Çok robotlu sistemlerde Q-öðrenme yönteminin kullanýmý oldukça problemlidir. Çok robotlu sistemlerde, robotun baðýmsýz karar verme ve hareket etme mekanizmalarý nedeniyle dinamik ve kýsmen gözlemlenebilir yapýya sahiptir. Oysa, Q-öðrenme yöntemi teorik olarak Markovian olarak nitelendirilebilecek ortamlar üzerinde tanýmlanmýþtýr. Çok robotlu sistemlerde Q-öðrenmeyi uygulamanýn bir yolu, merkezi öðrenmedir. Merkezi öðrenme, tüm sistemin durum uzayý ve tüm robotlarýn tümleþik hareket uzaylarý için optimal Q-deðerlerini öðrenir. Bu durumda, sistem statik olarak deðerlendirilmekte ve optimal çözüm yakýnsama mümkün olmaktadýr. Ancak, merkezi öðrenme, çevre hakkýnda tam bilgi edinmeyi, robotlar arasý iyi bir haberleþme saðlanmasýný ve iyi hesaplama gücü gerektirir. Özellikle büyük sistemler için, robot sayýsýndaki artýþla birlikte üstel büyüyen öðrenme uzayý boyutu nedeniyle hesaplama maliyeti çok yüksek olmaktadýr. Bu çalýþmada önerilen yaklaþým olan subG-CQL, sistemin görev yapma yeteneklerini olumsuz yönde etkilemeden genel sistemi küçük boyutlu alt gruplara ayýrýr. Her bir alt grup daha az sayýda robottan oluþur, daha az görev yapar ve kendi ekibi için merkezi bir þekilde öðrenir. Böylece öðrenme alaný boyutu makul bir düzeye indirilir ve gerekli iletiþim ayný alt gruptaki robotlarla sýnýrlý kalýr. Merkezi öðrenmenin kullanýlmasý nedeniyle baþarýlý sonuçlara ulaþýlmasý beklenmektedir. Deneysel çalýþmalar, önerilen algoritmanýn sistemin görev atama performansýnda artýþ ve sistem kaynaklarýnýn verimli kullanýmýný saðladýðýný göstermektedir.

Bilgisayar destekli taný (BDT) sistemleri, çeþitli hasta bilgilerini kullanarak doktora yardýmcý karar destek sistemi oluþturmak amacýyla son yýllarda sýklýkla kullanýlmaktadýr. Bu çalýþmada BDT sistemine yönelik yapýlan karar aðaçlarý algoritmasý uygulamasýyla, Wechsler Çocuklar için Zekâ Ölçeði (WISC-R) profillerinin, sýnýr zekâ (SZ), hafif ve orta düzeyde zihinsel yetersizlik (ZY) teþhisindeki sýnýflandýrma baþarýsýnýn karþýlaþtýrýlmasý amaçlanmýþtýr. Çalýþmanýn veri seti DSM-V’ e göre taný konan 50 SZ, 61 hafif düzeyde ZY ve 21 orta düzeyde ZY olmak üzere toplam 132 hastanýn WISC-R testi sonuç raporlarý kullanýlarak oluþturulmuþtur. WISC-R puanlarýnýn sonuca etkisinin karþýlaþtýrýlabilmesi için 132 hastanýn test puanlarý: toplam, sözel ve performans zekâ bölümü puanlarý; sözel ve performans zekâ bölümü alt ölçek puanlarý ve bu ikisinden oluþan 3 ayrý veri seti oluþturulmuþtur. WISC-R testinin bütün puan türlerini içeren veri setinde, ilk iki düðüm toplam zekâ bölümü puaný seçilmiþ ve burada 132 hastadan 108’i baþka bir özniteliðe bakýlmaksýzýn sýnýflandýrýlmýþtýr. Karar aðacýnda, toplam zekâ bölümü puan türünü içeren birinci ve üçüncü veri setleri 0.91 gibi yüksek sýnýflandýrma baþarýsý elde etmiþlerdir. Bu çalýþma sonuçlarý, SZ, hafif ve orta düzeyde ZY teþhisinde, karar aðaçlarý algoritmasýnda WISC-R profillerinden toplam zekâ bölümü puanýnýn en etkili olduðunu ve BDT sistemlerinin mümkün olabileceðini göstermektedir.

