMSAL TEMELLER... 122.1. Temel Ses Bilgisi ... 12
2.1.1. Sesin frekansı ... 12
2.1.2. Sesin genliği ... 12
2.1.3. Sesin hızı ... 13
2.1.4. Sesin dalga boyu... 14
2.1.5. Sesin şiddeti... 14
2.2. Sesin Yayılımı ... 16
2.2.1. Sesin serbest alanda yayılımı ... 17
2.2.2. Atmosferik yutuş ile kaynaktan belli mesafedeki ses gücü seviyesinin bulunması ... 17
3. YAPAY SİNİR AĞLARI ... 19
3.1. Geri Yayılımlı (Back-Propagation) Yapay Sinir Ağı Yapısı ... 23
4. MATERYAL VE METOT ... 24
4.1. Deney Ortamı ve Kılavuzu ... 24
4.2. Kullanılan Ses Kaynağı ... 25
4.3. Wintact WT85 SLM Ses Seviyesi Ölçeri ... 26
4.3.1. Wintact WT85 ses seviyesi ölçerin doğruluk-kıyas testi ... 27
4.3.2. Wintact WT85 ses seviyesi ölçerin kalibrasyonu ... 27
İÇİNDEKİLER (devam)
Sayfa
5. SES KAYNAĞININ YÖNÜNÜN BULUNMASINA YÖNELİK YAPILAN ÖLÇÜMLERVE SONUÇLAR ... 37 5.1. Ortam Gürültüsü Ölçümü ve Mimarisi ... 37 5.2. Verilerin Maksimum-Minimum Normalizasyon Metoduna Göre Normalize Edilmesi .. 45 5.3. Ses Kaynağı Yönünün ve Bölgesinin Tespitine Yönelik Yapılan Deneyler ... 46 5.4. Deneylerden Elde Edilen Verilerden Doğrusallık İncelemesinin Yapılması ve Farklı
Birkaç Konum İçin Doğrusallığın Test Edilmesi ... 93
6. SONUÇ VE ÖNERİLER ... 96 KAYNAKLAR DİZİNİ ... 99 ÖZGEÇMİŞ
ŞEKİLLER DİZİNİ
Şekil Sayfa
1.1. Kulaklar arası zaman farkı (KAZF) kavramının şeklen izahı. ... 1
1.2. Mikrofon dizisi yerleştirilmiş bir robot . ... 3
1.3. Mikrofon dizisi yerleştirilen robot üzerinden deney yapılma anına ait bir görüntü ... 3
1.4. Massachusets Institute of Technology’de geliştirilen 1020 adet mikrofondan oluşan mikrofon dizisi ... 4
1.5. Miao ve arkadaşlarının hareketli ses kaynağının konumunun bulunmasına yönelik deney düzeneği görüntüsü... 6
1.6. Miao ve arkadaşlarının hareketli ses kaynağının konumunun bulunmasına yönelik deney sonucu görüntüsü ... 6
1.7. Üç boyutlu gerçek akustik ortamda birden fazla ses kaynağının konum tespitine ait deney ortamı görüntüsü ... 7
1.8. Wang ve arkadaşının ses kaynağının bulunmasına yönelik yapmış oldukları deney düzeneğinin görüntüsü . ... 7
1.9. AR. Drone, RASP-24 sinyal işlemci birimi ve mikrofon dizisi içeren tahmin sistemi ... 8
1.10. Oda içerisinde ses kaynağının adreslenmesi için kullanılan mikrofon dizilerinin yerleşim planı ... 9
1.11. Eş zamanlı çift ses kaynağından elde edilen histogram sonucu ... 9
1.12. Deneyde kullanılan mikrofon dizisi sistemi ... 10
2.1. Yüksek frekanslı ve düşük frekanslı bir sinyalin gösterimi. ... 12
2.2. Ses sinyali genliğinin gösterimi. ... 13
2.3. Sesin dalga boyunun gösterimi. ... 14
3.1. Temel bir yapay sinir ağı yapısı. ... 20
3.2. İleri yönde bir yapay sinir ağı yapısı. ... 21
3.3. Geri beslemeye sahip bir yapay sinir ağı yapısı örneği. ... 21
4.1. Deneylerde kullanılan kılavuzun görseli. ... 24
4.2. Deneyde kullanılan kılavuzdan detay bir görüntü. ... 25
4.3. Wintact marka WT85 model SLM desibel metre. ... 26
4.4. Wintact WT85 cihaz komponentlerinin tanımlanması. ... 26
4.5. MATLAB NNTOOL ara yüz ekranı. ... 28
4.6. NNTOOL Import to network/data manager ekranı. ... 29
ŞEKİLLER DİZİNİ (devam)
Şekil Sayfa
4.8. Yapay sinir ağı blok şeması görüntüsü. ... 30
4.9. Yapay sinir ağı eğitim “input-target” giriş verileri ekranı. ... 30
4.10. Ağın eğitimi için gerekli olan ağ parametreleri ayar penceresi. ... 31
4.11. Yapay sinir ağı eğitim ana ekranı. ... 32
4.12. Hata-Epoch grafiği. ... 33
4.13. “Training State” penceresi. ... 34
4.14. Yapay sinir ağının eğitiminin sonucunda validasyon, test ve training eğrileri. ... 35
4.15. Oluşturulan ve eğitilen yapay sinir ağının simülasyon veri girişi ekranı. ... 36
4.16. Oluşturulan ve eğitilen yapay sinir ağının simülasyon sonuçlarına ait veriler. ... 36
5.1. Ortam gürültüsü ölçme 2D konfigürasyonu. ... 38
5.2. Ortam gürültüsü ölçüm deneyinden bir örnek... 38
5.3. Ses kaynağı 20 derecede iken deney ortamının görüntüsü... 39
5.4. SLM 1’e ait deney ortamı gürültü seviyesi ölçüm değerleri. ... 41
5.5. SLM 2’e ait deney ortamı gürültü seviyesi ölçüm değerleri. ... 41
5.6. SLM 3’e ait deney ortamı gürültü seviyesi ölçüm değerleri. ... 42
5.7. SLM 4’e ait deney ortamı gürültü seviyesi ölçüm değerleri. ... 43
5.8. SLM 5’e ait deney ortamı gürültü seviyesi ölçüm değerleri. ... 43
5.9. Tüm ses seviyesi ölçerlerin gürültü seviyesi ölçüm değerleri. ... 44
5.10. İlgili ortamdan 103 deney ile elde edilen ortalama gürültü seviyesi ölçüm değerleri. ... 45
5.11. Test/Simulate – Training verilerini ve değerlerin normalize edilmiş hallerini gösteren EXCEL’deki veri tabanından bir kesit görüntü. ... 48
5.12. Tahmin için yapılan uygulamanın ağ parametreleri. ... 49
5.13. Tahmin uygulamasına ait ağın eğitim parametreleri. ... 50
5.14. Yapay sinir ağı eğitim süreci sonunu gösteren pencere. ... 50
5.15. Tahmin uygulamasında yapay sinir ağının eğitiminin sonucunda validasyon, test ve training eğrileri. ... 51
5.16. En iyi validasyon performansının gösterildiği grafik. ... 52
5.17. Ağa ait “Training State” grafikleri. ... 53
ŞEKİLLER DİZİNİ (devam)
Şekil Sayfa
5.19. Yapay sinir ağı tahmininin ve ses kaynağının gerçek konumunun karşılaştırmalı grafiksel gösterimi. ... 56 5.20. Dört girişli – iki çıkışlı yeni sistemin yapay sinir ağı eğitim süreci sonunu gösteren
pencere. ... 57 5.21. Çift çıktılı tahmin uygulamasında yapay sinir ağının eğitiminin sonucunda validasyon, test ve training eğrileri. ... 58 5.22. Çift çıktılı tahmin uygulamasının en iyi validasyon performansının gösterildiği grafik. .. 59 5.23. Çift çıktılı ağa ait “Training State” grafikleri. ... 59 5.24. Çift çıktılı yapay sinir ağından normalize değer olarak alınan açı ve bölge tahmin
değerleri. ... 60 5.25. Çift çıktılı sistemin bölge tahmini ile reel bölge arasında karşılaştırma grafiği... 62 5.26. Çift çıktılı sistemde yapay sinir ağı açı tahmin değerleri ve ses kaynağının konumlarının
karşılaştırma grafiği. ... 62 5.27. Tek çıktılı ve çift çıktılı yapay sinir ağı açı tahmin sonuçlarının reel açılara göre
karşılaştırma grafiği. ... 63 5.28. İkinci bölge için oluşturulan yapay sinir ağı tahmin sisteminin ağ özellikleri. ... 65 5.29. İki numaralı bölge için oluşturulan yapay sinir ağının eğitim parametreleri ayar ekranı. . 66 5.30. İkinci bölgeye ait oluşturulan yapay sinir ağının eğitim sonuç ekranı. ... 67 5.31. İkinci bölgedeki açı tahmin uygulamasında yapay sinir ağının eğitiminin sonucunda
validasyon, test ve training eğrileri. ... 68 5.32. İkinci bölge için oluşturulan yapay sinir ağına ait “Training State” grafikleri. ... 68 5.33. İkinci bölgeye ait tahmin uygulamasının en iyi validasyon performansının gösterildiği
grafik. ... 69 5.34. İkinci bölgeye ait yapay sinir ağından normalize değer olarak alınan açı ve bölge tahmin
değerleri. ... 69 5.35. İkinci bölge için ses kaynağının gerçek konumu ve yapay sinir ağı tahmini açıların
