DERGİNİN TAMAMI

Aralık'12 December'12

Sayı/Number: 4 Cilt/Volume: 2 Yıl/Year: 2012 ISSN: 1309-5501

Yayın Sahibi TMMOB Elektrik Mühendisleri

Odası adına Cengiz GÖLTAŞ

Sorumlu Yazı İşleri Müdürü Mehmet BOZKIRLIOĞLU

Yayın İdare Merkezi Ihlamur Sokok No: 10 Kat: 4

Kızılay/Ankara Tel: (0312) 425 32 72 Faks: (0312) 417 38 18 http://bilimseldergi.emo.org.tr [email protected] EMO üyelerine parasız dağıtılır

Teknik Editör E. Orhan ÖRÜCÜ

Teknik Sekreterya Emre METİN Oylum YILDIR

Yayın Türü Yerel süreli yayın 6 ayda bir yayınlanır

Basım Adedi 5000

Basım Tarihi Aralık 2012

Sayfa Düzeni PLAR

Planlama Yayıncılık Reklamcılık Turizm İnşaat Tic. Ltd. Şti.

Yüksel Cad. No: 35/12 Yenişehir-Ankara Tel: (0.312) 432 01 83-93 Faks: (0.312) 432 54 22 e-posta: [email protected]

Baskı Yeri Mattek Matbaacılık Basım Yayın Tanıtım Tic. San. Ltd. Şti. Adakale Sokak No: 32/27 Kızılay/Ankara Tel: (0312) 433 23 10 • Faks: (0312) 434 03 56

Prof. Dr. Bahri ERCAN Hacettepe Üniversitesi Prof. Dr. Murat EYÜBOĞLU Ortadoğu Teknik Üniversitesi Prof. Dr. H. Altay GÜVENİR

TMMOB Elektrik Mühendisleri Odası UCTEA/Chamber of Electrical Engineers

Prof. Dr. Bahri ERCAN Hacettepe Üniversitesi Prof. Dr. Murat EYÜBOĞLU Ortadoğu Teknik Üniversitesi Prof. Dr. H. Altay GÜVENİR

DANIŞMA KURULU

Prof.Dr. Metin AKAY

Prof.Dr. Mehmet AKŞİT

Müjdat ALTAY

Prof.Dr. Ayhan ALTINTAŞ

Prof.Dr. Volkan ATALAY

Serdar BOZKURT

Prof.Dr. Alinur BÜYÜKAKSOY

Prof.Dr. Işık ÇADIRCI

Doç.Dr. Hakan ÇAĞLAR

Semih ÇETİN

Prof.Dr. İnci ÇİLESİZ

Bülent DAMAR

Prof.Dr. Oğuz DİKENELLİ

Doç.Dr. Ali Hikmet DOĞRU

Hakan ERDOĞMUŞ

Prof.Dr. Muammer ERMİŞ

Prof.Dr. Osman EROĞUL

Prof.Dr. H. Bülent ERTAN

Doç.Dr. H. Özcan GÜLÇÜR

Prof.Dr. Yusuf Ziya İDER

Prof.Dr. Yorgo İSTEFANAPULOS

Arizona State University Twente University Netaş Bilkent Üniversitesi ODTÜ SIEMENS GYTE Hacettepe Üniversitesi Anel Cybersoft İTÜ Pelka Ege Üniversitesi ODTÜ IEEE ODTÜ GATA ODTÜ Boğaziçi Üniversitesi Bilkent Üniversitesi Işık Üniversitesi

Prof.Dr. Oya KALIPSIZ

Yıldız Teknik Üniversitesi

Prof.Dr. İrfan KARAGÖZ

Gazi Üniversitesi

Prof.Dr. Aydın KÖKSAL

Bilişim AŞ

Fikret KÜÇÜKDEVECİ Tepa AŞ

Prof.Dr. Duran LEBLEBİCİ

Prof.Dr. Kemal LEBLEBİCİOĞLU ODTÜ

Turgay MALERİ

Gate ELektronik

Ahmet MEREV

Tübitak UME

Prof.Dr. Banu ONARAL

Drexel Üniversitesi

Prof.Dr. Sermin ONAYGİL

Prof.Dr. M. Bülent ÖRENCİK

Tübitak MAM Bilişim Enstitüsü

Prof.Dr. Aydoğan ÖZDEMİR

Prof.Dr. Erdal PANAYIRCI

Kadir Has Üniversitesi

Prof.Dr. Bülent SANKUR

Boğaziçi Üniversitesi

Tarkan TEKCAN

Vestel

Erkan TEKMAN

Tübitak UEKAE

Prof.Dr. Belgin TÜRKAY

Ahmet Tarık UZUNKAYA Entes AŞ

Prof.Dr. Yekta ÜLGEN

Boğaziçi

Davut YURTTAŞ

Inform AŞ

İÇERİK/CONTENTS

Önsöz Prof. Dr. A. Hamit Serbest

Sürekli Dalga NIR-IR Dalgaboylarının Karaciğerde Oluşturduğu Isıl Etkilerin in vitro Ortamda Araştırılması............................................................................................................... 63 Investigation of Photothermal Effects of CQ NIR-IR Lasers on Liver Tissue in vitro Fikret Yıldız, Ayşe Sena Sarp, Çağlar Gök, Murat Gülsoy, İnci Çilesiz

Ortalama Kayan Kip Metodu ile Denetlenen İki Fazlı Sarmaşık Yapılı Yükseltici Tip Dönüştürücünün Performans Analizi....................................................................................... 69 Performance Analysis of Two Phase Interleaved Converter Controlled by Average Sliding Mode Control Fatih Karık

Yenilenebilir Dağıtık Üretim Koşullarının Güç Sistemlerinin Yük Akışına Etkilerinin Analizi.......................................................................................................................................... 77 A Load Flow Analysis for Impacts of Renewable Distributed Generation Conditions on Power Systems Asım Kaygusuz, Ozan Gül, Barış Baykant Alagöz

Elektrikli Arabalarda Kullanılan Li-ion Akülerin Tek Fazdan Hızlı ve Verimli Şarjı için Güç Faktörü Düzeltmeli Yükselcilerin Karşılaştırması.......................................................... 87 Comparison of Single Phase Power Factor Correction Boost Converters for Fast and Efficient Charge of Li-ion Batteries Used in Electrical Cars Burak Akın

Türkçe Metinlerin Sınıflandırılmasında Metin Temsil Yöntemlerinin Performans Karşılaştırılması.......................................................................................................................... 95 A Comparison of Text Representation Methods for Turkish Text Classification M. Fatih Amasyalı, Sümeyra Balcı, Esra Nur Varlı, Emrah Mete

Tek Robottan Çoklu Robotlara Ortam Haritalama.............................................................. 105 Map Building: From Single Robot to Multirobot Sytems Hakan Karaoğuz, Özgür Erkent, Haluk Bayram, H. Işıl Bozma

ÖNSÖZ

Değerli Meslektaşlarım,

TMMOB Elektrik Mühendisleri Odası’nın yasal sahibi olduğu “EMO Bilimsel Dergi” ikinci yaşını tamamladı. Daha henüz çok genç bir dergi, iki yılın bilimsel bir dergi için çok kısa olduğunun farkındayız. Ancak, derginin yayın süreçlerine sağlanan destek, yayınlara gösterilen ilgi ile geleceğe güvenle bakıyoruz.

Dergi veri tabanına 321 meslektaşımız hakem olarak kayıt olmuş durumda. Yayınlanmak üzere gönderilen 80 makalede 115 meslektaşımız ortak yazar olarak yer aldı. Makalelerin incelenmesinde 88 farklı hakem görev yaptı ve bunlardan 29’u birden fazla kere hakemlik yaptı. Dolayısıyla, derginin bilimsel/teknolojik araştırma yayın süreçlerine yaklaşık 500 meslektaşımız doğrudan destek sağlamıştır.

Bu dört sayıda yayınlanan 28 makalenin 25’i akademik ve/veya teknolojik bilimsel makale türünde olup 3’ütemalı derleme makaledir. Bunların disiplinlere göre dağılımı ise; %54 elektrik mühendisliği, %14 elektronik mühendisliği, %7 biyomedikal mühendisliği ve %25 bilgisayar mühendisliği şeklinde gerçekleşmiştir. EMO Bilimsel Dergi’ye başvurusu yapılmış, değerlendirme süreci devam eden makale sayısı ile 6’dır.

Derginin her sayısı 5.000 adet basılmış ve 2760’ı Türkiye’deki üniversitelerin ilgili fakülteleri, bölüm başkanlıkları, öğretim elemanları olmak üzere teknokent şirketlerine, Ar-Ge merkezlerine, Bakanlık ve TÜBİTAK destekleri ile Ar-Ge yapan şirketlere gönderilmiştir. Bilindiği gibi, dergiye web üzerinden de erişim sağlanmaktadır. Ayrıca, dergi için yeni bir web sitesi tasarlanarak daha kullanışlı hale getirildi. Yeni sitenin, yayına girdiği 3 Ocak 2013 tarihinden bugüne (6 Şubat 2013) kadar 1009 farklı IP adresinden ziyaret edildi.

ODTÜ Elektrik-Elektronik Mühendisliği Bölümü öğretim üyesi Sayın Prof. Dr. Kemal Leblebicioğlu “Savunma Teknolojileri” konusunda Konuk Editör olarak 2013 yılında yayımlanmak üzere bir özel sayı hazırlamaktadır. İTÜ Elektrik Mühendisliği Bölümü öğretim üyesi ve ELECO 2012 Düzenleme Kurulu Başkanı Sayın Prof. Dr. Özcan Kalenderli de Konuk Editör olarak ELECO 2012 Özel Sayısı çalışmalarını yürütmektedir.

Meslektaşlarımızın güvenini sarsmadan ve desteklerini alarak derginin saygınlığını yükseltmek temel hedefimizdir. Öncelikli adım, yurt içinde üniversitelerimizin akademik atama ve yükseltme ölçütlerinde dikkate alınan bir dergi olmak. Bir sonraki adım ise çok sayıda bilimsel atıf alan ve uluslararası endekslerce taranan dergiler arasına girebilmek.

Dünya çapında etki değeri (impact factor) yüksek bilimsel dergileri kapsayan çok disiplinli atıf indekslerinden oluşan ISI kapsamında tüm bilim alanlarında Türkiye’den taranan dergi sayısı 2012 yılı itibariyle 74’tür. Bunlar arasında tüm mühendislik disiplinlerindeki dergi sayısı dört, EMO Bilimsel Dergi’nin disiplinleri olan elektrik, elektronik, bilgisayar ve biyomedikal alanlarında Thomson Reuters ISI kapsamında olan dergi sayısıysa sadece 1’dir. Bu yayın azlığı ve yayın dillerinin Türkçe olmaması sebebiyle özellikle sanayide yapılan çalışmalar ile Türkçe yapılmış bilimsel çalışmalar hem ulusal hem de uluslararası akademik dünyaya etkin bir biçimde aktarılamamaktadır. EMO Bilimsel Dergi’yi uluslararası bilimsel standartlara ve uluslararası veri tabanlarına uygun olarak hazırlayarak bu etkinliği artırmak amaçlanmaktadır.

En az ulusal düzeyde bilimsel/teknolojik özgünlük içeren araştırmaları Türkçe yayımlayarak akademik çalışmaları sanayiye ve sanayide yapılan çalışmaları da akademik ortama taşıma hedefinden sapmadan EMO Bilimsel Dergi sürdürülebilir kılınmalı. Bu amaçla katkı yapacak meslektaşlarımızın sayısının hızla artacağına inanıyoruz.

Saygılarımızla,

Prof. Dr. A. Hamit SERBEST Yayın Kurulu Adına

Yıldız F. Sarp A. S., Gök Ç., Gülsoy M., Çilesiz İ., Sürekli Dalga NIR-IR Dalgaboylarının Karaciğerde Oluşturduğu Isıl Etkilerin in vitro Ortamda Araştırılması, EMO Bilimsel Dergi, Cilt 2, Sayı 4, Syf 63-67, Aralık 2012

Sürekli Dalga NIR-IR Dalgaboylarının Karaciğerde Oluşturduğu Isıl Etkilerin Sürekli Dalga NIR-IR DianlgvaitbrooyOlarrtıanmındKa aArraacşitğıerrıldmeaOsıluşturduğu Isıl Etkilerin Sürekli Dalga NIR-IR DianlgvaitbroyOlarrtıanmındKa aArraacşitğıerrıldmeaOsıluşturduğu Isıl Etkilerin in vitro Ortamda Araştırılması Investigation of Photothermal Effects of CW NIR-IR Lasers on Liver Tissue in Investigation of Photothermal EffectsvoitfroCW NIR-IR Lasers on Liver Tissue in Investigation of Photothermal EffectsvoitfroCW NIR-IR Lasers on Liver Tissue in vitro

Fikret YILDIZ1,2, Ayşe Sena SARP3,Çağlar GÖK3,Murat GÜLSOY3, İnci ÇİLESİZ1 Fikret YILDIZ1,2, Ayşe Sena SARP3,Çağlar GÖK3,Murat GÜLSOY3, İnci ÇİLESİZ1

Fikret YILDIZ1,2, Ayşe11SEEellneeakkİttsSrrtooaAnnRiibkkPu3HHl,ÇTaaebbakeeğnrrlllaieekrşşmmGÜeeÖniMMKve3üür,MshhieetuennrsddaiiitssllGiiğğÜii LSOY3, İnci ÇİLESİZ1

1Elekİ[email protected],ekcşimÜlesenizi@Mveitürush.eiedtenu.sdtriisliği 22BBiiyyİyyoosiillmmtddaiinzzeeHffddbii@@aiiukkiilttaakuuTlla..eeerMMddikuu..Ünüüttrrihh,,nkcceeiiinnvÜlleeddessniiriizzssi@@vlliiiteiiğğettruusiis..ieeiBBddteuuöö..sttllrriüümmüü

2BiyomeHfidkairekktakyilaldrMiiz@Üühhnaeiknvkdearriiss.eliditğeu.sitriBölümü

3Biyomedikal 3Biyomedikal

MMüühheennddBHffiiiiokkssarrllğeekiittağğkyyziiiialliddEErçiiizzinn@@ÜÜsshhttnniiaattikkiüüvvkksseaaeüürrrriis..,,seeiiBBddtteuueii..syyttsrriiooffoottoonniikk

Laboratuvarı Laboratuvarı

3Biyaoymseseednai.ksaarlp@Mgümhaeiln.cdBomios,lğmiağcazigiEoçkin@Üsgtnimtiüavisle.ücro,smiBt,[email protected]ı [email protected],ğmacazgioçki@Ügnmiavile.crosmit,[email protected].

ttgDgıııdmdmdmBBBeesssööaaauuuıııosseeelllzzlllppssskgggyyyaaaiiçççuööaaattaaafffaaadiinnbbbeeennnlllaüüyydddoooıııııışşşaannkkkeeeyyymmmppnnneellluuuvvvııaaaolleeeaauuummsssllluyyyıııaaaııüüünnnıınnşgggbbbşşçççdddaaauuuttlllııaaanaaarrlllrraaa,,,aasss..fffnnnyyyaaakkÖÖNNNoooaaarrrkkkkkkllnnnrrrIIIoççaaRRRaaalll)))aıııüürrkkk---zzzgllşşIII,,,eeaaaııRRRülllllnnooommmaaaaalalllsssşşddaaauuu(((seeeÖÖÖtt111eennnşşşyııarrr000rrğğaaasssoy,,,zzzmm777eeaaannnnseeerr000llleaakkkllıııtttsllvvveeşşşaaaııennneeerrııırrrçnlll,,oommmaaaıııabbbasssiillcccp,,,ssaa.oooııısiiilllttrryyyğğğaaa999aauuuzzzreeett888kkaaapiitttrrrv000ssssrrr@ettaaaddaaaiillleekknnnrrrdddgğğssııımmm(((ooomnnneedçççeekkkllaaaerrauuu(((llrvvvffpppikkkeesssaalieeeooouuu.nnrrvvvcnnnaaalddkkeeeo111iaaagggiiğm((999rrdddüüüppiii444eeell,lll<<mmm000aaa111rrriii00sssöiicnnnyyyşş,,nnnan00lllooottcccmmmiiigiic55kkknnnmmmrroe))))))))..,,,k@gmashhhKhthttKh1pw11pwwpiiiiltiiiiii9e99eesss.aeeeeeggggggcrrrsss444yyrrriohhhhhhuuufffneee000wwooomeeeeeeeirrroosnssrrrcccnnnmmm,tttooodddrrgmmmmddaaammmaaeeeaausstttdddmmmbbbpppiii::r999nnnsss11aaaaaaauuuooo888ttt00trrrgggeeesss.000rrreee77geeeiiirrrpppnnnddd00aaaunnntttgggoooiiiccclmmmaaannooosccctttnnnommsssHHHnnnccctttdddyuuuhhh,,&&&www@rrraaaccc99ccciiirrrEEEnnnoooooottt88eeeghhheeennn00dddaaamsssffftttnntttfffllltttrrriiiiiaaaaaaammaaa111cvccvviiiitttsss000ieiieelnnn,,eee.tttrrr777111c11iiieeennnnnn000o999ddd99tttttgggiiim444...44nnnsss...00000OOOsssaaammm.MMMuuutttnnuuunnn...eeeeeermmrrmmmtttaaaqqqhhhooo,,...sssuuuiiibbblluuusssDDDiiiiisssvvcccrrreeeeeeaaaeekkkwwwrrrmmmrreeemmmvvvaaasssttaaaeeeaaatttvvviinnntttssgggeeeiiidddsstttooollleeesssuuuuueeennnnnneeeeevvvaaasss,,gggooonnnttt((ssstttlllooodddHHhhhhhhuuu...ooommmrrr&&hhhwwweeeeeeiiiLLLEElllssseeesssaaaaaattt))dddoootttrrrwwwiiilllgggvvvtttoooeeehhheeeeegggrrraaalllsssyyyeeeyyytttttt

ooÖmgtDmDellöloaoasaçzpkkkrrüiuurraaötmooddikknssaaüykkanoo((speHHppoıooiinl&&akkmlluluuEEıçıoonşşşlaallataaaınnrbbrrrraı.ooaankÖyykkakkaaklooçmma((aaügrkkaagglşöaaessıüürıılllniialleaappş,dssiiiteyyllyyıeerğeeoo1))mrrenn9ra4iilööllle0eeıllrçççç)),oüüaailnddllppsaeemaatrrrahhaeetaakikkvvsdeetdssaiooekkklnnğgsaaeddrraerrlaaeerşşblıırrfoelladdiiaaynnnraaşşulldkttii,iıığğhh(rrrpiiiiıısslll<mmmttoo0dööiııllş,şşooonn0tttjjkiııcc5iirrrukkee)... BeeBBoeÖÖtttmdAdosssooaaaüüütttlaallliiinkkkllaauuurrrrrrrrrççllaiiiaaakggiiieeeşşşrlllüümmmhrfffmmmaeeesssaammıııoiiitşşşknnnbbnnnauuuiiiszzzdddoommmiiirşşşkaaannnaaayyttto(sseeemmmuuunnnuuHkpoorrrdddnnaaaeinn...ggg&aaakddlnnnuusssiii999ihhhaaErrrdddmoooçç888oiiiaaaaaağğğllpppee000leaaauuunnlbbbbrreeeennnrrrrdddıınnnüüüoyyaruuummmnnooo:üüyyyyklllaa1kkkbbbmmmüüüakkddduuu0üüüsskkkmaaaaaa7ee(yyyggsssklllahhhkk0üüüooogggıııööasaaakkklllddaaarrılmmmsssnibbbeeeedddaaadddpaaam,,ğğoooaaarrroooiissseeylyyyıııhhh,kkkeııırreuuu11aaauuu)llooor999eennnlll8rrhhhlll44uuueeeifffaaaöddl0dddaaa00şşşaaaesssleettteeessszzzç)eeeuuuddaaannnlllnürrrrrraaaiinnrrrdiiimlrraaayyyıııdddemma..nnnlll,reeeheeeyoyoyoemmmaiiilllddd1knnndddhhheeeddaaa9eeeuuusaaatttaalll4oğğğkcccgggllçççbbb0ngguuuaiiiaaaaaauuummmraarbbbpppanşbbsssooodddıııiiiımeeeooçççlyyyaaadvvvlllaiiiyyuuull,leeennnaşggguuhhhtuuuaaa,,koooıaaahrbbbayyyeeelllsssiımmmgggnnnooorslaaamatuuuyyyrrruuuocllluuuddışşşlaaahhhişonnnootttğmmmıııtuuujdddbbbzzzkkıeirrrrlllaaaaaauuuuukrııı.... ddAoanklaguhastbuao,ry(Hukne&dliEam)eebnleoyry:üa1km0s7eak0sıdnemğe,rl9e8rd0ednimr., 1940 nm, karaciğer

dokusu, (H&E) boyaması Anahtar kelimeler:1070 nm,

karaciğer

dokusu, (H&E) boyaması Abstract

In this experimental studyA, tbhsreteradciftferent laser sources in the

NInIRth-iIsRerxepgeiroinm,e9n8ta0l nsmtu,d1yA0, 7tbh0sretnermad,ciaftfnedre1n9t 4la0senrmsowuerrceesapinplitehde fNrIoRm-IR1 rcemgiodni,st9a8n0cenmo,n10li7v0ernmtis,sauned. P19h4o0tonthmerwmearle daapmplaigede (Ifrcnotmahgisu1leaxctpimoenr,idmicseatnartbnaoclensitzouandtiyo,lnitvhearrnedetisdasibuffleea.rtieoPnnht)olatwosaethrsesaromsusaerlcssedesdaimnaastghaee f(NucIonRac-tgIiuoRlnarteoigof ineo,xnpc,oa9sr8ub0roennitmziam,tei1o,0n7a0nadnndmdaa,mbalanagdtieo1nd9)i4m0weannsmioawnsseers(edseiaadpmpaelsiteeadr affurnondmctio1dnepcotmfh)edxpiswotaesurnercee tmiomneae,sliuavrneerdd.tdiassRmueaesg.uelPtsdhiomtwoeetnhrseeiormnsatla(dtdiisaatmimceaatlgeleyr a((pcno<da0g.0ud0lea5pt)itohn)a, ncwaaleryrbzeoendimzaeatainosdnuraehdnid.stoaRlboelgasiutciloatsnl ) wewvaearsleuaastssieotasnstsiesdticwaaselrlaey (fupn<c0ti.0o0n5o)f eaxnpaolsyuzreed timaen,danhdisdtaomloaggiceadl imeevnasliuoantsio(ndsiamweeterer and depth) were measured. Results were statistically

staining

Keywords:1070 nm, 980n1m., 19G40irnimş, liver tissue, (H&E)

staining Laser kaynaklı

ışılısı1l . teGdaivri,işlokal tümör tedavisinde

kLualslearnılaknaynvaeklıaraştışrılımsıa1ly.ateGdaeivria,imşlokeadl iletünmöbrir tyeödnavteimsinddire.

kAurlalşatnırılmanalarvıen ayroaşğtuırnılamşatıyğaı daelavnalmardaendilebniri bidr e yöknatreamcidğierr. kKkkAdkLAdkduooaaoooarrannlllkkksaarloosesaşşuuuarreerttcnssseeıırriuuurrıkkiiğlmmnndddttakeaadduuunaaarlleerrrlly...aannkknrrvaaaııtKKKennnnükssssmaaalooıeerrrannyyörraaarrrllcccooraaaeeiiişğğrrğğğtiiuuııeeennüüşrnntrrrııççe,,,llllttüüaadımoosşşnnappıbbbattvcclllııaaayaağğüüitttsannııııitlllddneıııeeııdddaannğğaeellüüüııaavvlllnnöökkkiöa,llnneeemnaablllleeeorreeeimmddmrkrrriaadddeanlllnniieeedliiciimmlööetaaabbeeünllkkkiirrüümrrtccckkmmiieiiieeöbğğğdzzrieeeaddllrrrrveesseeeerritddybbevvveeödekkeeennbbnaöaaddviitrrneaammmiiicrrmscceiooeeeiin[[dlğğmmmll11idaaieeğ]]rnneeeerri... ddlllyyyeeepppkıkıkıaaaKkaKaaookoıııLLLaaassssssnnnrrrmmmoooaaaoaööaaapppıııııısssaaaaaaaatttneeelllrrrlllğğğlnneeeeeerrssseeeşşşoaaasssrrrsrrreeeuuuaaüürrraaatttllleeejjjmmmraaaeıııtttiiicciiinnnşşyyyerrreeerrrkkkyyysssrsssiitt---ıııeeelllıııknnniyyyğğiiiüüiiiaaakkkllluuudddsssnttt,,,sssmmmteeeooottteerraaarrrııığğğoooaiiidtttsss,,,üürrreeennnrrnnnpppıııluuukkkaaaüüüjjjerrrlllsssllaaaiiidddaaaeeekkküü,,,uuu...nrrraaassskssseeeeeerrrtttrrgggiiiçççauuuiiiaaaiinnnnnnkkktttttıııüüünnneeenüüyyydddAAAeeelllsiiilllvvtttçççeeemmmyyynnnsiiimmgggoıııkkkeennnrrreaaauuunyyy(((yyiii...aaaöörcccrrrddllldddnnnoooraaalaaaeeeBBBaaarrkkkdddooaeaaaddddddvvvğğğrrrşşşkkkruuulalaaloookkllliiieeeaaauuuuuugggiaaammmtttuukkknnnnürrrsssaaannnttddd...uuuyyyaaalllçiiihhhbbbeehhmmmuuutaaaBBBöööyyyüddaaaooooaarrrğğğnnnhhhıııaaammmnsssuuuaassyyypbbbsssuuutttkkkttteeetttaavvcuuuıııaaaleeeeeeaaaeee)))mmm,,,tttarrünnniirrr,,,mmmlllkkkıııııssnaaaaaaaaabbbeeerrmrmmuuuiiaaaoonnnfffdrrrllldddnnaaa[[[nnnyyydddıııeeeeıııooolliiiığğğeee222nnnddnnnuuzzzgrgrgriiinğooodddnnnlll]]]kkkddddddeeoooşşuuuııııkkkuuu...llldddaaauueeettteeellluuunnnörrrönnnsssaaannnııırrooorrrdddaaanmmmnçççbbpppppdddaaa[[[[[eedddeeebbbaaaii44333iiiaaaeeemmşşşsssaaarriiikkk]]]]]rrrcccfffiiiiiooorrrsssyyy((...aaanntttlaaauuuliiieeeüüüğğğllliŞŞaaaimmmDDDkkkccllliiirrruuunnnllleedddiimttteeeaaaeeeooorrraaaöööıııkköeee%%%ssskkknnnuuutttlllkkkerrriiiiilrrrtttlllıııllllüüü,,,rüuuueeeeee111ııımmmaaalllttklll,,,11uuuaaamrrrlllyyyee000nnnıııeeeennnııı..ıııssskkkyyyddaaa---11,,,sssrrrzeeeaaa222)))gggaaiiiııı))lrrrtttlllnnnlllvv000uuues..iiihhhkkkiiaaafffnnneeeeiiirii’’’lllssseeeııılllaaadsssbssseeeuuueeemmmyyyiiimmmmmmee(((rrrtttdddyyyööössskkkniiibööooogggaaannnıııdddnnnoooeeedicccnnkkkuuueeetttğğğnnnieeeeeeeeeuuucclllruuulllaaaııılllrrrmmmnnneeiiiodddsssaaarrrrrrnnnkkk[eeellııımmmaaalaaasss1llliiaaa,,,yyyarrreeeeeehhhğğkkk]jjjnnnnaaaaaarrrrrriiiiiiiiii.

dönüştürülür ve doku hasarı oluşur [4](Şekil 1.1).

(p<0.005) analyzed and histological evaluations were

Şekil 1.1: Laser enerjisinin ısıya dönüşümü ve doku hasarı oluşumu [4]

Uygulama süresine bağlı olarak dokuda sırasıyla hipertermi, koagülasyon (ısıl haraplama), ablasyon (doku kaldırılması), karbonizasyon (yanık) ve doku parçalanması oluşur. Koagülasyon 55 ile 95 °C arasında doku proteinlerinin geridönüşümü olmayan hasara uğraması olarak tanımlanır. 100 ºC civarında buharlaşma ve ablasyon başlarken 150 ºC’den sonra karbonizasyon başlar. Laser tedavisinde tedaviye bağlı olarak çeşitli dalgaboyunda laserler koagülasyon, karbonizasyon ve ablasyon için kulllanılabilir. Yakın kızılaltı (NIR) ve kızılaltı (IR) dalgaboylu laserlerle doku kesimi ve ablasyonu için uygundur ve baskın olan doku soğurganı su molekülüdür. Laserin doku tarafından soğurulma derecesi dokuda oluşan hasarın derecesini belirler. Laserin dokuda daha az soğurulması laser enerjisinin daha derinlere inebileceği anlamına gelir. Dokunun yüksek soğurma katsayısı da dokunun daha kolay ablasyona uğramasına sebep olur [58]. Literatürde, laser-doku etkileşim mekanizmaları sadece laser parametreleri açısından incelendiğinde bu etkileşimler sonucu oluşan mekanizmaların sınıflandırılması enerji yoğunluğu (J/cm2), güç yoğunluğu (Watt/cm2) ve uygulama süresine (sani ye) göre yapılmaktadır (Şekil 1.2).

Şekil 1.2: Laser doku laser doku etkileşim mekanizmaları [9].

Etkileşim mekanizmalarının oluşması için gerekli enerji yoğunluğu 1-1000 J/cm2 arasında değişirken güç yoğunluğu 10-3 -1015 W/cm2 arasında değişmektedir. Güç yoğunluğu ve uygulama süresi arasındaki ilişkiden yararlanarak bütün etkileşim mekanizmaları için gerekli enerji yoğunluğunun neredeyse aynı aralıkta olduğu sonucu çıkarılabilir. Sonuç olarak laser-doku etkileşim mekanizmalarının oluşması birinci dereceden laser uygulama süresine bağlıdır.

Laserin dalgaboyu, dokuda oluşan saçılma ve soğurulmayı belirler (Şekil 1.3). Enerji yoğunluğu da oluşan ısıl hasarın boyutunu belirlemede önemli bir parametredir [10]. Laser dokuya düz (bare) ve saçıcı (diffusing) fiber optik kullanılarak uygulanabilir ve istenilen uygulamaya göre bu iki fiberden biri seçilebilir [11]. Çapı 200-600 µm arasında değişen düz fiberin avantajı kolaylıkla dokuya uygulama imkanı vermesi ve küçük çapta ısıl hasar için uygun olmasıdır [12]. Laser-doku etkileşiminde temel amaç, tedaviye ek olarak tedavi sırasında hedef bölgenin çevresindeki sağlıklı dokuların da korunmasıdır. Bunun için çeşitli dalgaboyları araştırılmaktadır ve hücre ölümünün başladığı koagülasyon için sıcaklık değerleri ve uygulama sürelerinin eşik değerleri belirlenmesi önemlidir [5,13]. Bununla beraber karbonizasyon ve ablasyon uygulamaları için de ablasyon ve karbonizasyon başlama sürelerinin belirlenmesi de sağlıklı dokuların minimum hasarı için önemlidir.

Şekil 1.3: Karaciğer dokusunun soğurma katsayısının üç farklı dalgaboyuna göre değişimi [14]

Bu çalışmada, in vitro ortamda karaciğer dokusunda 1070 nm, 980nm ve 1940 nm dalgaboylarının koagülasyon, karbonizasyon başlama süreleri ölçülmüştür ve ablasyon etkinliği gözlenmiştir. Bu uygulama sürelerinde oluşan ısıl hasarın boyutu makroskopik ve histolojik olarak değerlendirilmiştir. Ayrıca çevre dokuların uygulama süresi boyunca en az zarar görmesi için önemli bir parametre olan güvenli zaman aralığı (koagülasyon ile karbonizasyon arasındaki süre) tanımı yapılmıştır.

2.Materyal/Yöntem

Mahalle kasabından taze olarak alınan dana karaciğeri standart olarak 4 mm ± 1 mm kalınlıkta ve 6 cm ± 0,5 cm çapında kesilmiştir. 1070 ve 980 nm dalgaboyları 4-10W, 1940 nm dalgaboyu da 1-3 W güç aralığında karaciğer dokusuna 1 cm mesafeden koagülasyon ve karbonizasyon oluşana kadar 600 µm çaplı düz (bare) fiberle uygulanmıştır. Laserin dokuda oluşturduğu hasar, laserin güç yoğunluğuyla doğru orantılı olduğundan değerlendirmeler güç yoğunluğuna göre yapılmıştır. Güç yoğunluğu (ϕ, Watt/mm2) aşağıdaki formülle hesaplanmıştır. P doku üzerine uygulanan güç değerini, A ise laser demet alanını göstermektedir.

Yıldız F. Sarp A. S., Gök Ç., Gülsoy M., Çilesiz İ., Sürekli Dalga NIR-IR Dalgaboylarının Karaciğerde Oluşturduğu Isıl Etkilerin in vitro Ortamda Araştırılması, EMO Bilimsel Dergi, Cilt 2, Sayı 4, Syf 63-67, Aralık 2012

1070 nm dalgaboylu laser kaynağı için laser demet çapı 1,2 mm, 980 nm diyot laser için 2,4 mm ve 1940 nm Tm – fiber laser için 1,9 mm olarak ölçülmüştür. Doku üzerinde laser demet çapları ölçüldüğü için, optik fiberin sayısal açıklık değeri ayrıca ölçülmemiştir. Buna göre dokuya uygulama 1070 nm’de 3,5-8,8 W/mm2 , 980 nm’de 0,8-2,2 W/mm2 ve 1940 nm dalgaboyunda 0,35-1,05 W/mm2 güç yoğunluğu aralığında yapılmıştır.

2.1 Histolojik ve makroskopik değerlendirme

Laser uygulanması kesildikten sonra doku örnekleri laserin uygulama yönüne paralel olarak kesilerek eksenel ve radyal doku hasarı belirlenmiştir. Bu çalışmada histolojik değerlendirmeler için Hematoksilen-Eosin (H&E) boyaması kullanılmıştır. Doku takibine başlamadan önce, karaciğer doku örnekleri %10’luk nötral formalin çözeltisinde 48 saat süreyle bekletilerek dokunun mevcut durumunu koruması sağlanmıştır. Dokular formalin çözeltisinden çıkarıldıktan sonra, kasetlere yerleştirilmiş ve dehidrasyon işlemine tabi tutulmuştur. Dehidrasyon işlemi, 12 adımdan oluşmaktadır ve Leica TP1020 Vakumlu Doku Takip Cihazı ile gerçekleştirilmiştir. Doku takibi yapılan doku örneklerinin daha sonraki safhada parafine gömülebilmesi için, doku takibinden alınan kasetler gömme cihazının 60 °C sıcaklıkta olan bölümlerinde bekletilmiştir. Kasetlerdeki dokuları metal kaplara gömmek için ayrı ayrı çıkartılarak gömme işlemine hazırlanmıştır. Parafine gömülmüş dokulardan kesit alma işlemi, 5-10 µm kalınlığında kesit alabilen otomatik mikrotom ile yapılmıştır (Leica RM2255, Germany) ve histolojik görüntüler mikroskop altında incelenmiştir. Makroskopik ölçümler de kalipiyer ile yapılmıştır.

Ölçümler arasındaki varyans değerlerini karşılaştırmak için ANOVA (Analysis of variance) testi uygulanmıştır ve fark seviyesi p<0,05 kabul edilmiştir. Farklı uygulama güçleri arasında karşılaştırma yapmak için 980 nm ve 1070 nm için fark seviyesi p < 0,007, 1940 nm için de fark seviyesi p<0,01 olarak kabul edilmiştir.Varyansları eşit olan gruplar için Tukey testi, varyansları eşit olmayan gruplar için Tamhane’s 2 testi kullanılmıştır.

3. Sonuç

Ölçümlerde koagülasyona başlama süresi (t1 ,sn) ve bu sürede dokuda oluşan koagülasyon çapı (ɸ, mm) ölçülmüştür. Karbonizasyonu gözlemlemek için laser doku yüzeyine karbonizasyon oluşuncaya kadar uygulanmıştır. Bu karbonizasyon süresi (t2, sn) kaydedilmiştir ve bu sürede oluşan koagülasyon derinliği ölçülmüştür. Laserin karaciğer dokusuna önce koagülasyon başlama süresine kadar sonra da karbonizasyon başlayana kadar uygulanmasıyla elde edilen ölçümleri kullanarak üç farklı dalgaboyunun farklı uygulama güçleri için güvenli süre aralığı (t3 = t2-t1, sn) belirlenmiştir. Histolojik ölçümlerde de koagülasyon ve karbonizasyon başlama süresinde dokuda oluşan ısıl hasarlar gözlenmiştir. Ölçüm sonuçlarının gösterildiği grafiklerde, koagülasyon çap değerleri, oluşan ısıl hasarın (koagülasyon) laser demet çapından bağımsız karşılaştırılmasını yapabilmek için laser demet çapına normalize edilmiştir. Koagülasyon derinliği de laserin dokudaki optik girginliğe normalize edilerek grafikler çizilmiştir. Optik girginlik laserin başlangıç enerji değerinin

%37’ye düştüğü derinlik olarak tanımlanır ve aşağıdaki gibi formülize edilir [15-17].

µt dokunun toplam zayıflatma katsayısını göstermektedir. Optik girginlik 980 nm için 1,9 mm, 1070 nm için 4,7 mm ve 1940 nm için de 0,0625 mm olarak kabul edilmiştir [14,18]. 980 nm laser dalgaboyunun soğurulması 1940 nm dalgaboyuna göre daha düşük olduğundan ve dokudaki saçılması büyük olduğundan oluşan normalize koagülasyon çapı değerleri de daha büyüktür ve güç yoğunluğunun artışıyla azalmaktadır (p<0,007). 1070 nm dalgaboyunda güç yoğunluğunun artması koagülasyon çapını da arttırmaktadır (Şekil 3.1). 1070 nm dalgaboyunda 3 ve 3,7 W/mm2 güç yoğunluklarının, ayrıca yine aynı dalgaboyunda 4,5, 5,3, 6, 6,8 ve 7,5 W/mm2 güç yoğunluklarının oluşturduğu koagülasyon çaplarının kendi aralarında anlamlı bir fark bulunmamıştır (p>0,007). 1940 nm dalgaboyunda, üç farklı laser uygulama değerinin (0,3; 0,6 ve 0,9 W/mm2) oluşturduğu koagülasyon çapı, güç yoğunluğu artışıyla doğrusal olarak değişmesine rağmen, bu değişim istatistiksel olarak bir anlamlı değildir. 1940 nm için oluşan koagülasyon çapı uygulanan güç değişkeninden bağımsızdır (p>0,01). 980 nm dalgaboyunun koagülasyon çapı değeri, güç yoğunluğu artışıyla beraber azalarak laser demet çapına yaklaşırken 1070 nm dalgaboyun da güç yoğunluğundaki artışla beraber koagülasyon çapı da artış eğilimi göstererek laser demet çapına yaklaşmaktadır. Üç dalgaboyunun genel bir güç yoğunluğu-ısıl hasar karakteristiği belirlemek için, ölçüm aldığımız güç yoğunluğu aralığındaki değerleri kullanarak her dalgaboyu için eğri uydurması (kestirimi) yapılmıştır. (Nokta değerler ölçülen değerleri, kesik çizgiler de ölçüm sonuçlarıyla en uygun eğrileri göstermektedir)

Şekil 3.1: Güç yoğunluğuna göre ısıl haraplama (koagülasyon) çapı değişimi

Üç farklı dalgaboyundaki laser kaynaklarının ısıl haraplama başlama sürelerini karşılaştıracak olursak, güç yoğunluğu artışı ile üç dalgaboyu için de ısıl haraplama başlama zamanı azalmaktadır. Koagülasyona(ısıl haraplama) başlama süresi, 980 nm de 1,4 W/mm2’den sonra güç yoğunluğundan bağımsızdır. 1070 nm için 4,5, 5,3 ve 6 W/mm2 güç yoğunlukları ve 1940 nm’de 0,6 ve 0,9 W/mm2 güç yoğunluklarının koagülasyona başlama süreleri arasında istatistiksel olarak anlamlı bir fark yoktur. Çalışılan güç yoğunluklarında 980 nm’nin ısıl haraplamaya (koagülasyon) başlama süresi 1070 nm dalgaboyununundan daha büyüktür (Şekil 3.2). Bunun sebebi, 980 nm dalgaboyunun güç

yoğunuğunun 1070 nm dalgaboyunun güç yoğunluğundan daha düşük olması ve saçılmasının daha büyük olmasıdır. 980 nm dalgaboyu, koagülasyon eşik değerinin aşılması için daha uzun süre dokuya uygulanmıştır.

Şekil 3.2: Güç yoğunluğuna göre ısıl haraplama başlama süresi Karbonizasyona (yanık) başlama süresinde de üç dalgaboyu için zamanla azalan bir değişim vardır. Dokuda koagülasyon sonucu oluşan haraplama çapı arttığında iletkenlik azalır ve doku soğurduğu ısıyı dağıtamaz ve yanık oluşur. 980 nm için 0,8-2 W/mm2, 1070 nm için 6, 6,8 ve 7,5 W/mm2 güç yoğunluğu aralığı için karbonizasyona başlama süreleri arasında anlamlı bir istatistiksel fark yoktur (p>0,007). 1070 nm dalgaboyunda güç artışıyla karbonizasyon başlatma süresi arasındaki ilişkiyi gösteren eğri daha yavaş bir düşüş gösterirken, 980 nm için bu düşüş daha keskindir. 1940 nm dalgaboyunda 0,6- 0,9 W/mm2 için karbonizasyon oluşturma süreleri arasındaki fark istatistiksel olarak anlamlı değildir (Şekil 3.3). Bu sürede (t2, sn) oluşan normalize koagülasyon derinliği değerleri Şekil 3.4’tedir.

Şekil 3.3: Farklı güç yoğunluklarında üç farklı dalgaboyuna sahip laserlerin dokuda yanık olayını başlatmaları için geçen süre

Üç dalgaboyu için de güç yoğunluğu artışıyla oluşan normalize koagülasyon derinliği arasında yaklaşık doğrusal bir değişim izlenmişse de bu değişimler istatistiksel olarak anlamlı bulunmamıştır. Özelikle 1940 nm ışıma dalgaboyunda sınırlı sayıda veri elde edilebildiği için önemli bir değişim görülmemiştir. 980 nm ve 1070 nm dalgaboylarının uygulama süresi ve güç yoğunlukları farklı olmasına rağmen oluşan koagülasyon derinlikleri arasında anlamlı bir fark yoktur. Laser uygulanması sırasında dokunun ölmeye başladığı sınır değerlerinin belirlenmesi çevre dokuların daha az zarar görmesi açısından önemlidir. Bu nedenle güvenli süre aralığı olarak tanımladığımız sürede laser dokuya güvenli bir şekilde uygulanabilir. 980 nm dalgaboyunda 1,4 W/mm2 ’den sonraki güç yoğunlukları için güvenli süre aralığı arasında anlamlı bir değişim yoktur. 980 nm’de güvenli süre aralığının zamanla değişimi daha hızlıdır. 1070 nm dalgaboyunda da 4,5W/mm2 ’den sonra güç yoğunluğu artsa da güvenli süre aralığı için değişim istatistiksel olarak anlamsızdır. 1940 nm’de ise üç farklı güç yoğunluklarında güvenli süre aralığı farklıdır ve zamanla azalmaktadır (Şekil 3.5).

Şekil 3.5: Güç yoğunluğu ile güvenli süre arasındaki ilişki

Düşük güç yoğunluğuna rağmen (0,3, 0,6, 0,9 W/mm2) 1940 nm dalgaboyu karbonizasyon için en tehlikeli dalgaboyudur. Suyun soğurma katsayısı bu dalgaboyu civarında diğer iki dalgaboyuna göre daha fazla olduğu için soğurulan laser enerjisinin hızlı bir şekilde ısıya dönüştürülüp derinlere ilerleyemeden hasar oluşturduğunu gözlemledik. Laser dokuda eksenel olarak ilerlediğinden ve makroskopik boyutta, oluşan eksenel hasarı direkt göremediğimiz için histolojide en çok kullanılan H&E boyaması yapılmıştır. Şekil 3.6’ da 1940 nm’ de 0,3 W/mm2 güç yoğunluğunda dokuda oluşan ısıl hasar gösterilmiştir. Histolojik görüntülerde koagülasyon, karbonizasyon ve ablasyon sınırlarının belirlenmesi doku parçalanması ve renk yoğunluğu kullanılmıştır. Koagülasyon bölgesi referans olarak aldığımız karaciğer dokusuna göre biraz daha açık renklidir ve bu bölgede doku gevşemeleri oluşmuştur. 1940 nm dalgaboyu karaciğer dokusunda hem ablasyonu hem de karbonizasyonu etkili bir şekilde oluşturduğu için en iyi sonuçları bu dalgaboyunda gözlemledik.

Şekil 3.4: Optik girginliğe normalize koagülasyon değerleri

Yıldız F. Sarp A. S., Gök Ç., Gülsoy M., Çilesiz İ., Sürekli Dalga NIR-IR Dalgaboylarının Karaciğerde Oluşturduğu Isıl Etkilerin in vitro Ortamda Araştırılması, EMO Bilimsel Dergi, Cilt 2, Sayı 4, Syf 63-67, Aralık 2012

Şekil 3.6 : 1.Bölge; Yanık bölgesini, 2.Bölge Isıl haraplanma bölgesini , 3.Karaciğer dokusunu göstermektedir.

