Search

Özellikle son yıllarda, meteorolojik radar verilerinin işlenmesi ve bu veriler doğrultusunda optimal hava durumu tahminleri önemli bir araştırma alanı olmuştur. Ayrıca yine bu radar verileri kullanılarak kuş,böcek ve kargaşa gibi meteorolojik olmayan hedeflerin tespiti üzerine de yoğunlaşılmıştır. Uzaktan algılama sistemleri ile meteorolojik tespitlerde uyduların yanı sıra radarlar da kullanılmaya başlanmıştır. Özellikle polarimetrik mikro doppler radarlar ile ölçümlerle bölgedeki hidrometeorların tespiti mümkündür. Uyduların yerine bu radarların tercih edilmesinin en önemli sebebi hem radarlarla daha küçük alanlar hakkında daha detaylı bilgiler toplanabilmesi, hem de kısa vadeli ve anlık tespitler ile bölgedeki meteorolojik duruma göre hızlı önlemler alınabilmesidir. Bu tez kapsamında Hatay Meteoroloji Radar verileri kullanılarak bu bölgedeki hidrometeorların tespiti üzerine bir sınıflandırıcı oluşturulmuş ve bu sınıflandırıcının performansını ve başarısını artırmaya yönelik araştırmalar yapılmıştır. İlk aşamada Hatay Radar'ından alınan verilerin formatı çalışmalara uygun hale getirilmiş ve çıkarılan polarimetrik radar öznitelikleri kullanılarak bir destek vektör makinesi sınıflandırıcısı oluşturulmuştur. Sınıflandırıcı iki aşamada çalışmaktadır; öncelikle radar görüntülerinde yağış tespiti yapılmıştır, daha sonra ise yağış tespit edilemeyen bölgelerde kuş-böcek ve kargaşa tespit edilmiştir. Radar verilerinde sınıflandırıcı eğitimi için yersel gerçeklik bilgisi olmadığı için radar öznitelikleri incelenip hidrometeor sınıfları gözle tespit edilebilen bölgeler taranıp, eğitim için bir yersel gerçeklik seti oluşturulmuştur. Yersel gerçeklik seti kullanılarak sınıflandırıcı eğitimi yapılmıştır. Daha sonra radardan gelen sekiz öznitelik için bir öznitelik seçimi yapılmış ve her iki sınıflandırma aşaması için etkili olan öznitelikler belirlenmiştir. Radar verilerinde hatalı ve gürültülü ölçüm alınan bölgeler, bir maskeleme metotu kullanılarak temizlenmiş ve seçilen öznitelikler ile sınıflandırma sonuçları kıyaslanmıştır. Son olarak da hatalı yağış tespitlerini minimuma indirgemek için radardan ölçülen spektral özniteliklerin yanı sıra sınıflandırma sonuçları kullanılarak yeni doku öznitelikleri çıkarılmış ve bu öznitelikler kullanılarak tekrar sınıflandırmalar yapılmıştır. Doku öznitelikleri olarak, sınıflandırma sonuçlarından elde edilen doku üzerinde, sınıflar arasındaki komşuluk ilişkileri kullanılarak hesaplanan enerji ve entropi değerleri kullanılmıştır. Tezin sonunda ise elde edilen doku öznitelikleri kullanılarak yapılan sınıfladırma işleminde, sınıflandırıcı performansının yağış tespitinde başarımın artığı görülmüş ve özellikle yağışsız tarihlerde ölçülen hatalı yağış sınıflandırma sonuçları büyük ölçüde giderilmiştir., Especially in recent years, meteorological radar data processing and optimal weather forecasts in the direction of these data, have become an important research area. It is also focused on the detection of non-meteorological targets such as birds, insects and clutter using these radar data. Remote sensing systems as well as satellites have begun to be used in meteorological detection. Especially with polarimetric micro doppler radar, it is possible to detect the hydrometeors in the region by measurements. The most important reasons for choosing these radars instead of satellites can be gathered more detailed information about smaller areas and and quick measures can be taken according to the meteorological situation in the region with short term and instant detections. Within the scope of the thesis, a classifier on the detection of the hydrometeors in this region was constructed by using Hatay Meteorology Radar data and studies were carried out to improve the performance and the success of this classifier. In the first step, the data obtained from Hatay Radar were adapted to the formative studies and a support vector machine classifier was created using the extracted polarimetric radar features. The classifier works in two stages; firstly rainfall detection in radar images, then birds-bugs and clutter detection in regions where rainfall could not be detected. Since there is no ground truth information for classifier training in radar data, radar features are examined, regions visually detectable in hydrometeor classes are scanned, and a ground truth dataset for training is created. Classifier training was done using the ground truth dataset. Then a feature selection was made for the eight features from the radar and the features required for both classification stages were determined. Erroneous and noisy measurements in the radar data were taken using a masking method and the classification results were compared with the selected features. Finally, in order to minimize false precipitation detections, new texture features were extracted by using the spectral features measured from the radar, as well as the classification results, and they were reclassified using these features.As texture features, were used on the texture obtained from the classification results, energy and entropy values calculated using neighborhood relations between the classes. At the end of the thesis, in the classification process using the obtained texture features, the performance of the classifier performance in the precipitation detection was increased and the results of faulty rainfall classification, which was measured especially in the precipitation without precipitation, were largely eliminated.