karşılaştırılması grafiği. ... 71 5.36. İkinci uygulamaya ait ağın eğitim parametreleri. ... 72 5.37. İkinci uygulamaya ait oluşturulan yapay sinir ağının eğitim sonuç ekranı. ... 73 5.38. İkinci uygulamaya ait yapay sinir ağının eğitiminin sonucunda validasyon, test ve training
ŞEKİLLER DİZİNİ (devam)
Şekil Sayfa
5.39. İkinci uygulamaya ait en iyi validasyon performansının gösterildiği grafik. ... 75 5.40. İkinci uygulamaya ait yapay sinir ağının “Training State” grafikleri. ... 76 5.41. İkinci uygulamaya ait yapay sinir ağının tahmin çıktı verileri. ... 78 5.42. İkinci uygulamaya ait yapay sinir ağı tahmininin ve ses kaynağının gerçek konumunun
karşılaştırmalı grafiksel gösterimi. ... 79 5.43. İkinci uygulamaya ait oluşturulan, bölge ve açı tahmini yapması amaçlanan yapay sinir
ağının eğitim sonuç ekranı. ... 81 5.44. Bölge ve açı tahmini yapması amaçlanan yapay sinir ağının eğitiminin sonucunda elde
edilen validasyon, test ve training eğrileri. ... 81 5.45. Bölge ve açı tahmini yapması amaçlanan yapay sinir ağının en iyi validasyon
performansının gösterildiği grafik. ... 82 5.46. Bölge ve açı tahmini yapan sisteme ait yapay sinir ağının “Training State” grafikleri. .... 83 5.47. Bölge ve açı tahmininde bulunan yapay sinir ağına ait normalize tahmin çıktı verileri. ... 83 5.48. İkinci uygulamaya ait çift çıktılı sistemin bölge tahmini ile reel bölge arasında
karşılaştırma grafiği. ... 85 5.49. İkinci uygulamaya ait çift çıktılı sistemde yapay sinir ağı açı tahmin değerleri ile ses
kaynağının konumlarının karşılaştırma grafiği. ... 85 5.50. İkinci uygulamaya ait tek çıktılı ve çift çıktılı yapay sinir ağı açı tahmin sonuçlarının reel
açılara göre karşılaştırma grafiği. ... 86 5.51. Dördüncü bölgeye ait yapay sinir ağının eğitim parametreleri. ... 87 5.52. Dördüncü bölgeye ait açı tahmini yapması amaçlanan yapay sinir ağının eğitim sonuç
ekranı. ... 88 5.53. Dördüncü bölgeye ait açı tahmini yapması amaçlanan yapay sinir ağının eğitiminin
sonucunda elde edilen validasyon, test ve training eğrileri. ... 89 5.54. Dördüncü bölgeye ait açı tahmini yapması amaçlanan yapay sinir ağının en iyi validasyon
performansının gösterildiği grafik. ... 90 5.55. Dördüncü bölgeye ait yapay sinir ağının “Training State” grafikleri. ... 91 5.56. Dördüncü bölgeye ait yapay sinir ağından normalize değer olarak alınan açı. ... 91 5.57. Dördüncü bölge için ses kaynağının gerçek konumu ile yapay sinir ağı tahminine ait
ÇİZELGELER DİZİNİ
Çizelge Sayfa
2.1. Ses gücü ve ses gücü düzeyine günlük hayattan örnek yaklaşık değerler. ... 15
3.1. Biyolojik sinir sistemi ile yapay sinir ağı yapısının benzerlikleri ... 19
3.2. Transfer fonksiyonlarının giriş- çıkış ilişkileri, grafiksel gösterimleri ve MATLAB kodları... 22
4.1. Wintact WT85 SLM cihazının teknik parametreleri. ... 27
5.1. Ortam gürültüsü ölçüm verilerini barındıran 76 numaralı rapor. ... 40
5.2. Örnek olarak gürültü verilerinin normalize edilmiş değerleri. ... 46
5.3. 76 no’lu deneye ait örnek bir ölçüm raporu. ... 47
5.4. Tahmin edilmesi amaçlanan ve rassal olarak seçilen farklı bölgelerdeki 5 açı için alınan deneysel veriler. ... 53
5.5. Tahmin edilmesi amaçlanan ve rassal olarak seçilen farklı bölgelerdeki 5 açı için alınan deneysel verilerin normalize edilmiş değerleri. ... 54
5.6. Tahmin verileri, reel veriler ve tahmin işlemindeki hatalar. ... 55
5.7. Çift çıktılı sistemde açı tahmin verileri, reel veriler ve tahmin işlemindeki hatalar. ... 61
5.8. Çift çıktılı sistemde bölge tahmin verileri, reel veriler ve tahmin işlemindeki hatalar. ... 61
5.9. Çift çıktılı ve tek çıktılı sistemin değer ve hata karşılaştırması. ... 63
5.10. İkinci bölgeden alınan yapay sinir ağı açı tahmin verileri, reel veriler ve tahmin işlemindeki hatalar. ... 70
5.11. İkinci uygulamada tahmin edilmesi amaçlanan ve rassal olarak seçilen farklı bölgelerdeki 5 açı için alınan deneysel veriler. ... 77
5.12. İkinci uygulamada tahmin edilmesi amaçlanan ve rassal olarak seçilen farklı bölgelerdeki 5 açı için alınan deneysel verilerin normalize edilmiş değerleri ... 77
5.13. İkinci uygulamanın tahmin verileri, reel veriler ve tahmin işlemindeki hatalar. ... 78
5.14. İkinci uygulamaya ait çift çıktılı sistemde açı tahmin verileri, reel veriler ve tahmin işlemindeki hatalar. ... 84
5.15. İkinci uygulamaya ait çift çıktılı sistemde bölge tahmin verileri, reel veriler ve tahmin işlemindeki hatalar. ... 84
5.16. İkinci uygulamaya ait çift çıktılı ve tek çıktılı sistemin değer ve hata karşılaştırması. ... 86
5.17. Dördüncü bölgeden alınan yapay sinir ağı açı tahmin verileri, reel veriler ve tahmin işlemindeki hatalar. ... 92
SİMGELER VE KISALTMALAR DİZİNİ
Simgeler Açıklama
π Pi sayısı (3.14) °C Santigrad
B Bulk modülü (Hacim sabiti) ρ Ortamın yoğunluk indisi v Ses hızı
λ Dalga boyu
f Frekans c Ses hızı
Dw Ses gücü düzeyi Dp Ses basıncı düzeyi DI Ses şiddeti düzeyi Q Ses yönelme katsayısı Ø Havanın yüzdelik bağıl nemi
Hz Hertz
ms Mili saniye sn Saniye
Kısaltmalar Açıklama
ITD Internaural Time Differences TDA Time Differences of Arrival
MIT Massachusets Institute of Technology KAZF Kulaklar Arası Zaman Farkı
SNR Signal Noise Ratio (Sinyal Gürültü Oranı) dB Desibel
SLM Sound Level Meter YSA Yapay Sinir Ağı
1.GİRİŞ
Ses kaynağının yönünün ve konumunun tahmin edilmesi problemi, bir süredir fazlaca çalışmaya konu olmuştur. Bu problemlerde kullanılan mimari ve sistem birbirinden çoğu kez farklı olsa da, bu çalışmaların birçoğu sesin, farklı iki noktadaki ses almacına (ki bu bir desibel metre, ses seviyesi ölçen bir elektronik devre veya bir mikrofon yapısı olabilir) ulaşma zamanındaki zaman farklılığından ve bu faz kaymasından yola çıkarak çalışmalar çeşitlendirilmektedir.
Ses kaynağından belirli uzaklıklardaki iki mikrofonda alınan ses sinyalinin zamanı düşünüldüğünde, kaynağın yakın olduğu mikrofon ile uzak olduğu mikrofon arasında ses alma zamanları bakımından faz farklılığı söz konusudur. Bu farklılık, optimum koşullarda, sesin diğerlerine göre erken alındığı mikrofon verisi sayesinde, o mikrofonun kaynağa daha yakın olunduğu gerçeğini de ortaya koyar. Bu gerçeklikten eğer iki insan kulağı için bahsedilecek olursa, bu duruma “Internaural Time Differences” (ITD) yani “Kulaklar Arası Zaman Farkı” (KAZF) veya “Time Differences of Arrival” (TDA), “Varış Zamanı Farkı” (VZF) olarak adlandırılır (Zhong vd., 2015).
Şekil 1.1. Kulaklar arası zaman farkı (KAZF) kavramının şeklen izahı.
Şekil 1.1’den de görüldüğü gibi, VZF ye göre ulaşma zamanı sol kulağa göre sağ kulağın daha geç olduğu gibi, sağ kulağın hissettiği genlik-normal koşullarda- sol kulaktan daha fazla olacaktır. Bunu şöyle basit bir izahla da desteklersek; Normal bir baş mesafesi, iki kulak arası referans alındığında, yaklaşık olarak 18cm olarak kabul edilirse, 20 ° C’ da deniz seviyesinde ses hızının da 343 m/sn olarak bilindiğinden, ses dalgası bu durumda 1 cm yol alabilmesi için 29 μs
ye ihtiyaç duyacaktır. Hal böyle iken, 18 cm için bir baş için zaman farkı maksimum Eşitlik (1.1)’deki gibi olacaktır.