4. Tartışma

Karaciğer dokusunda, radyal doku hasarı oluşturmak için 980 nm’de 1 W/mm2 (sistemimizde 5 W), 1070 nm’de ise 4,5 W/mm2 güç yoğunluğu (sistemimizde 6 W) değerleri en yüksek uygulama değerleri olarak kabul edilebilir. Bu güç yoğunluklarından daha yüksek güç yoğunluğu dokuda anlamlı bir koagülasyon çapı değişimi oluşturmaz ve sadece çevre dokuların daha fazla haraplanmasına sebep olur. 1940 nm dalgaboyunda da 0,3 W/mm2 (sistemimizde 1 W) koagülasyon çapı için en uygun değeridir. 1070 nm dalgaboyu doku tarafından daha az soğurulduğu için en güvenli dalgaboyudur. 1070 nm’de güç yoğunluğu artışıyla bu güvenli süre aralığı plato oluşturma eğilimindedir. 980 nm dalgaboyunun laser demet çapından dolayı dokunun birim alanındaki enerji yoğunluğu daha azdır ve 1940 nm dalgaboyuna göre daha güvenlidir. 980 ve 1940 nm dalgaboylarının güvenli süre aralıkları güç yoğunluğuyla üstel bir değişim gösterir. 1940 nm dokuyla hızlı bir etkileşime girmesinden dolayı uygulamalarda el ile kontrol yerine bilgisayar kontrollü yapmak çevre dokuların korunması için uygun olabilir. Ablasyon için en uygun dalgaboyu 1940 nm’dir ve üç farklı güç yoğunluğunda da ablasyon oluşmuştur. 1940 nm’de ablasyonla beraber hemen karbonizasyon oluştuğundan, karbonizasyon derinliği ablasyon derinliği olarak kabul edilebilir. 1070 nm dalgaboyunda 3-7,5 W/mm2 güç yoğunluğu aralığında ablasyon oluşmazken 980 nm dalgaboyunda ise sadece 1,6 W/mm2 güç yoğunluğunda ablasyon oluşmuştur.

5.Teşekkürler

Bu çalışma İTÜ-BAP 3544 I-Tipi proje desteği ile tamamlanmıştır. Boğaziçi Üniversitesi Biyomedikal Enstitüsü ve Biyofotonik Laboratuvarı’na 1070 nm ve 1940 nm laserlerini kullanma fırsatı ve histolojik analize verdikleri katkıdan dolayı teşekkürlerimizi sunarız.

6.Kaynaklar

[1] Vogly, J.T., Eichler, T., Straub, R., Engelmann K., Zangos, S., Woitaschek, D., Böttger, M. and Mack, M.G. “Laser-induced thermotherapy of malignant liver tumors: general principals, equipment(s), procedure(s) – side effects, complications and results”. European Journal of Ultrasound. 13 : 117–127,2001.

[2] Ortw, K., Russ, D., Duerr, J., Hıbst, R.,Mattfeldt, T., Steiner, R., Beger, H.G. ”Laser Coagulation Zones Induced with the Nd-YAG Laser in the Liver” Lasers in Medical Science , 12:137-143,1997.

[3] Çilesiz, İ. “Laser–Tissue Interactions.” In Encyclopedia of Optical Engineering. DOI: 10.1081/E-EOE 120009714,2004.

[4] Watanabe, S.. “Basics of laser application to dermatology”. Archive of Dermatological Research, volume 300, Supplement 1, 21–30. DOI 10.1007/s00403-007-0801-6,2008.

[5] Heisterkamp, J., van Hillegersberg, R., and IJzermans, J.N.M. “Critical Temperature and Heating Time for Coagulation Damage: Implications for Interstitial Laser Coagulation (ILC) of Tumors” Lasers in Surgery and Medicine 25:257–262,1999.

[6] Geldi C., Bozkulak Ö., Tabakoğlu Ö., İşçi Ş., Kurt A., and Gülsoy M. “Development of a Surgical Diode-Laser System: Controlling the Mode of Operation” Photomedicine and Laser Surgery, 24, 723-729,2006

[7] Javad, M.M., Abdul Qader, S.T., Zaidan, A.A., Naji, A.A ve Abdul Qader, I.T.”An overwiew of laser principle, Laser-Tissue Interaction Mechanisms and Laser Safety Precaution for Medical Laser Users”.International Journal of Pharmacology 7(2): 149160. ISSN 1811 7775/DOI:10.3923/ijp.2011.149.160 ,2011.

[8] Raulin, C., and Karsai (eds.), S.” Laser and IPL Technology in Dermatology and Aesthetic Medicine” DOI: 10.1007/978-3-642-03438-1,2011.

[9] Peng, Q., Juzeniene, A. , Chen, J., O Svaasand,L., Warloe, T., Giercksky, K.R ve Moan, M. “Lasers in medicine” Rep. Prog. Phys., volume 71, issue 5, doi:10.1088/0034-4885/71/5/056701,2008

[10] Niemz M. H., “Laser-Tissue Interactions: Fundamentals and Applications”Third Revised Edition, SpringerVerlag, Berlin, 2004.

[11] Heisterkamp, J., van Hillegersberg, R., Sinofsky, E., ve IJzermans,J.N.M. “HeatResistant Cylindrical Diffuser for Interstitial Laser Coagulation: Comparison With the Bare Tip Fiber in a Porcine Liver Model” Lasers in Surgery and Medicine 20:304–309 ,1997.

[12] Knappe,V., Roggan, A., Glotz, M., Müller, M., Rıtz, J.P., Germer, C.T., and Müller, G. “New Flexible Applicators for Laser-Induced Thermotherapy”Med. Laser Appl. 16: 73–80,2001.

[13] Gülsoy, M., Çelikel, T., Kurt, A., Canbeyli, R., Cilesiz, I.. “Er:YAG Laser Ablation of Cerebellar and Cerebral Tissue”Lasers Med.Sci, 16:40–43© Springer-Verlag London Limited,2001.

[14] Ritz,. J.P., Roggan,.A., Isbert,.I., Müller, G., Buhr, H.J., and Germer, C.T.“Optical Properties of Native and Coagulated Porcine Liver Tissue Between 400 and 2400 nm”. Lasers in Surgery and Medicine 29:205-212 ,2001.

[15] Bachmann, L., and Zezell, D.M."Laser Physics and Laser Tissue Interaction", Lasers in Dentistry, Practical text book, pp. 1-14,2010.

[16] Cox, B.T.” Introduction to Laser-Tissue Interactions”, PHAS 4886, Optics in Medicine, 1-62, March,2007.

[17] İkurova, L., Habodaszova, D., Gonda, M.,Waczulikova, I.,and Vojtek, P.“Penetration of Laser Light through Blood Derivatives” Laser Physics, vol. 13, No. 2, pp. 217–221,2003.

[18] Knappe., V., Frank., F., Mesecke-von Rheinbaben., I., Roggan., A., and Müller., G. “Investigations to Compare Various Laser Wavelengths for Laser- Induced Interstitial Thermotherapy (LITT)” Laser Physics, volume. 13, No. 1, pp. 41–44,2003.

Karık F., Ortalama Kayan Kip Metodu ile Denetlenen İki Fazlı Sarmaşık Yapılı Yükseltici Tip Dönüştürücünün Performans Analizi, EMO Bilimsel Dergi, Cilt 2, Sayı 4, Syf 69-75, Aralık 2012

OOOPPPrerreeOtrPttrrafaareffoloolltraaararrfmmmmolmmaraaaamaamnKnnKKaacccaenaaKeeyyycAaAAaeaanynnnnnAaaKaaKKnnlllyiyyaiipKsppssliyiisiMDssMMDDpsoiöooeöösMfDeenfftnnttoToöüTTooeüüfdnwşddtwwşşTtouüttuuoüdooüüwSşiSSriitPulrrlPPllüoeülliüüeehiidihhcrddDccPlaDDiüüeaaiiüünshennnssceenneDgnaeeggüünnüüseIeMnneeIIMMennntnnttültllPoeeIttPPooneeentneedennrddeelrrterPeeleerreellenfneennffCroaCCooeraalIrvİoIIerrnfvvkoomokkeammneenniIdriivtddakFttaamrFFerrnCinnoaCCdooaaasFlzssollzzoonCAlnaAAllınnsıızvonSvvnnSSAlneaıeeaaaraavnlrrSrlltirrettiimazeammzzeerirlriirrtiaaamzeCşCCişşrıaoııkookkCşnnnıYotYYkttrnarraaoYooptpplrlllaıllııoeleellpıdlııddlıYeYYlbıbbdüüüyYyykbkkAüsAAyssekeevvvlAllseteetteiriivcrrlccaetiaaiiigrTggcTTeaeeiigiipTppeip SlidFFFiaaantttigiihhhKMKKaaaorrrıdııkkk1e11 Control

111TTT...C1CCT....ECEEn.nneEeerrrnjjjieiivrvvjeieeTvTTeaaabTbbiiiiaiibKKKiiaaayKyynnnaaaaykkknflaffllaaaataaittrkhiirrhhlkBkkaBBaaarraFrriaakkiiBakkkk@a@@taaanignnhkggmlmmllıaııKğanğğaaiıliialıı.,llcı..,,rccğYoYYooımıkmme,ee1nYnniiilelleneeninneleeebbbniiilellibiirrriElEEinrnneEeerrrnjjjieiiGrGGjieeenGnn...eMnMM.üüüMddd.ü.. d.

[email protected]

syghDBofpDdgydAfragghssyyhBDooBDffppDdDdyfAgdgdAfyaaaereueöarraauneaaööaaaakeerreeuuöeöeaartuunnprrğreersröööökkkaarrttnntprprrrğğrrmifdrrssrrutmkkaaıiçaaöannnnttmmlohhgysoDBfpdDydgAiifddlelşuuttüümmııiiççööıaaimarlloohhaalleemranllşşüüüüaamrriotereueöaıımiimmşşaaunaaeaammrröönnmüalmrrririoottmmşmrtsşşşşrprrğlttnrsrımmüüıaakllalmmaşşmmiiınnssıa,üürmıllttttnnifdşşııutmıımıillyiçikoııkaaııanaa,,üüüürrlohıışşleşşmlşüümmntrrrkyyiiiikkooıkkaaimaannlaoaamrınmmnnttdnrrrrrrkkmrirotiüüdmaşşlleoorrrıımtannddşlnamiiüüüüddşmiaaseesaylttnrrccaa.ıttışşnnaaltııbaüürssaayyıdtkıccccaakşaaş..amiüüyittikklaanbbr,ddttkkııkkrmaanteorrriiüüüüaBaalllprro,,nnoıarreednoo.aaBBiaaaaüüdalppeznnnnyoor,maaişı..naüüilllrsazzyyyç,,ummcacgr.lagiiıımüüüüüiitllrrbasdtççknnııuukggrrllaaaaggaimmiüüüülinröaa,ssnnnnııümraaaaeoiiaşmBarelliionnpöölnnoüüammyr.şşmmrrkeetrlooiıllgzly,ryyiırrıüüilşkkşettarraiiıreeaggllaçugrlrargmüaüıışşşşeeaaaeeteeaagaaasnnırkpkrrainaaüüyıılittnöggnçrrükkppmkk:lnnüyyşrmıılreiııoıalannççgm::(SllyirpüürrsalliiltıriıııaaglaaçggmmrT((SSniippalılssaaşşlleııaaaeeaeaççkfTTnnirmiıaüaallllaaeetaagHnkrkkarzkllpşffkiimmiirııınııfnHHçnnkkerr-aazzllllmişş:liorrkııtürlamikaıffkaee--liBgmmmiiı(SiiiootkkttpsaammlkkıaaikknintçslliirBBokiııTtta-llpaeiiamöanniinntt)kssmrrookkiiıf.imiıt--tgtppnaammööHn))krmmyazllşıış..rerörttttggttÖnnfkiee-yymitşşrreeirroööltıoaüÖÖmkga1kkkriieelirsBottaıkrtmllııooüügg11nrrintlEsrrürssorkooiaaokkkarrmmb-zianmöll)EEmüürrvıoo.kkaalbbttgzziitoWnnnlğkedyeivvştrellraaöÖeooWWöllğğkkleeieddmeedr(iitnttllıoüüeeöögt1llrmmrddGrrs((raMannkorllmküüduttzlEzüGGrrraaMMoookalbzkkidduumzzloyezzönoeveFylallgoW.ammlllooğkeyyeedeöönnooieeeeöFFtyynggelöün..dlaalüamd(i)nöötttnnltüallüünnddlltntüüaamGlii))krüaMattittkckaadurznnttammzrllckküüaaiitl(kkccvşrrmüooyaaerrccönoelkeeFyttOg((ibvvşşaüütoo(eeeellkköaatnnnOOliibbmolündlükttiSdüa((eeee/i)tönnnnrtllmmooaKüüçkkniSdtiiSSddm//nl,küairöörrİkeclKKnirççdiirSSddannric,,rrteei(üİİeeMnlltKvnniişğüddrronliielkmaaeeOeeiirüüiMMbnnttKKğğetnn(celleimmninaarrlmooKükbeehinSdcc)/iikşöüiiruKooKKçbbiSdhhnn))vvn,lkkşşrüüioauuİeald)nidr,lvvvviçllmeeiiooeeiaaüMaanddtK))ği,,bnlllpöççmmmeeeearaniiebbcppiööiiadiaasoKnnnbhn)lkşknüiiaaddiiussssnnaı5küvllvlükknnioassabpdss)aşaauıı,55kküülçüümmıee0şbbppaagşşşuuiambpieömğmmıına00şşggnüşşaatmmrkiieemmğğinnniradilsnüülduttrrplkkbeikkiinıHnnrrllsasfllüüadduuım5ppkübebeiikükkrııeHHltrobpaaffiaşumminkkmorrmıeellttüo0rrşooziiogğşamktriiiaennmğmmoonüüoozzmooğğü/dotkkrcttnkrraagemiinurlhnmm//lüddduoofpccnnebiggkeemmiiıüuHputhhrafnnraıffmşükafrüüuuelppratrottrrişrriaaıınnlşşgiaüünaatmfforrraaüozoncoşşğliianntnnaakllnturggaaattrrüumkioonnüzccmllı/aadttnnrcnuuligemimüüzuuummkksiirhrüüznııllfnünnrrlliiçemmüupzzsstrrrrriıııır..allllınnüünnnnşüççeeafraiiıııııııış..i..nnalgatronclatnuüumkiüzırlimzsrrllnünnçeiıııı.. faktörü,ortalama kayaAnAAbbbksisstpttrrrkaoaacncctttrol.

fIKcuk(spvpmMistsanhTnffIIKKkmpmvcppvksuup((scMMiiststsslulaoHnrraannhhTTinneillouullaacteoHHonrnrarrHocedrndiieeiieoocctteeyaazHHttoodcceeddrrtnnddiiishteepiyyhtiorzzttttypddw/aDttliifIKvk(ppcumsMitsshshttnppeeiirnhhttiioorrclyppyow//waaDDaanhllirTnnneleeueetrrnnaHoeonrccllngooasoag)eiirrieieerottbctepeerooannggHoaaacsseood(rggon))eeliiiterrslrtbbppyrrzcfttdaaC((t/oooiellsshtlitmpvmssllirrttonhtordccffypSw/CCaDo/oooleessllniitmmevvmmerdwoonnddeccloSSCaoooorooirustteitfddoowwrefnoeeccngoaCCsomdhrr)euussmmir:iirffbeooooprrffnnrdrooaMmmdd(dhhdoablmmmmft::IslrrrteeaeddrrcferMMCdd/oddaabbyeeisliffavmIInueaonleeedyeerriScqononocyyeeiitaa)nn-,uutdeewlleenyyeciinCtccqqlnnrnccusoh.f))i--ti,,ttfuporfngnnceoinncttmdllhsdanmioomahh..cff:iittruppueggdrnccneeiioMccudoeossarbddannoiiiiaafccITaeeuctnnnneroouuooeeoonmrryeiooiikviilandnTTuteennleeuuyccttniccqtnnnhnmmceckkvvll)nndd-,ttteennenngnnognccctttolhhteecctoouh.fittaupeegggeooggircccroorsttdanttcooiyrrauucpttaafceenmnlrrorrturrvoerooccoiyyootirrrrppTaffucc.euactmmreofllrttvvnhmoooockvttlecndaateuun..lloaanrree(ooffplcrrtrhrohheccctneeccloegvlloelloodPog((TppcllrroirroortrotteunnrtllcooaevvgeooeddPPtTTraonriirncrryoeeerrrrpccefhcFrggomottlaaoonntvionnreetclanteeuhhrrFFn.rrtooaorooheofrnehiirrpcunrccae)llnnrttnnlttoooo(hh(plnnsreetroppuutlnnterrnaa))oplrrooveooedeAPt((T.mssttihrnrlltteeerooppcrnoogeeeeAAatttp..mmalourn.lhhnnceehSmrFrrnnreooaavopplluurr..sllairnccceltntTSSmmnaeetoovvohnmMeoessaapliunnraee)ttrTTaatoerd(fmmslvMMtooeerhlliilteviropfotteeerreAddote.mffftllvvehrrhhnnrevviirrCAffrntoeoaoheepcfflurtt.leernncrrreeteiCCSmttlooeeeogtoovhhccsarrlohnrrroeettoteeii)ThllaggttprtmfMoelloolbhhirrooeeoom))hhtdoerdnpparrodafwtt,fflverhdevrimmffuddoonnaaooddeaafww,,teeednddeegvsrrenoCrfftaouueoiuhcernddggvvrrronnooteirrlfeaacftgteiiuuiareelnnnrvohroooenfo)hffesccdffeepiriiuaarrtrorfnnrrvvennlmffooosssdddconaiioduuaiwrr,oorectaeydeeelltnoofssaruccttiielrreccmttaaeeyydgpvrnttounnrsorynarrttttsitueevelleemmnpporouurrsscooyyaifenncfessrtteeiarrhvvtdnnrvearroonsfoiaaisdirraounrrhherorttpcgddtnneeaaelossorstcnaaoonnieerrrppcccggtaeeysloftoonrreortttttnnwelemeesscplleiooffuonrs1eohyeeoonttttstenwwvwsccroceeiioonn11eehhheiantcrrnnerhfttedwwnsseacctshhheennttccarraoneeeffttoareepcgtkdiettohhraatnceooanaaettkkeddiieessloflnWrreotttccweeaanneesossdoiiiceiellonnnhnWW1uerrrrhmttantssnwoosddooiiceehhnnuuhemmntcnaaasrfrcefttteaoenncthaavannaassrrffoccooeeaaooatkutdiefpccdlucaaaavvoocooeearnoceuucttffppsddiynllnlluuWrrcctroo.oeesrrooccsocccodoiyynnshllehnurtsmrrooaoo..ioortassnooccfwssrhhotrrttoIssclniasriifcirraaeaoecffwwrrioodnttoosnaIIcccllaeviioiiroeentugtfpdeiinddnnlusscnncceeoorrwviderocnn,ttcggdyneennlvrrotao.noooooowwtvviidds,,aoceddshnprtosvvrrttaanni-ioortteaaaaeefgawtrfonnpptodooIscdliii--vidooeeeaaaeeggaarttffidnvddsncssddetvvvddreeaantdoeeogrrrpuntndvvotvvtepoowvide,ddoooodrreppuuttannddooviorblanttooeeppctrdeeareeeuuhrnptaatoiioorbblli-oosccoeatrrddtttrrigatwfhhrraatattdsdrrvssiadeiaiiattottetttttiirwwaaaaaavo5tvnooiiaaggbiiiiiiaahgoodoottrepsutindonoo55innooootepggggbbhhggen0gnnneeeusseeyaiieennrsiobliiocrd,rnn00ggnnnnnnhreeteeyyeeeeeetrrssrst,,tttiwaaaiaiiiaoto5nooggbhgesinin0gnnneeyeeers, sliding mode control

GGG 111... GGGiiirrriiişşş lGarüınnlıünkçohÜksğakÜÜkssiuyuniiNuunnlNNaülllşLtüüallÜkzetLLaaanzzÜbounnÜÜNooıaeilKlııdliiakaLKKlladd-aaenndÜaannldhaılleKhhlaagnoaagynüooggyylüsaçmllhüüiaaçtmmntdaççttaüattgyöaaaayzüanyykaoaçtkküaaanitaaadaaşnnayaa1-üyyan--dkm.lnnvddaaavvaoaaeaakaüyleekk-lmGgnsadllggaaahüaraağhhüürrıikayçnıılaarççralnnaıgarrminmnııdmmürşnnddoıvöçanooöönenkınnçnnitünhççdkoaiiüüşakkooöğkşşürğğnuüümumçiuuümmlçiioloççşüeağnüüeeünruirremıkseelnşassannüişşeaanğçeebğğelgabbaesllraaükaaşeeamkkkçeımmnkkğemııbaeekmmldaaakaeddalkekkamklltyeenıaaattrmennnaarradaklkeatn-ra sinüzoidal olmayan ve harmonik içeren akımlar

GusçnbştkbegdkeckbityBdiaggk(yaSddgahbKaçnaGGbbustbknçstbkeuçnşeş(tykaykSgiaakycSyi(tgkcaiddddBgggbgdeeBddkbikdggabhKaKhbSeeelztriküüaıueüaeeulueaieeeuaoaaçaçannSSuüevmeeesrelelelzriirzttkklturtüüüüaauaueaeeeııüüeebbuulueelueeaieeeaeiuauakaooİrlrprtdğnhvrkkuuçlannüüeevvmmıssrreemllaenllttauurrttbbbbrkkkaaiçiaİİİrrlpplrrrrttşiçddğhvnğnhvrrlmskkkklllççaareennnnmıımmaaeennaaairseeasserrkkşfefçglliiççiiaalrİİ)aşşiiççtsllmmssGuesktbşbniagBc(ygetkddiçkgkabdSyllgKhabtrırreeeeılmmeşaairirssepkeeaeaeaasssseeaışşfeffefiççgglllleellrrıslm))aantFkaçanttssrnllaaSttrrıııtıınrlyeeeeoşşdlrtiezknaeepkpkmikaaaaüüeaaauüaıeeııevkiiluueeaeaulaiileeeoıısslmmannnttarrFFkkkrlnnloneaillaaakkııuttnnrrayyüemvooserllmddrlnnaatmmurtiikkaeaeevvbbkkallaallııakkaaİnngntaarrrrokdıkkrprltroonndğhnaeaeriiankkkkekkellçamnnaaıbiımaonellmmnirrataamldeeaallaarkeııııniiçkkaggİnnttbnnookıddkışiçelaamnnsşçeeeelllreemmııbbiinmaıoonnoiii,aalatttağrliaseeammddllmlllsseşfeflçeegpllirnnr)abbldnnnnkktseelşşççatrmıınnlkmaeaaııeeşşeeooiii,,illaattmaağağrrlliakpemmaalaıdillriuppiirrnaeenıslmallntddleFkrrnllallaaaimmıtpnrkkmmlneaayeeeeömoşşiidiiammaamttiinaaamteeikdllerdvkddrlrraçuulmnnaahnnkaaaaırllaeerrrrksuoneaimsiikkppınarllnneerfsöömmilmaarmmkttaaddearrrdddarrççşabmmııerhhkkkaaogntıırrr,oıdkssuuarenmmsseeltikıınnmrıbirrrirrff.ısstoniiatkkolaamldibllrrfddleşşaabbeyeerrednooorrbüd,,gtnnokererree.asşçnkaattaaiikkrrirriii..ııttıeotkline,ylatağroolilliibbmoffllmıleeyypıeeiddrooüüddlggdttooeerrn...aasstllnnkkalkiaaaameumiihikeeiimaellşğttkkllkenneeiiayymaiiti,amrneootrlimmdııiruııknanaalkeerdernn..ttfllllkkiiariapeemuumm(hhiilnellömllğğkkeeaaaemn,,mmrrnnçtıtuBkkttrrt.riiŞdiirçrmkkc,aŞhkaiıtraakkeerrddeeisutffaaamsrrmaammınn((Grtnrfşsi,iieeelnnükkrççttııauuBBatt..rŞŞydşabrragicc,,eraaŞŞdkoiiitt,riirettaaceutmmStikrknnGGttrlinnşş.gıdteii,,iineelleeüükkorralaafiblufyylnaaeggiiyıeddddkkoiikürrgtoouerk.asdcceeuuakntteSSaakkeilleiggddrieetklFanennuiaeeeediaaafflluuoklmbınnıııddonbzekökkoosuudnkk.tddlaalkieerumeehimtarriiloilğtFFkaaeuuariiaalnaddaa,mrtnrgvrktrkkıllibbidrknoonnbbzzeezkköökerdessnddef)laerlrrara.nmeya(mmttsaooiirlteattzrreırllnnaanttçrrggtıuauvvrrBitıı.aŞddrrrtc,annŞrzziadtınnipımeeete))alleellmrraa..nnaeeyyaaeGtnşsssrrllitteenaai,zzilııerrl.müüdkmruuaaakdiibiaayükenkagttidlkrraddaiyrv[ıı-ppıımmeeBeelceutSeetaafmeekligdssiiennrellnnş..emmüüelddmmaardfkkddvıılugbbiiıüüikkeennnkkdllyykeouvv[[--du3zkBBametlldıamieaettffmmkoesiieriaırrieeFaeunnşşiadllalğaabrrddivvggılııaiibneonabzekröleeuursrddd33dzzaammeetturıııimmiiaarEeekklootssmtaeeoiaaııetiideerlşnnarllğğdbbtarg]iivrııısaandsnnreneenaazrrallrrrbnrrddnıeuurreııeil)iilelnra.EEneyallttesyrlataeeeaddzırşşnnraakeddaa]]auyi.alssnnssteetnnriçadaaerrem.bbennpıımııNeeeeeeeiillyllnneazıeeeuyysaaişaan[rll.vimüadkkmeeakkdyy..ıbittllnülalzkttenküiiççnyeeeemm..vee[d-ıılüNNBkeeyylltfmzzııkneiyçuuşşd[[rnerrlla2nlşeivviaalaaaaıeridikkvgttttnnillaallzzaüürsnnıheuddedll3azmaüüamekketımialleekkkionns-eeyyççekeaıddictnnaa22elleeeaaııeebiiiiilkrıoniaabkearrsssııtbhhrrlör]eerÖdaaummaaeeurılinEeeliitl--6eeykklccdttnıtşneerada]llkkcrrbooysnespiiibbekkynsçssnttbbrraöörıb]]ÖÖtn.uuseielllennlnktllaö66eeyykayaallnnııettnkeycc.bbyydleetppiiyyan1ssççnniçesemıı.ieett..ıNkmesseyigoekkzttzıaaaeaööeeçukkaaşe[eerlgrnnivaakrterddçnallzkaannGüp11onssiicdüeelükkkmmiiggeooeezzeloBtaakeeaanaeyçççal0deengga2rrilkeıeininbkrerrleerreiççztkkaGGppoorsıheccdüüelamaaeeeteeooBBtteeieaa-ineaakllr00nctboiiankkkeeeşknnlnnbblkkkrreenallreeiiorzzttlibklatb0öeerFdd]kgiÖlluiuaailıinttiueeleel6iinnyrrünnaalrnıetbbooaannikkşşkklludkcnnaabyrralü,ellpiymsçlllnaace00tkrrFFılrikkelgguiii.uundiisiiııeiaiik,uutllaöelkaüürraeee0niüiiiluuddkkdaaellüü,,ryealmmn1allcceettskkllrriiişeelluukeiinnddkmliiigmeaaoezm,,itmaeaçplsllekmaa00glariihüüliilledrriçeefrryykoeellGpaaoecşş-ükkçnklloaemmeedltermmeoBitiittmmaeppllssal0lkkmmlldaanihhmık,ellneeddnbkreleiiizıtffookleee--3itççlnncakkooaaüddllttreerrattiiaeekneeilnrrnllasbddonnammninıık,,şkdnlinarrorııdaletkkrlaall0rFke33iigyittuGiicciüüıirreaaittuaalkktnnllşrrüairnessbiinnk-ddnnniiudekurrrrktooalüddaa,eettomerrilaacpetklrieeelyyuiGGndiplediiaeeğr,eettdğşşaaiikann0üiügabbkk--t2innlgeeuukkttkelryooeleeaiippabkşfvkupplleetddlımeiiztrğğrrSlFitmeeeeaddnpğğlsikkkmüülahgagatt22ldedeğagglaikkrllfoioyaaubbekkelff-kaüvvçuunadküttııoazzdttltrraeerSSillFFrraaenniilnednemeı,ddheeğğaallkaaOşrruıkmiiootyylGuuagsbeellnkkaaüü3itcaaddeeüüüraaeeatrr.arrakeknalnrğmsnneeleestkeenldnddhhieckkOOrrşşoruudaetmmmsrttiaGGaaggssbbonneyvGdieeeaiaıe..ylaaeekktlaannsağğmminürnllissttkkbkll-n,eeeyucckterrmoşonmmsseKiiisrpnfümoolvvddFpletaadiiaaaııiağryylleelldlğsseeküünnrrltükii-gaela2e,,gyytteekmmooıaşşllnnKKessrrueabnnukffeçüümmllflvuFFü-atttaaızaatmrSlFleallniollkttkken--dneelaasdieeeğaaııraallieetoyyuueeçğuueççeelikallülKüüad--aaükmmğaneklraeeıiitoolnnkkeeeenncddnnessiidhkrkOşedualmtgttetyyjççGağğgsbtiinllKKıaeekkknğğnnlkkıdtaaaııekaınttğemllenneccstbklkohkkerrcielieereddiaaiIamllsttuggeeiljjttloııvnaaedlkskauiannısllrKkıeddylttlııeseeeyveeünreeibbnls,kkoohhaytiieelliiemeeolmşiiiiIIErenaakauuKllsrnfllümlrnnnieeFllkkıtssuuandaassrrKKkkeeeleeılyyvvdlt-nneeelaellvmsseaactıllmmaalEErriieekkaaemöureekmyuçerrlinniidüıı-ağnnaaddrmaleetiıılloyyddkrendinseeitvvmmEkndccttıdaaviiiiitmmööyrrçmeekkğmmyyeiuiilKddtrkğğerrğınİaakraıtttrnıialnrrmciirretteEEkekknnrddgııddcedvvadltgiieajsmmteeuunyaaıçattrrekneedeııöİİşlaeıprrdlitpkırrkiennııiiaaeeEmmddrrbd.lrreeıeekoheeiggelicceiiddIlaulGaalsstrlnnyyinççelkeeaamsuddeesiööşşrKaaalseekppelliippekkekkaiiaıynvlöEEddddndde..llnııılsiaenlmdlEreeiokatGGllttrrirdiüiiniieaaaammındaiiaallksseeeeılaaaaııynnnıllydrtöönnnııevmiiacterannraddeeiilliioottmdökrrğekmyiiddniiiFüüiidesdmğrakküneeeetnnnnıısyyrrttırinnzteorEknaadıdrraaerrıvöiddkkrrığğmerunnFFadtrlssddmmeeıİY5üünnraeeeenannurönennıssiaıımartreşzzeeeioorrees[gceeıısöödaşiııaesrarrınyçtddlleldeeeöşYYae55pliaapnknnaaduukieööeeizEdlaaddd.lttşşııtiieessl[[4küssrl1aaşşyiknıiiGlleeırraamntrtğııaittaamllialslnrnneddeaaıeeüniirlözzöddtllıııttillnne44kküünrrmle11lioyyiekknnııtegllıımmnnttiğğaadeiüietkll]rannerrı9ıreeenüüırryöörtüittnaannnnmerardmmlliüüeedeekrggğkmrneeFttsdmnkkkmmİi[e]]rrsünaaeıı.e99şıınrrveeağensıüüiizeaakorrmmeeeddıöii-ınkkmmrrrştoindlnnkkkkkkmmemmİİii[[şYee5ss1üeea..naşşvvrraaüğğueeöettkatşkkktiuues[ıkrrnursaşeemi--1ernnaaışşttooiinntlaltşşe11üüeandüüleittttizılldkklçnkklıtttcuuuulııkknnuurr4kiür1]zybieeknıeemmc11lımnatğaaaeüyllaallttraleeelneaarllinaelüur9iiörıılllltççinlllnkccnniiml]]zzbbüedo.eagccaaieellüüyyltemmllllerriüaallee]raşıllllii9nnaanırieniuu99rrtüiiirlltmannkkrmedhiddoo..ıaoaaakmiiş9rllllllieenkmmkdkmmmmeeliİim[üüsmzeşş.mşnnviirnnağüekiiiıttlaakrrttmmükrrr,lhhpiııaaooaad-caanş99şşteioniimdllnmmnşmmf1nzzükmmtaüüükkiirtteıılla2kökküükoteuuıka,,nuçrhlleppiiemcddcc1şaoeelcammmtnnnneeffnneakkttadışlrreaieeaaıll22ööçnailooeebaczaaççhhiııs]ızsbcccşşarerüooliymccrmmllrileealeıllinaddıışşeeaau9üariaaelliillmabbnaaklzzııııvnssııssdo.coaçürrsiiçnıllrrldlliilalmmzrremuümheiiillüıı0şnineiaaüüaateaaeeellrtmllllmmaallrvvnnshccaıaoooaççneüüagkssiiş9nçnçnııllddillaazziıuuüüdhhılmür00mzsımkeleeiraaaaşıeelaakeelünt,ınlrrss.rpaaidlçnncıeeçggkkınnnyiieiiıımkıınrnüürrraefnsskııtiaeellarrrıliışşeaa2öüü6zllioeünnttaçııhsdnnndrrvvrrvaa..nrracllççıışççıınnyyockksmrrlıeirraaieenebmiiiidışaaeııallliiııaalüüaaüü66zziiissbaüüızssddınnırddvvvvvvaaaaslınnsaalirrlniunnn5mnkknprksskillııliiiiıeenneeeebbmmiieiiaaaellüallşaelllssmssarlıı-ı;vrrnııillıi,coçlliiüsiçnıldnnluunnnnnna55nnzkkkknnppuükkkkh0eeeeeeeeeeaaeeaaaaeeeaaeaşşerr--ıı;;ııııiisııii,,anegkniiııürsıelrşlntınrr.rlçıçınykrraeiaıliıaüü6ziüsdndvvvaanaslıiinebmiillassırllinunnn5nkknpkkeeeeeaeaaeşr-ı;ııiıi, devrenin dayanıklılığı test edilmiştir.

2. İki fazlı sarmaşık yapılı yükseltici tip dönüştürücü

Bir çok uygulamada, düşük boyutlu Elektromanyetik Girişim (EMG) süzgeç gereksinimi için, endüktör akımının dalga şeklinin SİM olması ve bu akımın dalgacık oranının oldukça düşük olması istenir. Bu nedenle, orta ve yüksek güç uygulamalarında, dönüştürücü gücünü arttırmak ve giriş akım dalgacık oranını düşürmek için sarmaşık (faz farklı paralel) yükselten Güç Katsayısı Düzeltici (GKD) devreleri önerilmektedir [6-8]. Faz farklı paralelleme tekniği, birden çok güç katının faz farklı olarak anahtarlamasıdır. Bu yöntemle giriş akım dalgacık oranı düştüğü gibi, çıkış gerilim dalgacık oranı da düşmektedir. Şekil 1'de aktarılan sarmaşık yükselten GKD devresinin uygulamadaki kullanım alanının genişliği ve diğer GKD devrelerine göre sahip olduğu avantajlardan dolayı bu çalışmanın konusu olmuştur.

Yükselten devrelerde faz farklı anahtarlama yönteminin kullanılması hem giriş akım dalgacık miktarını hem de çıkış gerilim dalgacık miktarını düşürmektedir. Bu yöntemle, dönüştürücü güç seviyesi arttırıldığı gibi daha düşük boyutlu EMG süzgece ihtiyaç duyulur [5].

Şekil 1: Sarmaşık yükselten aktif GKD devresi

Burada gerilim hata yükselteci VEA'nın s alanında transfer fonksiyonu aşağıdaki şekilde ifade edilebilir:

V EA

(Kp

Ki s

Buradaki Kp ve Ki kontrolcü değerleri Ziegler–Nichols metoduna göre ayarlanabilir [12].

3.2. Ortalama kayan kip kontrol metodu

Doğrusal olmayan, parametreleri zamanla değişen ve

karmaşık dinamiklere sahip sistemlerin kontrolü klasik

denetleyicilerle zor olmaktadır. Bu tür sistemlerin

denetiminde OKKK etkili bir kontrol yöntemidir. OKKK

yönteminin kapalı çevrim kontrol

sistemlerine

uygulanmasında amaç, hatayı kayma yüzeyi veya diğer adıyla

anahtarlama yüzeyine doğru itmek ve bu yüzeyde tutmaktır.

Kayma yüzeyi durum değişkenlerinin doğrusal kombinasyonu

olan bir fonksiyon olarak tanımlandığı için durum

değişkenleri bu yüzey üzerine doğrusal bağımlıdır. Bu

durumda, sistemin derecesi bağımsız giriş değişkeni kadar

indirgenmiş olur ve sistem indirgenmiş bir kontrol kuralı ile

denetlenir [9]. Bu yöntemin analizi [10-11] numaralı

kaynaklarda detaylı olarak ele alınmıştır.

Kayan kipli denetimin en büyük sorunlarından bir tanesi anahtarlama frekansının değişken olmasıdır. Bu da frekansın çok yüksek değerlere çıkmasına neden olmaktadır. Bu soruna çatırdama problemi denmektedir. Anahtarlama frekansını sabitlemek için OKKK yöntemi kullanılabilir[11]. Şekil 3 tanımlanan kayma yüzeyini göstermektedir.

3. Uygulanan kontrol teknikleri

3.1. Oransal-integral kontrol metodu

Bu dönüştürücülerde gerilim döngüsü kontrolörü genelde oransal-integral kontrolördür ve bu kısmın tasarımı hepsinde aynıdır. Akım döngüsü yüksek hızlı (50kHz için), gerilim döngüsü ise yavaş (50Hz için) olduğundan tasarımları birbirinden bağımsızdır. Dolayısıyla bu dönüştürücüler akım döngüsünde kullanılan topolojilere göre isimler almaktadır. Gerilim döngüsü çıkış gerilimini regüle etmeyi sağlarken, akım döngüsü de giriş güç faktörü ve THB düzelmesini sağlar [2]. Şekil 2 kontrolcünün yapısını göstermektedir.

Şekil 2: Gerilim kontrolcünün yapısı

Şekil 3: Kayma yüzeyi

Kayan kipli denetim aşağıda verilen temel kurala dayanmaktadır.

S.S  0

Burada S ve S’in türevi Şekil 3’e göre Eş.3-4’teki gibi tanımlanabilir.

Karık F., Ortalama Kayan Kip Metodu ile Denetlenen İki Fazlı Sarmaşık Yapılı Yükseltici Tip Dönüştürücünün Performans Analizi, EMO Bilimsel Dergi, Cilt 2, Sayı 4, Syf 69-75, Aralık 2012

Düzlem üzerinde seçilen anahtarlama doğrusu Eş. 5'te verilmiştir.

S  .S (5)

Devrenin kontrolcü tasarımları bir fazlı yükseltici dönüştürücüye göre tasarlanmıştır. Çünkü tek fazlı ve çok fazlı sarmaşık yapılı topolojiler için temel kontrolcü tasarımı birbirinden farklı değildir. Sarmaşık yükselten devre için sadece d2 görev oranı süresi, 50kHz anahtarlama sinyali için 1800 faz farklı uygulanmıştır. Bir fazlı yükseltici dönüştürücünün durum uzay ortalaması sonucu elde edilen bobin akımı denklemi -bu değer aynı zamanda doğrultulmuş giriş akımı- Eş.6’da verilmiştir. Eş. 7'deki bobin akımının türevi yerine Eş.6'daki bobin akımı türevi konulup L. Iref  0 kabul edilerek d görev oranı yalnız bırakılırsa Eş.8’e ulaşılır.

 Iin

 L

1)Vo

1 ). L

Vin

(Iref  Iin )  (Iref  Iin )

d

d1

Vo  Vin   L(Iref  Iin ) Vo

 Vo

 Vin

  L(Iref Vo



Iin

) .(180o

faz

farklı)

verilen eşitlik incelendiğinde görev oranı değerinin oluşmasında Vin ve V0 gerilimi ileri besleme ile değişimini sağlamaktadır. Hata değeri bu değeri etkiler ve uygun d değeri üretilmesini sağlar. Aşağıdaki Şekil 4(a) görev oranı şekillerini, Şekil 4(b) ise gerilim ve akım döngüsüyle beraber tüm sistemi göstermektedir.

Şekil 4(b): Tüm sistemin gösterimi

4. Benzetim sonuçları

Aşağıdaki tabloda OKKK yöntemi anma yükü için kullanılan devre parametreleri gösterilmektedir.

Tablo 1: Anma yükü benzetim parametreleri

Parametre Örnekleme periyodu, TS Anahtarlama frekansı, fS

Co L1=L2 Yük, P0 Vin, fin

Vo Kp Ki λ.L

Değer 20µs 50 kHz 500 µF 1.5 mH 1kW 220Vrms, 50Hz 400Vrms 0.1

1 0.0625

Şekil 4(a): Görev oranlarının zamana göre değişimi

Şekil 5,6,7 benzetim devrelerini göstermektedir. Şekil 8 anma yükünde hat akımı, giriş-çıkış gerilimi değişimini göstermektedir. Şekil 9,10 sırasıyla yük ve giriş gerilimi değişimine göre devrenin tepkisini göstermektedir. Tablo 2 detaylı benzetim sonuçlarını göstermektedir.

Şekil 5: Faz farklı paralel yükselten güç devresi modeli Şekil 6: Gerilim kontrolcü benzetim modeli

Şekil 7: OKKK yöntemini akım kontrolcü benzetim modeli

Karık F., Ortalama Kayan Kip Metodu ile Denetlenen İki Fazlı Sarmaşık Yapılı Yükseltici Tip Dönüştürücünün Performans Analizi, EMO Bilimsel Dergi, Cilt 2, Sayı 4, Syf 69-75, Aralık 2012

Şekil 8: Anma yükünde giriş gerilimi, hat akımı ve çıkış gerilimi değişimi.

Şekil 9: Yük değişimine göre giriş, çıkış gerilimi ve hat akımı davranışı: (a)1 kW'tan 500W'a , (b)500W'tan 1 kW'a

Şekil 10: Giriş gerilimi 220V'tan 110V'a indiğinde çıkış gerilimi ve giriş akımının değişimi

Tablo 2: Detaylı benzetim sonuçları

Benzetim No Parametre Po (kW) L1=L2 (mH) Co (µF) Vin (Vrms)

GF THB (%)

0.90

9.5

7.7

9.3

2.6

5. Sonuçlar ve öneriler

Bu çalışmada, şebekeye bağlanan elektrikli sistemlerin giriş enerjisi kalitelerini ifade eden güç katsayısı ve güç katsayısının aktif yöntemle düzeltilmesi üzerinde durulmuş, sarmaşık yapılı yükseltici tip bir aktif güç katsayısı düzeltme sistemi incelenmiştir. OKKK yöntemi yükselten tip güç katsayısı düzeltici devreye uygulanıp Matlab/Simulink programında benzetimleri gerçekleştirilmiştir ve elde edilen sonuçlar sunulmuş olup detaylı analizler yapılmıştır. Kullanılan tüm kontrol tekniklerinde sabit anahtarlama frekansı kullanılarak pratik çalışmalar için bir temel teşkil edilmiştir.

Benzetimler bir parametre değiştirilerek diğer parametreler aynı kalmak suretiyle gerçekleştirilmiştir. Değiştirilen temel parametreler giriş gerilimi, bobin değeri, çıkış yüküdür. Dönüştürücü 220Vrms/400Vrms, fs=50kHz, 1kW şartlarında tasarlanıp performansı test edilmiştir. Dönüştürücünün bu anma değerlerinde 0.99 yüksek GF, %7.7’lik düşük bir THB ve sinüs şeklinde bir giriş hat akımı elde edilmiştir.

Tasarlanan 1kW' lık benzetim devresinde OKKK tekniğine göre endüktör değeri yarıya düşürüldüğünde devrenin giriş akımının şeklini ve THB değerini çok fazla bozmadığı gözlemlenmiştir ve yine incelenen kontrol yönteminde yük ve giriş gerilimi değişimlerinde giriş hat akımının sinüs şeklinden uzaklaşmadığı görülmüştür. Bu sonuçlar devrenin güçlü bir denetim yapısına sahip olduğunu göstermektedir.

Bundan sonra bu çalışmanın devamı olarak öngörülen kontrol tekniği pratik çalışmalara uyarlanarak sonuçları analiz edilebilir. Benzetimler sayısal olarak gerçekleştirildiğinden dolayı gelişmiş mikroişlemci devreleriyle uygulamalar gerçekleştirilebilir. Son yıllarda üretilen sayısal işaret işlemciler bu işlemleri gerçekleştirmeye çok uygundur. Ayrıca tasarlanan sabit anahtarlama frekansı blokları çatırdama sorununu engelleyeceğinden uygulamada büyük bir kolaylık sağlayacaktır.

Wiley&Sons, Inc. ,1995

Devrede Güç Katsayısının Bulanık Denetimle

Düzeltilmesi", TOK’2000 Otomatik Kontrol Ulusal

Karık F., Ortalama Kayan Kip Metodu ile Denetlenen İki Fazlı Sarmaşık YTaoplılaı nYtüıskıs,e2lt1ic–i2T2ipEDylöünl ü2ş0t0ü0rü, c7ü7-n8ü1n. Performans Analizi, [5] GEeMnçO, NBi.l,imYsüeklsDekerGgii,rCişiltG2ü,çSaKyaı t4s,aSyyılfı6v9e-7S5ı,fAırr-aGlıekr2il0im12-

Tasarımı ve Uygulaması, Doktora Tezi, Gazi

Üniversitesi Fen Bilimleri Enstitüsü, Ankara, 2010.