Bu çalýþmada, yük hücresi temelli Segway’in gerçek zamanlý uygulamasý gerçekleþtirilmiþtir. Segway üzerine yerleþtirilen dört adet yük hücresi ile sistemin kontrolü PID kontrolör tarafýndan saðlanmaktadýr. Yük hücresinden gelen kütle bilgilerine ait analog sinyaller 24 bit çözünürlüklü HX711 tümleþik entegre ile sayýsal sinyallere dönüþtürülmektedir. Sayýsal sinyallere dönüþtürülen veriler senkron seri haberleþme protokolü üzerinden mikroiþlemci ile aracýlýðý ile anlamlandýrýlmaktadýr. Ölçülen kütle bilgisine göre sistemin dinamik modelinin çýkýþý anlýk olarak güncellenebilmektedir. Bu iþlem maksimum yunuslama açýsýný güncellemektedir. Böylelikle Segway’in kontrolü kolaylaþmakta ve kullanýcýnýn araç üzerinden düþme riski azaltýlmaktadýr. Sistemin kontrolü ARM mimariye sahip STM32F103C8T6 mikroiþlemci kullanýlarak gerçekleþtirilmiþtir. Aracýn gerçek zamanlý uygulamasý sýrasýnda Fýrçasýz Doðru Akým Motoru’nun (FDAM) akým deðerleri ve motor dönüþ hýz bilgileri elde edilmektedir. Ayrýca SD kart modülü yardýmýyla 12 adet farklý veri SD kart üzerine kaydedilmektedir. Karta kaydedilen veriler sonucunda yük hücrelerinin tekrarlama testinde her bir yük hücresinin korelasyon deðeri 0,99 olarak elde edilmiþtir. Sonuçta Segway üzerindeki kütlenin ölçüm hata oraný %1 olarak elde edilmiþtir.

Cihaz-Cihaz (CCH) haberleþmesi, gelecekteki 5G aðlarý için gelecek vaat eden teknolojilerden biridir. Hücresel þebekelerde CCH'nin kullanýlmasý kapasite ve gecikme bakýmýndan kazanç saðlamýþtýr. Bununla birlikte, CCH’nin hücresel kullanýcý ile ortak kanalý kullandýðý durumda ana endiþe, CCH kullanýcýsý ve hücresel kullanýcý arasýndaki karþýlýklý giriþimden dolayý hücresel kullanýcý için hizmet kalitesidir. Hücresel kullanýcýnýn hizmet kalitesini (QoS) ihlal etmeden D2D haberleþmenin saðladýðý kazançtan faydalanmak için kaynak paylaþýmý önemli bir tasarým kriteridir. Bu çalýþmada, Cihaz-Cihaz haberleþmesinin hücresel kullanýcýnýn yukarý yönlü baðlantýsýný ortak kullandýðý bir senaryoda kaynak paylaþým sorununu incelemek amacýyla bir optimizasyon modeli sunuyoruz. Önerilen modeli, birden çok CCH çiftinin bir hücresel kullanýcýnýn yukarý baðlantý kaynaðýný paylaþtýðý örnek bir kaynak paylaþým senaryosu için kullanarak farklý parametre ayarlarý için gecikme ve toplam veri hýzýný inceliyoruz. Sonuç olarak, az sayýda D2D çiftinin hücresel kaynaklarý yeniden kullanmasýnýn toplam veri hýzý açýsýndan önemli olduðunu gözlemledik.