18𝑥29𝜇𝑠 = 522𝜇𝑠 = 0,522𝑚𝑠 (1.1)
Yani, nominal bir ses dalgası bir kulağa, diğerine göre en fazla 0,522ms geç veya 0,522ms erken ulaşacağı söylenebilir (Uzun, 2012). Bu veriler doğrultusunda, normal şartlar altında, ses kaynağının 0,522 ms erken alındığı kulak kaynağa daha yakındır demek, ses hızı denklemi uyarınca, yanlış olmaz.
Ses kaynağının konumunun bulunması üzerine, günümüze kadar pek çok çalışma yapılmış ve bu çalışmalar incelenmiştir. Kapsam bakımından ve uygulama yönünden birbirinden farklı çalışmalar olsalar da, bu çalışmalara ait veriler ve sonuca ulaşma metotları taranmıştır.
Fan ve diğerlerinin, yaptığı çalışmada eşkenar bir üçgenin köşelerine ve bir karenin köşelerine yerleştirilmiş mikrofonlarla ses kaynağının yönünü, varış zamanı farkı prensibine dayandırarak tahmin etmeye çalışmışlardır (Fan vd., 2010).
Çontar ve Bilge, yaptığı çalışmada gürültülü ortam koşullarında, mikrofon dizileriyle ses kaynağının yerinin bulunmasını incelemişlerdir. Bu incelemede, mikrofon dizileri hüzme şekillendirme metoduyla, belirli bir bölge için veri alma imkânı sağlamıştır. Mikrofon dizileri belirli bir aralıkla dizildikleri için, kendilerine ulaşan ses sinyalinin ulaşma zamanı, bir diğerine göre zaman açısından farklı olacağından geciktir-topla yöntemi kullanılmış ve bu gecikmeler belli bir prosesten geçirilerek sinyallerin üst üste toplanması ile çıkış sinyalinin elde edilmesi sağlanmıştır. Ses kaynağının konumunun tespiti için ise, genetik algoritma kullanılmış ve algoritma sonucunda ortaya çıkan noktalara hüzme şekillendirme yapılarak çıkışlar değerlendirilmiştir. Sonuçta en uygun ve tutarlı sinyalin geldiği koordinatları ses kaynağının konumu olarak saptamışlardır (Çontar vd., 2008).
Kwork ve arkadaşlarının çalışmasında ise hareketli ses kaynağı yönünün tahmini için farklı bir mikrofon dizisi tasarımı yoluna gidilmiş ve bu tasarımın sonuçları izlenmiştir. Ses alımı gürültü nedeni ile bozulduğundan, hareketli ses kaynağı konumunun daha iyi bir tahmini sağlanması için evrimsel ve biyolojik temelli bir hesaplama yöntemi olarak genetik algoritmalar kullanılmıştır. Algoritma sayesinde hareketli konuşmacının ilk konumu verisinin elde edilmesi ihtiyacı ortadan kalkmıştır. Simülasyon sonuçları, önerilen dizi tasarım stratejisinin ve tahmin yönteminin hareketli bir konuşmacının izlenmesinde etkili olduğunu göstermiştir (Kwork vd., 2005).
Valin ve diğerleri, üç boyutlu ve gerçek zamanda, normal oda koşullarında güçlü bir ses kaynağının yönünü 8 adet mikrofonlu bir mikrofon dizisi kullanarak bulmaya çalışmışlardır. Çalışmalarını, ses kaynağından çıkan güçlü sesin mikrofon dizisindeki mikrofonlara ulaşma zamanındaki farklılıktan yola çıkarak temellendirmişlerdir. Sonuç olarak tahminlerini 3 metrede, 3 derecelik bir hassasiyetle sağlayabilmişlerdir. Yaptıkları çalışmaya ve tasarladıkları mobil robota ait görüntü Şekil 1.2 ve Şekil 1.3’teki gibidir (Valin vd., 2016).
Şekil 1.2. Mikrofon dizisi yerleştirilmiş bir robot (Valin vd., 2016).
Şekil 1.3. Mikrofon dizisi yerleştirilen robot üzerinden deney yapılma anına ait bir görüntü (Valin
MIT (Massachusets Institute of Technology) laboratuvarında geliştirilen 1020 adet mikrofondan oluşan mikrofon dizisi ile ses verileri alınmış ve testler yapılmıştır. Mikrofon adedine bağlı olarak demetlemenin neticesindeki meydana gelen sinyalin sinyal gürültü oranı (SNR) değeri logaritmik olarak değiştiği saptanmış ve öyle bildirilmiştir (Weinstein vd., 2004). Şekil 1.4’te MIT’ de geliştirilen mikrofon dizisinin bir fotoğrafı görülmektedir.
Şekil 1.4. Massachusets Institute of Technology’de geliştirilen 1020 adet mikrofondan oluşan
mikrofon dizisi (Weinstein vd., 2004).
Eroğlu ise klasik yöntemlerden farklı bir yaklaşım ile çok adetli ve farklı noktalardan referanslı birçok mikrofon yerine, tek mikrofonlu bir sistem yapısı ile ses kaynağı yönünü bulma yoluna gitmiştir. Çalışmasında iki ayrı yaklaşım kullanarak bu problemi çözmeye çalışmıştır. Öncelikle verilerini çeşitli mesafelerden alıp kaydetmiş ve bunlar üzerinde çalışmıştır. Özniteliklerin çıkarılıp, sınıflandırılması ile ses kaynağının almaca olan mesafesini tahmin etmiştir. Öznitelik olarak, hata oranı, savrukluk ve basıklık olarak saptamıştır. Çalışmasında kullanılan bir diğer yol ise, PYTHON dili ile derin yapay sinir ağı yapısı denenerek mesafenin tahminini yapmaya çalışmıştır. İlk ve ikinci kullandığı yöntemleri birbirleri ile karşılaştırarak hata oranlarını, başarılı taraflarını ortaya koymuş ve çalışmasında yer vermiştir (Eroğlu, 2018).
Risouda ve arkadaşları, ses kaynağının bulunmasını uyarıcı frekans etkisi aralığı yönünden incelemişlerdir. Ve çalışmalarında ses kaynağı tahmininin uyarıcı frekansına bağlı olduğu öne sürülmüştür. Bu fikre göre; 1000 Hz ile 3000 Hz arası binoral işaretler açısından gri alan olarak değerlendirilmiştir (Risouda vd., 2018).
Ses kaynağının yönünün tahmin edilmesi ile çoğu zaman başka bir bilgi daha edinilmiş de olacaktır. Örneğin; ses kaynağının yönünü ve uzaklığını tahmin edecek sistemi bir askerî koruyucu kaska, zırhlı personel taşıyıcılarına ve hatta helikopterlere entegre ederek, düşman ateşi algılama sistemleri geliştirilmiş, savunma sanayii’nin dünyada uygulamaya girmiş ve ilgili çalışmalar kendilerini ispatlamıştır (Scanlon, 2008). Bu çalışmadan da anlaşıldığı üzere, ses kaynağı yön ve konum verisinin elde edilmesi taktiksel ve askeri bir yarar sağlamış durumdadır.
Naz ve diğerleri, yaptıkları çalışmada, bir savaş ortamında ateşli silahların konumlarının tespitinde, akustik ses dalgaları ve sismik dalgaları analiz ederek frekansında farklılık arz eden aralıkları incelemeyi amaçlamışlardır. Bu çalışma için, kullanılan farklı silahların akustik sinyallerine ait verilerinin alınması ve atmosferdeki dalga yayılımlarının modellenmesi gibi alt çalışmalara başvurmuşlardır. Çalışmalarının sonucunda deneysel sonuçların yorumlamasını güçlendirmek için sayısal modelleme yapmışlardır (Naz vd., 2009).
Hengy ve arkadaşları ise yine savunma sanayiine yönelik yaptıkları çalışmada, keskin nişancıların operasyonel faaliyetlerdeki varlıklarının, askerleri demoralize etmesi gerçekliğinden yola çıkarak, keskin nişancı atışlarından kaynaklanan muzzle ve mach ses dalgalarını kullanarak nişancının konumunun bulunmasına yönelik bir kask (başlık) ekipmanı kullanmışlardır. Saint-Louis Enstitüsü’nde geliştirilen algoritmalar ile yapılan kentsel olmayan ortamda 2000’den fazla atış tespit edilmiş ve atış konumları saptanmıştır (Hengy vd., 2007).
Miao ve arkadaşları, hareketli bir ses kaynağının, nirengi metodu baz alarak incelemesini yapmışlardır. 30km/saat hızla giden bir otomobilin sol arka tarafına 1000 Hz’lik kaynak yerleştirmişler ve bu aracın geçeceği yere, 3,7 metre mesafede 32 adet mikrofon ihtiva eden bir çembersel sistem kurmuşlardır. Sistemin tam ortasında video kaydı için bir kamera bulunmaktadır. Yaptıkları çalışmalar sonucunda, kabaca, varış yerinin hareketli olarak zaman farkı prensibine dayanarak ses kaynağının konumunu tespit edebilmişlerdir. Şekil 1.5 ve 1.6’da deney ortamının ve deney neticesi sonucunda kaynağın konumunun saptanmasının görüntüsü verilmiştir (Miao vd., 2015).