[6] Elmore, M. S., "Input current ripple cancellation in

synchronized, parallel connected critically continuous

6. Kaynaklar

boost converters", IEEE APEC’96 Cnf., San Jose, CA, 1996, 152–158.

[1] Chen, Z., Raymond, B.R. ve Fred, C.L., "Design Analysis of a Hysteresis Boost Power Factor Correction

[7] Lee, P. W., Lee, Y. S., Cheng, D. K. W., ve Liu, X. C., "Steady-state analysis of an interleaved boost converter

Circuit", Power Electronics Specialists Conference PESC '90 Record-21st Annual IEEE, 1990, 800-807.

with coupled inductors", IEEE Trans. on Ind. Electronics, 47(4), 787–795,2000.

[2] Rossetto, L., Spiazzi, G. ve Tenti, P., "Control Techniques For Power Factor Correction Converters", Proc. Int. Conf. Power Electronics and Motion Control, 1995, 1310-1318.

[3] Mohan, N., Undeland, T.M. ve Robbins, W.P., Power Electronics: Converters, Applications and Design, John Wiley&Sons, Inc. ,1995

[8] Braga, H. A. C. ve Barbi, I., "A 3-kW unity-power-factor rectifier based on a two-cell boost converter using a new parallel-connection technique", IEEE Trans. on Power Electronics, 14(1), 209–217,1999.

[9] Kayışlı, K.., Tuncer, S. ve Poyraz, M., “Kayma Mod Denetleyici Kullanılarak Aktif Güç Faktörü Düzeltimi”, Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 14(3), 253-260, 2008.

Devrede Güç Katsayısının Bulanık Denetimle Düzeltilmesi", TOK’2000 Otomatik Kontrol Ulusal

[10] Mattavelli, P., Rossetto, L. ve Spiazzi, G.,"Small-Signal Analysis of DC-DC Converters with Sliding Mode

Toplantısı, 21–22 Eylül 2000, 77-81. [5] Genç, N., Yüksek Giriş Güç Katsayılı ve Sıfır-Gerilim-

Control", IEEE Trans. Power Electronics, 12 (1), 96102, 1997. [11] Navarro-López, E.M., Cortés, D. ve Castro, C., "Design

Tasarımı ve Uygulaması, Doktora Tezi, Gazi Üniversitesi Fen Bilimleri Enstitüsü, Ankara, 2010. [6] Elmore, M. S., "Input current ripple cancellation in synchronized, parallel connected critically continuous boost converters", IEEE APEC’96 Cnf., San Jose, CA, 1996, 152–158.

of practical sliding-mode controllers with constant switching frequency for power converters", Electric Power Systems Research, 79, 796–802, 2009. [12] Ziegler, J.G. ve Nichols, N.B., "Optimum settings for automatic controllers", Transactions of the ASME, 64, 759–768,1942.

[7] Lee, P. W., Lee, Y. S., Cheng, D. K. W., ve Liu, X. C.,

"Steady-state analysis of an interleaved boost converter

with coupled inductors", IEEE Trans. on Ind.

Electronics, 47(4), 787–795,2000.

[8] Braga, H. A. C. ve Barbi, I., "A 3-kW unity-power-factor

rectifier based on a two-cell boost converter using a new

parallel-connection technique", IEEE Trans. on Power

Electronics, 14(1), 209–217,1999.

[9] Kayışlı, K.., Tuncer, S. ve Poyraz, M., “Kayma Mod

Denetleyici Kullanılarak Aktif Güç Faktörü Düzeltimi”,

Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi,

14(3), 253-260, 2008.

[10] Mattavelli, P., Rossetto, L. ve Spiazzi, G.,"Small-Signal

Analysis of DC-DC Converters with Sliding Mode

Control", IEEE Trans. Power Electronics, 12 (1), 96-

102, 1997.

[11] Navarro-López, E.M., Cortés, D. ve Castro, C., "Design

of practical sliding-mode controllers with constant

switching frequency for power converters", Electric

Power Systems Research, 79, 796–802, 2009.

[12] Ziegler, J.G. ve Nichols, N.B., "Optimum settings for

automatic controllers", Transactions of the ASME, 64,

759–768,1942.

Kaygusuz A., Gül O., Alagöz B. B, Yenilenebilir Dağıtık Üretim Koşullarının Güç Sistemlerinin Yük Akışına Etkilerinin Analizi, Cilt 2, Sayı 4, Syf 77-85, Aralık 2012

Yenilenebilir Dağıtık Üretim Koşullarının Güç Sistemlerinin Yük Akışına Etkilerinin Analizi

A Load Flow Analysis for Impacts of Renewable Distributed Generation Conditions on Power Systems

Asım Kaygusuz1, Ozan Gül2, Barış Baykant Alagöz1

1Elektrik-Elektronik Mühendisliği İnönü Üniversitesi [email protected], [email protected]

2Elektrik-Elektronik Mühendisliği Bingöl Üniversitesi [email protected]

Günümüz elektrik şebekelerinde, yenilenilebilir dağıtık enerji kaynaklarının güç sistemine entegrasyonu giderek yaygınlaşmaktadır. Bu nedenle, yenilenebilir dağıtık kaynakların güç sistemlerinin yük akışına etkileri analiz edilmesi önem arz etmektedir. Özellikle, yakın gelecekte akıllı şebeke uygulamaları ile birlikte güneş ve rüzgar gibi enerji üretim süreksizliğine sahip enerji kaynaklarının yoğun bir şekilde güç sistemine dağıtık entegrasyonu söz konusu olacaktır. Bu koşullarda, güç sisteminde yük akış kararlılığının sürdürülebilmesi için, sistemde oluşabilecek olumsuz durumlarının önceden görülmesi ve gerekli tedbirlerin alınması, güç sisteminin doğru ve etkin yönetimi için gerekli bir adımdır. Bu problemin çözümünde, süreksiz kaynakların güç üretim değişkenliklerini göz önünde tutan yük akış analizlerine ihtiyaç vardır. Bu tip analizler, süreksiz dağıtık üretimimin yaygınlaştığı güç sistemlerinin yönetimi ve planlamasında önemli bileşenler haline gelecektir. Bu amaçla, bu makalede saat-bazlı günlük ortalama üretim profilleri ile modellenebilen yenilenilir dağıtık kaynakların sisteme katıldığı durumlar için yük akış analizi yapılmıştır. Bu analizlerde, gün içi bara gerilim seviyesi ve güç faktör değişimleri analiz edilerek değerlendirilmiştir. Dağıtık yenilenebilir kaynakların, gerilim seviyesinde ciddi bir değişime neden olmadığı, güç faktöründe ise artan üretim ile birlikte dikkate değer düşüşlerin olabileceği görülmüştür.

Anahtar kelimeler: Günlük saat bazlı yük akış analizi, dağıtık kaynaklar, yenilenebilir güç kaynak entegrasyonu

In today’s electric distribution grids, integration of distributed renewable energy sources to the grid is presenting an increasing trend. Hence, investigation of impacts of renewable distributed generation is a necessity. Particularly, depending on smart grids technologies, dense integration of

intermittent energy sources based on solar and wind energy, will be available in near future. In this case, detection of adverse system conditions and planning for the necessary protections are important for the management of resources effectively and reliably. For the solution of this problem, there is need for the load flow analyses that consider the variability and fluctuations of discrete renewable sources. These analyses will be useful for management and planning of the power systems containing distributed renewable energy generation. For this propose, authors conduct 24-hours load flow analyses for power system containing intermittent renewable sources. These sources are modeled by hourly generation profiles. Bus voltage and power factor changes in buses are evaluated for a day. It was observed that bus voltages did not alter considerably; however, as increasing volume of distributed renewable generation, power factors can decrease.

Keywords: load flow analysis based on daily hours, distributed sources, the integration of renewable power sources

Enerji üretiminde, yenilenebilir enerji kaynaklarının payı gün geçtikçe artmaktadır. Rüzgar ve güneş gibi yenilenebilir enerji kaynaklarına dayalı elektrik üretiminin, küresel iklim ve çevre kirliliği üzerinde daha az olumsuz etkiye sahip olması, enerji üretimi için yakıt gerektirmemesi gibi önemli avantajlara sahip olmasından dolayı toplam enerji üretimindeki payı gün geçtikçe artmaktadır [1]. Bu tür yenilenebilir kaynakların, geleneksel güç sistemine entegre edilmesinin önündeki en önemli güçlük, üretim süreksizliği ve belirsizlikleri olarak gösterilmektedir. Üretim belirsizlikleri ve süreksizlikleri, sistemin yük akışlarında anlık değişimlere neden olabilmektedir. Bu değişimlerin sisteme negatif etkilerinin önceden tespit edilmesi, önleyici tedbirlerin ve planlamaların uygulanması, sağlıklı ve etkin güç dağıtımı için gereklidir. Bundan dolayı, yenilebilir dağıtık enerji kaynaklarının

belirsizlik içeren karakterinin, sistemin yük akış kararlılığına etkilerinin incelenmesi oldukça önem kazanmaktır.

Yük akış analizi için farklı matematiksel teknikler kullanılmıştır. Bu teknikler Newton-Raphson [2], FastDecoupled [3,4], Gauss–Seidel [5] gibi matematiksel algoritmalardır. Bu matematiksel algoritmaların yanı sıra parçacık sürü optimizasyonu [6], bulanık mantık algoritması [7], diferansiyel evrim algoritması [8], tabu araştırma algoritması [9], bakteri kolonisi optimizasyonu [10] gibi modern sezgisel metotlar da kullanılmıştır.

Özellikle 1960’lı yıllarda dijital bilgisayarın icadı ve kullanımının yaygınlaşmasıyla yük akış problemleri için bir çok yöntem geliştirilmiştir [2]. Özellikle nümerik yöntemler üzerinde çalışılmış, fast-decoupled gibi Newton metodunun farklı versiyonları da yaygın olarak kullanılmaya başlanılmıştır [4]. Ray D. Zimmerman ve Hsiao-Dong Chiang da bu yöntemi kullanarak dengesiz radyal dağıtım sistemleri üzerinde yük akış çalışması yapmıştır [3]. Nümerik yöntemler özellikle Newton-Raphson metodu analizi, çözüme yakınsama hızı ve doğruluğu bakımından en yaygın kullanıma sahip temel bir metot haline gelmiştir. Newton-Raphson yöntemi çok değişkenli lineer olmayan denklemlerin çözümünde yaygın olarak kullanılan bir analiz yöntemidir. Bu metoda göre başlangıçta, değişkenlerin değerleri rastgele belirlenir. Bu değerlerin kullanılması ile yeni değerler üretilir. En son üretilen iki değer arasında kabul edilebilir küçük bir fark sağlanana kadar iteratif olarak çalışma devam ettirilir. Newton-Raphson yük akışının amacı, tüm yük baralarının gerilim genlik değerleri ile salınım barası dışındaki tüm baraların açı değerlerini belirlemektir. D. Shirmohammadi, H.W. Hong, A. Semlyen ve G.X. Luo [11] tarafından 1988’de yapılan çalışmada çok girişli kompanzasyon tekniği ve Kirchoff yasasının temel formasyonu kullanılarak zayıf ağlı dağıtım ve iletim şebekelerinin çözümü için bir yük akış metodu tarif edilmiştir. Bahsedilen metod çok iyi bir yakınsamaya sahip olup bu metodun uygulandığı bir bilgisayar programı geliştirilmiş ve radyal zayıf ağlı birkaç dağıtım ve iletim şebekesine başarıyla uygulanmıştır. Sözü edilen metod tek fazlı (dengeli) şebekelerin yanı sıra üç fazlı (dengesiz) şebekelerin çözümüne de uygulanabilmiştir. 1995 yılında Carol S.Cheng ve D. Shirmohammadi’nin [12] birlikte yaptıkları çalışmada ana dağıtım sistemlerinin gerçek zamanlı analizi için üç fazlı durumda yük akış çözümü sunulmuştur. Bu yöntem tek fazdan üç faza zayıf ağlı dağıtım sistemleri için kompanzasyon tabanlı yük akış metodunun (önceki kısımda açıklanan çalışma) doğrudan bir açılımı olup dengesiz ve dağıtılmış yükler, gerilim regülatörleri ve otomatik kontrollü paralel kapasitörler üzerine vurgu yapılmıştır. Kompanzasyon fikri, üretim baralarında gerilim genlik uyumsuzluğunu giderebilmek için başarılı bir şekilde ele alınmıştır. Bu metot dağıtım otomasyon sistemlerinde gerçek zamanlı uygulama için gereken yüksek çalışma hızını sağlamıştır.

Yakın bir gelecekte, akıllı şebeke (Smart Grid)

uygulamaları ile yenilenebilir dağıtık kaynakların dağıtım

şebekesine

entegrasyonunun

gerçekleştirilmesi

hedeflenmektedir [1,13-21]. Bu noktada, enerji üretim

süreksizliği ve belirsizliği olan enerji kaynaklarının (güneş ve

rüzgar enerjisi gibi) güç dağıtım şebekesine etkilerinin analizi

önem kazanmaktadır. Bu sistemlerin neden olduğu üretim

dalgalanmaları durumunda şebeke koşullarının kabul edilebilir

sınırlar içinde çalışmasının sağlanması için analiz ve yönetim metotlarının geliştirilmesi gerekmektedir.

Bu çalışmada, dağıtık yenilenebilir enerji kaynaklarının güç sistemi yük akışına etkileri Newton-Raphson yük akış analizleri yardımı ile incelenmiştir. Bu amaçla, güç üretim belirsizliği ve süreksizliği sergileyen yenilenebilir kaynaklar, 24-saatlik ortalama üretim profilleri ile tanımlanmıştır. Bu kaynaklar, IEEE 39 bara güç sistemine dağıtılarak, güç sisteminin yük akış analizi saatlik bazda günlük olarak incelenmiştir. Bu analizlerde, güç sistemin gün içinde maruz kalabileceği değişken güç talep koşullarının analizlere yansıtılması için baralara bağlı yükler 24 saatlik ortalama güç talep profilleri yardımı ile dinamik olarak modellenmiştir. Bu sistemde çeşitli senaryolar için saatlik periyotla örneklenmiş yük akış analizleri, Newton-Raphson nümerik çözümleri temelinde gerçekleştirilmiş ve böylece hızlı ve düşük yakınsama hatalı, yük akış çözümlemeleri elde edilebilmiştir [22]. Elde edilen çözümler üzerinde, istatistiki analizler yapılarak, gün içi bara gerilim seviyesi değişimleri ve bara güç faktörü değişimleri incelenmiş, değişkenlik faktörü (standart sapma / ortalama ( /  ) ) analizleri yapılmıştır.

2. Nümerik Analiz Metodu

Güç sistemlerinin analizinde karşılaşılan problemlerin çözümünde lineer olmayan denklemlerle karşılaşılır. Bu denklemleri çözmek için nümerik yöntemler kullanılır. Yük akış analizinin temel amacı verilen bir güç sisteminde, üretim ve tüketim değerleri için, baralar üzerindeki kompleks gerilim ve hatlar üzerinde akan kompleks güç değerlerini bulmaktır.

Yük akış probleminin çözümü, her bir baradaki gerilimin genliği, faz açısı ve her bir hatta akan aktif ve reaktif gücün belirlenmesini sağlar. Bir yük akış problemi çözülürken sistemin normal, dengeli şartlar altında çalıştığı ve tek hat diyagramıyla temsil edildiği kabul edilir. Her bir barada ele alınması gereken değişkenler, gerilim genliği (|V|), gerilim faz açısı (), aktif güç (P) ve reaktif güçtür (Q). Bazı baralar jeneratörlerle beslenir ve bu baralar üretim barası olarak isimlendirilir. Bu baralarda gerilim genliğinin ve aktif gücün bilindiği (sabit) kabul edilir. Jeneratöre bağlı olmayan diğer baralar yük barası olarak adlandırılır. Tüm baralarda kompleks yük gücünün bilindiği kabul edilir. Kısaca özetlemek gerekirse bir güç sistemindeki baralar 3 gruba ayrılır:

i-Referans bara olarak da adlandırılan salınım barası, gerilimin genliğinin (|V|) ve faz açısının () bilindiği aktif (P) ve reaktif gücün (Q) bulunacağı baradır. Güç sistemindeki kayıpların neden olduğu üretilen güç ile planlanan yük arasındaki fark bu bara üzerinden değerlendirilir. ii-P-Q barası olarak da adlandırılan yük baraları, aktif (P) ve reaktif gücün (Q) bilinip bara geriliminin genliğinin (|V|) ve faz açısının () arandığı baralardır. Yük baralarında güç harcandığı için aktif ve reaktif güç değerleri negatif değerler alır. iii-P-V barası yada gerilim kontrollü bara adıyla da bilinen üretim baraları, aktif güç (P) ve gerilim genliğinin (|V|) bilindiği, gerilim faz açısının () ve reaktif gücün (Q) belirleneceği baralardır.

Kaygusuz A., Gül O., Alagöz B. B, Yenilenebilir Dağıtık Üretim Koşullarının Güç Sistemlerinin Yük Akışına Etkilerinin Analizi, Cilt 2, Sayı 4, Syf 77-85, Aralık 2012

2.1. Newton-Raphson Metodu

Newton metotları yük akışı denklemlerinin çözümü için

iteratif metotlara (Gauss, Gauss-Seidel …) göre kuadratik

yakınsama karakteristiğine sahiptir [23]. Özellikle büyük çaplı

güç sistemleri için Newton-Raphson metodu çok daha verimli

ve uygulanabilirdir. En belirgin üstünlüklerinden birisi de

çözüme ulaşmak için gereken adım sayısının sistemin

boyutundan bağımsız olmasıdır. Fakat bu sırada çözümü elde

ederken adım başına harcanan işlem yükü fazladır. Yük akış

analizinde gerilim kontrollü baralar için aktif güç ve gerilim

genliği bilindiğinden yük akış denklemleri kutupsal formda

ifade edilir. Newton-Raphson yük akış analiz metodunu

burada kısaca özetlemek gerekirse: [22].

Bir i barası ve bu baraya bağlı hatlar dikkate alınarak Kirchoff

Akım Yasası’ndan

  Ii  Yij Vj  Yij Vj ij   j

ifadesi kutupsal formda elde edilir. Bara i’deki kompleks güç,

Pi  jQi  A  Vi Ii

olarak ifade edilir. Denklem (1) ve denklem (2) kullanılırsa

 Pi  j Qi  ( Vi   i ) Yij Vj ij   j

j1

elde edilir. Burada, Yij i ve j baraları arasındaki admitans

değeridir. Baralar arasındaki admitans değerleri, Bara

admitans matrisinde ( YBARA ) tanımlanarak, güç sistemi, yük akış analizi için tanımlanır. Denklem (3)’de görülen kompleks güç ifadesi gerçek ve sanal kısımlarına ayrılarak aşağıdaki gibi yazılabilir.

 Pi  Yij Vi V j cos(ij   i   j ) (4) j 1

 Qi   Yij Vi V j sin(ij  i   j )

Elde edilen (4) ve (5) denklemleri, bağımsız değişkenler (gerilim genliği ve gerilim faz açısı) içeren çözülecek olan nonlineer denklem sistemini oluşturur. Her bir yük barası için Pi ve Qi denklemleri, her bir jeneratör barası için Pi denklemi kullanılır. Bu iki denklem yüksek dereceli terimler ihmal edilerek başlangıç değeri civarında Taylor serisine açılmak sureti ile denklem (6) ile temsil edilen lineer bir denklem sistemine dönüştürülür.

P2( :

QPn2((kk))

Qn( k )

        

            

P2( k )

 2 : Pn( k )

 2 Q2( k )

 2 : Qn( k )

 2

... P2(k)  n

... Pn(k)  n

... Q2(k)  n

... Qn(k)  n

P2( k )  V2

Pn( k )  V2 Q2( k )  V2

Qn( k )

... P2(k)  Vn

... Pn(k)  Vn

... Q2(k)  Vn

... Qn(k)

            





( 2

| Vn2((kk))

 | Vn(k)

     |   |

V2 Vn 

Aşağıdaki denklemde J, Jacobian matrisi olarak adlandırılır. Burada Jacobian matrisi gerilim faz açısı ve gerilim genliğindeki değişim oranıyla aktif ve reaktif güçteki değişim oranı arasındaki ilişkiyi belirler. Jacobian matrisi bir üstteki aktif ve reaktif güç denklemlerinin açı ve genlik değişimlerine göre kısmi türevlerinden oluşur.

 P P 

J J

2 4

  

  

 Q

V Q

  

  V 

 P  Q

J 2    

 V

Denklem (8) ile ifade edilen lineer denklem sistemi, iteratif olarak aşağıdaki çözüm adımları ile hesaplanır.

 m1   m  

(9)

V m1  V m  V

(10)

Hesaplamalar, bir m iterasyon adımında, gerilim ve faz açısındaki değişim ( V ve  ) önceden belirlenmiş bir hata eşiğinden küçük olunca kadar devam ettirilir.

2.2. Newton-Raphson Metodu Temelinde 24- Saatlik Dinamik Yük Akış Analizi

24-saatlik dinamik yük akışı analizlerini gerçekleştirmek için bir önceki bölümde kısaca özetlenen Newton-Raphson yük akış analiz metodundan faydalanılmıştır. Bu amaçla, dağıtık kaynaklar sürekli ve süreksiz kaynaklar olmak üzere iki farklı tipte modellenmiştir. Sürekli kaynakların, aktif ve reaktif güç değerlerinin 24 saat boyunca bir ortalama değer civarında nerede ise sabit kalabildiği varsayılmıştır. Örneğin barajların, termik santraller çıkış güçleri gibi. Süreksiz kaynaklar ise kaynak tipine (Rüzgar, güneş..vs) göre 24 saatlik aktif ve reaktif güç üretim profilleri 24 bileşenli GP ve GQ vektörleri ile temsil edilmiştir. Bu kaynakların aktif ve reaktif güç değerlerinin 24 saat boyunca değişkenlik gösterdiği varsayılmıştır. Benzer yaklaşımla, bara yükleri az değişken ve değişken güç talep profillerine uygun olarak iki farklı tipte modellenmiştir. Az değişken yükler, sanayi bölgeleri gibi, gece vardiyaları nedeni ile 24 saat boyunca yüksek salınım göstermeyen yük modelleri için kullanılmıştır. Değişken güç talebi profilleri ise hane tüketicileri gibi 24 saatlik zaman dilimi içinde ciddi salınımlar gösteren yük modelleri için kullanılmıştır. Değişken yükler 24 bileşenli PL ve QL vektörleri ile tanımlanmıştır. Saatlik bazda günlük yük akış analizleri, günün her saati için (1’den 24’e kadar) ilgili kaynak ve yük değerleri önceden tanımlanmış GP , GQ , PL , QL vektörlerinden alınarak, Newton-Raphson metodu kullanılmak sureti ile gerçekleştirilmiştir. 24-Saatlik yük akış analizi için hesaplama adımları Şekil 1’de gösterilmiştir.

Bara gerilim ve güç faktörü değişimlerinin değerlendirilmesi için dinamik yük akış analizleri sonucunda

her yük barasına ait gerilim değerleri ( Vd ) ve güç faktörü ( cosd ) saatlik bazda elde edilmiştir. Yük baralarında, gün içinde gerçekleşen gerilim ve güç faktörü değişimleri, istatistiki değişkenlik katsayısı (Coefficient of Variation) hesaplanmasında kullanılmıştır.

V   (Vd ) / (Vd )

(11)

Burada  (.) bara geriliminin günlük standart sapması ve (.) ise bara geriliminin günlük ortalama değeridir.

V değişkenlik faktörü, baralardaki günlük gerilim değişimleri hakkında karşılaştırılabilir bir istatistiki veri sunmuştur. Benzer bir yaklaşımla, baralardaki güç faktöründeki değişkenlik,

cos   (cosd ) / (cosd )

(12)

denklemi ile ifade edilmiştir. Burada cos güç faktöründeki değişkenliği temsil etmektedir.

Güç sistemi, yük ve kaynak modelleri tanımlanır. (Saat=0)

akış analizi testleri yapılmıştır. Bu test sistemine Şekil 2’de görüldüğü gibi dinamik yükler ve yenilenebilir dağıtık kaynaklar eklenerek farklı test senaryoları kurgulanmıştır. Bu amaca dönük olarak, iki tip dinamik test yükü tanımlanmıştır. Birincisi, sanayi bölgeleri gibi güç tüketim değişkenliği nispeten düşük olan yük talep profili, PL1 , QL1 vektörleri ile temsil edilmiş ve Şekil 3(a)’de gösterilmiştir. Diğer yük modeli ise hane tüketici bölgeleri gibi güç sarfiyatı yüksek değişkenlik gösteren yük talep profili, PL2 , QL2 ile vektörleri ile temsil edilmiş ve Şekil 3(b)’de gösterilmiştir. Bu çalışmada güç talep profilleri tüketici davranışlarına uygun olarak varsayımsal olarak belirlenmiştir. Bu yük analizi testi simulasyonunda güç sistemine enerji sağlayan üç tip kaynak profili tanımlanmıştır. Sürekli enerji kaynakları (Hidro enerji, termik enerji, nükleer enerji ..vs) için üretim profili GP1 , GQ1 vektörü ile tanımlanmıştır. Süreksiz ve yüksek belirsizlik gösteren yenilenebilir kaynaklardan rüzgar enerji üretim profili GP2 , GQ2 vektörü, güneş enerji üretim profili ise GP3 , GQ3 vektörü ile tanımlanmıştır. Şekil 4’de üç tip enerji üretim kaynağı için analizde kullanılan üretim profilleri gösterilmiştir. Bu profiller, kaynakların saatlik davranışlarına uygun ve varsayımsal olarak belirlenmiştir.

Newton-Rapson yöntemi ile saatlik yük akış analizi yapılır.

Denklem 11 ve 12 ile gerilim seviyesi ve güç faktörü değişkenliği hesaplanır

Evet

saat  25

saat  saat 1

Hayır Son

Şekil 1. 24-Saatlik yük akış analizi için hesaplama adımları akış diyagramı.

3. IEEE 39-Bus Test Güç Sistemi Üzerinde 24 saatlik Dinamik Yük Akış Analizleri

Örnek bir uygulama için enerji pazarı problemleri için sıkça kullanılan IEEE 39-bus test sistemi üzerinde saatlik bazda yük

Sanayi Yükü Ev Tüketim Yükü

Güneş Enerji Üretim Sürekli Enerji Üretim Rüzgar Enerji Üretim

Şekil 2. Örnek uygulama için IEEE 39-bus test sistemi

Yenilenebilir dağıtık kaynaklarının, bara gerilim ve güç faktörü kararlılığına etkileri iki test senaryosu kullanılarak, saatlik bazda incelenmiştir. Birince test senaryosu, yenilenebilir dağıtık kaynakların bulunmadığı merkezi üretim durumu için yapılmıştır. Bu test senaryosu mevcut durum (MD) olarak adlandırılmıştır. İkinci test senaryosu, yenilenebilir dağıtık kaynakların sisteme Şekil 2’de gösterildiği gibi dağıtılması sonucu ortaya çıkan durumların

Kaygusuz A., Gül O., Alagöz B. B, Yenilenebilir Dağıtık Üretim Koşullarının Güç Sistemlerinin Yük Akışına Etkilerinin Analizi, Cilt 2, Sayı 4, Syf 77-85, Aralık 2012

analizi için hazırlanmıştır. Bu test senaryosu dağıtık üretim durumu (DU) olarak adlandırılmıştır.

6.5 6

5.5 5

4.5 4

3.5 0

PL2 QL2

PL1 QL1

Şekil 3(a) Sanayi bölgelerinin güç tüketimini modelleyen az değişimli yük talep profili ( PL1 , QL1 ). (b) Tüketici bölgeleri güç sarfiyatını modelleyen, yüksek değişkenlikli yük talep profili ( PL2 , QL2 ).

Şekil 5’de MD senaryosu için 24-saatlik yük akış analiz sonuçları verilmiştir. Şekil 5(b)’de bara numarası 30 ve daha yüksek baralar sadece üretim baraları olduğu için burada gerilim değişkenliği sıfır düzeyinde kalmıştır. Daha küçük bara numaralı baralarda ise yük baraları ile yük bağlı olmayan geçiş baraları mevcuttur. Bu analizde, Bara-27 de, %0.05 düzeyinde en yüksek günlük gerilim değişkenliği görülmüştür. Şekil 5(c)’de en fazla %4 düzeyinde güç faktörü değişkenliği görülmektedir. Geçiş baralarında, yük veya kaynak bağlı olmadığı için, güç faktörleri hesaplanmamıştır. Bu durum Şekil 5(c)’deki karakteristikte güç faktör değeri hesaplanmamış baralar görülmektedir.

Şekil 6(a) ve (b)’de mevcut durum (MD) ile dağıtık üretim senaryo varyantlarının (DU, DUx5, DUx8) karşılaştırılması yapılmıştır. Burada DUx5 ve DUx8 senaryoları, yenilenebilir dağıtık kaynakların enerjisinin DU’daki seviyesinin 5 katına ve 8 katına çıktığı test koşullarını temsil etmektedir. Buna göre, DU düşük güçlü yenilenebilir enerji üretim koşullarını, DUx5 orta düzey yenilenebilir enerji üretim koşullarını, DUx8 ise yaklaşık olarak bütün lokal tüketime cevap verebilecek yüksek düzeyli yenilenebilir enerji üretim koşullarını temsil etmektedir. Şekil 6(a)’de görüldüğü üzere, yenilenebilir

kaynaklar ile dağıtık üretim, bara gerilim seviyelerinin günlük değişkenliğini (V ) dikkate değer ölçüde etkilememiştir. Güç faktörlerinde ise bazı baralarda günlük ortalama değişkenlikte ( cos ), %2-3 civarındaki artış dikkat çekmektedir. Bunun nedenini daha detaylı görmek için, baraların 24-saatlik gerilim seviyesi, güç faktörü, aktif ve reaktif güç profillerini daha detaylı incelememiz gerekir. Bu amaçla, aşağıda Bara-15, Bara-27 ve Bara-28’in gerilim seviyeleri, güç faktörleri, aktif ve reaktif güç durumları hesaplanmış ve yenilenebilir kaynakların üretimi ile dağıtık üretiminin etkileri tartışılmıştır.

GP1

GQ1

GP2 GQ2

GP3 GQ3

Şekil 4 (a) Sürekli enerji kaynakları üretim profili

( GP1 , GQ1 ). (b) Rüzgar enerji kaynakları üretim profili

( GP2 , GQ2 ). (c) Güneş enerji kaynakları üretim profili

( GP3 , GQ3 ).

Bara No

(a) 24-Saatlik Bara Gerilim Seviyeleri Profilleri

[pu]

1.15

1.1

1.05

5 x 10-4 6

0.05

0.04

0.03

0.02

0.01

Şekil 5. IEEE-39 bus test sisteminin MD senaryosu analizinde elde edilen (a) Bara gerilim sevilesi 24-saatlik profilleri. (b)

Baraların günlük gerilim değişkenlikleri (c) Baraların günlük güç faktörü değişkenlikleri

Bara-15’e sadece hane tüketim modelini ( PL2 , QL2 ) temsil eden yük bağlıdır. Şekil 7’de görüldüğü gibi, yenilenebilir dağıtık kaynak barındırmayan sadece dinamik yük içeren Bara-15, diğer baralara bağlanan yenilenebilir dağıtık kaynakların üretimlerinden pek etkilenmemiştir. Baralarda aktif ve reaktif güç profilinin negatif değerli olması, barada güç tüketimi olduğuna işaret eder.

x 10-4 6 5 4 3 2 1 0

20 Bara

0.3

0.1

Şekil 6(a) IEEE 39-bus güç sisteminin MD, DU ve DU çeşitli enerji durum senaryoları için yapılan 24-saatlik yük akış analizinde elde edilen günlük gerilim değişkenlikleri (b) güç faktörü değişkenliklerinin karşılaştırması

Bara-27’de ise hem sanayi tüketim modeli ( PL1 , QL1 )

hem de hane tüketim modelini ( PL2 , QL2 ) temsil eden iki dinamik yük bağlıdır. Ayrıca bu barada rüzgar üretim modeline ( GP2 , GQ2 ) sahip kaynak bağlanarak, yenilenebilir enerjiden faydalanılmıştır. Şekil 8(c) görüldüğü üzere rüzgar enerji üretiminin tepe değerlerine ulaştığı 4:00-7:00 saatleri arasında, orta ve yüksek rüzgar gücü üretim koşullarında (DUx5 ve DUx8) güç faktöründe sert düşüşler görülmüştür. Ayrıca, bu zaman diliminde, DUx8 senaryosunda sağlanan yüksek rüzgar enerji üretimi, bu baradaki lokal tüketimin tamamını karşılayabilmiş, diğer bir ifade ile Bara-27’yi bu saatler arasında kendi kendine yetebilir duruma (Islanded Operation) gelmiştir. Bu saatler arasında DUx8 seneryosunda görülen pozitif güç değerleri, üretim baralarından güç çekmeye ihtiyaç duymadan lokal talebin karşılanabildiğini ve hatta bu baranın üretici konuma gelebildiğini göstermiştir. Ancak bu saatlerdeki güç faktöründe görülen sert değişimin kompanze edilmesine dönük tedbirlerin önceden alınması, Bara-27’de enerji dağıtımı ve tüketimini daha sağlıklı ve güvenilir kılacaktır.

Kaygusuz A., Gül O., Alagöz B. B, Yenilenebilir Dağıtık Üretim Koşullarının Güç Sistemlerinin Yük Akışına Etkilerinin Analizi, Cilt 2, Sayı 4, Syf 77-85, Aralık 2012

1.1385 1.138

1.1375 1.137

0.9578 (b)

0.9578 0.9578 0.9578 0.9578

-8 5

0 -0.5

-1 -1.5

Şekil 7. Bara-15 için hesaplanan 24-saatlik gerilim seviyeleri (a), güç faktörleri (b), aktif ve reaktif güç (c)-(d) profilleri

1.1535 (a)

1.153 1.1525

1.152 1.1515

0.8 0.6 0.4 0.2

-10

-15 5

-2 (d)

-3

Şekil 8. Bara-27 için hesaplanan 24-saatlik gerilim seviyeleri (a), güç faktörleri (b), aktif ve reaktif güç (c)-(d) profilleri

1.146

1.1455

1.145

1.1445

1.144

0.95 (b)

0.9 0.85

0.8 0.75

0.7 0.65

-4 (c)

-8

-10 MD

-12

-14

Şekil 9. Bara-28 için hesaplanan 24-saatlik gerilim seviyeleri (a), güç faktörleri (b), aktif ve reaktif güç (c)-(d) profilleri

Bara-28’de ise hem sanayi tüketim modeli ( PL1 , QL1 )

hem de hane tüketim modelini ( PL2 , QL2 ) temsil eden yükler bağlıdır. Ayrıca bu barada güneş üretim modeline ( GP2 , GQ2 ) sahip kaynak bağlanarak, yenilenebilir enerjiden faydalanılmıştır. Yenilenebilir kaynaklar gerilim sevilerinde dikkate değer değişime neden olmamalarına rağmen yüksek üretim gücünde, artan reaktif güç üretimi sonucu güç faktöründe düşüşlere neden olduğu analiz sonuçlarında görülmüştür. Şekil 9(b) de saat 9:00-16:00 arasında güneş enerjinden yüksek güç üretim koşullarında (DUx8), güç faktöründe düşüş açıkça görülmektedir. Ancak, düşük üretim koşullarında (DU) bu etkinin önemsenmeyecek derecede zayıf kaldığı görülmektedir. Bu saatlerde bu baralarda güç-faktörü kararlılığına dönük tekniklerin uygulanması, güç kalitesinin korunması açısından faydalı olacaktır.

4. Sonuçlar

Bu çalışmada, süreksiz dağıtık üretim ve değişken güç talep durumları altında gün içi dinamik yük akış analizleri gerçekleştirilmiş ve baraların elektriksel parametrelerinin saatlik bazda değişimi hesaplanmıştır. Böylece, üretim süreksizliği gösteren kaynaklardan teşkil edilen dağıtık üretimin, gün içi değişen güç talepleri karşısında baraların gerilim ve güç faktörleri kararlığına etkileri analiz edilebilmiştir.

Bu analizlerde, yenilenebilir dağıtık kaynakların gerilim seviyesi kararlığına ciddi bir olumsuz etkisinin olmadığı görülmüştür. Bunun nedeni, bütün sistemde enerji dengesinin (Energy Balance) sağlanmasıdır. Enerji dengesi, kayıplar dahil olmak üzere sistemde tüketilen gücün, jeneratörlerden çekilen güce eşit olması halidir. Baraya eklenen dağıtık yenilenebilir kaynak, bu enerji dengesi nedeni ile sadece bu baraya diğer kaynak baralarından akan gücü azaltmıştır. Böylece, bara gerilimi seviyesinin korunabilmesi sağlanabilmiştir. Ancak, lokal yenilenebilir kaynak, tüketimin önemli bir kısmını karşıladığı durumda, kendi aktif ve reaktif güç karakteri nedeni ile bağlı olduğu baranın toplam aktif ve reaktif bara gücünü etkileyebilmekte ve bara güç faktöründe anlık değişimlere neden olabilmektedir. Süreksiz lokal kaynakların yüksek üretim sağladıkları zaman dilimlerinde güç faktör değişimini kompanze edecek tedbirlerin alınmış olması, bara güç faktörü kararlığının korunması için yeterli olacaktır. Bu amaçla, yenilenebilir lokal kaynakların, yüksek üretim koşullarında reaktif güç üretimleri sınırlanarak güç faktör kararlığı korunabilir.

Bu tür analiz yöntemleri, süreksiz dağıtık kaynaklara sahip güç sistemlerinin yönetimi sırasında çıkabilecek problemlerinin çözümünde büyük öneme sahip olacaktır. Ortalama üretim ve güç talep profilleri ile tanımlanan dinamik güç sistemi modellerinde, saatlik veya daha düşük örnekleme periyotlu yük akış analizleri ile yük akış dengesizliklerinin ve güç dağıtımındaki kalite bozukluklarının önceden tahmin edilmesi mümkün olabilecektir. Böylece önleyici tedbirleri içeren 24-saatlik güç yönetim planlamaları daha güvenilir olarak yapılabilecektir.

Optimization and Programming for Area Power System”,

International Conference on Power System Technology, vol.2,

21-24 Nov. 2004, pp.1447-1450.

[10] Wei, H., Cong, Z., Jingyan, Y., Jianhua, Z., Zifa, Kaygusuz A., Gül O., Alagöz B. B, Yenilenebilir Dağıtık ÜretimL.K,Zohşiulillaanr,ınWın .Gaünçd SDistoenmgllie,riPn.in, “YUüksinAgkışBınaactEertkiaillerCinhinemAontaaxlizisi,

Method for Reactive PoweCr iOltp2t,imSaizyaı t4io, nSy”,f 7T7r-a8n5s,mAisrasiloıkn2a0n1d2

Distribution Conference and Exposition, 21-24 April2008, pp.

1-7.

[11] Shirmohammadi D., Hong H.W., Semlyen A. ve Luo

G.X., “Compensation-Based Power Flow Method for Weakly

Meshed Distribution and Transmission Networks”,IEEE

5. Kaynaklar

[1] Pecas Lopes JA, Hatziargyriou N, Mutale J, Djapic P, Jenkins N., "Integrating distributed generation into electric power systems: A review of drivers, challenges and opportunities”, Electric Power Systems Research, vol:77, pp.1189-1203, 2007. [2] W. F. Tinney and C. E. Hart, "Power Flow Solution by Newton's Method", IEEE Trans. Power App. Syst., vol.86, pp.1449-1460, Nov. 1967. [3] R. D. Zimmerman and H. D. Chiang, "Fast Decoupled Power Flow for Unbalanced Radial Distribution Systems", 1995 IEEE PES Winter Meeting, New York, pp. 95, 1995. [4] B. Stott and O. Alsaq, “Fast Decoupled Load Flow”,IEEE Transactions on Power Apparatus and Systems, vol. 93, pp. 859-869, June 1974. [5] Selva Moorthy,Majid Al-Dabbagh and Michael Vawser, “Improved Phase–Cordinate Gauss-Seidel Load Flow

T[1ra7n] sBacatyioodn-sRounjulPaoRwAer.,"SFyusttuermesd, evvoell.op3m, epnpt. o7f5t3h-e76el2ec,trFiceibty. 1sy9s8t8e.ms with distributed generation.”, Energy, vol:34:3, [p1p2.7] 7C-8h3e.n2g00C9a.rol S. ve Shirmohammadi D., “Three-phase P[1o8w]erCoFsleonwtinoMeVth, odFavfuozrzaReSa,ltiGmreadiDti isGtri,buIptipoonlitoSysMteGm, AMnaaslsyasrios”,FI,EESaEnsTervaenrsiancotioEnRs,onZiPzzooweGr .S, y"sStemmasr,t vroeln.1e0w,apbple. 6g7e1ne-6ra7t9io, nFefbo.r19an95i.slanded system. Technical and economic [i1ss3u]esAolfbefurttuMre, sVcienncaerniotsB.”,,MEnaeurrgicye, vGoCl:B39, ,Jophpa.1n9n6L-2H0,4G, 2e0ra1r2d. J[M19S].,"LDuonmd eHst,icAndeenresregnyANm, aØnsatgeermgaeanrtd PmAe, tMhoadtohlioesgeyn BfVor, oCpotnimnoizllinygD.ef"fiFcrioenmcyeleinctriScimtyarst mGarrtidgsr.”id, s ItEoEEsmaBrtucehnaerregsyt PsyoswteemrTsech-, ppA:1-7m, a2r0k0e9t . operation based approach and [u1n4d]erAstyanodmipneg.”L, MEn,erDguy,ffvyolA:4,2,Mppc.C9o6r-m10a2c,k20S1J2, . Conlon M, "[V20a]lidAaltaegdozreBaBl-t,imKeaygeunseurgzyA,mKodaeralsbibfeorr As.m“aAll-sUcaseler-MgroiddecDoinsntreibctuetdedPVEn-seyrsgtyemMs.a”n,aEgneemrgenyt,vAolr:c3h5i:t4e0ct,uprpe.8f6o-r91S.m, 2a0rt10G.rid [A1p5p] liPcaratisoands”A, REn, eNrgayt,arvaojla:n44E,.p, p"O16p7ti–m1i7z7a,ti2o0n12o.f integrated p[2h1o]tovAomltjaaidc-wAinMd, pAolwireezra gSe,neTraathioenr Nsy, stMemohsamwmithad bRatAtePry., s“tMorualgtei-”o.,bEjencetirvgey,ovpoelr:a3t1io:1n9,mpapn.a4g3e-m54e,n2t 0o0f6.a renewable MG [(1m6i]crLo-ugnrdid)H.w"iLthargbea-sccka-luep inmteigcrraot-iotunrboinfew/fuinedl pcoewll/ebratitnetroy dhiyfbferridenptoewneerrgsyousyrcsete”m. Es.n”e, rEgnye, rvgoyl,;3v6o:l6:3, 0p:p2.44,9p0p-5.0027-.1, 22,021010. 5.

Algorithm”, Electric P5o.weKr SayystneamkRlaesrearch, vol. 34, pp. 91-

95, Aug. 1995. [16] ZPheacnags, LWop. easndJAL, iHu,atYzi.a,rg“yRreioauctiNve, MPouwtaelre OJ,ptDimjaipziactioPn, JBeanskeidns oNn., P"ISnOtegriantinga dPisatrrtiibcuatledPogewneerratSioynsteimnt”o, elPeocwtriecr pEonwgienreersiynsgteSmosc:ietAy Gerenveireawl Meoeftindgr,iv2e0r0s4, IEcEhaEll.e, nvgoel.s 1,apnpd.

[1272] BSaayaodda-tR, uHju.l,a PRoAw.,e"rFuStuyrsetedmesveAlonpamlyesnits,ofMthceGerlaewctriHcitlyl, sByosstetomns, 19w9it9h. distributed generation.”, Energy, vol:34:3, p[2p3.7]7-8A3b.a2c0ı 09K. . ,Yalçın M. A. , Uyarlıoğlu Y., “Güç [S1i8st]emCleorsienndteinoFaVrk, lıFaSvualzıznaımS, BGarraasdıiti SeGç,imIipnpinolitoGeMrilGim, MKarsasralrıolığıF, ASçaısnısnedvaenrinİoncEelRen, mZeisziz”o, EGl.e,kt"rSikm-Earltekrteronnewikabvle

o2p3p9o-2rt4u3n,it6i-e1s0”,JuEnleec2t0ri0c4. Power Systems Research, vol:77,

gBeinlgeirsaatyioanr fMorüahnenidsilsalniğdiedSseymstpeomz.yuTmeuch, niBcaulrsan,8d-1e2conAormaliıck

p[7p].1V18la9c-h1o2g0i3a,n2n0is07J.. G., “Fuzzy Logic Application in Load

i2s0su0e4s. of future scenarios.”, Energy, vol:39, pp.196-204, 2012.

[F2l]owWS. tFu.dTieisn”n,eyIEaEnd PCr.ocE.. HGaernte, r"aPtioown,er TFrlaonwsmSiossluiotinonabnyd

[19] Lund H, Andersen AN, Østergaard PA, Mathiesen BV,

NDeiswtrtiobnu'stioMn,evthool.d1"4,8I,EpEp.E34T-r4a0n,s2. 0P0o1w. er App. Syst., vol.86,

Connolly D. "From electricity smart grids to smart energy

p[8p].14R4.9-S1t4o6rn0,anNdovK. .1P96ri7c.e, “Differential Evolution-a Simple

systems - A market operation based approach and

[a3n]d R.EDffi.ciZeinmt mHeremuarinstiacnd fHor. DG. loCbhailangO, p"tFimasitzaDtioecnoupolveedr

understanding.”, Energy, vol:42, pp.96-102, 2012.