Görüntü parçacýk manifoldlarý perspektifinden, yeni bir tam referans görüntü kalitesi deðerlendirmesi çerçevesi oluþturularak bir görüntü kalitesi metriði önerilmektedir. Çoðu doðal sahnenin düþük boyutlu manifoldlardan veya alt-manifoldlardan örneklendiði varsayýlarak, yapýsal varyasyonlarda algýlanan görüntü bozulmalarý yüksek derecede doðrusal olmayan görüntü manifoldlarýnýn yüzeylerinde nicel olarak deðerlendirilebilir. Manifold bozulmasý görüntü kalite endeksi önce uzamsal olarak yerel parçacýk uzaylarýnýn yerel doðrusal manifold yapýlarýnýn içsel geometrik özelliklerini karakterize etmekte ve daha sonra bozulma endeksini hesaplamak için orijinal pürüzsüz manifold yapýsýndan sapmayý ölçmektedir. Deneysel sonuçlar hem öznel deðerlendirme hem de geliþmiþ objektif kalite deðerlendirme yöntemleriyle kýyaslandýðýnda güçlü bir taahhüt göstermektedir.

Bu makale, derin öðrenme metodolojisine dayalý hiperspektral buðday verilerinin sýnýflandýrýlmasý için akýllý bir makine öðrenme sistemi sunmaktadýr. Bu amaçla, hiperspektral buðday örneklerinin sýnýflandýrýlmasý için AlexNet ve VGG16 modellerinin performanslarý araþtýrýlmýþtýr. Bu çalýþmada, buðday çekirdeklerinin türlerini tahmin etmek için Destek Vektör Makinesi (DVM) ve Softmax sýnýflandýrýcýlarý kullanýlmýþtýr. Sistem performansýný deðerlendirmek için, Görünür Yakýn Kýzýlötesi Görüntüleme (VNIR) kullanýlarak 50 buðday türüne ait tür baþýna 220 görüntü toplamda 11000 örnek içeren yeni bir hiperspektral buðday test veri kümesi oluþturulmuþtur.
Yeni oluþturulan test veri seti üzerinde yapýlan deneylerde, AlexNet ve VGG16 için tamamen baðlý katman (FC6 ve FC7) özellikleri kullanýlmasý durumunda doðrusal DVM sýnýflandýrýcýsý tarafýndan belirlenen yaklaþýk %96.00 ve % 99.00'lýk genel doðruluk oranlarý elde edilmiþtir. Softmax sýnýflandýrýcý ile numunelerin sýrasýyla %92 ve %70'i, eðitimli VGG16 ve AlexNet modellerine göre doðru bir þekilde ayýrt edilebilmiþtir.
Elde edilen üstün sonuçlar, derin bir Evriþimsel Sinir Aðlarý (ESA) mimarisi kullanmanýn, buðday türlerinin doðru bir þekilde ayýrt edilmesi yoluyla daha verimli olduðunu göstermektedir. Önerilen derin öðrenme temelli sýnýflandýrma sistemi, gýdalarda kalite analizi, sýnýflandýrma ve hastalýk tespiti için yüksek doðrulukta sonuçlar vaat etmektedir.

Sanal görüntülerin gerçek zamanlý olarak, gerçek dünya nesneleri ile birleþtirildiði artýrýlmýþ gerçeklik teknolojisi, 21. yüzyýl “Z kuþaðý” gençlerinin eðitiminde yer almaya baþlamýþtýr. Günümüzde öðrenme sürecine katký saðlayan artýrýlmýþ gerçeklik uygulamalarý, hemþirelik eðitimi alanýna da aktarýlmaktadýr. Veri tabanlarýnda “hemþirelik eðitimi”, “arttýrýlmýþ gerçeklik” ve “nursing education”, “augmented reality” anahtar kelimeleri kombinasyonlarý ile tarama yapýldýðýnda, hemþirelik öðrencilerinin Ýngilizce yeterliliklerini geliþtirmeye, anatomi bilgilerini artýrmaya ve bazý hemþirelik giriþimlerinin öðretimine yönelik çeþitli artýrýlmýþ gerçeklik uygulamalarýna rastlanmaktadýr. Araþtýrma sonuçlarý öðrencilerin artýrýlmýþ gerçeklik yöntemi ile öðrenme deneyimlerini geliþtirdiklerini ve bu þekilde öðrenmenin ilgi çekici ve kullanýþlý hale geldiðini göstermektedir. Bu derlemede, ortamýnýn gerçekliðini arttýran ve soyut kavramlarý somutlaþtýrarak öðrenmeye katký saðlayan artýrýlmýþ gerçeklik teknolojisinin tanýmý, hemþirelik eðitimindeki yeri, önemi ve bu konuda yapýlan araþtýrma sonuçlarý yer almaktadýr.