Şekil 1.5. Miao ve arkadaşlarının hareketli ses kaynağının konumunun bulunmasına yönelik
deney düzeneği görüntüsü (Miao vd., 2015).
Şekil 1.6. Miao ve arkadaşlarının hareketli ses kaynağının konumunun bulunmasına yönelik
deney sonucu görüntüsü (Miao vd., 2015).
Ünal ise tez çalışmasında, üç boyutlu ve gerçek bir akustik yalıtımlı ortamda, birden fazla ses kaynağının yerlerini tahmin edebilecek yeni bir yöntem önermiştir. Öncelikle güç spektrum faz katsayılarının eş zamanlı toplanması ile ulaşma yönü değerlerinin tahminlerini bulmuş, sonrasında ise tutarsızlık ölçüsü esaslı bir yaklaşımla gruplandırma yapmıştır. Her bir ses kaynağı için ulaşma yönü değerlerinin tahminin elde edilmesinin ardından, üç koninin birleşme noktalarını bulmak için bir arama motorundan yardım alınmıştır. Deneyleri hem simülasyon hem de akustik ortamda gerçeklemiştir. İlgili deneylerin görüntüleri Şekil 1.7’deki gibidir (Ünal, 2006).
Şekil 1.7. Üç boyutlu gerçek akustik ortamda birden fazla ses kaynağının konum tespitine ait
deney ortamı görüntüsü (Ünal, 2006).
Wang ve arkadaşı çalışmalarında, mikrofon dizileri kullanarak ses kaynağını tahmin ederek ve kimliklendirme üzerine geometrik bir yaklaşımda bulunarak bir çalışma yapmışlardır. Dominant bir ses kaynağının yerinin tahmin edilmesinde topla-geciktir modeli uygulanarak bir yaklaşım sergilenmiştir. Kaynaktan her bir sensöre gelen gecikme fonksiyonları eş zamanlı toplanarak dominant ses kaynağı karakterize edilmiştir. Tüm uygulanan yaklaşımlar deneylerle doğrulanmıştır. Çalışmada kullanılan deney düzeyinin bir görüntüsü Şekil 1.8’deki gibidir (Wang vd., 2015).
Şekil 1.8. Wang ve arkadaşının ses kaynağının bulunmasına yönelik yapmış oldukları deney
Furukawa ve arkadaşları, multi-rotorlu bir insansız hava aracı ile mikrofon dizileri kullanarak ses kaynağı yönünü tahmin edebilecek bir metot geliştirmişlerdir. Bu çalışmalarında karşılaştıkları ana problemden biri, insansız hava aracının kendinden gelen rotor gürültüleri sesin gözlemlenmesini ve ses kaynağının bulunması yönündeki performansı düşürmüştür. Bu problemleri genelleştirilmiş öz değer ayrıştırma tabanlı çoklu sinyal sınıflandırması algoritmasını kullanarak rotordan gelen gürültülerin etkilerini azaltma yoluna gitmişlerdir. Kullandıkları metotları test ederek elde ettikleri sonuçları mevcut ve benzer ses kaynağı bulma yöntemlerini geride bıraktıklarını (özellikle de yüksek sinyal gürültü oranları durumlarında) bildirmişlerdir (Furukawa vd., 2013).
Şekil 1.9. AR. Drone, RASP-24 sinyal işlemci birimi ve mikrofon dizisi içeren tahmin sistemi
(Furukawa vd., 2013).
Nakadai ve diğerleri, yaptıkları çalışmada ise, bir robotun radyo ve televizyon gibi ses kaynaklarından gelen karmaşık sesleri ayırt ederek ses kaynağının adreslemesini sağlamışlardır. Bu çalışma için 64 kanallı bir mikrofon dizisini bir oda içerisinde kullanmışlardır. Ses kaynağının adreslenmesi için topla ve geciktir tabanlı yeni bir metot sunmuşlardır. Oda içerisinde mikrofon dizilerini bir konfigürasyona göre farklı noktalara yerleştirmişlerdir. Deney yaptıkları ortamın mikrofon yerleşimi ve deney sonuçlarından aldıkları sonuçlar histogram olarak Şekil 1.10 ve 1.11’de gösterilmektedir (Nakadai vd., 2005).
Şekil 1.10. Oda içerisinde ses kaynağının adreslenmesi için kullanılan mikrofon dizilerinin
yerleşim planı (Nakadai vd., 2005).
Şekil 1.11. Eş zamanlı çift ses kaynağından elde edilen histogram sonucu (Nakadai vd., 2005).
Cheng ve arkadaşı, yaptığı çalışmada iç mekânda ses kaynağının konumunun mikrofon dizileri kullanarak tahmin edilmesini amaçlamıştır. Bu problemi, zaman ve frekans domaininde birkaç nokta seçerek tek bir ses kaynağı altında sesin ulaşma zamanı farkı prensibi bazlı bir yaklaşımla çözüme ulaştırmayı amaçlamışlardır. Elde edilen sesin ulaşım zamanı farkı tahminleri sonsuz bir Gauss karışım modelinden alınarak varsayılmıştır. Ayrıca reel sistemde deney yapılarak metot test edilmiştir. Cheng’in deney düzeneği Şekil 1.12’de görüldüğü gibidir (Cheng vd., 2014).
Şekil 1.12. Deneyde kullanılan mikrofon dizisi sistemi (Cheng vd., 2014).
Bu tez çalışmasında ise, sabit genlikte ve frekansta yayın yapan bir ses kaynağı bulunan bir ortam için sürekli o ortamı dinleyerek ve verileri kaydederek, ilgili ortamın gürültü karakteristiği hakkında genel olarak bir bilgi yığını ortaya koyduktan sonra, bu veriler ışığında ses kaynağının sınırlı bir alan içinde, hangi açıda olduğunun tahmin edilmesi üzerine çalışılmıştır.
Ses kaynağı, ses dalgalarını üreterek, yayılmasını ve oradan bilgi gönderilmesini sağlar. Ses almaçlarının, kaynağa yakınlık ve uzaklığı ile kendisine gelen dalganın şiddetleri ve genlikleri değişmektedir. Bu fiziksel gerçeklikten yola çıkarak, normal bir oda şartlarındaki diğer parametreleri de hesaplamak suretiyle, kapalı bir mekânda sabit ve yeri geometrik olarak bilinen ses kaynağı deney ortamına yerleştirilmiştir.
Bunun için yaklaşık 145 adet deney yapılmış ve bu veriler alınmadan önce, özgün ve hep aynı şekilde kalan bir konfigürasyonda sürekli ortam gürültüsü de ölçülerek, ses kaynağı aktif edilmeden önce 5 farklı noktadan ses seviyesi verisi alınarak, kümülatif bir ortam gürültüsü değeri elde edilmiştir. Bu yaklaşımla, ortamın gürültüsünün genellikle hangi yönden kaç dB olduğu ve bunun, sistemin hangi bölgelerinde bozucu etki oluşturduğu saptanmıştır.
Ses kaynağı olarak Xiaomi Mi 8 Lite mobil cihazı ve ses seviyesi ölçeri olarak ise 5 adet Wintact WT85 SLM (Sound Level Meter) kullanılmıştır. Ses kaynağının yaklaşık 100 dB ve 1kHz’lik ideal bir sinüs dalgası olmasına tüm deneylerde dikkat edilmiş ve ses kaynağının bu homojenliğini izleyen ayrıca bir desibel metre deney ortamında ses kaynağının üzerinde (yaklaşık
1,5cm yanında) sürekli bulundurulmuştur. Deneyde kullanılan materyaller ilerleyen kısımlarda materyal ve metot bölümünde yine ele alınacaktır.
Deney ortamı konfigürasyonunda, 90 derece açı ile yerleştirilen ses seviyesi ölçerlerinden, sürekli, manuel olarak veriler alınmış ve bu veriler Microsoft Excel ortamına kaydedilmiştir. Optimum yarıçapın elde edilmesi içinde bir takım deneyler yapılmıştır. 70 cm de iken sistemin tutarlı sonuçlar vermediği görüldüğü için, deney yapılırken orijine olan uzaklık sabit tutulmuş ve 50 cm olarak belirlenmiştir. Bu yarıçap, aynı zamanda tahmin sisteminin kapsam alanını belirlemektedir. Her bir deney için ses kaynağı belli açılarla kaydırılarak, tüm desibel metrelerden ayrı ayrı 25’er veri kaydedilmiştir. Bu verilerin birbirleri ile ilişkisi ve sistemin belli bölümleri için doğrusallık parametreleri hesaplanmıştır. 4 farklı açı için çeyrek çemberden alınan verilerden hesaplanmış doğrusallık parametreleri kullanılarak, başka bir açı için sistemin doğrusallık sonucu incelenmiştir.