PCoownteirnuFoluoswSpfoarceUs”n,bJaolaunrncaeld oRf aGdlioabl aDl iOstprtiibmuitzioantioSny, svteoml.1s1",,

[20] Alagoz BB, Kaygusuz A, Karabiber A. “A User-Mode

1p9p9. 534I1E-E3E59P,E1S99W7.inter Meeting, New York, pp. 95, 1995.

Distributed Energy Management Architecture for Smart Grid

[49] BL. iS, tZot.t, aSnhdi,OJ. AanlsdaqL,iu“,FaYs.t, D“DeciosturpibleudteLdoRadeaFcltoivwe”P,IoEwEeEr

Applications”, Energy, vol: 44, pp 167–177, 2012.

TOrpatnimsaicztaiotinosn oanndPowPreorgArapmpmariantgusfaonr dASryesatemPosw, evrol.Sy9s3t,empp”.,

[21] Amjad AM, Alireza S, Taher N, Mohammad RAP.,

8In5t9e-r8n6a9ti,oJnuanleC1o9n7fe4r.ence on Power System Technology, vol.2,

“Multi-objective operation management of a renewable MG

[251]-2S4elNvoavM. 2o0o0r4th, yp,pM.1a4ji4d7-A14l-5D0a.bbagh and Michael Vawser,

(micro-grid) with back-up micro-turbine/fuel cell/battery

“[1Im0]proWvedi, HP.,haCseo–nCgo, rdZi.n,atJeingyGaanu,ssY-S.,eidJiealnhuLao, adZ., FZliofwa,

hybrid power source”. Energy, vol;36:6, pp.490-507., 2011.

AL.l,gZohriltihamn,”,WE.leacntrdicDPoonwgelir, SPy.s,te“mUsRinegseBaraccht,ervioal. C3h4e, mppo.ta9x1is-

[22] Saadat, H., Power Systems Analysis, McGraw Hill,

9M5e, tAhoudg.f1o9r9R5e. active Power Optimization”, Transmission and

Boston, 1999.

[D6i]stZrihbauntigo,nWCo. nafnedrenLcieu,anYd.,Ex“pRoesaictitoivne, 2P1o-w24erAOprpitli2m0i0z8a,tipopn.

[23] Abacı K. ,Yalçın M. A. , Uyarlıoğlu Y., “Güç

B1-a7s.ed on PSO in a Partical Power System”, Power

Sistemlerinde Farklı Salınım Barası Seçiminin Gerilim

E[1n1g]inSeehriirnmgoShoamcimetyadGi eDne.,raHl MonegetHin.gW, 2.,00S4emIElyEeEn.,Av.olv. e1,Lpupo.

Kararlılığı Açısından İncelenmesi”, Elektrik-Elektronik ve

2G3.9X-.2,4“3C, o6m-1p0enJusanteio2n0-0B4a.sed Power Flow Method for Weakly

Bilgisayar Mühendisliği Sempozyumu, Bursa,8-12 Aralık

[M7]esVheladchoDgiisatnrinbiustiJo.nG.a, n“dFuzTzryanLsmogisicsioAnpplNiceattwioonrkisn”,ILEoEaEd

2004.

FTlroawnsaScttiuodniseso”n, PIEoEwerPrSoycs.teGmesn, evroalt.io3n,, pTpr.a7n5sm3-i7ss6i2on, Faenbd.

D19is8t8ri.bution, vol.148, pp. 34-40, 2001.

[81]2] RC.hSetnogrnCaanrdolKS..PvrieceS, h“iDrmifofehraemntmiaaldEi vDol.u, ti“oTnh-raeeS-ipmhpasle

aPnodwerEffFicloiewnt MHeethuoridsticforforReaGltliombeal DOisptrtibmuitziaotnionSysotveemr

CAonnatliynsuiso”u,sIESEpaEceTsr”a,nJsoaucrtinoanlsoof nGPloobwael rOSpytsimteimzast,iovno,l.1v0o,l.1p1p,.

p6p7.13-64719-3, 5F9e,b1. 91979.5.

[91]3] LAi,lbZe.r,tSMhi,,VJ.inacnedntLBiu, ,MYa.u,r“icDeisGtrCibBu,teJdohRanenacLtiHve, GPoerwaerdr

OJMptSim.,"izDaotimonestaicnd ePnreorgryammmianngagfeomr enAtreamPetohwoedroloSgyystemfo”,r

IonptteirmnaiztionngaleCffoicnifeenrecnyceinonSPmowaretr SGyrsidtesm.”,TeIcEhEnEoloBgyu,chvaorle.2s,t

2P1o-w24erNTeocvh.,2p0p0:41,-7p,p2.1040497. -1450.

[104] WAyeoi,mpHe., LCMo,ngD, uZff.y, JAin, gMyacnC, oYrm.,acJkianShJu, aC, oZn.l,onZiMfa,

L"V.,Zalhidilaiatend, Wre.ala-ntidmDe oenngelir,gyP.,m“oUdseilnsg fBoarctsemriall-Cschaelme otgarxidis-

McoentnheocdtefdorPVRe-saycstitveemsP.o”,wEenr eOrgpyti,vmoilz:a3t5io:4n0”,pTp.r8a6n-s9m1i.s,s2io0n10a.nd

D[1i5st]ribPuratisoand CAoRnf,erNenatcaerajnadn EEx.p, o"sOitipotnim, 2iz1a-t2io4nAopfrili2n0te0g8r,aptepd.

1p-h7o.tovoltaic-wind power generation systems with battery

[s1to1r]agSeh”i.r,mEonheargmym, vaodli:3D1.:,19H, opnpg.4H3-.5W4.,,2S0e0m6.lyen A. ve Luo

G[1.6X]., L“uCnodmpHe.ns"aLtaiorgne-B-sacsaeled PinotwegerratFiolonwoMf ewthinod fpoorwWereaiknltyo

Mdifefsehrednt eDneisrtgryibsuytsiotenms.a”n,dEneTrrgayn,svmoils:s3i0o:n24,Npept.w02o-r1k2s”, ,2IE00E5E.

Transactions on Power Systems, vol. 3, pp. 753-762 , Feb.

1988.

[12] Cheng Carol S. ve Shirmohammadi D., “Three-phase

Power Flow Method for Realtime Distribution System Analysis”, IEEE Transactions on Power Systems, vol.10, pp.

671-679, Feb. 1995.

[13] Albert M, Vincent B, Maurice GCB, Johann LH, Gerard

JMS.,"Domestic energy management methodology for

Akın B., Elektrikli Arabalarda Kullanılan Li-ion Akülerin Tek Fazdan Hızlı ve Verimli Şarjı için Güç Faktörü Düzeltmeli Yükselcilerin Karşılaştırması, Cilt 2, Sayı 4, Syf 87-93, Aralık 2012

Elektrikli Arabalarda Kullanılan Li-ion Akülerin Tek Fazdan Hızlı ve VeErliemktliriŞkalirjAı riçaibnaGlaürçdaFaKkutlölraünıDlaünzeLlit-mioenliAYküüklseerlitnicTileekriFnaKzdaraşnılHaşıtzılrımveası ComVperairmisloinŞaorfjSı iinçginleGPühçaFseaPktoöwrüerDFüazcetlotrmCeloirYreücktsioelntiBcioleorsitnCKoanrvşeırlateşrtısrmfoarsFı ast Compariasnodn EofffSiciniegnlte CPhhaarsegePoofwLeri-iFoancBtoarttCeorirerseUctsioedn iBnoEosletcCtroincavlerCtearrss for Fast and Efficient Charge of Li-iBounraBk aAtktıenries Used in Electrical Cars

Elektrik MBüuhreankdAisklıinği Bölümü Yıldız Teknik Üniversitesi

ElektrikbMakiü[email protected]ğu.itrBölümü Yıldız Teknik Üniversitesi [email protected]

Fosil yakıtların yakın atmosfere CO2 salması

bnierdÖegnzeieyleltecekyteeni

tükenecek olması ve enerji kaynaklarının

aFroasyilışıyaiçkeıtrliasrinıne ygairkiılnmişbtiirr. gTeelmeciezktbeirtüekneenrejicekkayonlamğaı sıolavne ealtemkotrsifkereenCerOji2sinsainlmmasoıtonrelduentaiyşlıetlayrednai eknuellrajinıklmayansaı,klLari-ınioınn aakraüyleışrı içielreisinemügmirkilümnidşütirr.. TeLmii-zionbir eankeürljeiriknaynaşğaırjoınladna keulelklatrniıklabenileercjeiskinAinC-DmCotodrölunüştatüşrıtülcaürdlear lkiutelrlaantüılrmdeassı,ıkçLai-iyoenr aalkmülaekrtadırile[1-1m3]ü.mkBüunnduürg. erçeLkil-eioştnirmeakküiçleinringüç şafarkjıtnödraü kduülzlealntmılaelbiil(ePcFekC)A, Cge-DleCnekdsöenl,üşktöüprrüücsüülezrvelitdeörantüüşrüdmelüsıkgçearilyiemr ayülmksaeklttaicdiırde[v1r-e1l3e]r.iniBnunsuimüglearsçyeoknlelşatriırmyeakpılimçiınştıgr.üç10fa0ktköHrüz adnüazehlttamrelalim(aPFfrCek),angseılnednaekvseel3, kköWprçüısküışz gveücdüönndüeşüçamllıüştıgreılrairliamk syiümksüelaltsicyiondlaervırelyearpinıliann sidmöünlüaşstyüornülcaürlıery,apgıülmç ışfatıkrt.ör1ü00(PkFH)z, taonpalhatmarlaakmıma fhraekramnosnınikdabovezu3lmkaW(çTıHkıDş ig)üvceünvdeeriçmalıaşçtıırsıılnadraank ksiamrşüıllaasşytıornıllmarışı tıry.apSıliamnüladsöynoünştüsroüncuüçllearr,ıngaüçgöfraektögreülen(ePkFse)l, tyoüpklsaemlticaik%ım97h.a8rmveornimik vbeo%zu4lm.8a8 (TTHHDDiid) evğeervleerriinme,akçöıspırnüdsaünz yküakrşsıellatişctıirıl%mışt9ı8r..2Sivmeürilmasyovne s%onu5ç.l0a5rınTaHgDöiredegğeelrelneerkinseel, ydüöknsüeşlütimcilü% 9y7ü.k8sevletircimi visee%%4.8898THvDeriidmeğevreler%in1e.,9k3öpTrüHsDüzi ydüekğseerllteirciine%sah9i8p.t2ir.veTrüimm dvöenü%ştür5ü.c0ü5lerTH0.D99i gdüeğçerfalekrtiönreü, ddeöğneürşiünmi lüsağylüakssaeltidcai , iskeöp%rüsü9z8 yvüekrsiemlticvie T%H1D.9i3 deTğHeDrii,

dEeNğ6e1rl0e0r0in-3e-2sahipsttiarn. dTaürmdı dönoülaştnü,rücü%ler 0.59’9in güçüzfaekritnödrüe dbeuğluenridnuiğusnadğalan,sa lid-iao,n köapkrüülesürizn yüşakrsjeılticiiçinT,HDdiönüdşeüğmerliü, EyüNk6se1l0ti0c0i-d3a-2ha iyistpaenrdfoarrmdıans goölasnte,rmiş%tir. 5’in üzerinde Abunlauhntdaurğkuenlidmaenl,er:lDi-iöonnüşüamklüülePrFinC, kşaörpjrıüsüiçzinP,FCd, öLni-üişoünm. lü

Ayünkashetlatircikedlaimhaelieyri:pDeröfnoürmşAüambnlssütgPröaFstcCetr,mköişptrirü.süz PFC, Li-ion.

New energy sources haveAbebesntrseaacrtched beacuse of depletion of fossil fuels in near future and to reduce the CO2 emissions Ntoetwheenaetmrgoyspshouerrec.esIthiasvpeobsseiebnlesetoarucsheecdlebaenaceunseergoyf sdoeuprlecteioonf oelfefcotsrsicilitfyuienlseilnecntreiacralfuvteuhrieclaensdbytolir-eiodnucbeatthteeriCeOs.2 Temheirsesioanres mtoatnhye aAtCm-oDsCphecroen.vIetritserpsosinsibtlheetolitutseeractlueraen teonecrhgayrgsoeuLrci-eioonf belaetctetrriiceisty i[n1-e1le3c]t.ricFaol rvehtihcilses breyalsio-ino,n bcaotntevreinetsi.onTahl erPe FaCre, mbraidngyelAeCss-DPCFCcoannvedrtienrtserilneatvheed liPttFerCatubroeostto ccohnavregreterLsi-aiorne bsiamttuelraietesd. S[1im-1u3l]a.tioFnsorarethruisn arte3askoWn,ouctpountvepnotwioenrawl ithPF10C0, bkHrizdgsewleitscshiPngFCfreaqnudenicnytearnledavtheedy PaFreC cboomopstarceodnvweirthterpsowareer fsaimctuolrat(ePdF. S),imtoutlaaltiocnusrraernet rhunaramto3nkicWdoisuttopruttiopnow(TerHwDiit)h a1n0d0 ekfHfizcisewniyt.chAincgcofrrdeiqnugentcoy tahned stihmeuylaatrieoncoremspualtrsedcownivthenptioownearl bfaocotostrco(PnFve)r, tetorthaal sc9u7r.r8en%t ehfafircmieonnyicanddis4to.8r8tio%n T(HTHDDi via) luaensd, befrfiidcgieenleys.sAbcocoosrtdcinognvetortetrhehassim9u8l.a2ti%on erfefiscuiletnsycaonndve5n.t0io5n%al bToHoDsti cvoanluveerst,erinhtaesrl9ea7v.8ed%beofofisctiecnoynvaenrdte4r.8h8as%9T8H%Dei fvfiacliueensy, abnriddg1e.9le3s%s bToHoDsti cvoanluveesr.teArlthhaosug9h8.a2ll%conevffeicrtieernsyhaanvde g5r.0e5ate%r TthHaDn i 0v.a9l9ueps,owinerterflaecatvoerd, bboroidsgt ecloenssvebrtoeorsht acso9n8ve%rteerffiTcHieDnyi and 1.93% THDi values. Although all converters have greater than 0.99 power factor, bridgeless boost converter THDi

value is above the EN 61000-3-2 standards which is 5%, so for li-ion battery charging, interleaved boost topology has vbaeltuere piesrafobromvaentchee. EN 61000-3-2 standards which is 5%, so fKoreylwi-oiornds:bIantteryleacvheadrgPiFngC,, BinrtiedrglealevsesdPbFoCo,sLt it-oiopno.logy has beter performance.

Keywords: Interleaved PF1C. , BGriidrgieşless PFC, Li-ion.

Günümüzde pahalı fosil atmosfere karbondioksit

(1kCa.Oyn2)aGksliaırlmiyşaaksııtlvaerıykauklılnanbairn

araçların gelecekte

Gbuünyüamküıtzldareınpathüaklıenfeocseilkkaoylmnaakslıı ybailkiıntleanrı bkiurllagnearnçeakrtairç.laBrınu

asetmbeopslfeereakltaerrbnoantidf ioeknseitrj(iCOka2)ynsaaklmlaarsını ıvne ymaoktıonrlbuir gaeraleçclaerkdtae kbuullaynaıklmıtlaasrııniçtiünkebniercefkırsaotlmdaosğımbuişlinveen ebleirktrgikerliçekartiarç.laBrıun

syeebneidpelen aülrteetrinlmatiefsi enpelarnjilankmayışntaırk.larEınleınktrimkloitoarrluaçlaarrıançlasredrai

okulalrlaankılümreatsiılmieçsininebihrenfıürzsatyednoi ğbmaşulşanvılemaeslıenkatrikkalrişıanr,açylaakrıınn

ybeirngideelenceükrteetfilomsielsyi akpıltalanrlıannmtüıkşetınre. ceEkleokltmriakslıi vearCaçOla2rısnalınseımri

oetlkairsaikniüretialzmaeltsminaek heniüçzinyeniolbdauşklaçnaılmarsaınğabekt arşıng,öryeackeığni

bdiürşügnelüelcmeekktetefdoisri.l yakıtların tükenecek olması ve CO2 salınım

etkisini azaltmak için oldukça rağbet göreceği

Şdüuşüannüklimteekktneodliorj.i ile elektrikli araçların enerji kaynağı olan

lityum-iyon (li-ion) akülerle yapılacak mesafe 150 km

Şciuvaarnınkdiateoklsnaoldoaj,i şielehirelieçkitkriuklllianaırmaçılaiçrıinn çeonkerijdi ekaalyonlauğpı şoelhainr lmiteyrukmez-lieyroinnde(klii-iConO)2 saaklüınlemrlaesınyı adpaılacciadkdi moreasnadfea a1z5al0tackağmı dciüvşaürnınüdlma eoklsteaddira., şAeyhriırcaiçiukyuglulalannımacıakiçidnüçşoükk ivdeeragliolourpanşıehilier tmoeprlkuemzulenribnudeyköindCeOt2eşsvaiklınemdialesıcneığidgaörcüidşüdiyaoyragnınddaıra. zaltacağı düşünülmektedir. Ayrıca uygulanacak düşük vergi oranı ile Ltoip-ilounmuanküblueryinöndşaertjeınşdvaik keduillleacneılğaibgilöercüeşkü yaaltyegrnınadtiıfr. akımdan doğru akıma (AC-DC) dönüştürme yapan geleneksel

Lyüi-kisoenltiacki ülteorpinoloşjaisrjiı,ndŞaekkilull1a’ndıelabgilöescteekrilmalitşetrinr.atiGf ealkenımekdsaenl ydüokğsruelticaikleırmina v(eAriCm-,DCg)üç dföankütöştrüürmvee yTaHpaDni dgeeğleenrleekrsineil gyüelkisşetilrtmicei ktopüozleorjeisi, kŞöepkrüilsü1z’devegösdteörnilümşüişmtilrü. Gyeüleknseekltsiceli ytoüpkosleoljtiilceirlei ringelvişetriirmilm, işgtüirç. fLaiktteörraütürdvee TyeHnDi i gdeeliğşetirrlielmrinişi ygüelkisşetilrtmicei ktopoülzoejrileeri kböuplurnümsüazklavbeirlikdtöen[ü1ş3ü]m, blüu myaküaklseedlteic3i ttoempoellojPilFerCi ygüeklisşetlitriiclmi iişnticre.lenLmitieşratvüerdpeerfyoernmiangslealriıştiarinlamliizş yedüiklseereltkicsiotonupçollaorjiolerrtiaybaulkuonnmualmkluaşbtuirrl.ikDteiy[o1t3k]ö, pbruümsüakarakleadsıen3a tyeemrleelştiPriFleCn ygüekrisleimlticyi üiknsceeltliecnimdişevrvee, spaebrfiot rmçıkanışslagreırilainmailnizi esadğillearrekkensoanyunçılarzaomrtaanydaakoşnebuelmkeudşetunr.dDeiysoint ükzöopidrüaslübairrkaaskıınma yçeekrlmeşetkirtieldenir. gÇeırkilıişmgeyrüilkimseil,tigciirişdeavkrıem, ısvaebitgirçiışkıgşergileimriliinmdienni süarğetlialreknenrefaeyrnaınszaamkıamndaagöşerbeekdeadrbeen gdeenisşilniküzmoioddaül labsiyronakuınma (çPekWmMek)tgedöirre. kÇoınktırşolgeedriilliemni,degvirrieşteakkıamşıamvealıgdiırri.ş geriliminden

üretilen referans akıma göre darbe genişlik modülasyonuna

(PWM) göre kontrol edilen devre tek aşamalıdır.

Şekil 1: Geleneksel yükseltici. Şekil 1: Geleneksel yükseltici. Şekil 2’de gösterilen köprüsüz yükselticilerin girişinde köprü dŞieykoiltla2r’ıdeolgmöasdteığriılnednank,öpgreülesünzekysüekl syeültkicsielletircinilegrierişgiönrdee vkeörpimrüi ddiayhoatlyaürıksoelkmtiardvığeınddahana,agzeelelanmekasneal iyhütikysaeçltdicuiylearrelarg.öArencvaekrimbui ddöahnaüşytüükrüsceüklteirrivne dtoaphlaamaz ealkaımmanhaairhmtioynaçikdubyoazrulalmr. aAn(cTaHkDbiu) ddöeğneürşlteürriücüvleerineletkotprolammanaykeıtmik hgairrmişoimnik (bEoMzuI)lmasev(TiyHelDeir)i gdeelğeenrelekrsiel vyeükseelletikctirloemreangyöerteikdahgairişyiümksek(EtiMr. IL) itesreavtüiyredleekrii gkealyennaekklsaerılnyünkesreedlteicyisleeretagmöarme ıda1hakWyü’kdsaenktikrü. çLükiterdaetünredyeskeli kamayançalıkltaarsıanrlannemreışdedyesvereltearmdiarm[ı1, 110]k.W’dan küçük deneysel amaçlı tasarlanmış devrelerdir [1, 10]. Köprüsüz yükselticinin kontrolü, her sıfır geçişinde ilgili Kanöaphrtüasrügziriyşüakksıemltivcienginerikliomnitriolelüç, ıkhıeşrgesrıiflıirmigneeçibşainğdlıeolialgrailki aknoanhtrtoarl geirdiişliar.kımHevme gbeirriilmimiPilFeCçıkdıeşğgeerirnileimhineembadğelı odlüaşrüakk kToHnDtrio’lyeeduillaişrm. aHkemiçinbikroimntroPlFüCn hdızelğıervienedohğermu bdire şedküişlüdke yTaHpDılmi’yaesı ulgaeşrmekamk eikçtiendikro. ntÇroıklüışn hgıüzclıü veardttoıkğçrau bgierleşneekkilsdeel yyaüpkıslemltaicsıiyeggeörerekmveerkitmedi idr.e aÇrtımkaışktagdüırc.ü arttıkça geleneksel yükselticiye göre verimi de artmaktadır.

Şekil 2: Köprüsüz yükseltici. Şekil 2: Köprüsüz yükseltici.

Şekil 3’de gösterilen dönüşümlü yükselticiler, yüksek güçte gŞeelkeinl e3k’sdeel ygüökssteerlitliecniledriönnügşüüçmdlüağyılüımksıelvtiecialekrı,myüdkaslgeaklıglıüğçınteı agzealeltnmekaksel iyçüinkselgtiecliilşetriirnilmgiüşçtird. ağGılıimrişıinvdeeakıdmiyodtalgkaölıplırğüısnüı bbaçzauualllıuulştnnamnmmaaakikkklliaaiçabbidniierrlltiikkgytteeeül,,ikşstddeiroolitğğlimcrruuiillştttduuiercc.vuureççGsııikkirııibşşşııuinnnlddudaanem11a88dk00ityaooodtıddröö. nnkEüüöşşlpeüürmmmüasllüüün çsaaylıışsaınndaikiartaıdşevt eyükkasrmelatişcıik dkeovnrtersoilübnuelurnamğmaketna,dıdrö. nEüşleümmalün ysaüykısseınltdicailearrtdışüşvüek EkaMrmI avşeıkakkımondtraolglüanlıelıkraoğrmanelna,rındaönsüahşüipmtilrü. yVüekrsimelticdileeğredrlüeşrüi k dEeMIgevleenaekkımseldalygüaklısleıkltiocrialenrlearıngaörseahidpathira. yVüekrsimektird.eğerleri de geleneksel yükselticilere göre daha yüksektir.

Vç +

Vg

Vg -

Şekil 3: Dönüşümlü yükseltici. Şekil 3: Dönüşümlü yükseltici.

Bu çalışmadaki amaç, geleneksel, köprüsüz ve dönüşümlü PBFuCçalışymüakdsealktiiciamaçd,evgreelleenrienkisnel, kaöypnrıüsüzşavrtelardönüaşlütımndlüa pPeFrCformaynüsklaserılntiıcni kdaervşırlealşetrıirnılimn asıdaıyr.nı Buşartlkaarrşılaaşlttıırnmdaa pyaeprfıolırrmkeann,sldaörınnüınştürükcaürlşeırlainştıtreıklmfaaszıddaırn. besBleunmeksai,rş1ıl0a0ştıkrmHaz yanapahıltıarkrleanm, adöfrneükşatnüsrıüncdüale3rinkWtekçıfkaızşdgaüncübneüslevnem4e0s0i,V10re0güklHelzi çaınkaıhştagrelarimliamfinreiksaanğslıanmdaas3ı, k%W 5ç’ıkinışagltüıcnüdnaüTvHeD4i00dVeğererlgeürlienlei çsaıkhıişp goelrmiliamsıi,nivsearğimlaimn as%ı, %97’5n’iinn aülzteınridnadeTHoDlmi adseı ğevrelergiünçe sfaakhtiöprüonlümna0sı.9, 9v’derainmbinüyü%k o9lm7’ansiınşaürtzlearriınadreanmolamkatasıdırv.e güç faktörünün 0.99’dan büyük olması şartları aranmaktadır.

Tüm dönüştürücülerin tek aşamada regüleli çıkış gerilimini ve gTiürimş dsiönnüüzşotiüdraülcüalkeırminınteı ksaağşalammaadsaı rieçginü,lerleifçeırkaınşsgaekriılmimınini10v0e gkiHrizş stionpülzaomidaalnaakhıtmarılnaımsaağflraemkaasnısıinçdina, rPeWferManskaoknıtmroılnü 10il0e çkaHlızşmtaospılaammaçalannamhtıaşrtlıar.ma frekansında PWM kontrolü ile çalışması amaçlanmıştır.

2. Temel Büyüklüklerin Hesaplanması 2. Temel Büyüklüklerin Hesaplanması

Yükseltici devrelerdeki en kritik büyüklük sürekli (CCM) vYeüykaselktiecsiindtielivrealkeırmdekimoednunkdriatik(DbCüyMük) lüçkalısşüarneklyi ü(kCseCltMic)i veneydaüktkaenssiınntihliesaabkııdmır. mEoledkutnridkali a(rDaCbaMla)r iççainlışüarnetiyleünkslei-litoicni aeknüdlüekrta4n0s0ıVn hgeirsiaşbgıdeırri.limElleikvterikylaikalarşaıbkal2a4r kiçWinhükraeptialesnitelsii-niodne aokldüuleğrun4d0a0nV, ghirızişlıgevreilimgülivveneilyiarklbaişrıkş2a4rj kWiçihn kyapüakssietkesingdüeç ogeldreukğmunedkatend, irh. ızlıBvue mgaükvaelneidlier lbii-rionşaraj küiçinşaryjıünkasekuygguünç dgeörneükşmtüerkütceüdlierr. 3 kBWu gmüacküanleddeeçalliı-şiaocnağıankdüanş, asrüjırneakliuyakgıumn mdöondüuşttüerrücichüleedril3mikştWir. gücünde çalışacağından, sürekli akım modu tercih edilmiştir.

Yükseltici endüktans ve çıkış kondansatör değerlerini hYeüskaspellatmicaik ieçnidnüakştaağnısdakvieforçmıküılşlerdkeonndyaanrasarltaönrılırd.eSğıerralseıryinlai IhIffggkddkkeeaaggnnüüoooeaakkslldvvdccnnnggttaüüeeüüdddööaapnnkkaaarrVVlllüüaaüünnnttaaannnngg,,sssmnnaaaüümmşşssattt,,eeöööaakmmbbrrriieeüünnioodkkçddnnrreeeivveeüüaanğğğeennnnggbbeeeııaiiraannrrrrPPişğğiiiinııaFFnnşşyyııiğlliiüüffaa,,iıssttkkfdkkwwaaaüüiiııahhdllmmkeeaammVVeittnniivviiççebbaammfnneedohheedderssttggeemaaeellreeççeedd.rrrrııüllmmiikkiiaalllllkkeeıımmleeiişşemmnnaaaarlldmmiimmnnsseffaaüüiiggrrnii,,eerreenneePPkkrryiissiioommaaggalliirrnniirnnvvuummaaassiieemmnnrııiinnlıınnPPannııiinvv,,ççvvıı,,,,eeıeegglLLrrıiiriirrmm.iiyyCCşşIISttüüLLççvvıvvkkreeeessaeeaasççççççllkkıggııııııttykkkkkkııiiüümmlccııııııaççşşşşşşii kondansatör değerini ifade eder.

Maksimum giriş gücü,

Pg(ma k ) Pg(ma k )

 

ggPPiiccrr((iimmmmşşaaiinnagkk ))küıcmü,ı,

(1) (1)

MGiarikIIşsgg((iammmkaa ıkkum))mıngıinmmriiimnnş((aaVVPPkkggccıs((((mieemmmffffaaı))kk,((umm)) miinn))))tPPeFFpe değeri,

(2) (2)

Giriş akımının I  g(tepe) max I  g(tepe) max

Giriş akımının

mmammakiiknns((s22iVVim..mPPggccu((uee((mmmffmffaa))((kkmmo))tiiennr))tp))aeladmeğaedrei,ğeri,

(3) (3)

GGiirriişşIIggag((kooerrırtt))mimmliaaımnkk ıinni22mn..IIamggk((ittseenppimeei))mmmuaaumkkmotretpaleamdeağedreiğ, eri,

(4) (4)

GiriVş gg(eterpiel)immini=nin2m.iVnigm(efuf)m(minte) pe değeri,

BağVıl gi(lteeptiem)mins=üre2si,. Vg(eff)(min)

Bİzainğıvl eilreiltVVeimncc asküVVırVVggme((ccttseeippd,eea))((lmmgiinna))lanma miktarı İAzkinımΔΔvIIıenLLr==ıinl%%emnIILLaa..kkIIsıggmi((mtteeppdueea))mmmlgaakktaelpaenmdeağmeriik, tarı

%IL %IL

ise, ise,

(6) (6) (7) (7)

EAnkdımIIüLLkı((nttteeaıppnnee))smmmaadkkae==kğsIIeiggrm((ittee,uppeem))mmaatkke++pe22IIdLLeğeri,

(8) (8)

Endüktans değeri,

Akın B., Elektrikli Arabalarda Kullanılan Li-ion Akülerin Tek Fazdan Hızlı ve Verimli Şarjı için Güç Faktörü Düzeltmeli Yükselcilerin Karşılaştırması, Cilt 2, Sayı 4, Syf 87-93, Aralık 2012

ÇıkışLLkonVVdggaff(( ttssneewwppsee..a))(( tmmIIöiiLLnnr))

. . değeri,

ÇfoırkmışCCüklccloenr11idn..a11dnesnVVatccö22 ry22daVV..erPPağggcc((re..ttleerappieettn,))((ımmliiannr))22ak

kolayca

fhoersmapüllalemrianladrednan syoanrraarlgaünçılafarakktörükdoelğayercia,

hesaplamalardan1

 PF

PF

PPS

T1 T

veya, S

sTonra güç faktörü

T 0

vvgg

))..iigg

).dt ).dt

V .I g (eff ) g (eff ) V .I g (eff ) g (eff )

değeri,

veya, PF  PF 

1 1

 

TTHHDDii

2 2

(9) (9) (10) (10) bulunabilir. Bu bulunabilir. Bu (11) (11) (12) (12)

formüllerinden hesaplanarak bulunabilir. CCM çalışan fgoerlmenüelklesreilndyeünkselhtiecsianpinlaneanrdaükktabnus luaknıambiılnidr.akiCdCeMğişimçaŞlıeşkainl g4e’dleenbeikrsaenl ayhütakrslealmticainpienriyeondduükiçtainnsgöasktıemriılnmdiaşktiir.değişim Şekil 4’de bir anahtarlama periyodu için gösterilmiştir.

Şekil 4: CCM çalışmada endüktans akımının değişimi. Şekil 4: CCM çalışmada endüktans akımının değişimi.

33.. SSiimmüüllaassyyoonn PPaarraammeettrreelleerriinniinn SSeeççiimmii

Anahtarlama fArenkaahntasrınladmana farneakhatnasrılnamdaan

frekansı p((effççr))ifyreoççkdooaukknnsdççı aoo,kk

t((ebbffmüüsswwyye))üül kkbüooyyyllüüddükkuukssğğleeüuullkttnniilccddeiiaarllnnieenrrii((nndffssewwğ>>i>>şççmffaaççll))eıışşdmmbbiğiiaarri

aknabahutlaerldaimlmaişptier.riByoudnuangdöar,e tteümmeldebvüryeüpkalürakmleertirneledreiğyişumkeadrıidğai

vkaebriulelnedil(m1)i-ş(t1ir2.)Bubnaağgınötrıelartüınma degvörree,par1a0m0etreklHerzi yutokparlıadma

avneraihletanrlam(1a)-(1f2re)kanbsaığnıdnatı,ları3na kgWö’rleı,k 1ç0ı0kış kHgzücütopilçaimn

hanesaahptalarlnaamraak Tfarbelkoan1s’ıdnedga,öste3rilmkiWşti’rl.ıkDönçıükşıüşmlügüycüükselitçiicni

dheevsarepslainndaerak aTnaabhltoar1la’drıen göhsteerrilmbiirşitir.50DönküHşzümlaünayhütkasrelaltmicai

fdreevkraenssinınddea çaanlıaşhmtaarklalarınbirlhiketre dbeivriren5in0 tokpHlazm aannaahhttaarrllaammaa

ffrreekkaannssıınydinaeç1a0lı0şmkHakzlaolbmiralkiktatedırd.evrenin toplam anahtarlama

frekansı yine 100 kHz olmaktadır.

Tablo 1: Simülasyon Parametreleri

Yükseltici TabGloele1n: eSkismeül lasyoKnöPparrüasmüzetrelerDi önüşümlü

YükTsipelitici GYeülkesneelktisceil YKüökpsreülstüiczi DYöünküsşeültmicliü

TVVVipggçi VPçç

Y22ü0ks±el%tic5i 242000 ±± %%55 430000±0 %W5

Y22ü0ks±el%tic5i 422000 ±± %%55 430000±0 %W5

Y22ü0ks±el%tic5i 420200 ±± %%55 430000±0 %W5

fPswç

35000k0HWz

L (LfCC1sw+çç L2)

1303000kHµFz 3237000µµHF

3103000kHµFz 3237000µµHF

35300k0HµzF 3237000µµHF

L (L1+L2) 270 µH

Yükselticilerin genel karşılaştırması Tablo 2’de gösterilmiş Yolüukps,egltüicçildereiğnergi,enEeMl Ikagrüşrıülalştütırsmeavsiyı eTsia,bçloıkı2ş ’ddaelggaölısğteı,riglmiriişş doalulgpa, lıgğüıç, mdaenğyeerit,ikEbMoyIugtüvreülvteürismevaiçyıessıin,dçaıkinışcedleanlgmailşığtiır, [g8i]r.iş dalgalığı, manyetik boyut ve verim açısında incelenmiştir [8].

Tablo 2: Yükselticilerin Genel Karşılaştırması

YüksTealtbicloi 2: YüGkseeleltnicekilseerlin GeKneölpKrüasrüşzılaştırDmöansüışümlü

TGiüpçi

Y< ü1k0s0e0ltiWci Y< ü2k0s0e0ltiWci Yü<k3s0e0lt0ici

EMI G/ Güçürültü <N1o0r0m0aWl < 2K0ö0t0üW

<3İ0yi00

EÇMıkIış/ GGeürriülilmtü DÇıaklgışalGaenrmilaimsı DGaligriaşlaAnkmıması DGaligriaşlaAnkmıması DaMlgaanlaynetmikası

BMüaynüykeltüikk BüVyeürkimlük

Normal Yüksek Yüksek Yüksek Yüksek Büyük Büyük

Kötü Yüksek Yüksek Yüksek Yüksek

Orta Orta Normal

İyi Düşük Düşük Düşük Düşük Küçük Küçük Normal

Verim

Tablo 3’de yükselticilerin karşılaştırmalı analizi gösterilmiş Tolaubpl,oel3e’mdeanysüakysılealrtiıcvileerminalikyaertşaılçaışstıınrmdaanlıinacnealleinzmi igşötisrt.erilmiş olup, eleman sayıları ve maliyet açısından incelenmiştir.

Tablo 3: Yükselticilerin karşılaştırmalı analizi

YüksTealbtilcoi 3: YüGkseeleltniceikleseriln karKşıölapşrtüırsmüzalı anDaölinzüişümlü

AnaTAipniahtar AnaSAaynısaıhtar HızSlaıyDısiıyot HızSlaıyDısiıyot DoSğaruylıtsuı cu DDioyğortuSltauycıusı DEinydoüt kStaaynıssı EnSdaüykıtsaı ns

SÇaıykıısşı KondÇaınksışatörü KonTdoapnlasamtörü EleTmoapnlaSmayısı EleMmaanliySeatyısı

Yükseltici 1 1 1 1 4 4 1 1 1 1 8 8

Yükseltici 2 2 2 2 0 0 2 2 1 1 7 7

Yükseltici 2 2 2 2 4 4 2 2 1 1 11 11

Maliyet

44.. KKoonnttrrooll YYöönntteemmii

Yükseltici devrelerin kontrol yöntemi olarak giriş akımının kYoülkasyeltfiiclitredleevnreeblielrmineski onvteroldüyşöünktemhiaromlaornaikkligirdişüzagküınmınbıinr skionlüazyoidfialltrealkeınmebiçlemkeesbiilmveesi diüçşinüksahbaitrmaonnaihktlairladmüazlgıünPWbMir steinrcüizhoeiddaillmaikştıimr. 1ç0e0kekbHilmz easniahiçtainrlasmaabiftreaknaanhstıanrdlaamçaallıışPtırWılaMn yteürkcsihelteidciillmeri,ştteirk. 1a0şa0mkaHlızkaonnathrotalrillaemşaebfreekkeadnesnınsdianüçzaolıişdtaırlılbainr ayküıkmselçteickielerkr,ente,kayanşaı mzaamlı aknodnatrroelgiülelelşiebDeCkeçdıeknışsgineürizloimidianli bdier akkoınmtroçlekeedrekre. nB, uayknoı nztaromlaündsaağrlaemgüalkeliiçDinCççıkıkışışggeerirliilmimi,ingiirdieş kgoernitlrimoli evdeeark. ıBmuındkoanntfraoylüdaslaanğıllaımr. ak için çıkış gerilimi, giriş gerilimi ve akımından faydalanılır.

Çıkış gücüne bağlı olarak şebekeden çekilecek sinüzoidal Çakııkmış (g1ü)-c(ü1n2e) fboarğmlıülolelrairaikle şheebseakpeldaennır. çOekluilşetcuerkulasninükzoonitdroall saiksıtmem(i1r)e-(fe1r2a)nsfoarkmımülleürzieriilnedheeasanpalhatnaırrl.amOaluyşatuprauralaknbkeollni tbroirl sbiasntettmaibruefaekraımns oarktaımlamüazseırninı dseağalanra.hGtaerllaemneaksyealpyaürakkseblteilclii tbeikr bbairntatnaabhutarakiılme tüomrtalgaümçasaıknıışısakğolnatrr.oGl eeldeinlierkkseenl. yKüökpserültsicüiz tveke bdiörnüanşüamhtlaür yilüekstüelmticgilüeçrdaek2ışaınkaohntatrroilleebduiligrükçena.kıKşıösparğülsaünzırv. e dönüşümlü yükselticilerde 2 anahtar ile bu güç akışı sağlanır.

Köprüsüz yükselticide bulunan 1. anahtar pozitif yarım

dKaölgparüysı,üz2.yüaknsaehlttiacridenegbautliufnaynarı1m. adnaalghatayrı pkooznittriofl yeadrıemr.

dDaölgnaüyşüı,ml2ü. yüankasehlttairci dneegiasteif1. yvaerı2m. andaahlgtaarylıar Dileönsiüsştüemmilükoynütkrsoellteidcierd.e Bisue k1o. nvtero2l.ilaenaghirtiaşrtleanr

k11sio88nn00ütoozrooffaalidzzaeffldaabrrekkirrıı.

ialkeımsisçteemkiilikrkoenntr,oçlıkeıdşegrü. çBaukışkıodnatrokol nilteroglieridşitlemnişsionlüuzro. idal bir

akım çekilirken, çıkış güç akışı da kontrol edilmiş olur.

5. Geleneksel PFC’li Yükseltici Simülasyonu 5. Geleneksel PFC’li Yükseltici Simülasyonu

Geleneksel PFC’li yükselticinin kontrol ve ana akım devresi GŞeekleilne5k’sdeel gPöFsCte’rliilmyüişktsier.ltiAcinnainakkıomntrdoelvvreesiangairaişkiınmdedekvörpersüi Şekil 5’de gösterilmiştir. Ana akım devresi girişinde köprü

doğrultucu bulunmaktadır ve kontrol, giriş akım ve gerilimi ile çıkış geriliminin uygun bir algoritma ile kontrolü ile sağlanmaktadır.

Ana anahtar olarak 3 kW çıkış gücüne uygun 100 kHz’de çalışabilecek IXFT50N60P3 mosfeti seçilmiş olup simülasyon sonuçlarının gerçeğe uygun olması için eşdeğer referans gerilim ve direnç değerleri simülasyona eklenmiştir. Yine aynı şekilde yükseltici hızlı diyotu da gerçeğe uygun olarak C3D10060A hızlı silikon karpit (SİC) diyotu olarak simülasyona eklenmiştir. SİC diyotları, ters toparlanma süreleri ve akım değerleri ile sistemin toplam verim ve performansını arttırdığından tercih edilmiştir. Endüktans ve çıkış kondansatörü değerleri giriş geriliminin 220 V efektif değeri için hesaplanmış ve CCM çalışmaya uygun olarak Tablo 1’de gösterilen simülasyon parametrelerine göre devreye eklenmiştir. Başlangıç koşullarından sadece Cç çıkış kondansatörüne, ilk periyotta düzgün çıkış verebilmesi için, 400 V referans değer verilmiştir.

Şekil 6: Giriş ve çıkış akım-gerilim dalga şekilleri.

Şekil 7’de gösterilen giriş akım ve gerilimine bağlı güç faktörü değeri incelenirse, güç faktörü değerinin PF=0,998 olduğu görülür.

Şekil 5: Geleneksel PFC’li yükseltici simülasyon devresi.

Giriş akım ve gerilimi ile çıkış akım ve gerilimi Şekil 6’da gösterilmiş olup, akım örneklerinin daha düzgün görülebilmesi için 10 kez büyük ölçekli gösterilmiştir. Giriş ve çıkış değişkenlerinin efektif değerleri sağdaki küçük ekranda belirtilmiştir. Buna göre yaklaşık, giriş gerilimi 220 V, çıkış gerilimi 400 V, giriş akımı 14 A, çıkış akımı 7,5 A olarak ölçülmüştür. Giriş ve çıkış güçlerinden verim ölçümü yapılırsa, giriş gücü 3065 W ve çıkış gücü 2999 W olduğundan verim % 97,8 olarak hesaplanmıştır.

Şekil 7: Giriş akım ve gerilimine bağlı güç faktörü değeri.

Tek fazlı şebekeden çekilen akımın değişimi Şekil 8’de gösterilmiştir. CCM modunda çalışan geleneksel yükselticinin şebekeden çektiği akımın THDi değeri % 4,88 dir. EN610003-2 harmonik standartlarına göre % 5 olan sınır değerin altında ve verimi % 97,8 ile arzulanan verim değerinin üzerindedir. Güç faktörü değeri de birim güç faktörü değerini sağlamaktadır.

Şekil 8: Giriş akımı THDi değeri.

Akın B., Elektrikli Arabalarda Kullanılan Li-ion Akülerin Tek Fazdan Hızlı ve Verimli Şarjı için Güç Faktörü Düzeltmeli Yükselcilerin Karşılaştırması, Cilt 2, Sayı 4, Syf 87-93, Aralık 2012

6. Köprüsüz PFC’li Yükseltici Simülasyonu

Köprüsüz PFC’li yükselticinin kontrol ve ana akım devresi Şekil 9’da gösterilmiştir. Ana akım devresi girişinde köprü doğrultucu bulunmamaktadır ve kontrol, giriş akım ve gerilimi ile çıkış geriliminin uygun bir algoritma ile kontrolü ile sağlanmaktadır.

Şekil 11’de gösterilen giriş akım ve gerilimine bağlı güç faktörü değeri incelenirse, güç faktörü değerinin PF=0,998 olduğu görülür.

Şekil 9: Köprüsüz PFC’li yükseltici ana akım ve kontrol devresi.

Giriş akım ve gerilimi ile çıkış akım ve gerilimi Şekil 10’da gösterilmiş olup, akım örneklerinin daha düzgün görülebilmesi için 10 kez büyük ölçekli gösterilmiştir. Giriş ve çıkış değişkenlerinin efektif değerleri sağdaki küçük ekranda belirtilmiştir. Buna göre yaklaşık, giriş gerilimi 220 V, çıkış gerilimi 400 V, giriş akımı 13,9 A, çıkış akımı 7,5 A olarak ölçülmüştür. Giriş ve çıkış güçlerinden verim ölçümü yapılırsa, giriş gücü 3055 W ve çıkış gücü 2999 W olduğundan verim % 98,2 olarak hesaplanmıştır.

Köprüsüz yükselticide L1ve L2 endüktanslarının toplamı 270 µH dir. Dolayısı ile simülasyonda her biri 135 µH olarak ayarlanmıştır.

Şekil 11: Giriş akım ve gerilimine bağlı güç faktörü değeri. Tek fazlı şebekeden çekilen akımın değişimi Şekil 12’de gösterilmiştir. CCM modunda çalışan köprüsüz yükselticinin şebekeden çektiği akımın THDi değeri % 5,05 dir. Köprüsüz yükselticinin verimi, girişinde diyot köprüsü bulunmadığından, % 98,2 ile arzulanan verim değerinin üzerindedir. Güç faktörü değeri de birim güç faktörü değerini sağlamaktadır. EN61000-3-2 harmonik standartlarına göre % 5 olan sınır değerin üzerinde olan THDi değeri uygun filtrelemeler yapılarak aşağı düşürülebilir. Literatürdeki diğer çalışmalarda da sistemin yapısı gereği köprüsüz yükselticinin yüksek THDi ve EMI değerine dikkat çekilmiştir.