Aday ilaç moleküllerinin makine öğrenmesi metotlarını kullanarak sanal olarak taranması ilaçların ters yan etkilerinden korunmak amacıyla ilaç endüstrisinde kilit bir rol oynar. Hesaplamalı sınıflandırma metotları onaylanmış ilaçları geri çekilenlerden ayırabilir. Çalışmamızda ilaçlar üzerinde üç farklı uygulamaya odaklandık. Onaylanmış ilaçları geri çekilen ilaçlardan ayırmak amacıyla farklı makine öğrenmesi stratejileri kullandık. Öncelikle çalışmada yer alan her bir ilaç molekülü için sınıflandırma ve öznitelik seçimi problemlerinde kullanılmak üzere ToxPrint Kemotip, global moleküler, boyut ve şekil olmak üzere 760 moleküler tanımlayıcı hesaplandı. İlk uygulamada 400'den fazla sinir sistemi ve farklı hastalık gruplarına ait ilaçları onaylanmış ve geri çekilen kategorilerine ayırmak için SVM ve topluluk metotları ilaç veri setleri üzerine uygulandı. Test setleri için doğruluk oranı 0.74 ile 0.89 elde edildi. Burada ilaç veri setleri üzerinde uygulanan özellik seçimi metotları sınıflandırma performansını arttırdı. Sinir sistemi ilaçları için bir model oluşturmada the number of total chemotypes, bond CN_amine_aliphatic_ generic, XlogP, aspheric: Cor3D:ori1ve Bonds tanımlayıcıları etkin özellikler olarak belirlendi. Bunun yanında ilaç veri setlerine gSpan algoritması uygulayarak geri çekilen sinir sistemi ilaçlarının minimum % 60'ında bulunan fragmanlar belirlendi. Çalışma spesifik bir hastalığa ait ilaçlardan oluşan veri setlerinde geri çekilen ilaçları onaylanmış olanlardan ayırmada yapılan ilk çalışmadır. Çalışmanın diğer bölümünde farklı hastalık gruplarına ait 558 ilaç hiyerarşik çoklu etiket sınıflaması ile Clus-HMC-Ens algoritması kullanılıp 3 temel seviyede sınıflandırıldı. Birinci seviye bütün ilaçları, ikinci seviye ise 3 gruptan oluşan ilaçları içermektedir. Bunlardan ilki onaylanmış sinir sistemi ilaçları, ikincisi farklı hastalık gruplarına ait onaylanmış ilaçları ve sonuncu grup ise piyasadan geri çekilen ilaçları içermektedir. Son seviye ise sinir sistemi ilaçlarının Anatomik Terapötik Kimyasal sınıflamasına göre beş gruptan ilaç içermektedir. Bu uygulamada ilaçları hiyerarşik olarak sınıflandırmada geliştirilen modeller için seçilen parametreler FTest, w_0, k, sınıflandırma eşiği, m-estimate modelin tahmin performansını arttırdı. Çalışmanın son kısmında 1200'den fazla onaylanmış/geri çekilen ilaç çalışıldı. Sınıflandırma modellerinde etkin olan moleküler tanımlayıcılar tezde önerilen etkin öznitelik seçme stratejisi ile belirlendi. Bunlardan ToxPrint kemotiplerden olanlar ilaç molekülleri için bir dizi kurallar belirlemede kullanıldı. İlaç veri setlerinde sadece onaylanmış/geri çekilen ilaçlarda bulunan/bulunmayan kemotipler analiz edildi. bond:NN_hydrazine_alkyl_HH2 yalnızca geri çekilen ilaçların yapısında, bond:P=O_phosphorus_oxo,bond:PC_phosphorus_organo_generic,group:carbohydrate_aldohexose, group:carbohydrate_aldopentose, group:carbohydrate_hexopyranose _fructose, group:carbohydrate_hexopyranose_glucose vb. kemotipleri yalnızca onaylanmış ilaçların yapısında gözlendi. Dengesiz ilaç veri seti üzerinde sınıflandırıcı topluluk tasarımı için bir model önerildi. İlaçları onaylanmış ve geri çekilen sınıflarına ayırmada test seti için doğruluk oranları 0.80 elde edildi. Çalışmada elde edilen model ilaç aday moleküllerini elemek için ilaç tasarım evrelerinde basit bir filtre olarak kullanılabilirler., Virtual screening of candidate drug molecules via machine learning methods plays a key role in pharmaceutical industry to prevent adverse effects of the drugs. Computational classification methods can distinguish approved drugs from withdrawn ones. In this study, we focused on 3 various applications on drugs. We studied with different machine learning strategies to distinguish approved and withdrawn drugs. To begin with, 760 molecular descriptors such as ToxPrint Chemotype, global molecular, size and shape were calculated to study classification and feature selection problems for each drug molecule in