Ayrıca, sadece ses kaynağının bulunmasına yönelik yapılan 145 deneyden alınan yaklaşık 18125 ses seviyesi ölçüm verisi, MATLAB NNTOOL’da yapay sinir ağı yapısında eğitilmiş ve bu ağdan alınan tahmin sonuçları bazı değerler için hem lineerlik denkleminden elde edilen ses kaynağı konum açısı, hem de kaynağın gerçekteki konum açısıyla karşılaştırılmış ve hataların nedenleri tartışılmıştır. İlgili MATLAB programı Kütahya Dumlupınar Üniversitesi Elektrik-Elektronik Mühendisliği bölümüne ait lisanslı bir yazılımdır.
Yapay sinir ağı yapısı olarak ise, tahmin için, geri yayılımlı ileri beslemeli (feed-forward back propagation) gizli katmanında 8 nöron olan yapay sinir ağı kullanılmıştır. Alınan sonuçlara göre tahmin verileri grafiksel olarak ifade edilmiş ve farklı açılar için birbirleri ile karşılaştırılmıştır.
2. KAVRAMSAL TEMELLER
2.1. Temel Ses Bilgisi
Ses, tipik bir basınç dalgası olarak, gaz, katı ve sıvı gibi parçacıklı ortamda yayılan bir enerji türüdür. Diğer bir ifadeyle boşlukta sesin yayılması mümkün değildir.
Hava ortamındaki parçacıkların titreşimi ile meydana gelen dalgalar ortamda basınç değişikliklerine sebep olur. Bu basınç farklılıkları gerek insan kulağında gerekse ses alıcılarında ve işletimcilerinde elektriksel bir sinyale çevrilerek bilgi edinilmiş olur. Hal böyle iken, ses için bir bilgi aktarım yöntemidir demek yanlış olmaz (Lorinc, 2015).
2.1.1. Sesin frekansı
Periyodik bir sinyalde birim zamanda (1 saniyede) tekrarlanan saykıl sayısıdır. Bir ses dalgasının frekansı, ortamdaki partiküllerin ne sıklıkta titreştiğine bağlı olarak değişiklik gösterir (Schmidt-Jones, 2005).
Şekil 2.1. Yüksek frekanslı ve düşük frekanslı bir sinyalin gösterimi.
2.1.2. Sesin genliği
Bir ses dalgasının tepesi ile dalganın çukuru arasındaki mesafenin yarısına sesin genliği denir. Ses dalgalarının genliği arttıkça sesin enerjisi ve şiddeti de artmış olur (Schmidt-Jones, 2005).
Şekil 2.2. Ses sinyali genliğinin gösterimi.
2.1.3. Sesin hızı
Sesin hızı birim zamanda ses dalgalarının kat ettiği mesafe olarak adlandırılabilir. Sesin hızı ortamın sıkışabilirliği ve eylemsizliği ile ilişkilidir. Esasında tüm mekanik dalgaların hızı Eşitlik (2.1) ile bulunabilir.
𝑣 = √ 𝑒𝑠𝑛𝑒𝑘𝑙𝑖𝑘 ö𝑧𝑒𝑙𝑙𝑖ğ𝑖
𝑒𝑦𝑙𝑒𝑚𝑠𝑖𝑧𝑙𝑖𝑘 ö𝑧𝑒𝑙𝑙𝑖ğ𝑖 (2.1) Sıkışabilir ortamın hacim sabiti (bulk modülü) B, ve yoğunluğu ρ olmak üzere ortamdaki sesin hızı Eşitlik (2.2)’deki gibi hesaplanır.
𝑣 = √𝐵𝜌 (2.2) Ses aynı zamanda ortamın sıcaklığına bağlı olarak mesafe kat eder. Buna göre ses hızı aşağıdaki eşitlik ile açıklanabilir.
𝑣 = (331𝑚 𝑠𝑛) √1 +
𝑇𝑐
273°𝐶 (2.3) Buna göre 21°C’lik oda sıcaklığında ve ideal hava koşullarında ses hızı, 343.49 m/s şeklinde bulunur (Kirtskhalia, 2012).
Sesin yönelimi ve hızı, rüzgâra ve sıcaklığa bağlı bir büyüklüktür. Ortamın soğuk olması durumunda yukarıdaki eşitliklerden de anlaşılacağı üzere, sesin hızı düşer. Aynı şekilde soğuk ortamdan, sıcak ortama geçişte de yönelimin değişmesi söz konusudur.
Yönelim aynı zamanda rüzgâra göre de değişir. Ortamda rüzgârın arkadan esmesi durumunda ses dalgalarının yönelimi zemine doğru gerçekleşir. Rüzgârın ses kaynağına göre
önden gelmesi durumunda ise sesin yönelimi ortam zemininden yukarı doğru olacaktır (Serway ve Beichner, 2000).
2.1.4. Sesin dalga boyu
Bir ses dalgasının tepesi ile sinyalin tekrar ettiği diğer tepe arasındaki uzaklık bize dalga boyunu verir. Dalga boyu “” (lambda) ile gösterilir.
Ses dalgalarında, sesin dalga boyu, sesin frekansı ve sesin hızı arasında bir bağıntı bulunmaktadır. Bu ilişkiye göre dalga boyu (λ), hız (c) ile ters; frekansla (ƒ) doğru orantılı olarak değişir.
Şekil 2.3. Sesin dalga boyunun gösterimi.
𝑐 = 𝑓𝑥𝜆 (2.4)
Eşitlik (2.4)’e göre, deneyde kullanılan 1kHz’lik sinüs ses kaynağının dalga boyu bulunmak istenirse, (21 derecelik bir oda şartlarında ses hızının c=343.49 m/s olduğundan bahsedilmişti)
343,49 = 1000𝐻𝑧 𝑥 𝜆 (2.5)
𝜆 = 0,344𝑚 = 34,4 𝑐𝑚 (2.6)
olarak bulunur.
2.1.5. Sesin şiddeti
Bir ses dalgasının, ses yayılma doğrultusuna dik bir düzlem içindeki, bir santimetre karelik yüzeye bir saniyede verdiği ses enerjisidir. Ses şiddetinin birimi desibel (dB)’dir.
Desibel kavramı
Desibel, ses şiddetini (ses gücü düzeyini) ifade eden bir birimdir. İki büyüklüğün oranının logaritması olarak tanımlanır. Bu karşılaştırılan değer sadece ses değil, gerilim, elektromanyetik akı değeri, güç vb. her türlü fiziksel bir değer olabilir.
Örneğin; W değerindeki bir gücün Wo referans değerine göre düzey, 𝐷ü𝑧𝑒𝑦 (𝑑𝐵) = 10 𝑙𝑜𝑔 𝑊
𝑊𝑜 (2.7) ifadesindeki gibi bulunabilir.
Ses gücü düzeyi
Bir ses kaynağından çıkan ses enerjisinin gücüne, ses gücü bu gücün bir başka referansa göre oranının logaritmasına, ses gücü düzeyi (Dw) denir. Referans güç olarak W01012 kabul edilmektedir.
Buna göre ses gücü W olan bir kaynağın ses gücü düzeyi (Dw); 𝐷𝑤 = 10 𝑙𝑜𝑔 𝑊
10−12 (2.8)
olarak bulunabilir (Ballou, 2008).
Çizelge 2.1. Ses gücü ve ses gücü düzeyine günlük hayattan örnek yaklaşık değerler.
Ses Kaynağı Türü Ses Gücü (Watt) Ses Gücü Düzeyi (dB)
Fısıltı 10-9 30 Buzdolabı 10-7 50 Konuşma 10-5 70 3 Faz 37 kW GAMAK Asenkron Motor 10-4,7 73
Saç kurutma makinası 10-4 80
3Faz 22 kW HIGEN Asenkron Motor 10-3,8 82 3Faz 373 kW HYUNDAI Asenkron Motor 10-3,5 85 Bağırma 10-3 90 Uçak motoru 1 120
Ses basıncı düzeyi
Ses, kaynağından ayrıldığından itibaren ortamda bir basınç değişikliğine yol açar. Yani, ses, basınç ile doğrudan doğruya alakalı bir konudur. Ses kaynağının gücünden ziyade, belli bir
noktada oluşturduğu ses basıncı çok daha bilinmeye değer bir husustur. Bir ses basıncının, belli bir ses basıncı referansına göre oranının logaritmasına ses basıncı düzeyi (Dp) denir.
𝐷𝑝= 10 𝑙𝑜𝑔 𝑃2
𝑃02 (2.9)
Buna göre referans ses basıncı;
𝑃0 = 20𝑥10−6𝑃𝑎 (2.10)
olarak kabul edilirse; 𝐷𝑝= 20 𝑙𝑜𝑔
𝑃
𝑃0 (2.11)
olarak bulunmuş olur (Everest, 2001).