Şekil 12: Giriş akımının THDi değeri.

7. Dönüşümlü PFC’li Yükseltici Simülasyonu

Dönüşümlü PFC’li yükselticinin kontrol ve ana akım devresi Şekil 13’de gösterilmiştir. Ana akım devresi girişinde köprü doğrultucu bulunmaktadır ve kontrol, giriş akım ve gerilimi ile çıkış geriliminin uygun bir algoritma ile kontrolü ile sağlanmaktadır.

Şekil 10: Giriş ve çıkış akım-gerilim dalga şekilleri.

Şekil 15’de gösterilen giriş akım ve gerilimine bağlı güç faktörü değeri incelenirse, güç faktörü değerinin PF=0,999 olduğu görülür.

Şekil 13: Dönüşümlü PFC’li yükseltici ana akım ve kontrol devresi.

Giriş akım ve gerilimi ile çıkış akım ve gerilimi Şekil 14’de gösterilmiş olup, akım örneklerinin daha düzgün görülebilmesi için 10 kez büyük ölçekli gösterilmiştir. Giriş ve çıkış değişkenlerinin efektif değerleri sağdaki küçük ekranda belirtilmiştir. Buna göre giriş gerilimi 220 V, çıkış gerilimi 400 V, giriş akımı 13,9 A, çıkış akımı 7,5 A olarak ölçülmüştür. Giriş ve çıkış güçlerinden verim ölçümü yapılırsa, giriş gücü 3060 W ve çıkış gücü 2999 W olduğundan verim % 98 olarak hesaplanmıştır.

Dönüşümlü yükselticide anahtarlama frekansı her bir mosfet için 50 kHz, sistemin toplam anahtarlama frekansı ise 100 kHz dir.

Şekil 15: Giriş akım ve gerilimine bağlı güç faktörü değeri.

Tek fazlı şebekeden çekilen akımın değişimi Şekil 16’da gösterilmiştir. CCM modunda çalışan dönüşümlü yükselticinin şebekeden çektiği akımın THDi değeri % 1.93 olup, EN61000-3-2 harmonik standartlarına göre % 5 olan sınır değerin oldukça altındadır. Dönüşümlü yükselticinin verimi, girişinde diyot köprüsü bulunduğundan, % 98 ile arzulanan verim değerinin üzerindedir. Güç faktörü değeri de birim güç faktörü değerini sağlamaktadır.

Şekil 14: Giriş ve çıkış akım-gerilim dalga şekilleri.

Şekil 16: Giriş akımının THDi değeri.

8. PFC’li Yükselticilerin Performansı

Geleneksel, köprüsüz ve dönüşümlü PFC’li yükselticiler, 100 kHz toplam anahtarlama frekansında, 3 kW çıkış gücünde çalıştırılmış ve PF, THDi ve verim açısından değerlendirilmiştir. Buna göre Tablo 4’de güç faktörü, THDi ve verim açısından sonuçlar gösterilmiştir. Bu sonuçlara göre en yüksek verim köprüsüz yükselticide, en düşük THDi dönüşümlü yükselticide ölçülmüştür. Tüm yükselticiler güç faktörü açısından birim güç faktörü değerine ulaşmıştır.

Tablo 4: Yükselticilerin performans karşılaştırması

Yükseltici Geleneksel Köprüsüz Dönüşümlü

Tipi

Yükseltici Yükseltici Yükseltici

PF

0.999

THDi (%)

4.88

5.05

1.93

Verim (%)

97.8

98.2

Auxiliary Circuits” IEEE Transactions on Power

Electronics, vol. 21, pp. 370-379, March 2006.

[3] Muthuramalingam, A.; Madhivanan, R.; Kalpana, R.; ,

"Comparative study of high performance rectifiers," Akın B., Elektrikli Arabalarda Kullanılan Li-ion Akülerin Tek PFaozwdearn HEızllıevcetroVneicrism, li Şa20rj0ı i6ç.in GIIüCçPFEaktö2r0ü0D6ü. zelItnmdeiali

YükselcInileterrinnaKtaiornşıalalşCtıromnafesrı,enCcilet 2o,nSa, yvıo4l.,,Snyof .8, 7p-p9.32,1A6r-a2l2ık12, 01192-

21 Dec. 2006

[4] Woo-Young Choi; Jung-Min Kwon; Eung-Ho Kim; Jong-

Jae Lee; Bong-Hwan Kwon; , "Bridgeless Boost Rectifier

With Low Conduction Losses and Reduced Diode

Reverse-Recovery Problems," Industrial Electronics,

9. Sonuçlar

Bu makalede elektrikli arabalarda kullanılan Li-ion akülerin hızlı ve verimli şarjı için tercih edilebilecek temel yükseltici devrelerin simülasyonları yapılmış ve karşılaştırma sonuçları gösterilmiştir.

Geleneksel, köprüsüz ve dönüşümlü yükseltici devreleri, 3 kW

yükseltici % 97.8 verim ile en düşük verim değerine sahipken,

% 4.88 THDi değeri ile iki dönüştürücünün arasında yer

almaktadır. Köprüsüz yükseltici % 98.2 ile en verimli sistem

olmasına karşın, THDi değeri olarak, EN61000-3-2 harmonik

standartlarına göre % 5 sınır olan, % 5.05 değerini almıştır.

Dalmönaüsşınüamlküarşyıünk, s%elti1ci.993.%TSH9o8Dni vudeçerilğmaerri

değeri ile en

ile az

arada yer harmonikli

sBisutemadkira.ledGeüçelekfatrkitkölriüarabçıaslıanrdankudlleağneırllaenndLirii-lidoinğiankdüelerüinç yhüızklsıevlteicivedreim0.l9i 9şadrejğı eirçiinnetuelracşimh ıeşdtıirl.ebilecek temel yükseltici

devrelerin simülasyonları yapılmış ve karşılaştırma sonuçları

Bgöustyeüriklmseilştitciri. topolojileri arasında li-ion akü şarjına yönelik

hızlı ve verimli bir sistem olarak dönüşümlü yükseltici daha

iGyei lpeenrefkosrmel,anksöpserürgsüilzemveişdtiör.nüşümlü yükseltici devreleri, 3 kW

yükseltici % 97.8 v1e0ri.mKileAeYn NdüAşüKk LveArimRdeğerine sahipken,

% 4.88 THDi değeri ile iki dönüştürücünün arasında yer [a1lm] aCkthaadkırr.abKoörptyr,üsSü.;z Myüokhsaenlt,icNi .%; , 9"8A.2Ciolemepnarvateirviemlsitusdisyteomf olmaVsınaraiokuasrşıSni,nTglHe DSitadgeeğePriFColaCraokn,vEeNrte6r1s00in0-i3m-2plhemaremnotinnigk standNarotlvaerlınCa ognövreert%er 5Tosıpnoılrogoylanf,or%S5im.0u5ltdaenğeeoruisni cahlamrgışitnırg. DönüaşnüdmlüIndyiüvkidsuealtliciCe%ll 9B8alavnecriimng doeğf erMi uilletiplaeradLai-iyoenr almasBınatatekriaersş,ı"n, %Tel1e.c9o3mmTHunDiciadtieoğnesri ilCeonenferaeznchea,rmo2n0i0k5l.i sistemINdTirE. LGEüCç '0f5a.kTtöwrüentayç-Sıseınvdenanth Idnetğeernrlaetniodnirailld,iğvionld.,e noü.ç, yükseplpti.c2i5d1e-205.969, Sdeepğte.r2in0e05ulaşmıştır. [2] W. Huang, G. Moschopoulos, “A New Family of Zero

Bu yVükosltealgtieciTtroapnosliotijoilnerPi WarMasınCdoanvlie-irotenrsakWüitşharDjınuaal yAöncteilviek hızlı Avuexvileirairmyli Cbiirrcsuiisttse”m IoElaErEak dTörnaünşsüamctliüonysüksoenlticPi odwahear iyi peErlfeocrtmroanniscsse, rvgoill.em21iş,tpirp.. 370-379, March 2006. [3] Muthuramalingam, A.; Madhivanan, R.; Kalpana, R.; ,

"Comparative study of high performance rectifiers,"

PInotewrenratioEnalelc1Ctr0oonn. fieKcrse,AncYe2N0o0nA6,.KvoLlI.AI,CnRPoE.,

2006. India pp.216-221, 19-

[1] C21haDkerca.b2o0rt0y6, S.; Mohan, N.; , "A Comparative study of

[4] WVoaori-oYuosuSnginCglheoiS;tJaugnegP-MFCin CKownovne;rtEerusngin-HiomKpliemm;eJnotningg-

JNaoevLeele;CBonovnegr-tHerwaTnoKpowloogny; , f"oBrriSdigmeluelstasnBeooust Rcheacrtgifiinegr

[8] IBEeEltEramTrea,nFs.a;cRtiogngsiao,nL,.;vSocl.h5u4c,hn, oL.2.;, Ppipn.h7e6i9ro-7, 8J.0R, .;A,p“rAil c2o0m07parison of high power single-phase power factor

[5] cHorurbeecrti,onL.;preY-ruegnugltateokrs”Jan2g0;10 JoIvEaEnEovicIn, terMna.Mtio.;nal, C"Poenrffeorremncaenceon EIvnadluusattriioanl ToefchnBorliodgyele(sIsCITP)F, Cpp B6o2o5s-t 6R2e9c,tiMfiearys,2"0P10ower Electronics, IEEE Transactions on ,

[9] Evtoelz.a2d3i,-Anom.3o,lip,p.M13.;81C-1h3o9m0a,,MKay.; 2S0t0e8fani, J.; , "Rapid[6] WChoaor-gYeoEulnegctCrihc-oVi;eJhuinclge-MStiantioKnws,o"nP; oBwoenrg-DHewlivaenrKy,wIEonE;E,

T"Arannsaimctpioronvseodn ,bvriodlg.2e5le,snso.P3F, pCp.1b8o8o3st--1d8o8u7b,leJur lyre2c0ti1f0ier [10] wMituhsavhii,ghF-.e;ffEicbienrlcey,,"W.P; oDweurnfoErdle,ctWro.nGic.;s , S"pAecihailgisht-s pCeornfofermreannccee, si2n0g0le8-.phPaEseSCAC-2D0C08p. owIEeEr Efact,orvcoolr.,recnteod., bpopo.1s3t 0c9o-n1v3e1rt3e,r1f5o-r1p9luJugnien 2h0y0b8rid electric vehicle battery [7] TcahoarQgei;rsL,"eiEXneirnggy; JCiaonnvSeursni;on, "CDounaglr-BesosoastndSiEngxlpeo-sPihtiaosne (PEFCCCEIn),pu2t01C0urIrEenEtEC,onvtorol.l, Bnoa.s,edppo.3n58O8u-3tp5u9t5,C1u2rr-e1n6t Sepnts.in2g0,1"0 Power Electronics, IEEE Transactions on , [11] vMolu.s2a4v,in, oF.1.;1,Epbpe.r2l5e,23W-2.5; 3D0u, nNfovrd. ,20W09.G.; , "Efficiency

[8] Bevelatlruaamtieo,nF.o; fRsoignggilae,-pLh.;asSechsuocluht,ioLn.;sPfionrheAirCo,-DJ.CR.;P,F“CA cboomopsat ricsonveorfterhsighforpopwleurg-isnin-hgyleb-rpidhaseelecptorwicervefhacictoler cboartrteecrtyionchpareg-erresg,"ulVaetohrisc”le 20P1o0werIEEaEnd InPterronpautilosinoanl CCoonnfeferreennccee o(VnPIPnCdu),st2r0ia1l0 TIEecEhEno,lovgoyl., (nICo.I,Tp),p.p1p-6,612-536S2e9p,tM. 2a0y120010

[192] ] EAtekzıand,i-AB.m; oBlio, dMur.,; HC.h;om, a",AKN.;ewSteSfainig,leJ-.P; h,as"eRaSpoifdtSCwhaitrcgheinEglePctoriwc-eVr eFhaictloerStCaotirornesc,t"ioPnowCeornvDeerltievre,"ry,PIoEwEeEr ETlreacntsraocntiicosn, s oIEnE, EvolT.2r5a,nnsoa.c3t,iopnps.18o8n3-1,88v7o,lJ.2u6ly, 2n0o1.02,

[10] pMp.u4s3a6v-i4,43F,.;FeEbb.e2r0le1,1 W.; Dunford, W.G.; , "A high[13] pMerufosarmvia, nFce.; siEnbgelerl-ep,haWse.;ADCu-DnfCorpdo, wWer.Gfa.c; to,r "cAorrheicgtehdpbeorofsotrmcoannvceertesrinfogrlep-pluhgasien hbyrbidrigdeleelsesctrinctevrelheiacvledbaPttFerCy cohnarvgeerrtes,r" fEornefrogrypCluognvinershiyobnriCd oenlegcrtersisc avnedhicElxepboastiteioryn c(EhaCrCgeEr)s,,"2I0n1d0usItrEyEAEpp, livcoalt.i,onn,oI.,EEppE.3T5r8a8n-s3a5c9ti5o,ns12o-n16, vSoelp.4t.72,0n1o0.4, pp.1833-1843, Aug. 2011

[11] Musavi, F.; Eberle, W.; Dunford, W.G.; , "Efficiency evaluation of single-phase solutions for AC-DC PFC boost converters for plug-in-hybrid electric vehicle battery chargers," Vehicle Power and Propulsion

Conference (VPPC), 2010 IEEE , vol., no., pp.1-6, 1-3

Sept. 2010

[12] Akın, B.; Bodur, H.; , "A New Single-Phase Soft-

Switching Power Factor Correction Converter," Power

Electronics, IEEE Transactions on , vol.26, no.2, pp.436-443, Feb. 2011

[13] Musavi, F.; Eberle, W.; Dunford, W.G.; , "A highperformance single-phase bridgeless interleaved PFC converter for for plug in hybrid electric vehicle battery chargers," Industry Application, IEEE Transactions on , vol.47, no.4, pp.1833-1843, Aug. 2011

Wanidth InLdoiwviduCaolndCuecltlionBaLlaonscsiensg anodf MReudluticpeled LDii-oidoen

RBeavtteerrsie-sR,"ecoTvelreycomPrmoubnleicmast,i"onsInduCsotrnifaelrenEclee,ctro2n0i0c5s,.

IENETEELTEraCns'0a5c.tioTnwsenotny-,Sveovle.n5t4h, Innot.e2r,naptpio.7n6a9l -,78v0o,l.,Anpori.l,

2p0p0.2751-256, Sept. 2005

[52] WHu. bHeru,angL,.;G.YMunogsctaheokpouJlaonsg, ;“AJoNveawnoFviacm, ilyMo.Mf Z.;ero,

"VPoelrtfaogremTanracnesitEiovnaluPaWtioMn CoofnvBerrtiedrgseWlesisth PDFuCal ABcotoivset

RAeucxtilfiiaerrys," CPiorwcueirts”ElecIEtrEoEnicsT, rIaEnEsEactTiorannssacotnionPs oowner,

vEolel.c2t3ro, nioc.s3,,vpopl.12318,1p-p1.339700, -M37a9y,2M00a8rch 2006.

[63] WMuotoh-uYroamunaglinCghaomi;, JuAn.;g-MaindhKivwaonna;n,BoRn.;g-KHawlpaannKa,wRon.;; ,

"ACnomipmaprartoived sbturdidygeolefsshiPgFhC pebrofosrtm-daonucbelerecrteifciteifrise,"r

wPoitwherhighE-leefcftircoiennicsy,," 2P0o0w6e.r EIIlCecPtrEonic2s00S6p. eciaInlidsitas

CInotenrfenraetniocnea, l 2C0o0n8fe. rePnEceSCon 2, 0v0o8l., nIoE.E, Epp.2, 16v-o2l2.,1, n1o9.-,

p2p1.1D3e0c9. -21030163, 15-19 June 2008

[74] TWaooQ-Yi;oLuenig XCihnogi; Juianng-SMunin; K, w"Douna; lE-Bunogo-sHt oSiKngimle;-PJohnasge-

PJaFeCLeIen;pButonCgu-Hrrwenatn CKownotrno;l, B"BarsieddgeolenssOBuotpoust RCeucrtirfeinetr

SWeintshingL,o" wPoCwoenr dEucleticotnronLicoss,seIsEEaEndTrRanesdauccteiodnsDoionde,

vRoelv.2e4rs,en-oR.e1c1o,vpepr.y252P3r-o2b5le3m0,sN,"ovI.n2d0u0s9trial Electronics,

IEEE Transactions on , vol.54, no.2, pp.769-780, April

[5] Huber, L.; Yungtaek Jang; Jovanovic, M.M.; ,

"Performance Evaluation of Bridgeless PFC Boost

Rectifiers," Power Electronics, IEEE Transactions on ,

vol.23, no.3, pp.1381-1390, May 2008

[6] Woo-Young Choi; Jung-Min Kwon; Bong-Hwan Kwon; ,

Amasyalı M. F., Balcı S., Varlı E. N., Mete E., Türkçe Metinlerin Sınıflandırılmasında Metin Temsil Yöntemlerinin Performans Karşılaştırılması, Cilt 2, Sayı 4, Syf 95-104, Aralık 2012

Türkçe Metinlerin Sınıflandırılmasında Metin Temsil Yöntemlerinin Performans Karşılaştırılması

A Comparison of Text Representation Methods for Turkish Text Classification

M.Fatih AMASYALI 1, Sümeyra BALCI1, Esra Nur VARLI1, Emrah METE1

1Elektrik Elektronik Fakültesi, Bilgisayar Mühendisliği Bölümü Yıldız Teknik Üniversitesi mmffaattiihh@@ccee..yyiillddiizz..eedduu..ttr, [email protected], esraannuurrvvaarrllii@@ggmmaaiill..ccoomm,,eemmrraahhmmeettee@@ggmmaaiil.lc.coomm

Bir metnin sınıfına metnin hangi özelliklerine bakılarak karar verilebilir? Sınıflandırma probleminin türünün (metnin yazarını, yazarın cinsiyetini, yazarın ruh halini, metnin konusunu, metnin olumlu ya da olumsuz ifadeler içerdiğini tanıma) bu soruya verilecek cevaba etkisi nedir? Bu sorulara çeşitli cevaplar vererek, metin dosyalarının otomatik sınıflandırılması için uzun zamandır çalışmalar sürmektedir. Bu çalışmada çeşitli türdeki 6 adet Türkçe sınıflandırma veri kümesi üzerinde 17 adet özellik grubunun etkisi incelenmiştir. Çıkarılan özellik gruplarına örnek olarak; cümle, kelime, ek sayıları, ngramlar, kelimeler, kelime grupları ve saklı anlam indeksi verilebilir. Türkçe için bugüne kadar yapılmış en kapsamlı karşılaştırma çalışması sunulmuştur. Sonuçlarda n-gramların genel olarak diğer temsil yöntemlerinden daha başarılı sonuçlar ürettiği görülmüştür.

Anahtar kelimeler: Doğal Dil İşleme, Metin Sınıflandırma, Metin Özellikleri, Metin Temsil Yöntemleri

Which features are the most important for text classification tasks? How does the type of text classification problem (authorship attribution, gender identification, mood identification, topic identification, sentiment analysis) affect the answer of this question? By giving various answers to these questions, the automatic text classification studies are ongoing for a long time. In this study, 17 text representation methods are compared over 6 different Turkish text classification tasks. Frequencies of the words, stem words, word phrases, n-grams, tokens, and word clusters, Latent Semantic Indexing are examples of the extracted text features. To the best of our knowledge, the most comprehensive study for Turkish text classification is presented. In general, n-grams were produced more successful results than the other text representing methods. Keywords: Natural Language Processing, Text Classification, Text Categorization, Text Features, Text Representation Methods

Bir metnin yazarı, konusu, yazarının cinsiyeti, yazarının ruh hali otomatik olarak tahmin edilebilir mi? Bu soruya cevap arayan çalışmalar otomatik metin sınıflandırma adıyla anılmaktadır. Bu çalışmalarda önceden sınıfı belli metinlerin çeşitli özelliklerinin incelenmesiyle yeni gelen bir metnin hangi sınıfa ait olduğu tahmin edilmektedir. Ancak bunun yapılabilmesi için metinlerin hangi özelliklerinin inceleneceğine diğer bir deyişle metinlerin nasıl temsil edileceğine de karar vermek gerekir. Bununla birlikte, sınıflandırma probleminin türünün (yazar, konu, cinsiyet vb.) temsil yöntemine etkisinin olup olmadığı da ayrı bir araştırma konusudur.

Literatürde çeşitli metin sınıflandırma problemleri için birçok başarılı çalışma yapılmıştır. Bunlara örnek olarak yazar tanıma [1, 2], metin konusunu belirleme [3, 4], e-posta sınıflandırma [5], metnin yazarının cinsiyetini belirleme [1] verilebilir. Bu çalışmalarda her problem türü için çeşitli metin temsil yöntemleri önerilmiştir. En çok kullanılan yöntemler; kelime / kelime grubu frekansları [3], ngram frekansları [5, 6], kelime kümeleme [3], saklı anlam indeksleme [7] ve fonksiyonel kelimelerdir [8].

Bununla birlikte literatürde farklı problem türleri için, metin temsil yöntemlerinin detaylı bir karşılaştırılması bulunmamaktadır. Bu çalışmada, bu boşluğu doldurmak amacıyla literatürdeki birçok yöntem ve kendi önerdiğimiz (çok boyutlu ölçekleme ile anlamsal uzay [9], sınıf bilgisine dayalı kelime kümeleme) yöntemler, çeşitli veri kümeleri üzerinde karşılaştırılmıştır.

Veri kümesi olarak yazıdan ruh hali tanıma, film yorumlarında yönelim tespiti, köşe yazarlarını tanıma, yazarın cinsiyetini tanıma, şiirin yazarını tanıma, haberin türünü tanıma olmak üzere toplam 6 metin sınıflandırma koleksiyonu üzerinde çalışılmıştır. 2. bölümde bu veri koleksiyonları tanıtılmıştır. 3. bölümde karşılaştırılan metin temsil yöntemleri detaylı olarak anlatılmıştır. 4. bölümde deneysel sonuçlarda her bir veri koleksiyonu üzerinde hangi

metin temsil yönteminin (metin özellikleri) daha başarılı olduğu, genelde en başarılı yöntemler tartışılmıştır. Son bölümde ise sonuçlar tartışılmıştır.

2. Veri Kümeleri

Bu bölümde farklı uygulama alanlarına ait çeşitli veri kümeleri tanıtılacaktır. Tablo 1’de çalışmada kullanılan veri kümeleri verilmiştir.

Tablo 1: Çalışmada kullanılan veri kümeleri

Veri

Sınıf Top. Her

kümesinin say. örn. bir

ismi

say. sınıf.

örn.

say.

Ruh hali

157 38-

Film

yorumları

105 35

Köşe yazarı 18 630 35

Cinsiyet

105 50-

Haberler

1150 230

Şiir

140 20

Ort. kelime say.

Ort. cümle say.

247,1 28,1

49,3 4,8 398,5 45,3 377 54

204,8 17 79,5 7,4

Rast. Başarı %

25,48

28,57 5,56 52,38

20 14,29

Tablo 1’in son sütunundaki rastgele başarı yüzdesi verilerin hepsinin en çok örneği olan sınıfa atandığında elde edilen doğru sınıflandırma yüzdesidir. Kullanılan veri kümelerine www.kkeemmiikk..yyiillddiizz..eedduu..ttrr//??iidd==2288 adresinden erişilebilir.

Veri kümelerinin her birinin nasıl oluşturulduğu ve sınıf bilgilerinin içerikleri aşağıda anlatılmıştır.

Ruh hali: Çeşitli blog sitelerinden toplanan ve elle blog yazarının ruh halinin etiketlenmesiyle oluşturulmuştur. 4 sınıf içermektedir. Sınıf etiketleri neşeli, hüzünlü, sinirli, karışık şeklindedir.

Film Yorumları: Çeşitli sinema sitelerinden filmlere yapılmış yorumların toplanmasıyla ve beğeni yönleriyle etiketlenmesiyle oluşturulmuştur. 3 sınıf içermektedir. Sınıf etiketleri pozitif, negatif, tarafsız şeklindedir.

Köşe Yazarları: Çeşitli gazetelerin web sayfalarından 18 adet köşe yazarının 35’er köşe yazısının toplanmasıyla ve yazar isimleriyle etiketlenmesiyle oluşturulmuştur. Sınıf etiketleri yazarların isimleridir.

Cinsiyet: 5’er adet erkek ve kadın köşe yazarının 50-55’şer köşe yazısının toplanmasıyla ve yazarlarının cinsiyetleriyle etiketlenmesiyle oluşturulmuştur. Erkek ve kadın olmak üzere 2 sınıf etiketi içermektedir.

Haberler: Gazetelerin kategorilere ayrılmış haber sayfalarında 5 farklı konuda toplanmış 1150 haber içeren bir veri kümesidir. Sınıf etiketleri Ekonomi, Magazin, Sağlık, Siyasi, Spor şeklindedir.

Şiir: 7 şaire ait 20’şer şiirin toplanması ve şair adlarıyla etiketlenmesiyle oluşturulmuştur. Sınıf etiketleri şairlerin isimleridir.

3. Karşılaştırılan Metinlerin Temsil Yöntemleri

Bu bölümde literatürde sıklıkla kullanılan ve bizim önerdiğimiz metin temsil yöntemleri anlatılmaktadır.

3.1. Frekans Hesaplamalarında Kullanılan Metotlar

Bu bölümde anlatılacak olan Kelime Kökleri, Kelime Türleri, Ngramlar, Fonksiyonel Kelimeler, Kelime Ekleri, Kavram Genelleştirme özellik grupları için frekans hesaplamasında kullanılmak üzere TF, TFIDF, binary, log, normalize1 ve normalize2 olmak üzere 6 farklı metot kullanılmıştır [10]. i indisli özelliğin j indisli metnindeki TFIDF değeri Eşitlik 1’deki gibi hesaplanır.

TR TFIDF (i, j)  TF (i, j)  log

TR(i)

Eşitlik 1’de TF(i,j), i indisli özelliğin, j indisli metninde yer alma sayısıdır. Toplam metin sayısı TR ile, içinde en az bir kere i özelliği geçen metin sayısı TR(i) ile gösterilmiştir. Örneğin i özelliği “gr” 2gramı ise, TF(i,j), “gr” ifadesinin j metninde yer alma sayısı olacaktır. i özelliği “isim” kelime türü ise TF(i,j); j metninde geçen isim türündeki kelime sayısı olacaktır.

Binary(i,j): i indisli özellik j indisli metin yer alıyorsa değeri 1, yer almıyorsa 0’dır.

Log(i,j): Eşitlik 2 ile hesaplanır.

Log(i, j)  log10(TF (i, j) 1)

Normalize1(i,j): TF(i,j)’leri, metindeki toplam kelime

sayısıyla normalize edilmesiyle Eşitlik 3’teki gibi hesaplanır.

N1(i, j)  

TF (i, j ) 1 / 2

 

(i

 

j

Normalize2(i,j): TF(i,j)’leri, kelimenin toplam geçiş

sayısıyla normalize edilmesiyle Eşitlik 4’teki gibi hesaplanır.

N 2(i,

j)

TF (i , j )

 

i

1 

/

i

3.2. Sayılar Özellik Grubu

Metinleri içerdikleri noktalama işaretleri sayıları, kelime sayıları, cümle sayıları, devrik cümle sayıları, harf sayıları, ek sayıları, cümlelerdeki ortalama kelime ve harf sayıları, kelimelerdeki ortalama harf ve ek sayılarıyla ifade eden 19 adet özellikten oluşan özellik grubudur.

3.3. Kelime Kökleri

Metinlerin içerdikleri kelimelerle ifade edildikleri, literatürde en yaygın kullanılan özellik grubudur. Metinler tüm metinlerde en az bir kere geçen farklı kelime sayısı boyutlu bir uzayda ifade edilir. Türkçe gibi eklemeli

Amasyalı M. F., Balcı S., Varlı E. N., Mete E., Türkçe Metinlerin Sınıflandırılmasında Metin Temsil Yöntemlerinin Performans Karşılaştırılması, Cilt 2, Sayı 4, Syf 95-104, Aralık 2012

dillerde, kelimelerin kendilerini kullanmak farklı kelime sayısını çok fazla arttırmaktadır. Örneğin insan, insanlık, insanlığa, insanlığım kelimeleri farklı kelimeler olarak ele alınırsa metinlerin ifade edildikleri uzayın boyutu çok büyük olmaktadır.

Literatürde bu probleme çözüm olarak sadece kelime köklerinin kullanılması önerilmektedir [11]. Bu sayede hem aynı anlama işaret eden kelimelerin birleştirilmesi (böylelikle metinler arası benzerliğin daha iyi ifade edilmesi sağlanmakta), hem de özellik boyutunun azaltılmasıyla işlem karmaşıklığının azaltılması sağlanmaktadır. Kelimelerin köklerinin bulunması için Zemberek [12] kütüphanesi kullanılmıştır.

3.4. Kelime Türleri

Metinleri içerdikleri kelimelerin türlerinin (isim, sıfat, zamir, edat vb.) frekanslarıyla ifade eden özellik grubudur. Kelimelerin türlerinin bulunmasında Zemberek kullanılmıştır. Toplam 15 tane kelime türü vardır. Buna göre her metin içerdiği isim, sıfat, vb. türündeki kelime sayılarıyla ifade edilmektedir.

3.5. Harf ve Kelime Ngramları

Metinlerin içerdikleri ngramlar ile ifade edildiği özellik grubudur. Ngramlar N boyutlu karakter ya da kelime çerçeveleridir. Örneğin “gitmek” metni için:

Harf 2 gramları: gi – it – tm – me – ek Harf 3 gramları: git – itm – tme – mek şeklindedir.

Metinlere ait 2 ve 3 harf gramları, 2’li kelime ngramları çıkarılmıştır. Çok seyrek frekans matrisleri üretiyor olmaları sebebiyle, daha büyük pencere boyutuna sahip ngramlar kullanılmamıştır.

3.6. Fonksiyonel Kelimeler

Fonksiyonel kelimeler esasen tek başlarına anlamları olmayan, ancak yazarların üsluplarının belirlenmesinde önemli oldukları düşünülen bağlaç ve edat türündeki kelimelerdir [8] (ve, daha, gibi, de, için vb.). Metinler bu özellik grubunda, önceden belirlenmiş 620 fonksiyonel kelimeyle ifade edilmektedirler.

3.7. Kelime Ekleri

Metinlerin içerdikleri kelimelerin aldıkları eklerin türlerine göre ifade edildikleri özellik grubudur. Türkçe eklemeli bir dil olduğundan anlamın oluşmasında eklerin önemi büyüktür. Kelimelerin eklerinin belirlenmesinde Zemberek kullanılmıştır. Zemberek toplam 126 farklı ek türü çıkarmakta ve dolayısıyla metinler bu 126 ek türünü içermelerine göre sayısallaştırılmaktadırlar.

3.8. Kelime Kümeleme

Bu özellik grubunda, metinlerde geçen yakın anlamlı kelimeler birleştirilip tek bir küme, tek bir özellik haline getirilmektedir [3]. Bu sayede hem boyut sayısı azaltılmakta hem de benzer anlama sahip kelimeler tek bir kavram olarak kullanıldığından metinler arası ilişkilerde artmaktadır.

Örneğin hayvan kavramına ait kelimeler (at, kedi, deve vb.) aynı kümede yer alırlarsa, sadece “at” kavramını içeren ve sadece “kedi” kavramını içeren iki metin aynı özelliğe “hayvan” sahip olacaklardır. Bir kelime kümesinin bir metindeki frekansı, küme içindeki kelimelerin o metindeki geçiş sayılarının toplamıdır.

Kelime kümelerinin belirlenmesinde 4 kaynak kullanılmıştır: TF matrisi, TFIDF matrisi, Cooccurance (birlikte geçme) matrisi ve sınıf bilgisi. TF ve TFIDF matrisi 3.1. bölümde, Cooccurance (birlikte geçme) matrisi 3.9. bölümde, sınıf bilgisi 3.14. bölümde anlatılmıştır. Kelimelerin bu kaynaklar kullanılarak kümelenmesi için 3 algoritma kullanılmıştır.

1. Hiyerarşik Kümeleme: Her bir adımda birbirine en çok benzeyen iki kümenin birleştirildiği algoritmadır [13]. Başlangıçta her bir örnek ayrı bir kümeyi ifade eder. Kümelerin birbirine benzerliklerinin ölçülmesinde 3 yol izlenmektedir. A) En Yakın: Kümeler birbirine en yakın elemanları kadar yakındır. B) Ortalama: İki kümenin her bir elemanının diğer kümenin her bir elemanıyla arasındaki mesafelerin ortalaması ile yakınlık ölçülür. C) En uzak: Kümeler birbirine en uzak elemanları kadar yakındır.

2. K-means: Veri dağılımını en iyi temsil edebilecek küme merkezlerini bulunmaya çalışır [14]. Başlangıçta küme merkezleri rastgele atanır. Küme merkezlerinin kendi kümelerindeki elemanlara olan ortalama mesafesi iterasyonlar ilerledikçe azalır.

3. SOM: Bu algoritmada veri dağılımını en iyi temsil edebilecek küme merkezlerini bulunmaya çalışır. Küme merkezleri başlangıçta yine rastgele atanır. Buna ek olarak merkezler birbirlerine rastgele bağlanırlar. Her bir küme merkezinin güncellenmesinde ona bağlı olan diğer küme merkezleri de güncellenir. Bu sayede hem verileri ifade edecek küme merkezleri hem de verinin topolojisi bulunmaktadır [15].

3.9. Birlikte Geçme Matrisi

Birlikte geçme matrisi metinlerdeki farklı kelime sayısı boyutlu simetrik bir matristir. Matrisin i,j hücresinin değeri, i. kelime ile j. kelimenin eğitim metinlerinden kaçında birlikte geçtiğini ifade etmektedir. Birlikte geçme matrisi kelime kümelemede (Bölüm 3.8) ve anlamsal uzayda (Bölüm 3.12) kullanılmaktadır.

3.10. Kelime Filtreleme

Her metinde geçen kelimelerin ayırt ediciliği azdır. Buna karşın çok az metinde geçen kelimeler de gereksiz yere boyut sayısını arttırabilirler. Bu nedenlerle metinlerin ifadesinde kullanılan kelimeler, frekansa dayalı bir filtreden geçirilmişlerdir. Kelimeler belirlenen minimum ve maksimum geçiş sayılarına göre filtrelenmiştir.

3.11. Saklı Anlam İndeksleme

Bu yöntem, sınıf bilgisini kullanmadan metin-kelime matrisi (A) üzerinde Eşitlik 5’teki Tekil Değer Ayrıştırma (Singular Value Decomposition) işlemini yaparak metinlerin boyut sayısını azaltır [7].

Amn  U mk .Skk .VnTk

Bu işlem sonunda S matrisinde, özvektörlerin özdeğerleri

diagonalde büyükten küçüğe sıralanmış olur. Seçilen boyut

(k) adedi işleme alınarak, A matrisi m*n’lik bir matristen

(mmetin sayısı, n farklı kelime sayısı), m*k’lık (k

metinlerin yeni boyut sayısı) bir matrise dönüştürülür. Tekil

Değer Ayrıştırma için JAMA kütüphanesi [16]

kullanılmıştır.

3.12. Anlamsal Uzay

Bu özellik grubunda, metinlerin anlamsal bir uzaydaki koordinatları bulunmaktadır [17]. Bunun için önce metinleri oluşturan kelimelerin anlamsal uzaydaki koordinatları bulunup, daha sonra, metinlerin koordinatları; içerdikleri kelimelerin koordinatlarının ortalaması alınarak hesaplanmaktadır. Kelimelerin sayısal koordinatları, kelimelerin birbirlerine anlamsal yakınlıklarıyla uyumlu olarak bulunmaktadır. Buna göre birbirine anlamsal olarak yakın 2 kelimenin bulunan koordinatları arasındaki Öklid mesafesi de küçük olmaktadır. 2 kelimenin birbirine anlamsal yakınlığının ölçütü olarak Harris’in [18] yaklaşımı kullanılmıştır. Buna göre 2 kelime ne kadar çok birlikte kullanılıyorsa birbirlerine anlamsal olarak o kadar yakındır. Kelimelerin bu yakınlıklarını ölçmek için birlikte geçtikleri metin sayıları hesaplanmış ve Bölüm 3.9’da anlatılan Birlikte Geçme Matrisi’ne yazılmıştır.

Literatürde aralarındaki 2’li uzaklıklar bilinen kavramların

bu uzaklıklarla uyumlu koordinatlarının bulunması için Çok

Boyutlu Ölçekleme (Multi Dimensional Scaling) [19]

yöntemi kullanılmaktadır. Bu yöntem uzaklıklar üzerinde

çalıştığından bir yakınlık ölçütü olan Birlikte Geçme Matrisi

Eşitlik 6’daki gibi tersine çevrilerek uzaklık ölçütüne

dönüştürülmüştür.

dis(i, j)  1

sim(i, j)

Eşitlik 6’da, dis(i,j); i. ve j. kelimeler arasındaki uzaklığı, sim(i,j) ; i. ve j. kelimelerin birlikte geçtikleri metin sayısını göstermektedir. Bu yeni matrise Çok Boyutlu Ölçekleme uygulanarak kelimelerin koordinatları bulunmuştur. Çok Boyutlu Ölçekleme için MDSJ Kütüphanesi [20] kullanılmıştır. Metinlerin koordinatları ise daha önce de belirtildiği gibi içinde geçen kelimelerin bu anlamsal uzaydaki koordinatlarının ortalaması alınarak bulunmuştur.

3.13. Kavram Genelleştirme

Kelimelerin anlamlarına göre hiyerarşik bir yapıda düzenlendikleri Wordnet, Conceptnet gibi birçok çalışma mevcuttur. Türkçe için ise benzer yapıda hazırlanmış Türkçe Wordnet [21] bulunmaktadır. Bu özellik grubunda, bu hazır, sabit, eğitim kümesinden bağımsız veri kaynakları, kelimeleri bir üst kavramlarıyla ifade etmede kullanılmıştır. Bu sayede kelime kümelemede olduğu gibi, hem metinlerin boyut sayısı indirgenmiş, hem de metinlerin içerdikleri kavramlar daha anlamsal bir şekilde ifade edilmiş olmaktadırlar.

Kelimeleri bir üst kavramlarıyla ifade etme (genelleştirme) işlemi için 2 veri kümesi kullanılmıştır. İlki Türkçe

Wordnet’ten çıkarılmış 15018 adet kavram-üst kavram ikilisidir. İkincisi ise Zemberek’in kütüphanesinden alınan özel isimler listesidir. Eğer bir kelime kavram–üst kavram ikilileri listesinde kavramlar içinde yer alıyorsa onun yerine karşılık gelen üst kavram kullanılmıştır. Eğer bir kelime özel isimler listesinde yer alıyorsa onun yerine “insan” kavramı kullanılmıştır.

3.14. Sınıf Bilgisiyle Kelime Kümeleme

Bizim önerdiğimiz bu yöntemde, öncelikle kelimelerin her sınıftaki frekansları bulunarak kelimeler sınıf sayısı boyutlu bir uzayda birer noktaya dönüştürülmektedir. Daha sonra kelimeler, bu boyutları üzerinde 3.8. bölümde anlatılan kümeleme metotlarıyla sınıf sayısı adet kümeye ayrılmaktadır. Bu işlem sonunda her bir kelime sınıf sayısı adet kümeden birine ait olmaktadır. Metinler ise, sınıf sayısı adet kümenin frekanslarıyla ifade edilmektedirler. Bir kümenin bir metindeki frekansı, o kümede bulunan tüm kelimelerin o metindeki frekanslarının toplamıdır. Bu sayede metinler kelime sayısı adet boyut yerine, sınıf sayısı adet boyutla ifade edilmiş olmaktadır.

4. Deneysel Sonuçlar

Bölüm 2’de tanıtılmış olan 6 veri kümesi için, Bölüm 4’te anlatılan özellik gruplarının çeşitli konfigürasyonlarıyla arff’ler üretilmiştir. Özellik gruplarının her birinin çeşitli konfigürasyonları bulunmaktadır. Tablo 2’de özellik gruplarının (metin temsil yöntemlerinin) adları ve yazının bundan sonraki kısmında kullanılan kısaltmaları verilmiştir.

Tablo 2: Özellik gruplarının isim ve kısaltmaları

Kısaltm a Say 2G 3G K2G KE KT FK KGI

KGO

KK

KKHAL

KKHCL

KKHSL

KKK KKS

MDS

LSI

Açıklama

Sayılar Özellik Grubu (Bölüm 3.2) Harf 2 gramları (Bölüm 3.5) Harf 3 gramları (Bölüm 3.5) Kelime 2 gramları (Bölüm 3.5) Kelime ekleri (Bölüm 3.7) Kelime Türleri (Bölüm 3.4) Fonksiyonel kelimeler (Bölüm 3.6) Kavram genelleştirme isim tabanlı (Bölüm 3.13) Kavram genelleştirme özel isim tabanlı (Bölüm 4.13) Kelime kökleri Hiyerarşik kelime kümeleme (küme benzerlikleri ortalamaya göre) (Bölüm 3.8) Hiyerarşik kelime kümeleme (küme benzerlikleri en uzak elemanlara göre) (Bölüm 3.8) Hiyerarşik kelime kümeleme (küme benzerlikleri en yakın elemanlara göre) (Bölüm 3.8) Kmeans ile kelime kümeleme (Bölüm 3.8) SOM ile kelime kümeleme (Bölüm 3.8) Birlikte geçme matrisi tabanlı anlamsal uzay (Bölüm 3.12) Saklı Anlam İndeksleme (Bölüm 3.11)

Amasyalı M. F., Balcı S., Varlı E. N., Mete E., Türkçe Metinlerin Sınıflandırılmasında Metin Temsil Yöntemlerinin Performans Karşılaştırılması, Cilt 2, Sayı 4, Syf 95-104, Aralık 2012

Tablo 3’te kelime Türleri, 2 gram, 3 gram, Fonksiyonel kelimeler, kelime 2 gramları, kelime ekleri, kavram genelleştirme isim, kavram genelleştirme özel isim, kelime kökleri olmak üzere toplam 9 özellik gruplarının her biri için kullanılan 6 frekans hesaplama yöntemi ve yazının bundan sonraki bölümlerinde kullanılacak olan kısaltmaları verilmiştir.

Tablo 3: Frekans hesaplama için kullanılan yöntemler

Yöntem

Binary Log N1 N2

TF TFIDF

Açıklama Bir kavram metinde geçiyorsa 1 geçmiyorsa 0 (Bölüm 3.1)

Eşitlik 2.

Eşitlik 3.

Eşitlik 4. Bir kavramın bir metindeki geçiş sayısı (Bölüm 3.1)

Eşitlik 1.

Tablo 4’te kelime kümelemede, KKHAL, KKHCL, KKHSL, KKK, KKS olmak üzere toplam 5 metodun her biri için kelimelerin kümelenmesinde kullanılan 4 matrisin isimleri ve kısaltmaları verilmiştir.

Tablo 4: Kelime Kümeleme için kullanılan matrisler

Yöntem Cooccurance Snf mTF mTFIDF

Açıklama Kelime kümele Birlikte geçme matrisine göre (Bölüm 3.8 ve 3.9) Kelime kümele sınıf bilgisine göre (Bölüm 3.14) Kelime kümele TF matrisine göre (Bölüm 3.8) Kelime kümele TFIDF matrisine göre (Bölüm 3.8)

Kelimelerin kümelenmesinde küme sayısı 50 olarak belirlenmiştir. LSI ve MDS için metinlerin ifade edileceği boyut sayısı 50 olarak belirlenmiştir. MDS’te ve birlikte geçme matrisinin kullanıldığı her yöntemde yakınlıktan uzaklığa geçiş için Eşitlik 6 kullanılmıştır. Say özellik grubu için değişken bir parametre kullanılmamıştır.

Üretilen tüm metin temsil yöntemleri WEKA [22] ile birlikte kullanılabilmeleri için arff formatında kaydedilmiştir. Sonuç olarak 6 veri kümesi her biri için ( 9*6 ) + ( 5*4 ) + 3 (LSI, MDS, Say) =77 arff, toplamda 77*6 = 462 arff üretilmiş ve her arff üzerinde 5’li çapraz geçerlemeyle WEKA kütüphanesinde yer alan 5 adet sınıflandırıcının (en yakın komşu-1NN, karar ağacı-C4.5, destek vektör makineleriSVM, Naive Bayes-NB, Random Forest-RF) performansı ölçülmüştür. Özellik gruplarının sınıflandırma performanslarını gösteren tablolardaki (Tablo 5-10) tüm değerler 5’li çapraz geçerlemenin ortalama değerleridir.

Üretilen arff’lerin özellik sayısı (boyutu) 5000’den fazla olanlarda zaman ve hafıza problemlerinden ötürü özellikler önce InfoGain [23]’lerine göre sıralanmış daha sonra en yüksek IG’e sahip 100 özellik seçilerek arff bu haliyle

kaydedilmiştir. Sonuç tablolarında (Tablo 5-10), kullanılan 5 algoritmadan en yüksek performansa sahip olanının adı ve başarı yüzdesi verilmiştir. Özellik sayısı 101 olan kayıtlarda orijinal özellik sayısı 5000’i aştığından bilgi kazancına göre özellik seçimi yapılmıştır. arff dosya formatında sınıf bir özellik olarak yer almaktadır. Buna göre özellik sayısı d olan bir veri kümesinde, d-1 adet özellikle sınıf etiketi tahmin edilmektedir.