Doða büyük miktarda bitki ve çiçek türü zenginliðine sahiptir ve bu çeþitlilik nedeniyle bu türlerin tanýmlanmasý botanik alanýnda uzmanlýk gerektirmektedir. Bir otomatik bitki tanýma sisteminin geliþtirilmesi bu süreci kolaylaþtýracaktýr. Bu çalýþmada, böyle bir sistemi geliþtirmek için konvolüsyonel yapay sinir aðlarýndan ve öðrenme transferinden faydalanýlmýþtýr. Veritabanýndaki görüntüler diðer veritabanlarýndan ve webden toplanmýþtýr ve toplamda 76 türe ait 5.345 çiçek ve bitkiden oluþmaktadýr. Türlerin 65 tanesi çeþitli çiçek türleridir ve 11 tanesi ise diðer bitki çeþitlerindendir. Veritabanýndaki görüntü sayýsýný ve modelin genelleme kapasitesini arttýrmak için çeþitli veri çoðaltma yöntemleri uygulanmýþtýr. Veri çoðaltmak için, 4 açýdan rastgele döndürme, [-0.2, 0.2] aralýðýnda rastgele parlaklýk deðiþimi ve yatay yansýtma iþlemleri uygulanmýþtýr. Ayný zamanda, görüntüleri modele girdi olarak vermeden önce, görüntülere merkezden kesme ve normalizasyon iþlemleri uygulanmýþtýr. Geliþtirilen model eðitim verileri için 0.9971, test verileri için ise 0.9897 isabet oraný elde etmiþtir.

Ýnsan bilgisayar etkileþiminde gelecek vadeden önemli alanlardan biri olan beyin bilgisayar ara yüzlerinde EEG baþlýklarý oldukça yaygýn olarak kullanýlmaktadýr. Bu çalýþmada, düþük maliyetli iki farklý EEG baþlýðý olan NeuroSky Mindwave ve Emotiv EPOC’un dikkat ve rahatlama gerektiren görevlerde performans karþýlaþtýrmasý, kullanýcý deneyimi ve kullanýlabilirlik deðerlendirmesi yapýlmaktadýr. Çalýþmada 12 gönüllü katýlýmcýdan yüksek biliþsel yük gerektiren dikkat görevi ve rahatlama görevi gerçekleþtirmeleri istenmiþtir. Kullanýcý deneyimini deðerlendirmek için Affect Grid ölçeði ve AttrakDiff anketi kullanýlýrken cihazlara ait kullanýlabilirlik problemlerini ortaya koyabilmek için NASA Zihinsel Ýþ Yükü anketi ve Sistem Kullanýlabilirlik Ölçeði kullanýlmýþtýr.
Ýstatistiksel sonuçlar incelendiðinde rahatlama görevlerinde NeuroSky MindWave EEG baþlýðýnýn Emotiv EPOC EEG baþlýðýna oranla daha baþarýlý olduðu gözlemlenmiþtir. Dikkat gerektiren görevlerde ise her ikisi de benzer doðrultuda sonuçlar vermiþtir. Kullanýcý deneyimi deðerlendirmesine bakýldýðýnda, katýlýmcýlarýn her iki EEG baþlýðý kullaným esnasýnda yorgunluk hissettikleri ancak buna raðmen cihazlarý kullanýmýndan memnun olduklarý gözlemlenmiþtir. Kullanýlabilirlik açýsýndan bakýldýðýnda ise NeuroSky Mindwave için daha olumlu görüþler bildirmiþlerdir.