Ses şiddeti ve ses basıncı arasındaki ilişki
Bir ses kaynağından yayılan ses enerjisinin birim zamandaki miktarı ses gücü olarak ifade edilirse, W ses gücü olan bir ses kaynağından çıkan ses dalgalarının, S alanından geçtiği andaki güç ses şiddetini oluşturur. Bu konuya ses şiddeti bahsinde de kısaca değinilmişti. Buna göre ses şiddeti düzeyi ise;
𝐷𝐼= 10 𝑙𝑜𝑔 𝐼
𝐼0 (2.12)
olarak tanımlanabilir. Referans ses şiddeti değeri ise,
𝐼0= 10−12𝑊/𝑚2 (2.13)
olarak kabul edilirse ve sesin hava ortamında yayılması düşünüldüğünde;
𝐼0= 𝐷𝑝− 0,16 𝑑𝐵 (2.14)
Buna göre DI ve DP yaklaşık olarak eşit kabul edilebilir. Çünkü 0,16 dB fark edilebilir ve insan kulağınında işitebileceği bir ses gücü seviyesi değildir. Bu nedenle yapılan tüm hesaplarda ve deneylerde ses şiddeti kavramı yerine ses basıncı veya ses basıncı düzeyi üzerinden gitmek yanlış olmayacaktır (Serway ve Beichner, 2000).
2.2. Sesin Yayılımı
Ses yayılırken fiziksel bir gerçeklik olan kayıplar nedeniyle, genliğinin ve ses gücü seviyesinin düşmesi söz konusudur. Ses dalgaları, maddelerden yansır veya maddelerin
özelliklerine göre ses dalgalarının emilmesi mümkündür. Sesin yayılması ve sesin kaynaktan çıkıp alıcıya kadar ulaşana kadarki sesin zayıflamasının birçok parametreye bağlı olduğunu söylemek yanlış olmaz. Sıcaklık, nem ortamdaki tanecikli yapının maddesel hali, almaç ve kaynak arasındaki uzaklık vb. gibi birçok parametreye bağlıdır (Attenborough vd., 2007).
2.2.1. Sesin serbest alanda yayılımı
Ses dalgasının yayılımında herhangi bir engelin bulunmadığı ve dalgaların düzgün olarak yayılabildiği bölgelerde ses gücü düzeyi daha kolay bir şekilde hesaplanır. Kaynaktan r uzaklıktaki bir noktadaki ses şiddeti r2 ile ters orantılı olarak düşer. Aynı zamanda, serbest alanda yayılan sesin gücünden, sesin basıncına da ulaşılabilir.
Kaynaktan r uzaklıktaki sesin basınç düzeyine (DP), kaynağa ait ses gücü düzeyine (DW), sesin yönelimine ait katsayı da Q olarak kabul edilirse, kaynağın gücü bilinirken, kaynaktan r uzaklıktaki bir noktada ses basıncı düzeyi;
𝐷𝑝= 𝐷𝑤+ 10 𝑙𝑜𝑔( 𝑄
4𝜋𝑟2) (2.15)
olarak bulunabilir.
2.2.2. Atmosferik yutuş ile kaynaktan belli mesafedeki ses gücü seviyesinin
bulunması
Ses hava ortamında yayılırken bir takım kayıplara ve ses gücü seviyesinin düşmesi gerçeğine maruz kalır. Bu durumda kaynaktan belli bir uzaklıktaki sesin ne kadar bir ses gücü kaybı ile o noktaya ulaştığı bilinmek istenildiğinde;
𝐾 = 7,4𝑥10−8 (𝑓2𝑟
∅ ) (2.16) eşitliği ile hesaplanabilir. Burada f, kaynağın ürettiği ses frekansı, r, kaynaktan olan uzaklık, Ø, havanın yüzdelik bağıl nemi, K ise ses basıncındaki düşme-kayıp miktarı olarak tanımlanmıştır. Bu bağıntıya göre, 100 dB’ lik bir ses kaynağından çıkan ses dalgaları, %40 bağıl nem altında 20 ºC’de, Q yönelme katsayısı 1 kabul edilerek, 10 kHz’ lik bir ses sinyali 60 metre sonra 11,1 dB’ lik bir zayıflamaya uğrar. İlgili bağıntı uyarınca kaynağın ses gücü seviyesi bilindiğinden,
𝐷𝑝= 100 + 10 𝑙𝑜𝑔( 1
ifadesiyle 100 dB’lik bir ses kaynağının 60 metre uzaklıktaki ses gücü seviyesi, 53,45 dB olarak bulunmuş olur. Böylelikle elde edilen 11,1dB’lik atmosferik yutuş kaynaklı kayıpta hesaba katıldığında 60 metre uzaklıktaki ses basıncı seviyesi
𝐷𝑝60= 53,45 − 11,1 = 42,34 𝑑𝐵 (2.18)
olarak bulunmuştur (T.C. Çevre ve Şehircilik Bakanlığı, 2018).
Bu durumda kaynağın hemen yanında 100 dB olarak hissedilen ve ölçülen ses, 60 metre sonrasında ise 42,34 dB olarak bulunarak toplamda 57,66 dB kayba uğramış olur.
3. YAPAY SİNİR AĞLARI
Yapay sinir ağı yapısı, biyoloji temelli bir yöntemdir. Dolayısıyla, bu yöntemin alt elemanları ve terminolojisi de biyolojiden esinlenilmiştir. Daha da temelinde insan sinir yapısının ve beyninin, veri iletimi ve öğrenme modeli paralelinde bir taklididir de denebilir. Çizelge 3.1’te insan sinir sistemi ile yapay sinir ağı terminolojisinin yaptıkları işler açısından benzerlikleri ve karşılıkları belirtilmiştir.
Çizelge 3.1. Biyolojik sinir sistemi ile yapay sinir ağı yapısının benzerlikleri (Demir, 2018).
Dawson ve arkadaşları, yaptıkları çalışmalar sonucu ortaya koydukları makalelerinde, yapay sinir ağını “ Birbirine bağlı nöronlardan müteşekkil, en basitiyle giriş, çıkış ve gizli katman olmak üzere üç temel katmandan oluşan bir ağ yapısıdır” şeklinde tanımlamışlardır (Dawson vd., 2009).
Zurada ise yazmış olduğu kitabında, “Yapay sinir sistemleri veya sinir ağları, deneyimsel bilgi edinebilen, depolayan ve kullanan fiziksel hücresel sistemlerdir” şeklinde yapay sinir ağlarının deneyimsel bilgi edinebilmesi yönünden tanımlayarak o yönüne dikkat çekmiştir (Zurada, 1992).
Haykin, kaleme almış olduğu “Sinir Ağları ve Makine Öğrenmesi” adlı kitabında, yapay sinir ağını, deneyimsel bilgiyi saklama ve bu bilgileri kullanıma uygun hale getirmeye doğal bir eğilime sahip, basit işlem birimlerinden oluşan paralel dağıtılmış masif bir yapıdır, şeklinde tanımlamıştır (Haykin, 1999).
En temel bir yapay sinir ağı yapısı, giriş katmanı, aktivasyon fonksiyonunun ve toplama işleminin yapıldığı gizli katman ve çıkış katmanından oluşmaktadır. Şekil 3.1’de temel bir yapay sinir ağı yapısı gösterilmiştir. Yapay sinir ağının öğrenmesi ve kendini tahmin odaklı eğitmesinde ağırlıkların ve bias değerlerinin önemli rolü vardır.
Biyolojik Sinir Sistemi Yapay Sinir Ağı Yapısı
Nöronlar Temel İşlemci Elemanlar
Dentrit Toplama Fonksiyonu
Hücre Gövdesi Aktivasyon Fonksiyonu
Sinaps Ağırlıklar
Şekil 3.1. Temel bir yapay sinir ağı yapısı.
Yapay sinir ağlarında öğrenme, ağ elemanlarından ağırlık ve bias değerlerinin eğitim ve tecrübe ile güncellenmesi sayesinde gerçekleşir. Sistem ilk anda ağırlık ve bias değerlerinin rastgele atanmış değerleri üzerinde çalışır. Daha sonra bu rassal değerler öğreti biçimi ve tecrübe sonucu elde edilen veriler ile güncellenmiş olur. Bu güncellenmedeki asıl amaç, giriş/ler ve çıkış/lar arasındaki ilişki, yapay sinir ağı yapısına öğretilerek tutarlı sonuçlar alınmasını sağlamaktır. Eğitim, verilerin türüne adedine göre uzun bir zaman alabilir, ancak eğitim verilerinin birbirine göre tutarlılığı ve adedi, ağın doğru sonuç üretmesi yani tahmin etmesi ile doğru oranlı olarak değişir. Tek katmanlı yapılar lineer olmayan sistemler için ideal değildir. Özellikle çok katmanlı algılayıcılarla doğrusal olmayan olayların öğrenimi ve tahmini sağlanabilir.
Yapay sinir ağları, yapılarına göre ileri ve geri beslemeli olmak üzere iki tiptir. İleri beslemeli yapay sinir ağı yapısında katmanların hiyerarşik düzenini bozan yapı yoktur. Ve her katmanın çıkışı bir sonraki katmanın girişi şeklinde ileri yönde çalışır. Adını bundan alır. Sonuç alma konusunda veri anlamında geri besleme olmadığından daha hızlıdır. Şekil 3.2’de ileri yönde bir yapay sinir ağına yer verilmiştir.
X1 X2 X3 . . . Xn Bias Toplama
Fonksiyonu Fonksiyonu Aktivasyon
Çıkış Y
GİRİŞ KATMANI
GİZLİ
KATMAN KATMANIÇIKIŞ
w1 w2 w3 wn
Şekil 3.2. İleri yönde bir yapay sinir ağı yapısı.