4.1. Şiir Veri Kümesi Denemeleri

Tablo 5’te bir şiirin yazarını tahmin etme problemi üzerinde yaptığımız denemeler verilmiştir.

Tablo 5: Şiir veri kümesinde her bir özellik grubunun en başarılı olduğu konfigürasyon ve başarı yüzdeleri, rastgele başarı % 14,29

Özellik Grubu 3G KKHCL 2G KKK Say KGI KGO KKS LSI KK FK KE KT KKHAL KKHSL MDS K2G

Konfi gürasyon Binary Snf N1 Snf

Binary Binary Snf

Binary N1 TF Log mTFIDF Snf

Özellik sayısı 101 8 1670 8 20 1829 1672 8 51 441 410 102 16 51 8 51 21

Başarı yüzdesi 75,29 67,86 63,86 62,29 53,29 48 43,71 41,86 41,71 40,57 36,14 33,57 32,29 30,71 29,14 28,71 18,86

Sınıflandırıcı NB 1NN SVM RF RF NB NB NB RF NB RF NB SVM RF 1NN SVM C45

Tablo 5 incelendiğinde bir şiirin yazarını tahmin etmede en başarılı metin temsil yönteminin (özellik grubunun) 3gramlar’ı binary olarak kodlamak (3G-Binary) olduğu görülmektedir. Veri kümesi için üretilen tekil 3gramların sayısı 5 bin’i geçtiğinden özellik seçimi yapılmış ve bilgi kazancına göre en iyi 100 adet 3gram metinlerin temsilinde kullanılmıştır. 7 şaire ait 20’şer şiirle elde edilen sonuçlara göre bir şiirin yazarı % 75,29’luk doğrulukla tahmin edilebilmektedir. En başarılı 2 yöntem (3G-Binary, KKHCLSnf) arasında oldukça büyük bir fark bulunmaktadır.

Tablo 6’da bir köşe yazısının yazarını tahmin etme problemi üzerinde yaptığımız denemeler verilmiştir.

Tablo 6: Köşe Yazarı veri kümesinde her bir özellik grubunun en başarılı olduğu konfigürasyon ve başarı

kınlıktan ik grubu birlikte r. Sonuç + 3 (LSI, ilmiş ve

WEKA en yakın kineleriformansı andırma 10) tüm ir.

en fazla zellikler onra en haliyle

Tablo 5 incelendiğinde bir şiirin yazarını tahmin etmede en başarılı metin temsil yönteminin (özellik grubunun) 3gramlar’ı binary olarak kodlamak (3G-Binary) olduğu görülmektedir. Veri kümesi için üretilen tekil 3gramların EksaMayzıaOsnıcıB5nialbimignö’srieegleeDnçteiiyğrigin1id,0eC0n ialötdze2etl,l3iSkgarasymeıç4imm, eiAtiyrnaalpelırıklimn2ıtş0em1v2esilbinildgei kullanılmıştır. 7 şaire ait 20’şer şiirle elde edilen sonuçlara göre bir şiirin yazarı % 75,29’luk doğrulukla tahmin edilebilmektedir. En başarılı 2 yöntem (3G-Binary, KKHCLSnf) arasında oldukça büyük bir fark bulunmaktadır.

Tablo 6’da bir köşe yazısının yazarını tahmin etme problemi üzerinde yaptığımız denemeler verilmiştir.

Tablo 6: Köşe Yazarı veri kümesinde her bir özellik grubunun en başarılı olduğu konfigürasyon ve başarı

Özellik Konfi Özellik Başarı Grubu gürasyon sayısı yüzdesi Sınıflandırıcı

3817 93,78 SVM

3KFKKSKLKKMKKKKKKKSÖFK32GKKLKKMKK2ÖG3SKFKKLKKMKKGGGaKKaSSK2KKTEKKGKGKGGrzKKE2KGGaKSDDrzKGGKKE2KyyuIeIDGGyueISHHHKOIIOKHSGblSSOIKHSblSluACSlCiuCikLkLLLL

LLBLLgKLLBgBLLKüooooooiioüooinnorggggggnnrggaanaafasrrfisryyyiyyoonn SLLLLnoooofgggg SLLnoofgg LSSnongff

BLmSLSLnooiTnongfgfgFarIDy F mCBmBmoiTTinTnFFaFarIIrIDDyDyFFF

55454112514118545Ö4234s18515141434Ö45s1285151144a131100429310976170034801919312az34078001919321yz704804018004047ye00841047ıe7ısl7sllıliıikk 5546866777885536By87789786656565788y8B9776656556ü633755603391593196353913563331aü19563933563313az,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,şz8145511447704966,,,,,,,,,,,,,,67474765441890şda77466745441809d179768944587819a8988869917745er6898889917457erısısii

SVM RNSRRSRRSNSNRSSSSSSSSSRRRRNSNRSSSRSSSSRRNRNSRVVVVVVVVVVıVVVFFFFFFFFFFFBBBBBıVVVVVVVnFFFFFBBnMMMMMMMMMMMMMıMMMMMMMıffllaannddıırrııccıı

TKKabTTlo 6 incLeLlooeggndiğinde11b66ir köşe55y00a,,5z51ı1sınınNNyBaBzarını tahmin

eKtKmKKeHdHeAALLen mmTbTaFFşIaIDDrıFFlı m551e1tin tem447s7i,,1l177yöntSeSVmVMiMnin (özellik

ggKröKurKKbüHulHmnSSueLLnk)te2dgCiCrro.aom18lark’öışLeo5yg5a11zoalarırnaıknk333o55d5,’l,1ş1ae4m4r aykazRı(Rs2FıFGyl-aLeolgd)eoelddiulğenu

kkd(Şks(egdTgs(Tgedgs22ootröüöoöoi2aotrömouGiGnanğğrşmşmbuGrnğrbbüuueerrle-l-büureeeuul-uloçLçLduulomçLyrmdllllnmyoeoilulnuaaaeonuau6aeggirrkuzk6egzzrnkka,a,alnkla,dı)tleyaia33rl)teeaine3anaıeGnG2ndcgGg2rzdttcgvgiıe-taö-aöagier7n-aöerLLlhrhrrr.Lbaleıhrr.lebeoaoemmnimaaenomm1aggnşşr1gdikiş)8al)dıainny8l)iabbnaüniiarbğaaarrkriiğıaımrkriri’rrznıleeöir’nraaılıeöanaedıdış(sdsdrLşdsmedsiiııLkkleeillınnkıoeaomleeönöoniymeddögrğyzbbşdşgbıaıbeaaşbdarfeineieaziote)uillzioertıiabblmmlrianbnmlarünüa1ryyktüıvereykyyıarneaa8aökykaynaaüühökıkzzütrşütıknzktkmşetıyıednekezıesskemdadısk3dmıbıbidro3zıbininyo5e.isiinrrday5siırırradi.s.’ırnnrali.’lşziynflfal(SşzfeaaEıaEüsmeıaEsır%mrırsznnnryıyrynkknaıyyndykıaaöanıykaföaıefbbzzknbbıan9bz)nzbsaanuutazaa3uiıtsare(rllvışşse(ryı,2ılauuşsmayaı2ı7au%mayaıGynnrarrG8ynizırlıımkm%%iznsl-’aılaml%n-aaLleıdııi7rLaaıninrenaıio5nekkıonrı22l,kgn,n2l.dt9t9gı2dt9aa)ışe33a)(9yedydÜ3i(töoyd,,iatööaöoeıı7,7röalzesır7rrhdnilnzd8r8.te.hdtnkd8ve.meittmu’’lmitleeue’lellllleğelliimiinmğıeriiimkknknukşi,nknuk

yyvssadootypT4ykosykvadtokŞysyyotvkkasodŞküüaööaiaaaiaalalallur.uöüöüiaöaiaaatllatmm3öüuömmrriğoğizzzzzzzrrrtrmşşmmbrğillrzzzzrk.şmrşklabıalöaıauöulreeeelaakaallaıaalöualeeelerreerraalrmormalraassHssseerresmmlelrmllranniniynrmsssmrrııllııaayaaaaniynrmnnmidrdııdnayaandıeaıe,,anıiırrnrarndnadnıen,neie7ışunrraşzuknkaııaıııınibezziazşuakaıkrııkrndndzaz’rradkrkındk.a.tetgrürgyrdös.dös.ıaırıakl.tllgyraeös.aarıaanrlnaaıöaöazlaanenoşeoşaanaVaıVöaBğBağdndolşrzyeyrreVrreBlğldverzyırremmıealıeaaaaırvıeueuı7nmıreaaeaılldeudirbn7rbrbeççyyladanıerrreblçbybaaaiıyiVreyiondoadailiirereabanndyrinlodlahiiheyreaeyeıneışzkzkuğulğirihey,,eeeışddkzkuliğrliairaarrıa,dkereryliiaairrrıa.nb.bııüeriyhtriutrruryn.brıürariritruaraılallarlmarddar.am.maaızlanalmeaebdbhh.mşKşaznaebapabbblhlaİşİVrVnrneaaaambmlaamam(İkVrknhehıeıtairaimam(üemkerdsrşhşınrnıirreelimieradrsaşınıiiğrbıaaelbaaai2n2mnoaaarırninnınbaanai2noardrırdnirniiniicğşcşzırdımrilıilığıcşzmeıaıaaıaieniendırlıiflaıilaffknkıağağeindrfilasyıfnyı)ukçiaçiaddğıieiüyıı)uüeçiarıdrıidedizototızıızüneerınndiiottımkzmkneaaanralDrlin1nmnmkmtttvddadarl3a13anslslmtçtçaavad83aesileaaaçaayaeaaeaaa585ııhhiehinaayaaaül5ülmrmıhkrühinkrnynny’’ülermemmümikrynydtts’svssvoemelozmeelyndetmmrrssvaaaozelaılölömedrerrmrraaiiiiimaılöruudezrrşmşimiinnnnnzrzuııez.şmnonngogzbaibiıeş.şeöçödkçdogeabsiiişaaöleçlerdusulirrııriareyollereaoaou(Sertıtikrkyleelseeasnon(Süstbnikbilleeslenraaüsıdadrbaişrşr%leekmekmıazıiudranirşr%ekmıiininnarairzivinirklkluiuidiinnslslarsiılılklıiiauiianadiınasleeeılıfeleelillrariueınarrfesfseetlltalraelbbrf9.v.vlb)lbsstıanlıab9aıı.vi)lbenensıinian3aıaiiileynsynnuin3llairbvrbillsmynrara,şlşaivirbaalememddra,ö7aşaödeider%ariemidy7zaözde%riı.iıi.irykz8kzzııaeaeıtı.şağiarğr8rkzkırraeıeebasğblr’lklİtliİsrisrrıeısb’leeelİdıeilsiletllrth7ıaalilieedıkellnktkrl7klanlnniaanrrinkşmkş5lisi2sn.n2anriirıidiş5dirimsrkm2,kevevöröıidi,n.r0m,k0eıvıöe,eni2.l0luuısnbsznbzeş2n’el’eeue,sn,bzş9ıı’erÜreişışu,ıu9ddroırÜonrnişiuıuuadereosnsddiurailisleıısdrllrrairaeisklakaıkkfekkfrektluuitrakkakkfektlnvlnteutnkmnöööşööşvlnyeayammnebböööşelaabyabaeiaibşşşşşeolroraibnaıiiiiirtşşştorikunkukeeaeeeaıeşiirrrrrtrııiku,keeaeşrrrıi,

44..33.. HHTaaabbbeelrorlle7err: VHVeaerbrieiKrKleüürmmveeesrsiiiDkDüeemnneeemsmineeldleerrihier bir özellik

100 TpTpraroabobblbllogloeremum7bi7i’u’üdüdnzezeueenrribinbeniydinrdrüeebzhydahyaaeşaabpalbpeertetırırığlirğı,ıımormmmalıdseızetztugtndğndeieuinelnnenikeinenbommaneşkfeklaiolegorenrıünrurvu%vsaesuesur2nyrinilo0ulmunmivitştşateatihirhbrm.m.aişinanrıeettmmee

ÖGrzueblgluriTukTababublnlouoKgn7ü7o:re:naHnfHsiaybaboabneşerarlrleıerlrıvÖsvoeaelzrydreiıiuslklkğıiüukümmkeoesBysniüinafnzidşgddaeüeerrıhshaieseryrbobSniirırnvöıöefzzlebaelnalllişdikakırıcı

durumdur. Bu duruma 2 açıklama getirilebilir. İlki sınıflara ait örnek sayılarıdır. Veri kümelerinde şairlere ait 20’şer şiir varken, köşe yazarlarına ait 35’er örnek vardır ki bu köşe yazarlarının daha başarılı tahmin edilebilmesine olanak syaağzlıalamrıınşdanolabçiolTkiMr. MdaİkhOianBcifEazlealaçkıtkrsliaökmzMa süainhsaeetınnaşdiiirsblleearşrdvieuO,rudlkuaöyşoserı olmasıdır. Ve eğer bir şairin üslubu kullandığı söz sanatı türlerine göre belirlenebiliyorsa ve çıkarılan özelliklerde bu söz sanatları yer almadığından şiirlerin yazarlarını köşe yazarları kadar iyi tahmin edemiyor olabilir.

4.3. Haberler Veri Kümesi Denemeleri

Tablo 7’de bir haber metninin konusunu tahmin etme problemi üzerinde yaptığımız denemeler verilmiştir.

Tablo 7: Haberler veri kümesinde her bir özellik grubunun en başarılı olduğu konfigürasyon ve başarı yüzdeleri, rastgele başarı % 20

KGÖGzrueOblluik LgKüoorgnafsiyon 7sÖa1zy9eısllıik 9Byü1az,ş1da3erısi RSıFnıflandırıcı

K2GGI

7326498 9904,,8554 RSVFM

3KGK

180614

9902,,4673 RRFF

MKKSFKKLKKKKKKFKLKKKMKK3KMK3KKLKKKKFGaKKSSKK2EKKKTGGKK2KEKGKSDDGKGKKKE2yIIDGGIKHHSHHIHKSOGSSOKIHHSSCASACCALLLLLLL

SSmNNLLNNnno11To11ffggFIDF

TLmSmSSSmnnoFTTnnTgffIffFFDFIIFIDDDFFF Nmm1TTFFIIDDFF CLLNTNTLooFo1oF1ggIgIDDFF

565151465211547155117166517761465511130117102600721131121012173102410141409194140

886677884565678979689868899987887666972533177786023015937178900173172538,,,,,,,,,,,,,,,,,,,,,,,,85,,,,684462,000,,,2,,,,848644860215848154624860411448356821744531845312475318354142

RRRRRRRRCRSSRRRRRRRRSRRRRRRRRRRRRRRSVVVFFFFFFFF4FFFFFFFFFFFFVFFFFFFFFFFF5MMMM

TSSaabaylyo 7 incelendiğinde bi2r200haberin55t7ü7,r,0ü08n8ü tahRRmFFin etmede en

bKaKşTTarılı meLLtoiongg temsil 116y6öntemin55i6n6,,2211(özelSlSiVkVMMgrubunun)

2NKgK1rK)KaHmoHSllSdaLruL’ğıuECşgCioötolriüklm3’etketkeidgi5r5i1.b1i5nhoarmbea4r4l7i7tz,ü,0e0r6ü6endeipaCkiCto44d525l3a0m’aakr

(2Ghaber

Te2%bm42%bmNbTb2%2NmbTtu.gauaa1m4eugae99aş1rllebb9tşt)r.luuba4a4yyt)ennlulaa4ynmnrnlo,ö,öoCioimrn5ö,o5ıpoimymynn5ılllmy4n47lirıllldla8tt47ınledeoaaa’t’eeruea’’ellkikbsrumm’dlüüikğnm’iıtütlğnmeyıkuktacaeeemukacEeeeddmllEeedlddetbdşldg(ı(ıtdşldge(ıirrtie22iioöoeVrie2it..nnöorüGGt.ğnlğnrGlğdrieüzrrdikü-k-eerriuukel-eNNiğulddmöiNrğltl3dmitlueui3iiş11Kineu’ilen1lemnkk’,e,letemdkkd,teeüdllknneesltaaenkyesmtaeikKKeaiilKbdyitltbdzestsaKaKgaiisaKgısiirorohhpisrro.ih--ibnynm.ım-tNhbNynmnDöıhNiuu5öaiğu5ii1ı1naççneibn1nnnıçnb))nltlhmone)tlheaaoeaeareermyraırermbmirddazammaaabindaaeinirzraeindillrraeaanalteleraietgllgeüsisrinbbgütiesznınıböıörtüziıinörnenrüeüirlrnlerüidrdlımmmeernüdemnenüa(aeünd(aeeeöündeöeikklczbbetikpezbtitapetkkiiraetneaekirrhlaeükürhldildsküvmildtiçoçimiitiokeçyiürürhdhki2rürdh..ei2nkkalai.3nklaatl3bbEEaim0bEmegn0eemegnn’etrnbibrir’tamarburşiaimaiiukbrbinntibrtrkrbneibraaaeuradhuhşşdh.(nşeaaat(tffnm2eaatüfuüab2arruübaGreırırnrrieGeınrlrlenkünkür)lı-ınkür)-ı

44..44.. CCiTinnasbsiiylyoeet8tV:VCeeririnisKKiyüüemtmveeessiriiDDkeüenmneeemmseienlledereriiher bir özellik eTeTtatmambbelelogoprpur8ro8bo’b’dubdlenleeeummbnbiyiiireürünzkzdekbeöreöarişlişnşeeneadrdriey,ıeylayraıyzaazoıaspıslptsıdtgıtnıunıeğığğlınıenımumbyıkyızaazoazşdzndaaeafrrenirııngıne%neüımımnrnae5eslc2lyecie,iron3rnnsv8svieiyveyrerietiltilbminmaniişiişşatttirtairaıhr.h.mmiinn

GÖ2GzrueblggluriruTkuTbabaububnlnlouogKBun8üni8yo:nyreün:aeüanCzfsnCrzidyiybdinbeonaeslanşsleişeaiyrayrrierie,ıt,ıltrlıvrıaÖ1svaoesao0eslrztylrdt1giedgıiueslkueklğlıüiğleüukemumbkbekaeoasşo9yBsşnianüin9aafnrfzird,ışid6gıdeag%eü2e%rührıshraei5ae5sr2sry2yb,ob,3SSoi3ni8rnVı8rnvövMöıezfezlebealblnalalişdikşkaıarrııcı

SFKKKKKKK3LMKKKFKKKSKKKKL3KÖG2ÖGLKKKK23KKKFSGGGaKKaSSKK2GKGKKEKKK2GKEGKzrGGKaSDzrGGKKKK2yyuIIeGGyueIHHOKIHSHHOKIGblSOIKHHblluCSlASCiuSCikLLkLLLLL

SBBLLKgBgKBLünooiiioüoinnnorfggnnrgaaanaafasrrrfisryyyyiyyoonn LSTSTSSTBBSBTSBnnnnoFFFiinnFiinnffgffIIInnffIDDaDaaaDrrFFrrFyyFyy LCmSTLTSLnooFoTnoFgfgIfgFIDDFF

82439339151661483394293151Ö11sÖs589191333142a30235100193320511000az013053200yz11111ye111ıeıslsllıliıikk

8789999999977778999789979999ByyB999998999897ü7915535558801767553915575898aü589755558139az,,,,,,,,,,,,,,,,,,,,,,,,,,,,şz612456881662053,,,,,,,,,,,,6254128638166şda188466626251d24342211774537a234244123127er31212742442erısısii

1NN NS1SC1SSRN1RNSNS1CRS1SNRSS1SSSSSNSR1C11RSNNNNNNVVVVVVVVVVı4FF4FFBBBBBNNNıVVVVVnF4FBn55NNNNNNMMMMMMMMMMı5NNNMMMMMıffllaannddıırrııccıı

Özellik Grubu 2G 3G LSI KK KGI KKK KGO KKHSL KKHC K2G FK Say KE KKS KKHA MDS KT

n artmış medik bir sınıflara 0’şer şiir bu köşe olanak e, köşe uruluyor öz sanatı lerde bu ını köşe in etme ik şarı ndırıcı

Özellik Grubu 2G 3G LSI KK KGI KKK KGO KKHSL KKHCL K2G FK Say KE KKS KKHAL MDS KT

yüzdeleri, rastgele başarı % 52,38

KKHAL mTFIDF 6

52,57 C45

Konfi

gürasyon sayısı yüzdesi Sınıflandırıcı

FK

K2G

48,76 RF 48,19 C45

Binary Amas1y0a1lı M. F.,9B9a,6lc2ı S., VSaVrlıME. N., Mete E., TürkçKeEMetinlerinN1Sınıflandırılm1a0 sında M4e6t,i8n6TemsilSYVöMntemlerinin

101 98,67 1NN

PerfMorDmSans Karşılaştırılması, 5C1ilt 2, Say4ı 64,,2S9yf 95-1N04B, Aralık 2012

98,1 RF

KKHSL Co

46Te,1malı DeNrlBeme Makale

KT

44,19 C45

95,62 95,43 95,24 93,52 87,62 81,14 79,24 77,33

1NN SVM C45 1NN NB SVM RF NB

Tablo 9 incelendiğinde bir filme yapılan yorumun negatif, pozitif ya da nötr olduğunu tahmin etmede en başarılı metin temsil yönteminin (özellik grubunun) kelime köklerini Kmeans ile Sınıf bilgisine göre kodlamak (KKK-Snf) olduğu görülmektedir. 3 gruba ait 35’er yorumla elde edilen sonuçlara göre bir yorumun yönü %96,38’lik doğrulukla tahmin edilebilmektedir. En başarılı 2 yöntem (KKK-Snf, 3G-Binary) arasında büyük bir fark bulunmaktadır.

mTF

76,57 SVM

4.6. Ruh Hali Veri Kümesi Denemeleri

Co

71,05 1NN

70,67 NB

N1

64,19 NB

Tablo 10’da bir yazının yazıldığı anda yazarının içinde bulunduğu ruh halini tahmin etme problemi üzerinde yaptığımız denemeler verilmiştir.

Tablo 8 incelendiğinde bir metnin yazarının cinsiyetini

Ttaahbmloin 8etminecdeeleenndibğainşdareılıbmiretminetenminsilyayzöanrtıenmıninicnin(söiyzeltliinki gtarhumbuinuent)m2egdreamenlarb’aışabriınlaı rmy eotlianratkemksoildlyaömnatekmi(n2iGn -(Böiznealrliyk) oglrduubğuunung)ör2üglrmamekltaerd’ıir.binVareyri olkarüamkeksiodliaçminaküre(2tiGle-nBintaerkyi)l 2olgdruağmulargınörsüalymıseık5tedbirn.’i Vgeeçrtiiğiknüdmenesöizeilçliikn seüçriemtiileynapıtlemkıişl v2egrabmilglairıknaszaynıcsıın5a bgiönr’ei geençtiyğiin1d0e0n öazdeeltlik2gsreaçmimmi yeatipnıllemriınş tveembsilignidekakzuanllcaınnıalmgıöştrıer. enHieyri b1ir00cinadsieytet2tegkraimyazmaerltainraleraiint 5te0m-5s5il’işnedre ykauzlılainlıelmeılşdtıer. edHilern bsironcuinçlsaiyraettgeökrieyabziarrlmareatnaiint 5ya0z-5ar5ı’nşıenr ciynasziıyeitlie%e9ld9e,62edgiilbeinyüskonseukçlbairradogğöruelubkilra mtahetmnin yedazilaerbınilımn eckintesdiyire.tiE%n 9b9aş,6a2rılgıib2i yöünktseemk b(i2rGd-oBğirnualuryk,la3Gta-hLmogin) eadraisleınbdilamkeükçteüdkirb.irEfnarbkabşaurlıulnı m2aykötandteırm. (2G-Binary, 3G-Log)

arasında küçük bir fark bulunmaktadır. 4.5. Film Yorumları Veri Kümesi Denemeleri

4T.a5b.loFil9m’dYa obriurmflialmrıeVyearpi ıKlmüımş eysoirDumenuenmedlueyrgiusal yönünü tTaahbmloin 9’edtamebir pfriolmblemyiapıülmzeırşinydoerumyaupntığdımuyıgzusadlenyeömneülneür vtaehrmilminiştiert.me problemi üzerinde yaptığımız denemeler verilmiştir.

Tablo 9: Film Yorumları veri kümesinde her bir

özeTlalibklogr9u:bFuinlumn Yenorbuamşalarrılııvoelrdiukğüumkeosninfidgeürhaesryobnir ve

özellikbgarşuarbıuynüuzndenlerbia,şraarsıtlgıeolledubğaşuakrıo%nfi2gü8r,5a7syon ve

başarı yüzdeleri, rastgele başarı % 28,57

GÖzrueblluik gKüornafsiyon sÖazyeısllıik yBüazşdaerısi Sınıflandırıcı

GKrKuKbu gSünrfasyon s4ayısı 9yü6z,3d8esi S1NınNıflandırıcı

8986,7368 N1NBN

K3GKHCL SBninfary

7858,8716 SNVBM

LKSKIHCL Snf

75,6821 RSVFM

KLSKIS

675,1642 SRVFM

KGKIS

24 1

645,7164 NSVBM

2KGGI

5694,6726 NB

TBFinary

549,8662 NB

BTFinary

54,2896 SNVBM

KKHAL mBiTnFarIDy F 623

524,5279 CSV45M

FKKKHAL LmoTgFIDF 564

4582,7567 RCF45

KFK2G

TLoFgIDF

48,1796 CR4F5

KE2G

16 0

468,8169 SCV45M

MKEDS N1

46,2896 NSVBM

KMKDHSSL Co

46,129 NB

KTKHSL BCionary

446,19 CN4B5

SKaTy

3484,4189 NC4B5

Tablo 9 incelendiğinde bir filme yapılan yorumun negatif,

pToazbiltoif 9yaindcaenleöntdr ioğlidnudğeunbuir tafihlmmien yeatpmıeladne yeonrubmaşuanrılnı emgaettiifn, tpeomzistiilf yyaödnatenmöitnrinoldu(öğzuenluliktahgmruinbuentmune)de keenlimbaeşarkılöıkmleeritnini KtemmesialnsyiölentSeımnıifnbinilgi(söinzeellgiökregkroudbluanmuank) (kKeKliKm-eSnfk)öoklldeuriğnui gKömrüelamneskitleedSirın. ıf3bilggrisuibnae gaöirte k3o5d’elarmaykoru(mKlKaK-eSldnef) oelddiulğenu sgoönrüulçmlaerkategdöirr.e 3birgryuobraumauint y3ö5n’üer %y9o6ru,3m8l’alikelddoeğruelduiklelna tsaohnmuçinlareadigleöbrielmbeikrteydoirru. mEunn byaöşanrüılı%296y,ö3n8t’elimk (dKoKğrKul-uSknlfa,

Tablo10: Ruh Hali veri kümesinde her bir özellik

grTuabbulnou1n0:eRn ubhaşHaraılliı voeldriukğüumkeosnifnigdüerhaesyr obnirvöezbelalşiakrı grubununyeünzdbealşearri,ılrıaosltdgueğleubkaoşnafriıg%üra2s5y,o4n8ve başarı

yüzdeleri, rastgele başarı % 25,48

ÖGzrueblluik Kgüornafsiyon Ösazyeısllıik Byüazşdaerısi Sınıflandırıcı

G3Grubu gBüinraasryon s1a0y1ısı y8ü5z,2d3esi SNıBnıflandırıcı

850,2637 N1NBN

KKKHCL Snf

8708,6773 1NN

KKGHI CL STnFfIDF

6778,2793 R1NFN

KLSGII

676,291 RF

LKSKI

664,2918 RNFB

64,9189 NB

BNi1nary

641,1693 NRFB

2KG2G

6516,6834 RCF45

K2KGHAL TmFTIFDF

15011

564,894 CR4F5

KKHS AL mSnTfF

5449,9743 RF

KFKKS

SNn1 f

534 498,7439 RF

FMKDS N1

5314 486,4796 RF

MKEDS Log

5118 465,7863 RF

KET

1168 451,8132 RF

KKT HSL CLog

3491,2162 RF

SKaKyHSL Co

26 0

389,026 RF

38,06 RF

Tablo 10 incelendiğinde bir blog yazarının blog yazıldığı

aTnadbaloki 1r0uhinhcaellienniditğaihnmdien beitrmbeldoeg eynazbaarışnaırnılıbmloegtinyazteılmdısğilı yaönndtaekmi irnuinh h(aölzienliliktahmgriunbuentmune)de3gernambalaşra’rıılıbimneatriyn otelmarsaikl kyöondtleamiankin (3(Göz-eBlliinkaryg)ruoblduunğuun)gö3rgürlammelkatre’dıir.biVnaeryi koülmareaski ikçoidnlaümraektilen(3Gte-Bkiilna3ryg)raomldlaurğınu gsöaryüıslmı e5ktebdiinr’.i Vgeerçitikğüinmdeesni öiçzienlliükresteiçleimn i teykapilılm3gışravmelabriılngi skaayzısaınc5ınabignö’rie geençtiğyin1d0e0n aödzeltlik3gsreaçmimimyeatipnıllemriınş vtembsiillgiindkeazaknuclılnanaılgmöırşetıre.n iy4i 1r0u0h hadaleitnin3ghraemr bimrienteinaleitrin38-t4e0m’sairlibnldoeglakuellldaenıelmdiılşetnır.son4uçlraurha yhazlianriın herruhbirinhealaiit 3%8-408’a5r,2b3l’olügkla elddoeğreudliulkenla sontauhçmlarina eydazilaerbınilmerkuthedir.haElin b%aşarı8lı5,223y’ölünktemdo(3ğGru-lBuiknlary, taKhKmKinSednifl)eabrialmsıenkdtaedbiüry. üEknbibr afşaarkrılbıu2lunymönatketmadı(r3. G-Binary, KKK-

Snf) arasında büyük bir fark bulunmaktadır. 4.7. Deneme Sonuçlarının Birlikte Değerlendirilmesi

S4.o7n.uDç etnabelmolearSıo(n5u-ç1l0a)rıennınbBaşiarrlıilkıtesıDnıeflğaenrdleırnıcdıilrairlmyöensiünden

iSnocneuleçndtaibğlionldaerı(s(ı5n-ı1f0la)ndenırıbcıalşaarrıınlıtasbınloıfllaarnındısrıocnılasrütyuönnlaürnınddena yinecrelaelnmdaiğisnadyeıla(srı)nıfTlanbdloırı1cı1l’adrıenkitasbolnoluaçrlıanr seolndesüetudnilmariışntdira. Tyearblaolm11a’dseakyiılsaaryı)ılaTrasbılnoıfl1a1n’ddıerıkciınsıonn1u0ç2lar(1e7ldöezeelldiiklmgirşutbiru. *Ta6blove1r1i ’kdüekmiessai)yılaarrffsıdnoısflyaansdıırüızceınriınd1e02ka(ç1ın7döazelnlikbagşraurbıluı a*lg6orvitemria koüldmueğsuin) uagrföfstdeormsyeaksıtedüizre.rinde kaçında en başarılı

algoritma olduğunu göstermektedir. Tablo 11: En Başarılı sınıflandırıcıların dağılımı 102

101 Taabrlfof 1d1o:syEansıBiçaişnadrıelıksaıçnıkfelarnedeınrıcbıalşaarırnılıdoalğdıluıkmlaı r1ı02 arff dosyası içinde kaç kere en başarılı oldukları Sınıflandırıcı Kaç kere

Sınıflandırıcı eKnaç başkaerırleı

yazarın edilebilm Snf) ara

4.7. Den

Sonuç t incelend yer alm Tablo 11 * 6 ver algoritm

Tab a

negatif, lı metin köklerini ) olduğu edilen ğrulukla KK-Snf, n içinde üzerinde

rzıarı r t ar ı i

Şiir Köşe yazarı Haberler Cinsiyet Film yorumları Ruh hali

Snf) arasında büyük bir fark bulunmaktadır.

4.7. Deneme Sonuçlarının Birlikte Değerlendirilmesi

Sonuç tabloları (5-10) en başarılı sınıflandırıcılar yönünden EinMceOlenBdiilğimindseel(sDıneıfrlgani,dıCrıcilıtla2r,ınSatabylıo4la,rıAnrsaolnıks2üt0u1n2larında yer alma sayıları) Tablo 11’deki sonuçlar elde edilmiştir. Tablo 11’deki sayılar sınıflandırıcının 102 (17 özellik grubu * 6 veri kümesi) arff dosyası üzerinde kaçında en başarılı algoritma olduğunu göstermektedir.

Tablo 11: En Başarılı sınıflandırıcıların dağılımı 102 arff dosyası içinde kaç kere en başarılı oldukları

Sınıflandırıcı

RF SVM NB 1NN C45

Kaç kere en başarılı olduğu 39 24 23 9 7

Tablo 11 incelendiğinde en başarılı sınıflandırıcının Random FToarbelsot 1(R1 Fin)coelldeunğduiğ, ionndueDenesbteakşaVrıelıktsöınr ıMflaankdinıreılceınriın(SRVaMnd)ovme NFoarievset (BRaFy)esold(NuğBu),’oinnutaDkeipsteekttViğeikgtöörrüMlmakeiknteldeiri. (ESnVMya)kvıne kNoamivşeu B(1aNyeNs) (vNeBk)’airnartaakğiapçlaerttıiğ(iC4g.ö5r)ülamlgeokrtietmdiar.laErınınyapkeıkn bkaoşmaşrıulı(o1lNamNa)dvıkelakraırgaörrüağlmaçelkatreıd(iCr.4.5) algoritmalarının pek başarılı olamadıkları görülmektedir.

Tablolar (5-10) Özellik gruplarının en başarılı oldukları kToanbflioglüaras(y5o-n1l0a)r yÖönzeülnlidkengirnucpellaernınmıensiyelne (bikaşilairnıilnı toalbdluolkalraırnı iklokn2figsütruansyuonndlaaryyeör naülmndaesnaiynıclaerlıe)nimlgeisliysloen(uikçlialirniTnabtalbolo1l2a’rdıne vilekri2lmsüişttuinr.unÖdranyeeğrinalm2Ga saöyzıellalriık) iglgruilbi us,on6uçvlaerriTakbülmo e1s2i’ndine üveçrüinlmdeiştNir1. Öilern, eiğkiinsin2dGe Böizneallriyk ilgerubbiuri,nd6e vieseri Lkoügmielseinein büçaşüanrdıleı oNlm1 uişlteu,r.ikisinde Binary ile birinde ise Log ile en başarılı olmuştur.

Tablo 12: Özellik gruplarının en iyi oldukları Tablo 12: Özeklloinkfgigrüurpalsayrıonnılnaren iyi oldukları konfigürasyonlar

Özellik GÖrzueblluik 2GGrubu 23GG 3FGK FKK2G KK2EG KKEGI KKGGIO KKGKO KKKKHAL KKKKHHACLL KKKKHHCSLL KKKKHKSL KKKKKS KKKT S KT

En iyi olduğu Konfigürasyon ve Sayıları 3EnNi1y,i 2olBduinğauryK, o1nLfioggürasyon ve Sayıları 33 NBi1n,a2ryB, i2naLroyg,,11LNo1g 33 BNi1n,a3ryL, o2gLog, 1 N1 35 NTF1I,D3FL, o1gBinary 54 TLoFgID, 1F,N11B, 1inTarFy 43 LBoinga, r1y,N11L, 1ogT, F1 N1, 1 TFIDF 32 BBiinnaarryy,, 12 LLoogg,, 11 NTF1,, 11 TTFFIIDDFF 25 BBiinnaarryy,, 21 LNo1g, 1 TF, 1 TFIDF 54 BmiTnFarIDy,F1, N1 1mTF, 1 Cooccurance 46 mSnTfFIDF, 1 mTF, 1 Cooccurance 64 SCnof, 2 Snf 46 CSnof, 2 Snf 63 SSnnff, 2 mTFIDF, 1 mTF 34 SLnofg,, 21 mNTorFmID1F, ,11BminTaFry 4 Log, 1 Norm1, 1 Binary

Tablo 12’ye göre K2G özellik grubunun TFIDF ile, KK Tözaebllloik 12g’ryuebugnöurne KB2inGaryözeilleik agğrıurlbıkulnaunndırTılFmIDasFı, ilke,eliKmKe ökzüemlleilkemgeruybaupnaurknenBiisnearKyKHileCLağvıerlıKkKlaKndımrıelmtoatlsaır,ınkdealiSmnef küumllaenleılmmeasyıadpaahrakeiyni issoenuKçKlaHr üCrLetmveiştKirK. K metotlarında Snf kullanılması daha iyi sonuçlar üretmiştir.

Özellik gruplarının genel olarak ne kadar başarılı oldukları Öinzcelleimk egkruiçpilnarTınaıbnlog5en-1e0l ’olalardraközneellikkadgarur bbuanşuanrılhıeorlbdiurkvlaerıi iknücmeleesminedkeiçeinnbTaaşbalroılı5k-1a0ç’ılnacrıdoalödzueklllaikrı g(r1u-b1u7naurnashıe)rybaizrılvmeırşi kveümbeusisnadyeılaernınbaoşratarıllaımkaalçaırnıcaı loınldmuıkşltaır.ı E(1ld-1e7eadrialesın) syoanzuılçmlaışr vTeabbluo 1s3ay’tıelavrıenrilomrtiaşltairm. aları alınmıştır. Elde edilen sonuçlar Tablo 13’te verilmiştir.

Tablo 13: Özellik gruplarının ortalama ve her veri

Tkaübmloes1i3n:deÖkizeblalşikargı rsuırpallaarmınaınlaorırt(a1l7amözaevlleikhegrruvbeuri kümareassiınnddeak,i6bvaeşarirıksüımraelasimndalearoırt(a1l7amözaekllaiçkıngcruı bu

102 arasında, 6 veri koülmdueksilnadrıe) ortalama kaçıncı oldukları)

Ortalama

Tablo 12’ye göre K2G özellik grubunun TFIDF ile, KK özellik grubunun Binary ile ağırlıklandırılması, kelime kümeleme yaparken ise KKHCL ve KKK metotlarında Snf kullanılması daha iyi sonuçlar üretmiştir.

Özellik gruplarıTnMın MgeOneBl oEllaerakktrinkeMkaüdharebnadşaisrlıelıriolOdudkalasrıı incelemek için Tablo 5-10’larda özellik grubunun her bir veri kümesinde en başarılı kaçıncı oldukları (1-17 arası) yazılmış ve bu sayıların ortalamaları alınmıştır. Elde edilen sonuçlar Tablo 13’te verilmiştir.

Tablo 13: Özellik gruplarının ortalama ve her veri kümesindeki başarı sıralamaları (17 özellik grubu arasında, 6 veri kümesinde ortalama kaçıncı oldukları)

Özellik Grubu

Ortalama Başarı Sıralamas ı

3,5

31 1

3G

2,2

12 5

KFK2G 1120,,35

KKE2G 1122,,53

KKGE I

512,5

KKGGOI 65,3

KKKGO 56,,73

KKKKHAL 51,27,7

KKKKHHCALL 51,28,7

KKKKHHSCLL 154,8,7

KKKKKHSL 41,47,7

KKKKSK 140,7,2

KKTKS 1150,,32

LKSTI

61,57,3

MLSDI S 162,7,8

SMaDy S 1122,,28

12,2

1171 143 1134 1101 1121 912

1127 1113 1123 1130 1132 194

612 511 412 513 613 414

76 65 34

170 36 23

1104 316 211 415 910 610

214 1106 181 915 310 310

125 1170 187 89

135 136

415 817 717 68

115 216

84 184 97

164 51

12 1

183 1154 196 1174 156 1151

913 915 1106 317 416 515

196 192 610 136 144 153

516 712 165 1126 1174 1173

5 7 15 12 17 17

Tablo 13 incelendiğinde kullanılan 6 veri kümesi için en bTaaşbalroılı13 öizneclelliekngdriuğbinudneunkusılrlasnııylalan 36G,v2erGi vkeümKeKsKi ioçlidnuğeun gböaşrüarlmılıek3teödzierl.lik grubunun sırasıyla 3G, 2G ve KKK olduğu görülmektedir.

Harf 2gramları (2G) film yorumları ve ruh hali veri kümeleri hHaarrifci2ngdreamçolakrıb(a2şGar)ılfıilsmonyuoçrluamr elaldrıeveetmruihştihra. lHi vaerfri3kgürammelaerıi (h3aGri)cinidse çohkabbearlşearrılıhasroincuinçdlaer eçlodke ebtmaşiaşrtıilrı. Hsoanrfuç3lgarramelladreı e(3tmGi)ştiirs.eFohnakbseiryloenrelhkareilciimnedleer çeonk yübkasşeakrılbı aşsaornıulaçrlıanrı keöldşe yeatmzairşltair.ınFı ontkasniıymonaedla keglöimstelremr işelnerydüirk.sekDübzaşamrıleatriınnlıerkdöeşkei üyaslzuabrluanrınbıelitralennımaedsiandegöfsotenrkmsiiyşolenredlir.kelDimüezlermineteintkleinrdebkiri şüeskluilbduen kbuelliarlneınlambeilseicnedğei fobnukrasdiyaonnelgökrüelimmeeklteerdinir.etkKienlimbier 2şegkrailmdelarıku(Klla2nGı)la, bKileelcimeğei tübrulerarida(Kn T)gövreülkmeelikmteedeirk.lerKi e(lKimEe) h2igçrbaimr lavreır(iKk2üGm),esKinedliemebatüşarlreırig(öKstTer)evmeekmeilşilmeredierk.leKriav(KraEm) gheiçnbeilrleşvteirmi eknüimn esinbdaeşarbılaışarısagyöıslatebrielmesmi işleirçdiinr. Kkaevlrimame kgeönkelellreinştdiermn e(nKiKn ) dabhaaşabrıalşıarılısasyoınlaubçillamr eüsrietmeiçsingerekkelliidmire. Bköuknlaerginödrenk(aKvrKa)mdlarhıan bbaişraürısltı ksoanvuraçmlalrarüıryeltamiefasidegeerdeikllmideisri. (BKuGnaI),göşrieir,kafvilrmamlyaorrıunmbliarrıüsvtekaruvhramhalalirıyvleari fakdüemeedleilrminedsei k(KelGimI)e, kşöiikrl,erfiinlmdenyo(rKuKm)lardıahvae iyruiyhkehna,löi zveel riisimkülemreinleirninsadne kaevlirmame ıknöakdleörninüdşteünrü(lKmKes)i (dKaGhaOi)yisyakdeenc,e öşziierl viseirmi kleürminesininsdane kealvirmame ıknöakdleörninüdşteünrüdlamheasiiy(iKsGoOnu)çsladreücreeşteiibrilvmeriiştkirü.mKeesliinmde köelkilmerei k(KökKl)erşiinirdevne fdialmhayioyriumsolnaurıçlhaarriücrinetdeebiblamşiaşrtıilrı.dıKr.elime kökleri (KK) şiir ve film yorumları haricinde başarılıdır.

Kelime kümeleme metotları (KKHAL, KKHCL, KKHSL, KKelKim, eKkKüSm)elaermaseındmaeteontlabrıaş(aKrıKlısHıAkLm, eKanKsHiCleL,küKmKeHleSmLe, (KKKKKK,) KoKlmS)uşaturar.sındTaabelno b1a2şa’drıelkısiı dkemğearlnesreilebaküılmdıeğlıenmdae K(KKKKK’n) ınolemnuiyştiuSr.nf ilTe abbirlolikt1e2ç’daelıkşitığdı egğöezrülekrmeekbtaekdıilrd.ığında KKK’nın en iyi Snf ile birlikte çalıştığı gözükmektedir.

Anlamsal uzaylarda LSI, MDS’e göre oldukça başarılı sAonnluaçmlasralürueztmayilşatirrd.a6 LvSerI,i kMümDeSs’iendeg,örMe DoSl’diunkLçaSI’bdaaşnariıyliı osoldnuuğçularsaüdreectemi1ştivre. r6i kvüemri eksiüm(heasbinedrlee,r)MbDuSlu’ninmaLkStIa’ddıarn. Biyui voeldriuğkuümsaedsiencied1iğevrelreiriknüdmenesaiyı(rhaanbeörzlelrl)iğbiuhluenr mbiarktsaıdnırfa. Baiut çvoekri skaüymıdeasöinrni edğiiğnerolleurşinudeunr. aByıurnana göözreellMiğiDhSeirlebiyr issıonnıfuaçlaairt açlomkaskayıidçainörönrenğeink osluayşuısdıunrın. Bçuonka oglödrueğMu DvSeriilekiyüimseolneuriçnlianr kalumllaknımiçıiönneörrinleebkilisra. ySıasyınılıanr (çSoaky)oölzdeulğliuk gvreurbi ukşüiimr evleerkiönşine ykauzllaarnı ıvmerıiöknüemrileelberiliihr.aSriacyinıldaer (çSoakyk)öötzüelsloiknugçrluabrualşmiiırşvtıer.köşe yazarı veri kümeleri haricinde çok kötü sonuçlar almıştır.

kavramı kelime kökleri

Kelime KKK, K (KKK) KKK’nı

Anlamsa sonuçlar olduğu veri küm çok sayı almak kullanım yazarı v

Sonuçla Tablo 14

Tab

yorumları Ruh hali

ile, KK kelime nda Snf ldukları bir veri yazılmış sonuçlar eri bu

8 1 12

(KGI), şiir, film yorumları ve ruh hali veri kümelerinde kelime köklerinden (KK) daha iyiyken, özel isimlerin insan

başarıların elde edilebildiği görülmüştür.

kavramına dönüştürülmesi (KGO) sadece şiir veri kümesinde kelime köklerinden daha iyi sonuçlar üretebilmiştir. Kelime

5. Sonuçlar ve Tartışma

kökleri (KK) şiir ve AfimlmaysyoarulımMla. rFı.,hBaarilcciınSd.e, Vbaşrlaı rEı.lıNd.ı,r.Mete E., TürkçSeınMıfleatnindlıermrinaSınuıfylagnudlaımrılmalaarsıınnddaa MöerntinekTleerminsil Ynöanstıel mlteemrinsinil Perefodrimlecaenğsi Kpaerrşfıolarmştıarınlmsaaseın, Cçioltk2,etSkaiyeı d4e, nSypfa9r5a-m10e4tr,eAdirra.lıkBu2n01u2n

Kelime kümeleme metotları (KKHAL, KKHCL, KKHSL,

doğal sonucu olarak uygun özellikleTreinmsaelçı iDmeirlesımnıeflaMnadıkramlea

KKK, KKS) arasında en başarılısı kmeans ile kümeleme

performansını arttırmaktadır. Bu çalışmada çeşitli türdeki

(KKK) olmuştur. Tablo 12’deki değerlere bakıldığında

metin sınıflandırma problemleri için özellik gruplarının

KKK’nın en iyi Snf ile birlikte çalıştığı gözükmektedir.

performansa etkileri araştırılmıştır.