this study. In first application, SVM and ensemble methods were applied on drug data sets to categorize more than 400 drugs belonging to nervous system and various disease groups as approved or withdrawn. Accuracy rates were found between 0.74 and 0.89 for data sets. Here, feature selection methods which were applied on drug data sets increased classification performance values. The number of total chemotypes, bond CN_amine_aliphatic_ generic, XlogP, aspheric: Cor3D:ori1ve Bonds descriptors were found as more significant descriptors to form model for nervous system drugs. Moreover, the fragmans located in minimum 60 % of nervous system withdrawn drugs were determined via application of gSpan algorithms on drug data sets. This is the first report that describes distinction of withdrawn and approved drugs pertaining to the spesific disease on the data sets. In the second part of study, 558 drugs with various disease groups were classified in 3 basic levels with hierarchical multi-label classification via Clus-HMC-Ens algorithms. While first level includes all drugs, second level consists of 3 groups of drugs. These are approved nerveous system drugs, approved drugs of various disease groups and withdrawn drugs. Last level has drugs of 5 different groups according to Anatomic Therapeutic Chemical classification of nerveous system drugs. In this application, some paremeters were selected for classification of drugs hierarchically. Selected paremeters such as FTest, w_0, k, classification treshold, m-estimate increased estimation performance of model. In last part of study, more than 1200 approved and withdrawn drugs were studied. Molecular identifiers that are effective in classification models have been identified by an effective feature selection strategy proposed in the thesis. ToxPrint chemotypes, effective descriptors, were used for determination of a number of rules in drug molecules. Available/unavailable chemotypes were analysed in approved/withdrawn drugs on drug data sets. While chemotypes such as bond:NN_hydrazine_alkyl_HH2 only presented in withdrawn drugs, ones such as bond:P=O_phosphorus_oxo,bond:PC_phosphorus_organo_generic,group:carbohydrate_aldohexose, group:carbohydrate_aldopentose, group:carbohydrate_hexopyranose _fructose, group:carbohydrate_hexopyranose_glucose etc. just examined in approved drugs. A model for classifier ensemble design was proposed on the unbalanced drug data set. Accuracy of 0.80 was obtained for the test set in order to classify the drugs as approved and withdrawn. Developed model in this study can be used as a simple filter in drug modelling to eleminate drug candidate molecules.

Belirgin öznitelik alt kümesini oluşturma, neredeyse özdeş görüntü erişimi için iki açıdan önemlidir. Bunlardan ilki sorgu süresi önemli ölçüde azalır. İkincisi ise neredeyse özdeş görüntü algılamada belirgin özniteliklerin alt kümesini kullanmak sıradan alt kümeleri kullanmaktan daha iyi sonuç verir. Bu tezde belirgin öznitelik seçimi için özgün bir yöntem önerildi. Bu yöntemde belirgin alt küme, öznitelikleri derecelendirmek için yine bu özniteliklerle hesaplanan bir yoğunluk haritasıyla oluşturuldu. Önerilen bu metodun performansını göstermek için bazı testler yapıldı ve ortalamada %93.08'lik geri çağırmaya karşılık %98.54'lük bir kesinlik elde edildi., The creation of distinctive subset of the features for near-duplicate image detection is significant in two terms. The former is that the query time decreases reasonably. The latter is that using the distinctive subset of the features for near-duplicate detection performs better than the ordinary subsets. In this thesis, we propose a novel interest point selection method. Using such a method, the distinctive subset is created with a density map, which is calculated from the features to rank them. We examined some experiments to show the performance of the proposed method. The recall rate of 93.08% is obtained when the precision is 98.54% in average.