Geri beslemeli yapay sinir ağında ise çıkıştan alınan veriler direk olarak ağın girişine uygulanabilir. Ve bu durumda çıkış verisi, giriş katmanındaki verilerle birlikte ağırlık güncelleme konusunda etkisi olur. Geri beslemeye sahip bir yapay sinir ağının örneği Şekil 3.3’de gösterilmiştir.
Şekil 3.3. Geri beslemeye sahip bir yapay sinir ağı yapısı örneği.
Yapay sinir ağlarında ağın yapısına göre ve giriş parametresindeki verilerin durumuna göre seçilen birtakım transfer fonksiyonları kullanılmaktadır. Çizelge 3.2’de giriş çıkış ilişkileri
H11 H12 H13 H21 H22 X1 X2 X3 H23 H24 H31 H32 H33 H34 O1 O2 O3 Y1 Y2 Y3 GİRİŞ
KATMANI GİZLİ KATMAN KATMANI ÇIKIŞ
H11 H12 H1N O1 On X1 X2 Xn Y1 Y2 Geri Besleme Geri Besleme
ve grafiksel gösterimleri aynı zamanda MATLAB’te kullanılan komutları açısından transfer fonksiyonları gösterilmiştir.
Çizelge 3.2. Transfer fonksiyonlarının giriş- çıkış ilişkileri, grafiksel gösterimleri ve MATLAB
kodları (Hagan vd., 1996).
Transfer Fonksiyonu Adı
Giriş/Çıkış İlişkisi Grafiksel
Gösterimi MATLAB Komutu
Hard Limit a = 0, n 0 a = 1, n 0
hardlim
Simetrik Hard Limit a = -1, n 0 a = +1, n 0
hardlims
Lineer a=n purelin
Doygun Lineer a = 0, n 0, a= n, 0 n 1 a = 1, n>1 satlin Simetrik Doygun Lineer a = - 1, n -1 a= n, -1 n 1 a =1, n>1 satlins Logaritmik Sigmoid a = 1 1+𝑒−𝑛 logsig Hiperbolik Tanjant Sigmoid a= 𝑒𝑛−𝑒−𝑛 𝑒𝑛+𝑒−𝑛 tansig Pozitif Lineer a = 0, n 0 a= n, 0 n poslin
Kompetitif a=1, max n nöron a=0, diğer tüm nöronlar
compet
Bu tez çalışmasında ise, tahmin prosesinde yapay sinir ağı tipi olarak geri yayılımlı yapay sinir ağı yapısı kullanılmıştır. Bu sebeple öğrenme yapılarından sadece geri yayılımlı yapay sinir ağı konusu ele alınacaktır.
3.1. Geri Yayılımlı (Back-Propagation) Yapay Sinir Ağı Yapısı
Geriye yayılımlı yapay sinir ağı mimarisi sık kullanılan ve kullanımı kolay bir yapıdır. Geri yayılım yapısı ile delta kuralı ya da gradyan iniş olarak adlandırılan bir teknik kullanarak, ağırlıklar vasıtasıyla, hatanın en düşük olduğu ana kadar güncelleme yapmaya devam eder. Hatayı minimize etme adına iyi bir alternatif olduğu bilinmektedir.
Geriye yayılım yapısından kabaca bahsedilecek olunursa, ilk iterasyonda, ağırlık değerleri rassal olarak belirlenerek, ağın gizli katmanından ve aktivasyon fonksiyonundan da geçtikten sonra yapay sinir ağı yapısı bir sonuç üretir. Bu sonucun tutarlı olması ile ilişkili olarak ağın ağırlıklarının arttırıldığı varsayılsın ve ağırlıkların arttırımı her iterasyonda devam ettirilerek sonuçlar alınmaya devam edilsin. Yapay sinir ağından elde edilen sonuçlar ile hedef değerler karşılaştırıldığında, ağın ağırlığının her arttırıldığında hedef değerlerden uzaklaştığı görüldüğü durumda, ağın ağırlıkları azaltılarak, toplam hata düşürülmesi için iterasyona devam edilir. Azaltılarak güncellenmiş ağırlıklardan elde edilen yeni sonuçlar ile hedefler karşılaştırıldığında hedefe yakınlaşması durumunda öğreti işleminin sağlandığı söylenebilir. Kısaca, geriye yayılım yapısı, ağırlıkların değiştirilmesinin sinir ağındaki toplam hatayı nasıl etkilediğinin belirlenmesi ile ilgilidir (Haykin, 1999).
4. MATERYAL VE METOT
Giriş bölümünde de bahsedilen deneylere ait ölçümlerin ve doğruluğunun sağlanması adına çıkan sonuçların değerlendirilmesi için bazı materyallere ve metotlara başvurulmuştur.
4.1. Deney Ortamı ve Kılavuzu
Deney ortamı olarak Kütahya Dumlupınar Üniversitesi Mühendislik Fakültesi Elektrik-Elektronik Mühendisliği Kontrol ve Kumanda Laboratuvarı kullanılmıştır. Laboratuvarın bir bölümünde masa üzerine kurulan deney ortamı, parametreleri değiştirmemek adına, deneylerin tamamında aynı şekilde ve aynı bölgede uygulanmıştır.
Deneylerde ses kaynağı tam olarak nerede iken veri alındığının belirlenebilmesi için kılavuz kullanılmıştır. Kullanılan kılavuzun görseli Şekil 4.1’deki gibidir.
Şekil 4.1. Deneylerde kullanılan kılavuzun görseli.
Kılavuzun çözünürlüğü 5’er derece olarak belirlenmiştir. 360 derecelik, çapı 1 metre olacak şekilde AutoCAD’te tasarlanmıştır. Daha sonra tahmin prosesinde faydalı olmak üzere, 0-90 derece arası 1.bölge, 0-90-180 derece arası 3.bölge, 180-270 derece arası 4.bölge, 270-360
derece arası ise 2. bölge olarak tanımlanmıştır. Bu bölgeler Şekil 4.1’de de belirtilmiştir. Böylece deney esnasında veri alınırken, ses kaynağının tam olarak hangi açıdayken ve hangi bölgedeyken bu verilerin kaydedilmiş olduğu tespit edilebilmiştir. Kılavuz ile ilgili detay görsel Şekil 4.2’de gösterilmiştir.
Şekil 4.2. Deneyde kullanılan kılavuzdan detay bir görüntü.
Deney ortamındaki mevcut gürültünün ve deneylerdeki gerekli ölçümlerin yapılmasını sağlamak için 5 adet Wintact WT85 SLM desibel metresi kullanılmıştır. Bu desibel metrelerden 1 tanesi sürekli ses kaynağının 1,5cm yakınına konulmuş ve deney esnasında sürekli ses kaynağının 100 dB ses seviyesinde olup olmadığı izlenmiş ve kaydedilmiştir. Ses seviyesi ölçerler numaralandırılmış ve sürekli aynı bölgelerde aynı ses seviyesi ölçerlerin kullanılmasına dikkat edilmiştir. Deneylerde kullanılan ses seviyesi ölçerlerin teknik detayları Bölüm 4.3’de bahsedilecektir.
4.2. Kullanılan Ses Kaynağı
Ses kaynağı olarak Xiaomi Mi 8 Lite mobil cihazının ses çıkışı kullanılmış, ses karakteristiği olarak 1kHz temiz ve arı sinüs dalgası ile deneyler gerçeklenmiştir. Ses kaynağının ortalama 100dB olduğu her deneyde mutlaka teyit edilmiştir.
4.3. Wintact WT85 SLM Ses Seviyesi Ölçeri
Desibel metreler ses seviyesi ölçümünün yapılması için kullanılmaktadır. Kabaca, ihtiva ettiği mikrofon sayesinde sesin alınarak, içerisinde bulunan elektronik komponentler ve yükselteçler yardımı ile ölçüm değerinin sağlanıp daha sonrasında cihaza ait ekranda ölçüm sonucunun gösterilmesi ile çalışırlar.
Bu tez çalışmasında Wintact WT85 SLM ses seviyesi ölçeri kullanılmıştır. İlgili desibel metrenin görselleri Şekil 4.3’de gösterilmiştir.
Şekil 4.3. Wintact marka WT85 model SLM desibel metre.
İlgili desibel metrenin alt parçaları ve tanıtımları Şekil 4.4’de gösterilmiştir.
Wintact WT85, ses seviyesi ölçerken istenildiği takdirde daha evvel kaydettiği maksimum ve minimum değerleri verebilmektedir. Aynı zamanda değer okuma fonksiyonunun herhangi bir anında o değer “HOLD” butonu ile ekranda sabit tutulabilmektedir.
Wintact WT85 SLM cihazına ait teknik parametreler ve detaylar Çizelge 4.1’de verilmiştir.
Çizelge 4.1. Wintact WT85 SLM cihazının teknik parametreleri.