Anlamsal uzaylarda LSI, MDS’e göre oldukça başarılı sonuçlar üretmiştir. 6 veri kümesinde, MDS’in LSI’dan iyi olduğu sadece 1 veri kümesi (haberler) bulunmaktadır. Bu veri kümesini diğerlerinden ayıran özelliği her bir sınıfa ait çok sayıda örneğin oluşudur. Buna göre MDS ile iyi sonuçlar almak için örnek sayısının çok olduğu veri kümelerinin kullanımı önerilebilir. Sayılar (Say) özellik grubu şiir ve köşe yazarı veri kümeleri haricinde çok kötü sonuçlar almıştır.

Sonuçlar veri kümelerinin türlerine göre incelenmesiyle Tablo 14 elde edilmiştir.

Tablo 14: Veri kümelerinde en başarılı sonuçlar alan konfigürasyonlar

Ort. KOretl.imKeeliSamyeısıSayısı Ort. COrüt.mlCeüsamlyıesısayısı RastgRelasetgBealşearıBaşarı EldeEldeedileendileenn en yükseykükbsaeşkarıbaşarı ÖzelliÖkzeslaliyıksısayısı ÖzelliÖkzellgirkubugruvbeu ve konfikgoünrfaisgyüornasuyonu

Veri kVüerimeksiümesi

Ruh hali 247,1 28,1 25,48 85,23 101 3G-

FRiulmh hali yorumları KFiölmşe

24947,3,1 34998,3,5

42,88,1 44,58,3

2285,,4578 42,87,567

9856,,3283 9963,,7388

1401 34817

Binary KB3SGniKnf-Kar-y 2KGK-KLo- g

yyaozruarmı ları yKCaiöznşaseriıyet HCianbseiryleetr HŞiairberler Şiir

337978,5

320747,8 79,5 204,8 79,5

4554,3

1574 7,4 17 7,4

45,27,638

2502,38 14,29 20 14,29

9939,,7682

9949,,5642 75,29 94,54 75,29

3180117

3160918 101 3698 101

Snf 22GG--Log Binary B32B22GGGGiinn----aaNNrryy11 3G-

Tablo 14 incelendiğinde, en yüksek başarı elde edBileinnarvyeri

kümesi yazarın cinsiyetini belirlediğimiz veri kümesidir. En Tzoarblove1r4i inkcüemleensdiniğinindşei,irelenriynükyseakzarblaaşraınrıı elbduelmeadileonldvueğrui kgöürmüelmsieykatezdarirın. Bcuinnsuiynelatinbierbaebleirrletdüimğimveirzi vkeürmi eklüemriensdiedier.n Eanz z%or 75v’elriik bkiürmbesaişnairnı eşlidierleeridnilmyiaşzaorllmaraınsıı obtoumlmaatik omldeutğinu gsıönrıüfllamnedkırtemdair. kBounnuusunnladaberçaobkerçteüşmitlivegriörkeüvmleerldeerinbdaeşaernınaınz %yaka7l5a’nldikığıbniırgöbsatşearrmı eekltdeedire.dilmiş olması otomatik metin sınıflandırma konusunda çok çeşitli görevlerde başarının

yEankablaanşadrıığlıınımgeötsitnermteemkstieldi iry.öntemlerine bakıldığında, harf

ngramlarının başarısı göze çarpmaktadır. En başarılı metin temsili yöntemlerine bakıldığında, harf

nNggrraammllaarrıınnınabğaırşlaıkrılsaıngdöırzıelmçaarspınmdaaktoalddıurk. ça popüler olan TF

ve TFIDF yerine Binary, Log ve N1 ağırlıklandırma Nyögnrtaemmllaerrıinnianğdıralhıkalabnadşaırrııllmı oalsdınudkalaroılgdöurküçlampekotpeüdlierr. olan TF ve TFIDF yerine Binary, Log ve N1 ağırlıklandırma

yMöenttienmlelreirninin dbaohyaubtlaaşraıyrlıalı oldubkalşaarrııgörüolmraenkltaerdı ir. birlikte

incelendiğinde, kısa metinlerde de uzun metinlerde de yüksek Mbaeştairnıllearriınn eldebeodyiuletlbairlıdyilğai görüblamşaürşıtür. oranları birlikte incelendiğinde, kısa metinlerde de uzun metinlerde de yüksek

başarıların elde5e.dilSeboinlduiğçilagörrüvlemTüşatürrt.ışma

Sınıflandırma 5u. ygSuloamnualçalraınrdva e Töranerktıleşrmina nasıl temsil edileceği performansa en çok etki eden parametredir. Bunun Sdoınğıafllasnodnıurmcua olauryagkuluaymgaulnaröınzdealliklöerrnineksleerçiinmi nsıansııfllantdeımrmsial epderilfeocremğainpseınrfıoramrtatınrsmaaekntaçdoırk. eBtkui eçdaelınşmpaardaameçterşeidtliir. tBürudneukni dmoeğtainl sosınnuıcfluanodlaırrmaka uypgroubnleömzelellriikleiçriinn seöçziemlliiksıngırfulapnladrıırnmına ppeerrffoorrmmaannssıaneıtkairltetrıirmaraakşttaırdıılrm. ışBtıur. çalışmada çeşitli türdeki metin sınıflandırma problemleri için özellik gruplarının pKeurlfloarnmılaannsa6etfkairlkelrıi amraeşttiınrılvmerışitıkr.ümesinin her biri için 17 özellik grubunun çeşitli konfigürasyonlarından oluşan 77 Kfaurklllaıntıelamnsi6l yföanrktelımmi edteinnenvmeriiş kvüembeusinişilnemhesronbuirciuiçoilnuş1a7n ö4z6e2ll(i6k*7g7r)ubaudneut narfçfedşiotsliyaksıon5fiagdüertassyınonıfllaarnıdnıdramna omlueştoadnuy7l7a fsaınrkıfllıantedmırısliml ıyşötınrt.emSıinıdfelannednımrmişa vpeerbfuormişlaenmslasroın5u’clui çoalupşraanz 4ge6ç2er(l6e*m7e7)ilaedöeltçüarlmffüdşotüsyr.ası 5 adet sınıflandırma metoduyla sınıflandırılmıştır. Sınıflandırma performansları 5’li çapraz

Kullanılan 6 farklı metin veri kümesinin her biri için 17 özellik grubunun çeşitli konfigürasyonlarından oluşan 77 farklı temsil yöntemi denenmiş ve bu işlem sonucu oluşan 462 (6*77) adet arff dosyası 5 adet sınıflandırma metoduyla sınıflandırılmıştır. Sınıflandırma performansları 5’li çapraz geçerleme ile ölçülmüştür.

Ayrıntıları 5.bölümde verilen sonuçlara göre genel olarak ngramların diğer metin temsil yöntemlerinden daha başarılı olduğu görülmüştür. Ngramların her türlü dile uygulanabilir olması, herhangi bir dile özel ön işlem gerektirmiyor olması ngramların diğer olumlu yanları olarak sayılabilir. Ngramların ağırlıklandırılmasında oldukça popüler olan TF ve TFIDF yerine Binary, Log ve N1 ağırlıklandırma yöntemlerinin daha başarılı oldukları görülmüştür. ve TFIDF yerine Binary, Log ve N1 ağırlıklandırma yTöanratefımmlıezrdinainn gdealhişatibrailşmariışlıoolladnukslıanrııf gböirlgüilsminüeştüdra.yalı kelime kümeleme yöntemi, Film Yorumları veri kümesinde en bTaaşraarfıılmı ıztdeamnsiglelyişötnirtielmmiidşiro.laFnilsmınıfyobriulgmislianreı dvaeyrai lıkküemliemsie, Iknütmerenleetmeüzeyröinntdeemkii, kFuillmlanıYcıoruymorluamrılavrıenri okluümmleusinydae edna oblauşmarsıluız tşeemkislidle yeötinkteetmleindmir.esiFiülzmeriynoerubmirlavreıri vkeürmi eksüidmireskii, bInutekronneut güüzneürminüdzedkei tikcaurliladneığceı riyyoürkusmeklaroılnduğoulunmdalun olydaukdçaa soılcuamksbuizr aşreakşitlıdremaetaiklaentlıednırm. esi üzerine bir veri kümesidir ki bu konu günümüzde ticari değeri yüksek olduğundan oldukça Gsıcealekcbekir açraaşlıtşırmmaalaarlanoıldaırra.k anlamsal uzayda yakınlıktan uzaklığa dönüşümde yeni yöntemlerin kullanılması ve yGöenletecmekleriçnalışmİnaglailrizcoelaramk etainnllearmsalüzeurzianyddea ydaeknıennlımkteasni duüzaşkülnıüğlamedkötendüişrü. mde yeni yöntemlerin kullanılması ve yöntemlerin İngilizce metinler üzerinde denenmesi düşünülmektedir. 6. Teşekkür

Özellik çıkarımına ve d6e.neyTleerşinekçaklüışrtırılmasına büyük emek

harcayan Feruz DAVLETOV, Arslan TORAYEW, Ümit ÖÇİzFeTllÇikİ,çıBkaurrıhmaınneattvine dİeRnMeyİlKerÇinİ’yçealıvşteırıdlmeğaesrılnia yboüryuümklaermıyelka çhaalrıcşamyaanmızFaerkuaztkıDdaAbVuLluEnTaOn VK,emAirkslDanoğaTlODRilAİYşlEemWe, GÜrumbiut (ÇwİFwTwÇ.kİ,emBiukr.hyailndeiztt.ienduİ.RtrM) İKüyÇeİl’eyreineve tedşeeğkekrülir yeodruemrizla. rıyBlua ççaallıışşmmaam, bıziar kEartikccıdsaonbuşliurkneatni KoleamnikBiDziotğeakl’iDnil31İş1l0em27e8Gnrou’bluu (TwÜwBwİT.kAeKm-iTkE.yYilDdiEz.Bedpur.otrj)esiükyaeplesarimneındtaeşdeekskteükrlenemdeirşitzir.. Bu ç. alışma, bir Ericcson şirketi olan Bizitek’in 3110278 no’lu TÜBİTAK-TEYDEB projesi kapsamında desteklenmiştir.

.

Kaynaklar

[1] Amasyalı, M. F., KDiaryi,nBak.,la“rAutomatic Turkish Text

Categorization in Terms of Author, Genre and Gender”, [1] 1A1mthasIynatelır,naMtio. nFal.,CDonirfie,reBnc.,e “oAn uAtpomplaictiactioTnusrokfisNhatTuerxalt

LCaantegguoargizeattioon IinnfoTremramtisonof SAyusttheomr,s-GNeLnDreBa2n0d06G, enLdNeCr”S, V11otlhumInete3rn9a9t9io, n2a0l0C6.onference on Applications of Natural [2] LTaünrkgouğalgue, tFo., InDfoirrmi, atBio.n, ASymsatesmyasl-ıN, LMD.B2F0.0,6,“ALuNthCoSr AVtotlruibmueti3on99o9f, T20u0rk6i.sh Texts by Feature Mining”, Third [2] ITnüterkrnoağtliuo,naFl .C, onDfierrie, ncBe.,onAInmtaesllyiagleın, t MCo.mFpu.,tin“gA, uICthIoCr 2A0tt0r7ib, uQtiionngdoafo,TCurhkiinsah, LTNexCtsSbVyoFluemateur4e68M1i,n2i0n0g”7,. Third [3] IBnetekrkneartmioannal RC.o, nRfearnencEel-oYnaInnitve,lliNgaefnttalCi oTm.p, uYtinoagd, ICWIC., “2D00is7t,riQbiuntgiodnaaol, CWhionrad, LCNlCusSteVrsoluvms.e 4W68o1rd, s200fo7r. Text [3] CBaetkekgeorrmizaantioRn”.,, JRoaunrnaEll-oYf aMniavc,hiNneafLtaelairnTi.n,gYRoeasdearWch.,, “1D-4i8s,tr2ib0u0t2i.onal Word Clusters vs. Words for Text [4] CSoantegg,oFri.z,aLtiioun,”,SJ.,ouYrnanalg,of JM.,a“cAhinceomLepaarrnaitnivgeRsetusedayrcohn, t1e-x4t8, r2e0p0r2es. entation schemes in text categorization”, [4] PSaotntger,nFA.,nLaliuA, pSp.l,icY(a8n),g1, 99J–.,20“9A, 2c0om05p.arative study on [5] tÇeixlttikr,eApr.evseenGtaütinognör,scTh.e,m“eTsimien-EftfeixctienctatSepgaomrizaEt-imona”il, FPialttteerrinngAnUasliAngppNlic-g(r8a)m, 19M9o–d2e0l9s,”,20P0a5t.tern Recognition [5] LÇeiltttiekr,s A29. (v1e), G19ü-n3g3ö,r2, 0T0.8, .“Time-Efficient Spam E-mail [6] FCiilyteariLn.g, SUhsaimngimN-Ag.r,amPauMl oDd.e,ls“”F,eaPtautrteernPreRpeacroagtinointioinn LTeetxtterCs a2t9e(g1o)r,iz1a9t-i3o3n,”,20O0r8a.cle Text Selected Papers and [6] PCrieysaenLt.a,tiSohnas,m2i0m01A. ., Paul D., “Feature Preparation in

103 [7] TÖezxetl, CBa.t,eg“Korüizraetsieolnk”,-OOrrtaalcalme aTleı xGt rSueplleacmteadYPöanpteerms iainlde PMreestiennlteartiinonvse, T20er0i1m.lerin Saklı Anlam İndekslenmeleri”, [7] AÖSzeYl,UB, .I,st“aKnbüurel,sTelurkk-eOyr,ta2la2m3-a2l2ı 7G, r2u0p0l4am. a Yöntemi ile [8] MHoeltmineles,rinDv.e TI.e,rim“Tlehrein SEavkollıuAtinolnamoİfndSektyslloemnmeterlyerii”n,

[3] Be “D Cat 1-4

[4] Son tex Pat

[5] Çil Fil Let

[6] Ciy Tex Pre

[7] Öz Me AS

[8] Ho Hu Co

[9] Am “te Ya

[10] Be Eng

e yüksek temsil . Bunun andırma türdeki plarının için 17 uşan 77 u oluşan etoduyla çapraz larak nbaşarılı anabilir r olması yılabilir. olan TF

2007, Qingdao, China, LNCS Volume 4681, 2007.

[3] Bekkerman R., Ran El-Yaniv, Naftali T., Yoad W.,

“Distributional Word Clusters vs. Words for Text

Categorization”, Journal of Machine Learning Research,

1-48, 2002. [E4M] OSoBngili,mFs.,eLl iDu,eSrg., i,YCanilgt, 2,J.S,a“yAı 4co,mApraaralıtkiv2e0s1tu2dy on

text representation schemes in text categorization”,

Pattern Anal Applic (8), 199–209, 2005.

[5] Çiltik, A. ve Güngör, T., “Time-Efficient Spam E-mail

Filtering Using N-gram Models”, Pattern Recognition

Letters 29(1), 19-33, 2008.

[6] Ciya L., Shamim A., Paul D., “Feature Preparation in

Text Categorization”, Oracle Text Selected Papers and

Presentations, 2001.

[7] Özel, B., “Küresel k-Ortalamalı Gruplama Yöntemi ile

Metinlerin ve Terimlerin Saklı Anlam İndekslenmeleri”,

[8] Holmes, D. I., “The Evolution of Stylometry in

Humanities Scholarship”, Literary and Linguistic

Computing, 13 (3): 111-117, 1998.

[9] Amasyalı, M. F., Davletov, F., Torayew, A, Çiftçi, Ü,

“text2arff: Türkçe Metinler İçin Özellik Çıkarım

Yazılımı”, SİU, Diyarbakır, 2010.

[10] Berry, M. W., Browne, M., “Understanding Search

Engines: Mathematical Modeling and Text Retrieval”,

classification of Turkish texts”, INISTA, Istanbul,

Turkey, 112 - 117, 2011.

classification of Turkish texts”, INISTA, Istanbul, Turkey, 112TM- 1M17O, 2B01E1l.ektrik Mühendisleri Odası

Karaoğuz H., Erkent Ö., Bayram H., Bozma H. I., Tek Robottan Çoklu Robotlara Ortam Haritalama, Cilt 2, Sayı 4, Syf 105-118, Aralık 2012

TTeekkRRoobbootttaannÇÇookklluuRRoobboottllaarraaOOrrttaammHHaarriittaallaammaa MaTpekBHHauRakikaolandnbKiKonaatrgrata:oaog˘Fng˘uuzrz,Ço,ÖÖmozzgkgüSülruriEnErRrkgkeloenentb,t,RHoHatoallublaukrokBatBaatyOyorraarmMmtavvuemelHtH.iH.rIsI¸os¸ıalıblrBoBiototzazmmSlaaaymtema s

Hakan Karaog˘uz, ÖzgAAükrkılıElılrıkSSeinsisttet,emHmlaelelrurLkLaBabba. .yram ve H. Is¸ıl Bozma EElelekktrtirkikvveeEEAlelkekıktlrltıoronSniikiskteMMmülüheherenLnddaisbisl.ilgi˘g˘i iBBöölülümmüü EleBkBotorg˘ig˘akazzivçieçi iEÜÜlnenikvitvererosrnsitiektessiM,i,BüBheebbneedkki,s,l˙IisI˙g˘staitanBnbböuulül mü Bog˘aziçi Üniversitesi, Bebek, ˙Istanbul

ÖÖzzeettççee

Özetçe

BBuu mmaakkaalelenninin aammaaccı,ı, rorobbootltalarr içiçinin oortratamm hhaarirtiatalalammaa

kkoonnuusBusunnddama yayakapapılleımlnmiıns¸ıs¸ ççaaalmıls¸ıams¸cmaı,alalarrıro,ı,btoetetklkarrorobboiçottitantann obbratas¸als¸malayyaarharaakrk,i,tçaçoloakkmlulua rokrobbonotultsaluarnaradkakaadydaaarprıtlatmararıs¸ayyaçaraarlakıs¸kkmkaaaplpsaasramı,mlıtleıvkveergogübünonctcetael lnbbirbiralis¸ltiletaeryaraatrütaürkrd,deçeg˘oge˘kerl-rulelrenondbdioritmrlmaeresaisiksuasundnmamraaktaktartaddyıraı.rr.YaYakappkılaıalpansnaçmçaallılıs¸ıms¸vmeaalgalüarnricnienclcebeleilrenndldiitg˘iegi˘rniandtdeüe,r,odoretrga˘taemmrhlhaearnirdtiatiarlamlamemasai pspruornobmblelaemkmtlaeledrirınri.niniYnaipkikiıliaöönnneçemamlliıls¸ikmkısaımslmaırıbibunulculeunlneddnuudg˘giu˘g˘uigngödöreür,ülomlmreteakk-mtehtedadirri.irt.I˙alI˙lklakkmkısaıısmıpm,ro,oborltreatmammldedarainnneinelelerikirni nöaanlglegımlıallani nakacıscamag˘gı˘ı ıvbveuehluhanardirtuiatga˘nunınıngnönarasüısllımlbebirkirtateandnımiırm.lalI˙almkmakaıisliıelmeo,oloulurs¸tts¸autumrurdulaalacncaeag˘lgı˘edırdıirnı.r.Ia˙kI˙lkigniınclaci nikakıscıısamıgm˘ıisviesee, h,saeseçrçiitliaelennnıbnbunuammsoıolddbeelirl vtveaenrorımobbolaottmtatananiglgeeeleolenlunbs¸btiuliglrgiulilelaercrçaçeg˘erıçdrçeırev.veI˙eskisniinndcdeie, k,hıhsaıarmirtiatiansenın,ınsmemçuiuhlehanakkebemumemeioçidçinienl nnvaeasıslrıolkbkuoultlltalaannnılıaglacecaleag˘ngı˘nıbnaialvgveielegrgüünçncecerçellelelvenenesecicneegd˘gi˘eni,nehedadariaitriadrndirıi.nr.ÇmÇouokhklulaukreormobboeotlitaçlarinr ilinelaeosoırltratkamumllhahanarıirltaiatcalaalagm˘mıanaççavaleıls¸ıgms¸ümanalcalearlırl,ıe,tneteekckerogr˘obinboeot tidçiaçiniirndgiger.elilÇs¸its¸oitrikirllieulenrnohhbaaorirttliaatar vvieleemmouruhthaaakmkeemhmaeeryityöaönlnatetmemmalelçerairnilnıis¸nimnçaçolokaklrulıu,rtoreobkboortlotalbaroritçiiçiçniinnggegenenelelils¸lelteis¸rts¸iitlrieirlnimlmheaesirsnitniai eevsaseasms uaahldladıkg˘ıegı˘mı gegöyöröürnülmtlememeklkteetredidinri.irn. BçBuouklçuçeerrçroçebevovetedladere, ,isçesineççilgieleennnemllmeas¸aktkairalielelmelerrsi3n3i aaensnaaasbbaas¸lsl¸ıdlkııkg˘aıaltlıgtnıöndrdaüalsmısrıearkastıseyıdylailra.iniBncceuelelçenenmrmçeekvkteetedveve,eysyaeapçpıilılaleannnumuyygagukulaallamemlaealralar3r ggaeennnaeel bloaols¸allarıakrakaklstusınundnuaulmlmsaıarkaktastaıdydılrıa.r.MinMacakekalealnele,m,gegekenteneelvlebbiyriardpdeıleg˘age˘nerlruelenyngdduirilmrammeeailliaeler sosgonenlaleanlnmomalakrktaatadkdırsı.ru.nulmaktadır. Makale, genel bir deg˘erlendirme ile

sonlanmaktadır.

AAbbssttrraacctt

TThhisispappaeprerprperseesnetnstsa asusruvrevyeyof omf ampabpuiblduinldginwgithwiath sisningglele

rorobbootTtsthoitsompmualuptilertorirbopobrtoetsseysnsyttestmeams.ss.MurMavpeaypbuobifuldimlidnaignpgisbiusaildaddinrdegrsesswesdeitdhinisnitnwtgwoloe reroelalbatoettedsdtottooppimcicsu.sl.TtiThrhoeebfiofirtsrtsstypspeteretrmataisni.nssMtotaotphthebeummialdapipnmgmooidsdeelasldstdhtrhaeatsthsheadavveienbbetewenon ddreeevlveaeltoleopdpetedodpwiwhchsil.ielTethhteheefisressectcoponendrdtiasiisnasasstosooctcihaieatetmeddawpwitmihthorderealassosotnhnianintgghmamveeththbooededsns thdthaeatvtealaroerpeueudsesewddhinilneuupthpdedaatsitenincgogtnhtdheeicscoaonsnsstsroturcuciacteteddmmwaiaptphsswrweiatihtshotnhthieneginincmcoeomtmhinoingdgs sesthenanstosorayrryeddauatsatea.d.WiWnhhiuliepledinainittiintaigal lwthwoeorkcrkoinninstthrthuisicstaeardereamahahapasssfwofocitcuhusesthededoionnncsoisnimngiglnelge rosroebnbosotsot,sr,yrerdecacetenant.tWwwohorilkrekhinhaiastsiasltsatwartroetredkdicncoonthnsiissdideaerrireniangghmamsuulftolitrcioruobsboeodt tsoysnystsetiemnmgsl.se. MMrooobstsottssus, ucrchehcseysnysttsetwemmosrskbbahasaiscsicaaslltlyalyreteexdxtetencndodnasaipdpeprrorioanacgchhemesusltthtiharoatbthohatavsveyesbtbeeemensn. oMorirgoigisnitnaasllulylcyhddesevyveselotleopmpeedsdfbofaorsriscisaninlglgyleleerxortobebonotdststaotpopmrmouualtlcitrhioreobsbootthtsacstceenhnaaarvireoiosb.s.eIenIn thothirsiisgpipnaapplelery,r,dweweveeclocoopnnesdisdidefoerrmsmianapgplmemoroddbeeloslt,ss,rteroeaasmosuonlnitnirngogbwowittihtshcmemnaaaprpsisoasa.nndIdn mtmhuuilstlitriporoabbpooet rt,mmwaapepbcbuouinlisdlididniengrgomonnaeepbbymyoodonenele.s.,OOrueurarsaoatntteitnemmgpptwtiisitshtotmopaprporsovviadindede amacucolomtimrpoprbereohhteenmnsisavipveebccouovilvederiarnagggeeoonofefrerbelyalateotedndew.woOorukrk.r.TaThthteeemppapaptpeiersrctcooonnpcclruoludvdeideses wwaitihcthoamadpdirsiecshcueusnsisoiovnenoocf ofrverelalrataetgededaoapfpplrielcilcaaattietoidonnswsaoanrndkd.aTaghgeeenneperaarpalelerevvacaolulnuacatliutoidonen.s.

with a discussion of related applications and a general evaluation.

I.I.G.Giriris¸is¸

RRoobbootltalarırnın, , bbuululunndduukklalarırı oIo.r.trGatammiırıis¸mmüümmkküünn ooldlduug˘g˘uunnccaa kkaapp-- saRsamomblıloıtololaalrarıanrak,kabaluglglıulıalnamdmuaaklalarırıvveoeratalaglmgı ııtetemmmeüelmllilikhühanarirtiatoallaldarurog˘oluulnus¸cts¸uaturarkaraarakpkuuszazamammlsıasaol lammrauukhhaaklkegemımlaemeddeaelkakruıulllvaleannaablbiglimılmteeelmelereirlilöiönhneaemrmiltilailbabirriroölöuzzes¸etlullilrkiaktritari.rk. ÇÇuezevavrmerestaatlararmammuaahvavekeeamarareas¸dts¸eıtrımrkmuaa,ll,ahnhaarebrekilkemet,te,tlaetasr¸iıs¸mımöanaegmgibilbiiifbafiarrkrklöılzıgegöllörierkevtvi-r-. leÇlerierivoroteotontanoromammoaolalvarearakakryayas¸atpıparmabbialim,lmheelaelrereirkieötön,netemams¸lıilmi öaölçlgçüiüdbdeiefbaburukölıözzegelöllirlg˘eig˘evebblaeag˘rg˘liıldıodıtrıo.r.nOoOrmtratamomlhahraaarkirtiatyalalaampmaabaçilçamalıles¸ılms¸emraialalöarınr,ıe,imlikllkioolöallarçarüakdketetekbkubbiörirzreorolblbiog˘otet tetbemamg˘elelıldaıalrı.lnıOnaarrartakmk bbhaas¸ls¸raliatmamlıas¸ımts¸ıtrıa.r. çBBauluıs¸kmkooanlnuaudrdıa,akikilki aaorarlas¸ts¸rıatrıkmrmtaeakvvebeiruuyryoggbuuo- -t laltaemmaealalarrablıbenelallirlai kbbiribraisl¸ielaerlmrelemıs¸mteıer.kkaBayuyddekedodinnincucede,a,kteitekakrraors¸obtıboromtutuannvgegööruerecycegeluil-i oollaalmararaklkakrkısıbısetıltlılıi ooblaliarnnihlheararlereekmkeet t vkveaeyadaleglgdılıialnamcmea,a ktkeakabbiliriloyiybeetoittniuninnin, ,gböbirriedrcdeenlni faofazlzalalrarkorobkboıostuıttunlnı aoaylynanınıahannadrdaeakkekutulllvalaennılıamllmgaıaslısayımylalaadkdaaahbhaialigygeeentniisn¸ils¸ielnet,itlielbebibrildielee-ncfceaeg˘zg˘iliaöörnongbgöoörtüruülnmlmüaüs¸yts¸nütüır.ra. nBBduau çkçeuerlçrlçaeenvveıledmdeae, s, ıçyçolokaklulduahroraobbogoteltnalairs¸rleiliteliel,e,bhiheler-r rocrobebgo˘oitutunönnkgkeöenrndüdilmi süısnıs¸nıtrüılrrıl.ı aBalglugılıalçarıernırnıç,ıe,vddeigd˘ig˘eeer, r rçoroobkbolotultalarrroiblieloetplaparayyliallas¸ems¸,mahaseısrı hhreoedbdeoefltfleuennnmmkies¸its¸nitdri.ri.BsBuınunınaralıeekaklgooıllalaarrarıaknk,ı,sısdnıinıg˘rıelrırlıbrbiolibglgoilitellerairrniniplepaaypylaalasy¸ıs¸lmaıms¸ımıilaielseı hedeflenmis¸tir. Buna ek olarak, sınırlı bilgilerin paylas¸ımı ile

kkees¸fs¸efeddilielenn oortratammının kkoooordrdinineelili vvee tütümmleles¸is¸kik oolalararakk ddaahhaa kkaapp- - saksamems¸lfıleıdaaillglegınlıalanonmrmtaaasmısnınınınkmomoüürmdmkinküeünlni ovolaelabbitlüielmecceleg˘gs˘¸iikddüüos¸üs¸laünrnüaülkmlmüdüsa¸ts¸hütaür.r.kBaBupumsmaaakmkalalıeledadelge, ı,rlaornobmbootaltaslarınriıçniçinimnoüormtratkamümnhhaoarliratiabtalialeamcmaeag˘kikodonünus¸usüusnunündldamayüyas¸aptüpılrım.lmBıs¸ıus¸ ççmaalıals¸ıkms¸amlaeadvvee,eararoarbas¸ots¸ıtrılmramraaliaçlarinır,ı,toetrektakrmorobhboaotrttaittananlbabamas¸als¸alaykyaoarnaruaksk,u,çnçodokaklulyuaroprobılbomot-ıts¸lalçaraarlaıs¸kmkaaddavarer taatraraarsa¸ytyaıranmn, ,aklkaaarpıps,astamemklılrıovbveoetgtgaününncbceaels¸llbabiyriarrlailtkiet,eraçratoütkürlruddreoeg˘bg˘eoer-rtleleannrdadirimrkmaedesaisri stusaunrnauyulmalmna,akktkatadpdırsı.ra.mLLliıtietverareatütgürdürdene,c,eblbubuirkkolonitnueudrdaataüerenndesg˘oseonrnyylaeaynyıdnıinlralmannaeansni tatsaruarnamumalmamamkatakakadalıelres.isiL22i0t00e0r2a2tyüyırlıdılneınd, daabyuyaapkpıloımlnmuıs¸ıds¸aooldledunug˘g˘usunon-nddyaannyı[n1[1l6a60n0]a,]n,ççatalılrs¸ıams¸mmaaammmızızaddkaaaleag˘sg˘ıirılrı2lkı0klı0lı2oolaylarıalrıaknkd2a2000y00a0pyıylımlıılnıns¸ddaoanlndsuosgo˘nunranraydyaayynınınl[a1lan6na0an]n, mçmaalakıs¸kamalelaelmelerırzbdbuaululaung˘nmımrlaıakkktlaıtadodırlı.ar.raBBkuu2t0at0ara0rammyaıalıenesdnsananasıssnıondndara,a, inyincaceyelıelnenlneaennnamnmaamkkaaalkelelaelerirlnienrsesbeçuçimliumin,im,susaunknutauldalanırn.yyaBakuklalas¸tısa¸mırma,m,aalılnıenasannnaasatııtflnıfldaarr, vivenecgegülüenncecenelllilmkikatketeammleelelelraialnılnısnaearçariakmkiy,yasapupılnımlumlıas¸ıtsn¸ıtrı.yr.aBkBelaens¸nzızemerr, yayalaıknklaalans¸ıs¸mıamtlıafllaraırrı kvkueulllalganünanancnemlmlaikakkataleelmelelerdrldeaenlnınbbairirraökörnryneaekpkımlmaıaks¸katıalrel.esBeseçnçilzieleerrerekykaliklsiltsaets¸eıymyalakak-r-ı laklas¸uıs¸klılkan7a75n5 mmmaaakkkaaalleleeylyeeerdieninddirbiirilirmlmöis¸irts¸nitrei.rk. ÇmÇooakklualulerorsobeboçotilltaelarrerkkkolonisnutuseusunyndadakaylyaaaps¸pıılkıalann75ççaalmıls¸ıams¸kmaaallaelaryırenın içnçodog˘ig˘uriunlnmuunin,s¸t,itret.ekkÇroorkoblbouot trtoatbararoaftıflnıandrdaanknoynyauapspuılınaldanna ooyrtraatpamımlaanalglgçılıaallamıms¸amavavleaerhıhnaarirtçiatoalga˘lamumnauankk,oontnueuklalarırnoındbdaoaktki itçaçaralılfs¸ıms¸nmdaaalanlarıryıtaetpemımleaelnl aoaldlrdıtga˘ıgm˘ı ı gagölörgürıüllaelemrereakk,v, ebbuhuakrkoitonanulaudmdaakaki ikmomnauakklaaalrelıelnelderarkddieeçtaatlarıas¸ramnnaaarlaraakrk,ı,tyeyimnineeel bbaelendnzızeg˘erı r s¸ges¸öekrkiülidledereeykya,akkblaluas¸ıs¸kkıko6n60u0dmamkaiakkamalelaeksaesleçeçilliemlrmis¸idts¸ietri.r.tAaAryayrnıracıcraa, k, ç,çooykkilnulue robrobebonotzltealrarrs¸ileielkeiylydaaeppılyıalanknlçaças¸alıılks¸ıms¸m6a0alalmarırnaınkçaçoloeg˘g˘usunendçdaila,m,hihas¸artierrek.keAet tyvrveıeciali,eletçits¸oiis¸kmimlu krkooonbnuoultallaraırrnınıinılne gygeaenpneıelllaonolalçaraarlakıks¸meelaelleaaralıınlnındçdıog˘ıg˘ıuıbnbedelailr,ilrehlenandrdeigk˘ig˘ienitnddveenn,i,lkeketies¸s¸is¸ifim,f, hkhaoarirntiautallaalamrmınaaınvvegeielineletitls¸iis¸omimlakrkaokonnueullalearırnıanalıanododıdag˘akıklablanenalianrnleççnaaldılis¸ıg˘ms¸imnadalalearnr,aaykyreırcs¸ıciafa, tatharaarranintaaarlaraakmk, ,ayyavakeklalias¸leıs¸ktıiks¸6i6m55mkmoaaknkauallealerdındeaeg˘g˘eoerdlrelaenkndldairnimramneeçkkaalapıps¸smasamamlıanınraaaayalırlnıcn-amtmaıs¸rıtas¸ıtnrı.ar.rBaBuku, mymaakakklaaals¸elıelkeler6irni5nbmbaazzkılıaallareırnındınıeng˘öeörrtrlüetüs¸nms¸dmieresmisiennekedadepensniaimiliıelneaççaaalıllsı¸ın-s¸mmaaıms¸mtıızırz.ınıBnkukaapmpsasaamkmaılnıendledaraiynyaakbklaalzas¸ııs¸lkıakr1ın18ı80n0mömratakükas¸almeleebsbuiulunlunendmmeanakiktaitladedırı.çr.alıs¸-

SSmeeçaçimlieleınznımnmakakakapalselaelemlerırnindincaceelyelaenkndldiag˘is¸g˘iınkindd1ee8, ,0oormtrataamkmahlehaarbirtuiatlalualnammmaaakpptraordobıblrel.emm-leSlereirnçiniinliennikikmi iöaöknnaeelmemlleilrikkiınsımscmeılıebnbuduliulg˘unindduueg˘,g˘uuogrgtöaörmürülmlhmaeerkiktteatedladirmi.r.aI˙l˙Iklpkrkokıbsılısemım,-, nnlaeasrısilınlibnbirirkhihaöarinrtieatma oloilulkus¸ıts¸sutmururıulalbacucalag˘ug˘ındıdıruı.rg.˘HuHagaröirtiratüalmmmeookddteeeldil,i,r.oorI˙tlraktammklıalsarıırmnın, nnaasıslıltatbanniırmımlhalaanrnaitacacaag˘og˘ılıiulise¸lteuiliriluninltaitlciiladidgi˘riı.rd.BıBru. uçHçeaerrçiçetevaveedmdeoe, ,dhehalanin,ggioiaraltgalgımlıallamamraına kknipaiplselıerlirtnianinninımkkluaulnllaalancnıalıga˘laıccaialg˘eg˘ı,ıi,lihnhatanilngigdi irö.özBznnuitietçeleilkrikçleelervirenidneç,çıkhıkaaarntrgıtlıialacacalgag˘ıg˘ılıavmveae bkbuuipvlveeerririninniininnnknauaslısllıalbnbiırliargcgöaögs˘tsıe,terihrmiamneegdidöönnzünüs¸its¸tüteürlüriükleleccreieg˘ng˘ininçiıikiçiaçerertmırlmaecekaktge˘teıddivri.re. I˙kI˙bkiunincvcieirkikınsıiısnmımniasiseıe,l,sbesieçrçilgielöensnthehararimirtiateamdmöoonddüees¸litlüivrveüeloeocrtreatg˘amimndidaaniçnegrgemeleleenkntaealdgligırı. bb˙Iikliglignilicelierirkiçıçseıermçrçeevisveees,isnisndedeçe,il,hehanarirhtiaatanrinıtnıanmmmuouhdhaeaklkieemvmeeeoaramtmaamaççldılaıonolalgaraerakleknnnaaaslısglııl kkbuiullllgalainlnıelıraliacçcaeag˘rg˘ıçnıenavavevseiennndaaesıs,lıhlgagürünitncacenelıllnelenmneecuceheg˘ag˘iknienemededaaiarimdrdiari.çr.ÇlıÇoooklkalulruarkorobnboaots-tı-l laklarurlvlaveneıoloartcrataamg˘mınhahaavriretiatnalaalamsmılaadgdaüanycyaeapllpıelıanlanenceççga˘aliınls¸ıems¸mdaalailrardırniırn,.,Çeesoaskaslsuoorlaolarbaroaktkteltaekkr rvoroebboot tritçaiçimninghgeaelrilis¸itts¸aitlriairlmielenandhahaaryirtaiatpaıvlavenemmçuauhlıhas¸akmkeaemlmaereıynyö,önentestaemsmleloerliraninrianink ggteeenkneelrlloelebs¸ts¸oitrtiirlimlçmienesisgnineiliies¸estiasrasilseanaldlhdıga˘ıg˘ıriıtgagöövrüreülmlmmeuekhktaetekddeirim.r.eBBuyuönççetermçrçeleveveredindeie,n, segseçeçinlieelenllnes¸mtmiaraiklkamaleelelseliernri 33esaaansnaaabldbaıas¸g˘ls¸ıılkıkgöaalrtülıtnlımnddaeakitneindcceirel.elenBnmumeekçkteetredçdieri.vr.eIdIe.I,. bbsöeölçüliümlmedndee,m,hhaaakriratialteamlemrood3deelllaelneriraninebeyayös¸ölnınekelilkaiklçtıçanaldıls¸ıams¸mianalaclarerlseusnunmnuuelmlkmtaeakdktiatra.ddırIı.Ir. IIbIö.I.lbübömölüldümem,dhdeaeirsitesae, ,tmetekokdreorloblbeorotitnilieeleyhöhanariretilatialkalarçıranınlıçs¸çımkıkaaarlıramırmısıuvvneeuklkmuulallalkantnaımıdmıırı. ilIielIeI.ilibglgöilililüimççadalıels¸ıms¸imsaeal,altarerkaanrnolalbatoıtlıtmlmilaeakkthataadrdıirtı.ar.lÇaÇroıoknkluçluıkraororbıbomotlıtalvarerilkielueloloartnratıammmı hhialareirtiaitlalgaliamlmiaçaaillieılse¸miligalgillaiilriçaçanalıllsa¸ıms¸tımlamalalaarkrtiasideseırI.VIVÇ. .obkbölöulülümrmodbdeoetalaçrçıkıkillaleannmomratakkm-tathadadırrıi.rt.aVVla. .mbböaölüliümlemddiele,g,hilhaiarirçtiaatallıals¸ammmaaaluauyryggiusulealamImVaal.alarbırnöındlüdamanndbbeaahahsçesıedkdilliamlnmims¸its¸aitrki.r-. MtMaadakıkar.aleVle, ., öbözözelüet tmbdbireir, dhdeaegr˘ig˘etearlrlealenmndadiriumrmyegeuillaielme asoslaonrnaınadeaernmrmbeeakkhtetsededidrii.rl.mKKius¸utli-lr-. lalMannıamıkmalalearı,rıyöyezenenitiooblaliarnntdeteerg˘irmiemrlleelernirndin,ir,m˙InI˙neggiliilziezcceseokknaars¸rıs¸leıılrkımklalearkırıtEeEdkikr.VVIK’Id’udalasuslaunnnuıulmmlmlaaakrıktatyadedınrı.ri. olan terimlerin, ˙Ingilizce kars¸ılıkları Ek VI’da sunulmaktadır.

II.I.H.HaarrititaaMMooddeellelerrii

HHaarirtiatammooddeelllelerir,i,roroIbbIo.o.tHutunanuruzizatamamsMasal lotatdanneımılmllealarmmiaayyı ınnaasıslılyyaappaaccaag˘g˘ı ı ilHieleairliiiltniantitmliildiodidri.re.lUlUezrzaiam, mrsoasbalolgtguöönstseuterziramim, ,shahelemtmanrorımobboloatumtunanybbıuulnulaunsndıdluugy˘g˘uaupkakoconang-˘-ı uiumlmeddialakinkitiioloirdtratiarm.mıU,ı,zhahememmsadldegeöoostaeanrnkimki i,aalhglegımsıasalrloabalaloantnuınınnınıbnudldıus¸ınıs¸nıdndudag˘auoolkuloupnp,-, umdaki ortamı, hem de o anki algısal alanının dıs¸ında olup,

önceden ziyaret ettig˘i veya bir bas¸ka kaynaktan alınmıs¸ olan farklı ortam bilgisini içerir [94]. Gelis¸tirilen modeller, dünya merkezli veya robot merkezli olabilmektedir [160]. Dünya merkezli haritalar küresel koordinat sistemi içinde olus¸turulmaktadır. Robot merkezli haritalar ise ölçüm uzayı içinde tanımlanmaktadır. Gelis¸tirilen modeller, S¸ ekil 1’de gösterildig˘i üzere üç grupta sınıflandırılabilir: i) Metrik modeller, ii) Topolojik modeller ve iii) Karma modeller. Ancak, topolojik modellerde çes¸itli seviyelerde geometrik bilgi içerebildig˘inden, metrik modeller ile topolojik modeller arasındaki fark her zaman tam olarak açık olmayabilir.

Harita Modelleri

Metrik

Topolojik Karma

S¸ekil 1: Harita Modelleri

A. Metrik Modeller

Metrik modellerde, Kartezyen koordinatlarında bir referans yön sistemi temel alınır ve tüm bilgiler bu sistem içine konumlandırılır. Bu yaklas¸ımlar, aynı zamanda allosentrik veya dünya merkezli olarak da tanımlanırlar [87]. En çok kullanılan metrik harita, doluluk kafesleridir [46]. Burada, ortam kafeslere bölünerek gösterilir [11], [160]. Kafes tabanlı haritalama yöntemleri, ortamın modellemesini sag˘layarak deg˘is¸ik algılayıcılardan gelen verilerin tümles¸tirilmesinde kolaylık sag˘layıp, yüksek çözünürlükle iyi bir sonuç vermektedirler. Ancak, genis¸ ortamlarda, sabit kafes boyutu nedeniyle, çok fazla sayıda kafes olus¸abileceg˘i için, bunların olus¸turulması ve planlamada kullanılması hesapsal açıdan oldukça maliyetli olabilir [19], [103]. Dolayısı ile, büyük ölçekli haritalarda döngüleri kapama, haritaları saklama, mevcut yeri önceki yerlerle kars¸ılas¸tırma ve robotu ilk yeri hakkında bilgilendirmeden genel konumlandırma konularında problemler yas¸anmaktadır [128]. Yüksek hesapsal yükü azaltmak için, alt harita tabanlı modeller öne sürülmüs¸tür. Alt haritalar, küçük yerel haritalardır ve bir araya getirilerek büyük harita sistemleri olus¸turabilmektedirler. Genellikle çevreyi es¸it alt haritalara bölerek çevrenin topolojisini göz ardı ederler [31], [82], [124].