Özellik Tanımı Spesifikasyon
Ölçüm Aralığı 30-130 dB
Frekans Cevabı 31,5Hz-8Khz
Doğruluk +/- 1,5 dB
Frekans Ağırlıklandırma Özelliği Ağırlıklandırma
Çözünürlük 0,1 dB
Çalışma Sıcaklığı ve Nem Değeri 0-40 °C, 10-80%RH Depolama Sıcaklığı ve Nem Değeri (-10) – 60 °C, 0-90%RH
Güç Kaynağı 3*1,5V AAA Batarya
Ağırlık 96,38g (Batarya yok iken)
Dış Ölçüleri 56,1x177x36,03 mm
4.3.1. Wintact WT85 ses seviyesi ölçerin doğruluk-kıyas testi
Bu çalışmada birçok deney yapılmış ve bu deneylerde desibel metrelerin doğru ölçüm yapıp yapmadığının kontrolü belli periyotlarda sağlanmıştır. Bu test ile desibel metrelerin sürekli yanlış ölçüm yapmamaları adına kalibrasyon ile düzeltme zamanının tespit edilebilmesi için, ölçüm hatalarının tez sonuçlarına olumsuz etkisini önlemek amaçlanmıştır. Aynı mesafede, aynı ortamdan alınan ve karakteristiği aynı olan ses kaynağı ile uygulanan 5 desibel metreden alınan ölçüm sonuçları, desibel metrelerin ölçüm hataları (+/- 1,5 dB)’da dikkate alınarak doğruluk ve kıyas testi yapılmıştır.
4.3.2. Wintact WT85 ses seviyesi ölçerin kalibrasyonu
Wintact WT85 ses seviyesi ölçerin kalibrasyon metodu için ilgili cihazın instruction manuel’inden faydalanılmıştır. Kalibre edilmesi için gerekli tüm adımlar bu manuel’de mevcuttur. Manuel’de, kalibrasyon için 1kHz ve 94 dB’lik standart bir ses kaynağı önerilmiştir. Ses seviyesi ölçerin mikrofon başlığına ses kaynağı yaklaştırılıp ses kaynağı aktif hale getirilir. Bu durumda iken ses kaynağının seviyesi 94 dB olarak bilindiğinden ses seviyesi ölçerden de aynı değer okunmalıdır. Tamda bu halde, ses seviyesi ölçerin ekranında, 94.0 dB görene dek
cihazın kalibrasyon potansiyometresinden ayarlama işlemi yapılmaya devam edilir. Cihaz için kalibrasyon önerisi, yapılan ölçüm adedine bağlı olmakla birlikte, yılda bir kez olacak şekildedir. Bu tez çalışmasında çok fazla deney yapıldığı için Bölüm 4.3.1’de bahsedilen doğruluk-kıyas testinden geçemeyen ses seviyesi ölçerler için zaman zaman kalibrasyon yapılmıştır. Böylelikle alınacak sonuçların doğruluğundan daha da emin olunmuş ve alınabilecek yanlış verilerin, deney sonuçlarına olumsuz etkilerinin azaltması yönünde bir çalışmaya gidilmiştir.
4.4. MATLAB Neural Networks Tool
Bu çalışmada yapay sinir ağı gerçeklenmesi için MATLAB Neural Networks Tool (NNTOOL) kullanılmıştır. Kullanılan MATLAB, Kütahya Dumlupınar Üniversitesi Elektrik Elektronik Mühendisliğine ait lisanslı yazılımdır. İlgili MATLAB alt ara yüzü sayesinde, verilerin eğitilmesi, uygun ağ topolojisinin oluşturulması ve test edilmesi mümkün hale gelmektedir. NNTOOL içerisinde, toplam hatanın sıfıra yaklaştırılabilmesi için, kullanıcının problemine göre farklı ağ yapıları ve farklı eğitim metodu çeşitleri mevcuttur.
MATLAB workspace bölümüne, “nntool” yazılarak NNTOOL penceresi açılır. Açılan pencere Şekil 4.5’de görülmektedir.
Daha sonrasında “Workspace” üzerinden tanımlanan eğitim verilerini ve eğitim hedef verilerini, ağ/veri yöneticisinin içine aktarmak için NNTOOL ara yüzünde “Import” butonuna basılır. Açılan pencere Şekil 4.6’da görülmektedir.
Şekil 4.6. NNTOOL Import to network/data manager ekranı.
Eğitim süreci için gerekli eğitim verilerinin ve eğitim hedef verilerinin “Import” edilmesinden sonra yapay sinir ağının oluşturulması gerekir. Yeni ağ oluşumu Şekil 4.5’te gösterilen MATLAB NNTOOL ara yüzündeki “New” ya da “Yeni” butonuna bastıktan sonra gelen ara yüz ile sağlanır. Yeni ağ tanımlamak için açılan pencerenin görüntüsü Şekil 4.7’te görülmektedir.
Şekil 4.7’deki ekrandan “View” ile oluşturulacak yapay sinir ağının, blok yapısı, giriş, çıkış ve gizli katmanlarının genel görüntüsü görülebilir. Bunun yanı sıra, ağ oluşumu tamamlandıktan sonra Şekil 4.5’de “Networks” kısmına gelen yeni oluşturulan ağa çift tıklandığında ağ ile ilgili blok yapısı, giriş, çıkış ve gizli katmanları yine aynı şekilde görülmüş olacaktır. Açılan ekranın görüntüsü Şekil 4.8’de gösterilmiştir.
Şekil 4.8. Yapay sinir ağı blok şeması görüntüsü.
Şekil 4.8’de görülen ve açılan bu pencereden ağı eğitmek için “Train” sekmesi açılır. Bu pencereden ağın eğitimi için gerekli verilerin girişi için ve ağın eğitiminin çıkış verileri için veri girişleri gerçeklenir. İlgili pencere Şekil 4.9’da gösterilmiştir.
Yapay sinir ağının eğitimi için gerekli olan eğitim verileri ve hedef verileri ağa tanımlandıktan sonra, “Training Parameters” sekmesi ile ağın eğitilmesi için parametrelerin ayarlanması sağlanmaktadır. Burada epochs sayısı, zaman bilgisi, maksimum hata verisi ve ağın hangi durumlarda eğitiminin tamamlanacağı ile ilgili parametrelerin girişi yapılır. İlgili pencere Şekil 4.10.’da gösterilmiştir.
Şekil 4.10. Ağın eğitimi için gerekli olan ağ parametreleri ayar penceresi.
Ağın eğitimi ile ilgili tüm parametrelerin girişi yapıldıktan sonra, “Train Network” butonu tıklanarak en optimum eğitim sonucu sağlanana kadar ağ eğitilmeye devam edilir ve bu eğitim sonucunda açılan pencere Şekil 4.11’de gösterilmiştir.
Şekil 4.11. Yapay sinir ağı eğitim ana ekranı.
Şekildeki ekranın “Plots” kısmından “Performance” butonuna tıklanılarak ağın “Best Validation Performance” grafiği izlenebilmektedir. Bu grafik epoch ve mean square error değişimini göstermektedir. Açılan pencere Şekil 4.12’deki gibidir.
Şekil 4.12. Hata-Epoch grafiği.
Şekil 4.12’de örnek olarak verilen Hata-Epoch grafiğinde, 1000 epoch’luk bir eğitimden en iyi validasyonun sıfırıncı epoch’ta sağlandığı anlaşılmaktadır.
Yapay sinir ağı eğitim ana ekranından, “Training State” butonu tıklandığında ise, Şekil 4.13’de gösterilen pencere açılır. Bu şekilde, eğitim durumu grafiksel olarak izah edilmektedir.
Şekil 4.13. “Training State” penceresi.
Eğitilen verilerin sağlıklı sonuçlar doğurup doğurmadığının ve tutarlılıklarının görülebilmesi için yapay sinir ağı eğitim ana ekranından “Regression” butonuna tıklanır. Daha sonrasında test, eğitim ve validasyon eğrilerinin yorumlaması yapılır. Bu eğrilerin tutarlılıklarına ilişkin, doğruluğunun artmasından sonra eğitme işlemi ve eğitim sonuçlarını yorumlama işlemi tamamlanır. Eğrilerin olduğu pencere Şekil 4.14’de gösterildiği gibidir.
Şekil 4.14. Yapay sinir ağının eğitiminin sonucunda validasyon, test ve training eğrileri.
Oluşturulan yapay sinir ağı yapısının eğitim işlemleri tamamlandıktan sonra, eğitilen yapay sinir ağı, tahmin etme prosesine geçirilmektedir. Yapay sinir ağına, tahmin amaçlı işlenecek test verilerinin öncelikle workspace’e bir değişken yardımı ile tanımlanması gerekir. Daha sonra MATLAB NNTOOL ara yüz ekranından, ağın adına çift tıklanmasının ardından açılan pencerede “Simulate” sekmesine tıklanır. Böylece Şekil 4.15’te de görüldüğü gibi “Simulate Network” butonuna basılmasının ardından “network1_outputs” adında bir değişken ile eğitilen yapay sinir ağından bir tahmin sonucu alınmıştır.
Şekil 4.15. Oluşturulan ve eğitilen yapay sinir ağının simülasyon veri girişi ekranı.
Oluşturulan ve eğitilen yapay sinir ağından elde edilen tahmin/simülasyon verileri Şekil 4.16’da gösterildiği gibidir. Veriler workspace’e export edilerek veya direk veri tabanından çağırılarak işlemeye, değerlendirilmeye hazır hale getirilmiştir. Aynı zamanda ilgili çıktı verileri, bir başka alt sisteme girdi olarak verilmek üzere de kullanılabilir haldedir.