Bu hususlara ek olarak, doluluk kafeslerinin yapısı, kameradan alınan imgeler gibi zengin bilgilerin kaydedilmesine olanak vermemektedir. Buna yönelik olarak, haritaların bilgi içerikleri, çes¸itli özniteliklerin yerleri bulunarak ve haritada gösterilerek zenginles¸tirilmektedir [77], [147]. Burada önemli bir konu, haritaya hangi nirengi noktalarının koyulacag˘ının belirlenmesidir. Yapay is¸aretler dog˘al olanlara göre daha kararlıdır. Ancak, yapay is¸aretler için ortama müdahale gerekir, bu yüzden de daha çok dog˘al is¸aretler tercih edilir. Dog˘al nirengi noktası olarak kös¸eleri, kapıları ve farklı binaları içeren pek çok farklı öznitelik kullanılmıs¸tır. Ne var ki gerçek zamanlı kullanımda, hangi özniteliklerin kullanılacag˘ı konusundaki çalıs¸malar devam etmektedir.

B. Topolojik Modeller

Metrik haritalara alternatif olarak topolojik haritalar önerilmis¸tir [136]. Topolojik haritalar, kaydedilen yerlerin allotetik veya robot merkezli karakterizasyonlarıdır [51], [52]. Topolojik haritada uzamsal bilgi, bitis¸iklik diyagramları kullanan ve

patikalarla bag˘lanan yerlerin derlemesi olan bir çizge olarak tanımlanır. Bu çizgenin düg˘ümleri farklı yerleri temsil ederken, kenarlar yerler arasındaki bag˘ıl yönelimleri veya patika uzunlug˘u gibi bitis¸iklik ilis¸kileri temsil ederler. Örnek olarak, [36]’de düg˘ümler haritadaki belli bas¸lı özel noktaları (kös¸e, kapı, koridor sonu v.s.) temsil ederken, kenarlar, bu düg˘ümler arasındaki geçis¸lere kars¸ılık gelmektedirler. Burada en önemli husus, yer tanımlarının nasıl yapılacag˘ıdır [94]. Yer tanımları, bag˘lamsal tabanlı ve görünüs¸ tabanlı olarak iki ana kategoriye ayrılmaktadır.

Bag˘lamsal tabanlı yaklas¸ımlar gelen görsel veriyi dog˘rudan kodlayan yaklas¸ımlardır. Kullanılan yer tanımları içinde 9 × 9, 15 × 15 piksel gibi bag˘ıl büyük imge parçaları [35], Ayrık Fourier Dönüs¸üm [127], özimgelere parçalama [80], ana biles¸enler analizi [93], dalgacık imge dönüs¸ümü [163] gibi deg˘is¸en seviyelerde uzamsal entegrasyonlu filtre yanıtlarını kullanılmaktadır. Örneg˘in, bir çalıs¸mada harita farklı imge kareleri arasında bag˘ıl konum s¸ebekesi olarak tanımlanır [167]. Farklı bir yaklas¸ımda ise, imge altimgelere bölündükten sonra elde edilen yönlü tekdüze örüntülerin histogramları betimleyici olarak kullanılmaktadır [49].

Dig˘er yaklas¸ım olan görünüs¸ tabanlı yaklas¸ımlarda ise, ilk önce gelen görsel veriden bazı öznitelikler elde edilir ve bu öznitelikler ortamın tanımlanmasında kullanılır [166]. Örneg˘in, iç mekanların haritalanmasında, tipik olarak düg˘ümler koridor gibi birles¸me yerlerini temsil ederken, kenarlar ise bir birles¸meden dig˘erine olan patikalardır [74]. Bu tip haritalama yöntemlerinde kullanılan özniteliklerden bazıları, kös¸eler [67], SIFT [147], SURF [14] ve çes¸itli filtrelerdir [18]. Örneg˘in, yer tanımları, [57]’de SIFT öznitelikleri, [119]’da SURF öznitelikleri kullanılarak olus¸turulmaktadır. Bu tür öznitelikler, çok kullanılmakla beraber her ortamda istenen bas¸arımı gösterememektedir.

Bu soruna bir çözüm getirmek amacıyla, öznitelikleri farklı dönüs¸ümler ile birlikte kullanarak, daha dayanıklı ve tıkız tanımlamaların elde edilmesi hedeflenmis¸tir. Örneg˘in, kelime çantası yaklas¸ımında, bir imgedeki ilginç noktalar bulunarak SIFT öznitelikleri ile yüksek boyutlu bir vektör uzayında tanımlandıktan sonra, sayısal olarak nicelenerek bir görsel kelime ile ifade edilir [154]. Bu niceleme sayesinde her bir imge görsel kelimeler histogramı ile gösterilir ve imge es¸leme bu histogramlar temel alınarak yapılır [28]. Parmak izinde ise her bir imgedeki ilginç noktalar çıkartılarak farklı bir harf ile gösterilir ve imge bu harflerin dizisi olarak betimlenir [96]. ˙Iki farklı imgenin benzerlig˘i ise bu harf dizisinin kars¸ılas¸tırılması ile hesaplanır. Eg˘er ortamda küçük deg˘is¸imler varsa, bundan imgenin sadece bazı noktaları etkileneceg˘inden, tanımlamada ufak deg˘is¸imler olacaktır. Dolayısı ile, veritabanındaki arama veya kars¸ılas¸tırma çok daha dayanıklı olacaktır. Buna yönelik gelis¸tirilen sözlük ag˘acı, sözcükleri hiyerars¸ik olarak organize eder [126]. Bir bas¸ka yaklas¸ımda ise, tüm öznitelikleri kullanmak yerine, çok daha küçük bir altkümenin kullanıldıg˘ı iskelet modeli önerilmis¸tir [91], [92]. Ne var ki, görsel sözlüklerin ög˘retilmesinde, özniteliklerin fazla sayıda olması veya bu sözlükleri olus¸tururken kullanılan yöntemin görsel bozulmalara kars¸ı dayanıklılıg˘ın sag˘lanması gibi belli zorluklar vardır [29].

Bunlara ek olarak, tüm bu yaklas¸ımlar, imgenin yapısal bilgisini kaybetme sorunuyla kars¸ı kars¸ıyadır [175]. Yer tanım-

Karaoğuz H., Erkent Ö., Bayram H., Bozma H. I., Tek Robottan Çoklu Robotlara Ortam Haritalama, Cilt 2, Sayı 4, Syf 105-118, Aralık 2012

larının uzamsal bilgi içermesi ile bilgi içeriklerinin zenginles¸eceg˘i kesin oldug˘undan, bunu dikkate alan çes¸itli çalıs¸malar yapılmıs¸tır. Bunlardan ilki, imgeleri bir küre üzerine izdüs¸ünümünün yapıldıg˘ı benmerkezci algılama kürelerdir [4]. Benzer s¸ekilde, küreyi bir veritabanı yapısı olarak kullanarak verileri saklayan yaklas¸ımlar önerilmis¸tir [110], [131]. Tanımlamalar, imgelere küresel bir izdüs¸üm uygulandıktan sonra, küresel harmonik katsayıları ile yapılarak daha da tıkız hale getirilmis¸lerdir [62], [105], [140]. Farklı bir yaklas¸ım olan baloncuk hafıza modelinde ise, görsel öznitelikler ve aralarındaki uzamsal ilis¸kiler robot merkezli olarak birlikte kodlanmaktadırlar [155], [156]. Esasen topolojik temelli olmakla beraber, öznitelikler arasındaki geometrik ilis¸kiler küresel uzayda kodlandıg˘ından, karma bir özellig˘e de sahiptir. Baloncuk uzayında ise, baloncuk hafıza modeli, farklı robot konumlarına ve farklı öznitelikleri tanımlayacak s¸ekilde genis¸letilmektedir [47].

Sonuç olarak, ortak kullanımına kars¸ı, topolojik haritaların tanımına ve nasıl olus¸turulduklarına dair bir görüs¸ birlig˘i olmayıp, düg˘ümler ile kenarların anlamları kullanılan öznitelikler veya uygulamaya göre deg˘is¸ebilmektedir [136].

C. Karma Modeller

Metrik ve topolojik gösterimlerin karakter olarak birbirinden oldukça farklı oldug˘u göz önünde bulundurulmalıdır. Metrik haritalar, algısal sınırlar içindeki yapıyı belirtik olarak yakalarken, topolojik haritalar genis¸ alanın yapısını anlatır. Genel olarak metrik harita, olus¸turuldug˘u her bölgede geometrik olarak çok detaylıyken topolojik haritada çevrenin detaylarının eksik oldug˘unu söyleyebiliriz [160]. Bu sorunları çözmek için küçük ölçekte metrik gösterimin, büyük ölçekte topolojik haritanın kullanıldıg˘ı bir melez harita önerilmis¸tir [16], [94], [164]. Bu yaklas¸ımda, yerel metrik haritalar doluluk kafesi tabanlıdır. Topolojik haritalar ise düg˘üm ve kenarlardan olus¸an çizgelerdir [40]. Her bir düg˘üm robot tarafından görülen bir yeri ifade eder ve içinde o bölgeye ait metrik bir yerel harita barındırır. Bu yaklas¸ımdaki önemli bir sorun, bu bölünmenin tam olarak nasıl yapılacag˘ıdır. Bunun için farklı yöntemler önerilmis¸tir. Bu yöntemler, esasen çizge temelli yaklas¸ımlardır. Örneg˘in, alt seviyede bir metrik haritadan, izgel topaklama kullanılarak [19] veya çizge bölütleme uygulanarak, üst seviyede görsel tabanlı bir topolojik harita olus¸turulmaktadır [182]. Ancak metrik haritalar büyüdükçe bu haritaların olus¸turulması gittikçe zorlas¸maktadır. Buna alternatif olarak, ortamın metrik doluluk kafeslerini bos¸ alanın ve ortamın bag˘lantı yapısının daha tıkız bir gösterimini sag˘layan Voronoi diyagramları önerilmis¸tir [61]. Ancak pratik uygulamada, bu diyagramların çıkarımları kolay deg˘ildir.

III..Harita Olus¸turma ve Kullanım

Kendi bas¸ına harita olus¸turabilme, önceden olus¸turulan bir haritada yerini bulabilme veya yeni bir bölgeye girdig˘ini anlayarak harita güncellemesi yapabilme, robotların otonomisi için gerekli becerilerdendir. Bunun için, robotun sahip oldug˘u harita modeline uygun muhakeme yapabilmesi gerekir [160]. Bu muhakemeyi, üzerinde bulunan algılayıcılardan gelen ortam verileri ile, harita modelini kullanarak yapabilir. Bu konuda ilk problem, robotun kendi ortam veya konum bilgilerini, mevcut harita ile nasıl tümles¸tireceg˘i ve bu tümles¸tirme çerçevesinde nerede oldug˘unu nasıl anlayacag˘ıdır.

En basit yaklas¸ım ile, robotun odometri verisini kullanıp, parekete hesabı yaparak teker devir sayısına göre koordinatlarını belirleyebilir. Teker kayması gibi pek çok sorundan dolayı parekete hesabı kullanarak robot konumlanması düzgün bir s¸ekilde gerçekles¸tirilemez [26]. Küresel konumlandırma sistemleri gibi mutlak konum sag˘layan algılayıcılar ve ataletsel sistemler her ne kadar pareketeye bir alternatif öneriyor olsalar da, her zaman kullanılamayabilir [103]. Dolayısı ile, robotun kendi ortam bilgilerini çıkarabilmesi pek kolay deg˘ildir. Dig˘er bir husus ise, robotun konum bilgisini kullanmadan bu tümles¸tirmeyi yapması ve bulundug˘u yeri anlamasıdır. Bu yapılırken, önceden hiç bilinmeyen ortamların da anlas¸ılması ve haritanın yeni bilgiler çerçevesinde güncellenmesi gerekmektedir.

Kullanılan algılayıcı türü ve harita modeline göre birbirinden farklı muhakeme yöntem mevcuttur. Algılayıcı bilgileri odometri, imgeler, uzaklık ölçümleri v.s. gibi verilerdir. Odometri bilgileri, hareket temelli, görsel veya karma olarak sag˘lanabilir. Yaklas¸ımlar, kullanılan harita modeline göre, geometrik, topolojik ve karma olarak gruplanabilirler [166]. Geometrik yaklas¸ımlarda, metrik haritalar ile muhakeme yapılır. Tipik olarak harita gösterimi için iki boyutlu bir doluluk kafesi ve robotun durum dinamig˘i kullanılır. Robotun konumu, harita koordinatlarına göre kestirilmeye çalıs¸ılır. Topolojik yaklas¸ımlarda ise bitis¸iklik diyagramı kullanılan yöntemlerden biridir. Bu yöntemde, robotun konumuna tekabül eden diyagram çizgesinin belirlenmesi hedeflenir. Melez yöntemler hem geometrik hem topolojik yöntemleri birles¸tirirler.

A. Geometrik Haritalar ile Muhakeme

Geometrik yaklas¸ımlar, metrik haritalar olus¸turmaya, kullanmaya veya güncellemeye yönelik yaklas¸ımlardır. Genel olarak tüm geometrik yaklas¸ımlar, konumlandırma problemi ile birlikte ele alınır. Konumlandırma, robotun bulundug˘u yerin tam olarak belirlenmesi problemi olarak tanımlanır. I˙kisinin birles¸imi es¸zamanlı konumlandırma ve haritalandırma (SLAM) sorunu olarak adlandırılır [43]. Gezgin robot konumlandırmasında, çog˘u çalıs¸ma odometri girdisi kullanarak geometrik konumlandırma yapmaya odaklanmıs¸tır [6], [7]. Önerilen yaklas¸ımlar, bölgesel ve tümel olarak ikiye ayrılır [146]. Bölgesel teknikler, robotun yön bulması sırasında olus¸an odometrik hataları gidermeyi amaçlar. Bu tekniklerin bas¸arım kos¸ullarından biri robotun ilk konumunun yaklas¸ık olarak bilinmesi gereklilig˘idir. ˙Ikinci bir husus ise, robotun konumu kaybedildig˘inde tekrar bulunmasının garanti edilememesidir. Bölgesel tekniklere alternatif olarak gelis¸tirilen tümel yöntemlerde amaç, robotun ilk konumu hakkında kesin bir bilgiye sahip olmadan konumunun belirlenmesidir [55]. Örneg˘in, robotun kendisi tarafından bilinen konumundan alınıp hiç bilmedig˘i, tamamen farklı bir ortama kondug˘u kaçırılmıs¸ robot problemlerinde konumun tekrar bulunmasını mümkün kılar. Buna kos¸ut olarak, bir s¸ekilde harita es¸leme ya da nirengi noktası belirlemesinin yapılması gerekmektedir [59].

Muhakeme sürecinde kullanılan nirengi noktalarının, kamera ile elde edilen imgelerden çıkartılabileceg˘i düs¸üncesi ile, görsel bilgi tabanlı SLAM yaklas¸ımları önerilmis¸tir. Bu yaklas¸ımları iki ana grupta toplamak mümkündür [104]: i) Öznitelik tabanlı ve ii) Görünüm tabanlı. Öznitelik tabanlı

SLAM’de özniteliklerin yerleri kestirilir ve önceden olus¸turulan bir öznitelik gözlemlenerek bir döngü kapama gerçekles¸tirilir [15]. Öznitelik tabanlı yaklas¸ımların, özniteliklerin durumlarını kestirme gereklilig˘i ve hangilerinin seçileceg˘ine karar verilmesi gereksinimi bulunmaktadır. Görünüm tabanlı SLAM’de ise, algılayıcı verisinin alındıg˘ı yerlerdeki robot konumları kestirilir. Robotun bag˘ıl konumunun kestirimi, farklı iki zamanda alınan veri kümesi kullanılarak yapılır.

Her iki yaklas¸ımda da, genel olarak konumu kestirmek için olasılıksal çıkarım yasaları uygulanmaktadır [17]. Bu yasaların uygulanabilmesi için, robot hareketi ve algılayıcı belirsizlikleri modellenir. Ne var ki bu modellerin olus¸turulması her zaman mümkün olmayabilir.Buna ek olarak modeldeki gürültünün karakteristig˘ini belirlemek için otomatik olmayan ölçümlerin yapılması zaman alabilir [17].

Yaklas¸ımların çog˘unda muhakeme yöntemi Bayes filtresi veya türevleri(Kalman, genis¸letilmis¸ Kalman, Parçacık filtresi v.b.) temellidir. I˙lk önerilen muhakeme yöntemlerinden biri, artımlı en büyük olabilirlik temellidir [115], [178]. Bu yöntemde, veri geldikçe, en yüksek olasılıklı robot konumu ve harita Bayes marjinal olasılıg˘ının en büyük deg˘eri bulunarak güncellenir. Hesapsal yükü azdır, ancak belirsizlik kavramına sahip deg˘ildir. Haritalamada, robotun hareket modelini kullanarak, dog˘al özniteliklerin seyrek kümesini ve bilgi rehberli aktif ölçüm stratejisini temel alırlar. Ancak tüm bu çalıs¸malara rag˘men, Kalman filtresi ile ilgili as¸ag˘ıda özetlendig˘i s¸ekilde bazı sorunlar bulunmaktadır:

• Hesapsal yükün fazla olması nedeni ile gerçek zamanlı uygulamalarda yavas¸ olabilmektedir. Robot hareket ederken gerçek zamanda ancak sınırlı sayıda öznitelik ele alınabilir. Öznitelik sayısı N olan bir haritada, her yinelemede N 2 parametre içeren matrislerin çarpma ve tersini alma gibi is¸lemlerin yapılması gerekmektedir [114].

Veri ilis¸kilendirmesi, Kalman Filtresinin konum kestirimleri için kritik öneme sahiptir. Robotun hareketi sırasında, bir önceki konumda algılanan öznitelikler, yeni konumda algılanan özniteliklerle dog˘ru bir s¸ekilde ilis¸kilendirilemezse, konum kestirimlerinin bas¸arımı önemli ölçüde düs¸er. Veri ilis¸kilendirmesi, ileride III-C nolu kısımda anlatıldıg˘ı üzere kendi bas¸ına bir alt problemdir.

• Bir bas¸ka önemli zorluk ise aynı öznitelikleri farklı yerlerden gözlemlemekten kaynaklanan tutarsız dog˘rusallas¸tırmalardır [53]. Kalman filtresi, mevcut durumun gözlemi hakkında dog˘rusallas¸tırma yapar. Durum evrildikçe, ölçümlerin dog˘rusallas¸tırması farklı noktalarda olacaktır. Bu da yinelemenin sonucunda ortaya çıkan haritada tutarsızlıklara yol açar [5].

• Kalman filtresi yaklas¸ımları gürültü eklenmis¸ özel durumlara dayanırlar, pratikte ise nadiren bu özel durumlar olus¸ur.

• Dinamik ortamlarda bas¸arımları oldukça düs¸üktür [160].

Hesapsal yükün azaltılmasına yönelik olarak gelis¸tirilen yaklas¸ımlar esasen, robot konum ve nirengi noktaları üzerinden sonsal dag˘ılımı, çarpanlarına ayırıp özyineli olarak hesaplayan yöntemlerdir [114]. Daha yeni çalıs¸malarda, robotun yörüngesini gösteren bir parçacık kümesi kullanılmakta ve her öznitelik bir küçük genis¸letilmis¸ Kalman filtresi ile ilis¸kilendirilmektedir [109].

Bu sorunlardan dolayı geometrik yaklas¸ımlarda bas¸ka muhakeme yöntemleri kullanılmaktadır. Bunlardan biri beklenti enbüyütme yaklas¸ımıdır [37]. Bu yaklas¸ım, Kalman filtresinden farklı olarak, dog˘rudan veri ilis¸kilendirme üzerinde odaklanır [38]. Beklenti enbüyütme temelli muhakeme ile, veriler birbirine benzese bile, tutarlı haritalar olus¸turulabilir. Bu yaklas¸ımda, düzleme ve haritalama yaklas¸ımı, bilgi matrisi temelli olup, döngülü en az kareler eniyilemesi yaparak en optimal robot konum ve özniteliklerin durumlarının kestirimini yapmayı amaçlar [39]. Seyrek genis¸letilmis¸ bilgi filtreleri kullanılarak, hesap yükü azaltılmaktadır [7]. Aslında, burada hesaplanan bilgi matrisi, genis¸letilmis¸ Kalman filtrelerindeki ortak deg˘is¸inti matrisinin tersidir [59]. Bilgi matrisi temelli SLAM’deki temel zorluk, tüm veriyi çok defa is¸leme gereksinimleri oldug˘undan, Kalman filtrelerinde oldug˘u gibi haritaları artımlı bir s¸ekilde olus¸turamazlar [160]. iSAM filtresi yaklas¸ımı tüm sistem için bir bilgi filtresi kullanır ve etkili bir çarpanlara ayırma metodu ile filtrenin hızlı artımlı güncellenmesini sag˘lar [81]. Bilgi matrisinin ayrıs¸masının güncellenmesinde, sürekli tekrarlanması gereken yüksek maliyetli çarpanlara ayırma is¸lemi Cholesky çarpanlarına ayırma yöntemi kullanılarak basit hale getirilse de, is¸lem hala gerçek zamanlı deg˘ildir [104].

B. Topolojik Haritalar - Yer Tanıma

Alternatif olarak topolojik haritalar ile muhakemede, anahtar ög˘e yer tanıma modülüdür [166]. Önceden ög˘renilen yer tanımlamalarının yerleri temsil ettig˘ini varsayarak, yer tanıma modülünün amacının mevcut algılama bilgisine en çok benzeyen, önceden ög˘renilmis¸ yeri bulmak oldug˘unu söyleyebiliriz [165]. Robot her çevrimde, konumu daha önce kaydedilmis¸ olan görüntü haritasını kullanır. Konumlama sorunundan farklı olarak, tanıma daha önceki konumu hakkında her hangi bir bilgi verilmeden yapılmaya çalıs¸ılır. Bunun için genel olarak eniyileme yöntemleri veya destek vektör makineleri gibi standart bir örüntü tanıma yöntemleri kullanılır.

Görünüs¸ tabanlı yaklas¸ımlarda ise, daha tıkız betimleyiciler kullanıldıg˘ından, zamansal gereksinimler daha aza inebilmektedir. Önerilen yöntemler, kullanılan yer tanımlayıcısına göre deg˘is¸mektedir. Örneg˘in, ana biles¸enler analizinin kullanıldıg˘ı [93]’de, öznitelikler için robot konumuna bag˘lı olarak olasılıksal yog˘unluk is¸levi tanımlanarak, bulunulan yer, sonsal yog˘unluk is¸levinin en büyük oldug˘u konum olarak tanımlanmaktadır. Kelime çantası kullanan yaklas¸ımlarda ise harita, görsel kelimelerin olus¸umunun yüksek ilintiye sahip olacag˘ı düs¸üncesi ile, ag˘aç yapısına sahip bir Bayes ag˘ının Chow Liu algoritması kullanılarak ög˘renilmesi ile olus¸turulur [28]. Bu yapı, kelime olus¸umlarının ikili dag˘ılım kestirimine ek olarak, çok genis¸ kelime dag˘arcıg˘ına sahip durumlarda, verimli ög˘renme ve karar vermeyi sag˘lar. Bu çerçevede, topolojik SLAM problemi, metrik SLAM problemlerine benzer s¸ekilde, özyineli Bayes kestirim problemi olarak tanımlanmaktadır [28], [29]. Bu yaklas¸ımın hesapsal olarak çok yüklü oldug˘u düs¸üncesi ile, Bayes hesabı yerine, iskelet gösterimi kullanılarak, döngü kapama için kullanılacak görüntü sayısının kısıtlanması sag˘lanır [91], [92]. Sözlük ag˘acı, yeni eklenen görünümlerle birlikte binlerce iskelet arasında mümkün olan es¸les¸meler için etkili bir filtre olus¸turulmasına olanak sag˘lar [126]. Yer gösterim-

Karaoğuz H., Erkent Ö., Bayram H., Bozma H. I., Tek Robottan Çoklu Robotlara Ortam Haritalama, Cilt 2, Sayı 4, Syf 105-118, Aralık 2012

lerinin parmak izi olarak tanımlandıg˘ı çalıs¸malarda ise, dizi es¸lemesi minimum enerji optimizasyonu yapılarak gerçekles¸tirilir [96]. Metrik doluluk kafesi, topolojik bir model olan Voronoi diyagramına çevrildikten sonra, her noktayı, kos¸ullu rastsal bir alanın düg˘ümü olarak tanımlamak sureti ile olus¸an Voronoi rastsal alanı, hem haritadan hem de Voronoi topolojisinden gelen öznitelikleri birles¸tirerek her düg˘ümün hangi yeri tanımladıg˘ı kestirilir [61]. Alternatif bir yaklas¸ımda, AdaBoost makine ög˘renme algoritması kullanılarak yapılan bir sınıflayıcı, lazer imzalarından alt harita diyagramlarını çıkartarak yer tanıma için eg˘itilmis¸tir [19].

Görüldüg˘ü üzere, topolojik haritalarda muhakemede en önemli husus yer tanıma modülüdür. Sunulan deneysel sonuçlarda, önerilen sistemlerin farklı ıs¸ıklandırma ve dinamik ortam durumlarındaki performansları sunulmakta ve bas¸arımın farklı derecelerde etkilendig˘i gözlenmektedir [165], [176], [170]. Yer tanıma açısından, ölçeklenebilirlik, aydınlatma ve hareketli nesneler gibi dinamik deg˘is¸kenlere kars¸ı dayanıklılık halen zorlu sorunlar olmaya devam etmektedir.

C. Veri I˙lis¸kilendirme

Bütün görünüm veya görünüs¸ tabanlı yaklas¸ımlarda ortak problem, veri ilis¸kilendirme sorunudur [158]. Veri ilis¸kilendirme, mevcut ortamdaki nirengi noktaların haritadaki nirengi noktaları ile es¸les¸tirilmeleridir. Bu s¸ekilde yeni nirengilerin belirlenip haritaya eklenmesi sag˘lanırken aynı zamanda varolan nirengilerin konumlarının daha iyi kestirilebilmesi de mümkün olur. Veri ilis¸kilendirmesi için kullanılan ve detayları as¸ag˘ıda açıklanan üç temel yaklas¸ım vardır [172].

• Haritadan haritaya olan yaklas¸ımlarda, iki alt haritanın özniteliklerindeki benzes¸me, hem görünümlerine hem de bag˘ıl konumlarına bakılarak bulunur. Buradaki problem, olası olmayan ortak özniteliklerin benzer olabilmesindedir. Küme kuramsal [42], deg˘is¸ken ölçekli ve geometrik uyumlu dallan ve sınırla algoritması [27] gibi farklı yaklas¸ımlar önerilmektedir.

• I˙mgeden imgeye yaklas¸ımlarda, kameradan alınan son imge ile önceki görülen imgeler arasında bir benzes¸me bulunur [28]. Özniteliklerin ayırt edici olmalarına dikkat edilir. Bu yaklas¸ımdaki sorunlardan en önemlisi, kars¸ılas¸tırma için olus¸turulan imge sözlüg˘ünün önceden iyi bir s¸ekilde ög˘renilmesi gereklilig˘ idir.

• Son olarak, imgeden haritaya olan yaklas¸ımlarda, kameranın son karesi ile haritadaki öznitelikler arasında bir benzes¸me aranır [172]. Örneg˘in, mevcut imgede harita öznitelikleri ile olası benzes¸meler bulunur ve Ransac tabanlı bir 3 nokta algoritması kullanılarak kameranın haritaya göre konumu belirlenir [104]. Bu yaklas¸ım yog˘un hafıza gerektirdig˘inden, gerçek zamanlı uygulamalarda uygulanması zordur.

Tüm bu çalıs¸malara rag˘men, gerçek zamanlı kullanımda, veri ilis¸kilendirilmesi hala sorunludur ve bas¸arımının arttırılması ve hızlandırmaya yönelik çalıs¸malar devam etmektedir.

IV..Çoklu Robotlar ile Haritalama

Çoklu robotlar ile harita çıkarımı ve kullanımı, birden fazla robotun seçilen model çerçevesinde, bulunulan ortamın haritasını nasıl olus¸turacakları, ilgili hareket ve iletis¸im yöntemleri ile ilintilidir [30], [173]. Bir yerin otonom olarak haritalandırılması, çoklu robot sistemleri kullanılarak ve her bir

Çoklu Robotlar ile Haritalama

Bilgi Birleşimi

Robotlar Arası İlişki Robot Yöngüdümü

S¸ekil 2: Çoklu robotlar ile haritalama problemleri.

robotun farklı bir bölgede çalıs¸ması sag˘lanarak hızlı bir s¸ekilde gerçekles¸tirilebilir [54], [160]. Bu alandaki çalıs¸malar 90’lı yıllardan beri devam etmektedir. Çoklu robotlarda, tek robot ile haritalamadaki gösterim, algılayıcı verileri ve muhakeme problemlerine ek olarak, yeni problemlerin çözülmesi gerekmektedir [85]. Bunlar, S¸ ekil 2’da gösterildig˘i üzere, bilgi birles¸imi, robotlar arası ilis¸ki ve robot yöngüdümüdür.

A. Bilgi Birles¸imi

Bilgi birles¸imi, birden çok robottan gelen verilerin birbiriyle uyumlu ve verimli bir s¸ekilde birles¸tirilip is¸lenmesidir. Yapılan çalıs¸malarda genel olarak iki yaklas¸ım kullanılmıs¸tır [11]: Çoklu robotlarda es¸zamanlı konumlama ve haritalama ve harita birles¸tirme.

A.1 Çoklu Robotlarda Es¸zamanlı Konumlama ve Haritalama

Tek robotlarda es¸zamanlı konumlama ve haritalama konusundaki gelis¸meler ve alınan bas¸arılı sonuçlar, kullanılan yöntemlerin çoklu robotlara aktarılmasına imkan vermis¸tir [117]. Tekli robotlar için gelis¸tirilen yaklas¸ımlar genel olarak metrik haritalama ve yorumlama yöntemleri üzerine kuruludur [161]. Ancak, çoklu robotlara özgü, birden çok bilinmeyen robot konumu, harita birles¸tirme ve ölçeklenebilirlik gibi problemlerin çözülmesi gerekmektedir [31].

Robotların birbirlerine göre olan konumlarının belirlenmesi veya kestirilmesi için, bir robotun dig˘er bir robotun haritasındaki konumunu veya tümel haritadaki konumunu bulabilmesi gerekmektedir. Bir robotun dig˘er robota göre olan konumu, açısal, uzaklık, yönelim veya bunların birles¸imi s¸eklinde ölçülebilir [107]. Bunun için, iki farklı yaklas¸ım uygulanabilmektedir. I˙lki, her iki harita arasında bir koordinat dönüs¸ümü bulmaktır [135]. Gerekli olan bir dig˘er bilgi ise, iki harita üzerinde aynı olan nirengi noktalarını belirlemektir.

Çoklu robotlar için es¸zamanlı konumlama ve haritalama probleminde ise genel yaklas¸ım, Bayes filtresi, genis¸letilmis¸ Kalman filtresi veya parçaçık filtresi gibi yaklas¸ımları kullanarak, geometrik yorumlama üzerine kuruludur. ˙Ilk çalıs¸malardan biri olan [63]’de, doluluk kafeslerinin bilgileri, gelen algı bilgilerine dayalı olarak Bayes kuralı ile güncellenir. Yine, [41]’de Kalman filtresi çoklu robot takibi için kullanılmaktadır. Bundan sonra bir dizi çalıs¸mada, genis¸letilmis¸ Kalman filtresi yaklas¸ımı, is¸birlik [50], dag˘ıtık karar verme [141], dag˘ıtık is¸birlik [22], [103], dag˘ıtık konumlama ve haritalama [159] ve yol tanıma gibi özel durumlarda uygulama [151] gibi farklı çalıs¸malarda temel alınmıs¸tır. Ancak, çoklu robot uygulamalarında, Kalman filtresi kullanımı ile ilgili önemli sorunlar bulunmaktadır [11]:

• Her bir ölçüm tüm Gaussian parametrelerini etkiledig˘inden, güncelles¸tirmeler uzun sürmektedir. Her bir güncelleme adımında, bütün robotlar birbirleriyle iletis¸im halinde olup kendi haritalarındaki konum güncelles¸tirmelerini dig˘erleriyle

paylas¸ırlar. Eg˘er robot sayısı N olarak tanımlanırsa, bu O(N 2) kadar ek hesaplama yükü getirmektedir. Robotlar arası konum ölçümü sayısının N (N − 1) mertebesine kadar çıkabileceg˘i düs¸ünülürse, hesaplama yükü O(N 4) olmaktadır. Bu hesaplamalar her bir robota es¸it bir s¸ekilde dag˘ıtılsa bile, hesaplama yükü O(N 3) olmaktadır. Bahsedilen hesaplama yükleri, gerçek zamanlı uygulamalar için önemli bir engel tes¸kil etmektedir [122].

• Çok büyük haritalarda, genis¸letilmis¸ Kalman filtresi tabanlı yaklas¸ımlar için kestirim sapmaları artmaktadır. Dog˘rusal olmayan sistem ve algılama modellerinin dog˘rusallas¸tırılması, bu sapmalara neden olabilmektedir [145].

• Çoklu robotlarda bu filtreleri dag˘ıtık bir s¸ekilde kullanmak kolay deg˘ildir.

Çoklu robotlar için es¸zamanlı konumlama ve haritalama için ikinci bir yaklas¸ımda beklenti en büyütme tabanlı algoritmalardır [11], [70], [85]. Kalman filtresi metodlarından farklı olarak, beklenti en büyütme tabanlı yöntemlerde en muhtemel harita çıkarılmaktadır. Bu yaklas¸ım ile haritalamanın avantajlarından birisi, bilgi es¸les¸tirme problemine kars¸ı dirençli olmasıdır. Bu sayede, büyük ölçekli haritalar bas¸arıyla olus¸turulabilmektedir. Bu yöntemin olumsuz yanlarından biri ise, haritanın artımlı olarak çıkarılamamasıdır. Bu durum, beklenti enbüyütme tabanlı yöntemlerin yapısından kaynaklanmaktadır. Buna ek olarak, robotların bas¸langıç konumlarının birbirlerine göre yaklas¸ık olarak bilinmesi gerekmektedir. Beklenti en büyütme algoritmasının dag˘ıtık bir versiyonu [145]’ de gelis¸tirilmis¸tir. Bu yaklas¸ımda, dog˘rusal olmayan eniyileme problemi, N tane robot sayısı kadar alt probleme bölünmüs¸tür. Bütün robotlar, belli aralıklarla konum tahminlerini dig˘er robotlarla paylas¸ırlar. Buna benzer bir dig˘er çalıs¸mada, robotların göreceli konum bilgilerini tümles¸tirmeye yönelik bir ayrık algoritma önerilmis¸tir [88]. Bu yaklas¸ımların en önemli eksig˘i, algoritmanın bir minimuma yakınsama garantisinin olmamasıdır.

Bu alandaki çalıs¸maların bir çog˘u için geçerli olan bir dig˘er husus, robotların birbirlerine göre konumlarının hesaplanmasında bazı varsayımların yapılmasıdır [89]. Bazı çalıs¸malar, bas¸langıçta göreceli konumların verildig˘i varsayımını yapmaktadır [20], [50], [121], [153]. Dig˘er bir yaklas¸ımda ise, robotların bas¸langıç konumlarının bilinmedig˘i ancak herhangi bir robotun kesinlikle bas¸ka bir robotun görüs¸ alanında konumlandırıldıg˘ı varsayılmıs¸tır [85]. Bu sayede, robotlar arası ilk kars¸ılas¸manın konum bulmaya yeterli olacag˘ı ve bundan sonraki kars¸ılas¸maların önemli olmadıg˘ı belirtilmis¸tir [73]. Robotların tamamen bilinmeyen yerlerde bas¸ladıkları ve haritalarında hiç kesis¸en bölge olmayabileceg˘i varsayıldıg˘ı, az sayıda da olsa, çalıs¸malar bulunmaktadır. Bu tip bir bas¸langıç kos¸ulunda, bir robotun kendi haritasında parçacık süzgeci filtresi ile dig˘er robotların konumlarını bulması [89], Gaussian Markov rastgele alan temelli seyrek genis¸letilmis¸ bilgi filtreleri [161] ve karekök bilgi düzlemesi kullanılarak haritalar arasındaki es¸les¸tirmenin yapılması [5] gibi yaklas¸ımlar önerilmektedir. Ancak, tümel haritalar eksikli olabileceg˘inden ve robotların bireysel haritaların kesis¸mesi garanti edilmedig˘inden, mekanların bilinmeyen kısımları ön bilgilere dayalı olarak kestirilmesi durumu olus¸makta ve bu da sorun yaratabilmektedir.

I˙kinci bir problem, haritalar arasında veri es¸les¸tirmedir. Bunun

için robotların ortak referans noktaları belirlemesi gerekir. Bu noktalar insan eliyle verilmekte veya yerel imge tanımlayıcıları kullanarak belirlenmektedir. Eg˘er bu ortak referanslar dikkate alınmaz ve robotlar haritalarının birbirinden bag˘ımsız oldug˘unu varsayarsa, haritaların üst üste binen yerlerinde kaymalar olmaktadır [74]. Olus¸abilecek bu tutarsızlıkları önleyebilmek için, 2 boyutlu haritalar yerine manifold temelli harita gösterimi önerilmis¸tir [72], ancak manifoldun gösteriminde zorluklar bulunmaktadır.

Sınırlı iletis¸im durumunda iletis¸im ag˘ının yönetilmesi ve grup içinde yapılacak is¸lemlerin paylas¸tırılması da düs¸ünülmesi gereken dig˘er hususlardır. I˙letis¸im ve kars¸ılıklı bilgi paylas¸ımı, müs¸terek robot takımları için önemlidir. Ancak bu konuda yapılan çalıs¸malar, özellikle de durum kestirimi konusunda, son derece sınırlıdır [83].

Mevcut yaklas¸ımların, varsayımlar çerçevesinde, bas¸arılı sonuçlarına rag˘men, bazı durumlarda bu yaklas¸ımlar hızlı bir s¸ekilde sonuca ulas¸amamaktadırlar [125]. Haritalanacak olan alanın büyümesi veya algılamalardaki gürültü sonuç almayı geciktirmekte ve bazen sonuç alınmasını engellemektedir.

A.2 Harita Birles¸tirme

Harita birles¸tirme problemi, akademik çalıs¸maların yog˘unlas¸tıg˘ı bir dig˘er konudur. Bu problemde, es¸zamanlı konumlama ve haritalama probleminden farklı olarak robotlar, kendi bas¸larına ve dig˘er robotların konumu hakkında bilgi sahibi olmadan yerel haritalarını olus¸turmaktadırlar. Buradaki amaç, robotların çalıs¸ma alanlarında olus¸an bu haritalardaki kesis¸en bölgeleri bulup haritaları birles¸tirmektir [90]. Bu problem, kesis¸en birden çok imgenin düzenlenmesini içeren imge dikis¸leme problemine benzemektedir. Bu konudaki sınırlı sayıdaki çalıs¸maları, haritanın gösterim yöntemine göre iki gruba ayırabiliriz. Birinci grup yaklas¸ımlar doluluk kafesi ile haritalama veya öznitelik tabanlı haritalama gibi geometrik tabanlı yöntemlerdir [113]. Doluluk kafesi haritalarında harita birles¸tirme problemi, haritayı bir imge gibi dig˘er haritalar üzerinde kaydırarak ortak noktaların tespit edilmesi s¸eklinde tanımlanmaktadır [11]. Benzerlik ölçümü için, es¸les¸tirilen yerlerin Öklid uzaklıg˘ı ortalaması, Hausdorff uzaklıg˘ı veya dig˘er bas¸ka metrikler kullanılabilir. Yaklas¸ımlardan bir kısmı ise, imge tescilleme problemlerinde sıkça kullanılan dürümsel enyakın nokta yaklas¸ımından esinlenerek gelis¸tirilmis¸lerdir. Dürümsel enyakın nokta yaklas¸ımında, verilen iki veri seti arasındaki benzer noktaların arasındaki farkın karesini minimize eden dönüs¸üm parametreleri bulunur [10], [180]. Bulunan parametreler kullanılarak tekrar birbiriyle aynı olan noktalar kestirilir ve yeni bir parametre seti elde edilir. Algoritma, parametrelerdeki deg˘is¸im belli bir es¸ig˘in altına düs¸ene kadar bu is¸lemi sürdürür. Öznitelik tabanlı haritalamalarda ise iki haritadaki aynı özniteliklerin ve sabit is¸aretlerin bulunması için, benzer yöntemler kullanılmaktadır [11].

Geometrik tabanlı yöntemlere alternatif olarak gelis¸tirilen topolojik yaklas¸ımlarda ise, harita birles¸tirme problemi, birden fazla çizgenin es¸les¸tirilmesi problemine benzer [130]. Topolojik harita birles¸tirme yöntemleri, temel olarak, birbiri ile es¸les¸mis¸ düg˘üm veya düg˘ümleri kullanarak iki harita arasındaki dönüs¸ümü hesaplar. Bunun için, hipotez reddi üzerine kurulu [74] ve bulus¸sal [11], [36] gibi farklı yaklas¸ımlar vardır. Ancak çog˘u çalıs¸mada, farklı iki haritanın büyük

Karaoğuz H., Erkent Ö., Bayram H., Bozma H. I., Tek Robottan Çoklu Robotlara Ortam Haritalama, Cilt 2, Sayı 4, Syf 105-118, Aralık 2012

oranda kesis¸tig˘i ve haritalarda fazla oranda belirsizlik olmadıg˘ı varsayımları yapılmıs¸tır. Bunlara ek olarak, yapısal öznitelikler kullanılarak gelis¸tirilen alt çizge es¸les¸tirme yöntemleri de mevcuttur [74]. Eg˘er bir robotun topolojik haritası, geometrik ve görsel bilgiler içeriyorsa, bu bilgi, robotun kendi referans koordinatlarına göre düg˘ümlerin yerlerinin tahmin edilmesinde kullanılabilir. Bu durum, harita birles¸tirme probleminin daha önce belirtildig˘i gibi imge tescilleme yöntemleri kullanılarak çözülebileceg˘ini gösterir.

Bu konuda üçüncü bir yaklas¸ım da, karma haritalar kullanılarak bilginin birles¸tirilmesidir. Robotların, metrik harita kapsamlarının örtüs¸medig˘i varsayılarak, her robotun yerel haritası bir çizge düg˘ümü olarak düs¸ünülmekte ve bunlar arasındaki kenar etiketleri ile olan dönüs¸ümler ve ilintili belirsizlikler, bir eniyileme problemi olarak çözülmektedir [31].

B. Robotlar Arası I˙lis¸ki

Çok robotlu sistemler için önemli dig˘er bir husus, robotlar arasındaki ilis¸kidir. Örneg˘in, birden çok robottan sag˘lanan haritaların birles¸tirilmesi, robotlar arası ilis¸kiler vasıtasıyla yapılabilir. Bu husus, hangi bilgilerin nasıl paylas¸ılacag˘ı konusunuda içermektedir. Robotların birbirleriyle olan ilis¸kileri, olası kars¸ılas¸malarda birbirlerini algılamalarına [54], iletis¸im kullanarak haberles¸melerine veya hem algılama hem de iletis¸im kullanmalarına [145] bag˘lı olarak farklılas¸maktadır.

Robotların birbirleri ile kars¸ılas¸ması, dog˘rudan veya dolaylı bir s¸ekilde olabilir. Bir robotun, dig˘er bir robotu algılayıcıları vasıtasıyla görmesi ve tanıması, dog˘rudan kars¸ılas¸ma olarak tanımlanmaktadır [85]. Bu durumda, kars¸ılas¸an robotlar birbirlerini kendi haritalarında konumlamaya çalıs¸ırlar. Bunun gerçekles¸ebilmesi için robot üzerinde metrik konum ölçebilen algılayıcılar (lazer, sonar, v.s.) bulunmalıdır. Dolaylı kars¸ılas¸malar ise, robotların birbirlerini görmeden ortamdaki ortak bir noktayı gözlemlemesi durumunda olur. Bu gözlemler farklı zamanlarda gerçekles¸mis¸ olabilir. Bu durumda, konum kestirimi için bazı metrik kos¸ullar olus¸mus¸ olur ve bu sayede robotlar birbirlerinin konumunu göreceli olarak kestirebilirler.

Aslen birçok çalıs¸mada, robotlar arasındaki kars¸ılas¸malar için özel bir strateji belirlenmeyip, bilgi paylas¸ımı, robotların rastlantısal kars¸ılas¸malarında yapılmaktadır. Örneg˘in bazı yaklas¸ımlarda, bir robot, dig˘er bir robotun konumunu kamera ve lazer algılayıcısı ile belirledikten sonra iletis¸im kurulmakta ve bilgi paylas¸ımı yapmaktadır [54], [75]. Bir bas¸ka çalıs¸mada ise, robotlar birbirinin görüs¸ sahası içine girdiklerinde uzaklık ölçümü yaparak, bu bilgiyi dig˘er tüm robotlara yayımlarlar [71]. Bazı çalıs¸malarda ise, robotlar bir randevu stratejisi ile kendileri için ortak oldug˘unu düs¸ündükleri noktalarda kars¸ılas¸mayı amaçlarlar [45], [138]. Bu yaklas¸ımlarda, robotlar dig˘er robotların kendi haritalarındaki konumları hakkında hipotezler üretirler. Bu hipotezlerin dog˘rulug˘unu kanıtlamak için robotlar arasında randevu noktaları seçilir. Eg˘er bu randevu noktalarında bas¸arılı bir s¸ekilde bulus¸urlarsa, haritalarını birles¸tirip ortam kes¸fini birlikte sürdürmeye devam ederler. Bu yaklas¸ımlardaki kısıtlayıcı unsurlardan biri, robotların birbirleriyle konum hipotezlerini paylas¸mak için sürekli iletis¸imde olma zorunlulug˘udur. Bu durum, yüksek bant genis¸lig˘i gereksinimi ortaya çıkarmaktadır. Dolayısı ile daha çok kısa menzilli iletis¸imin oldug˘u durumlar için uygundur. Bir dig˘er unsur

ise, robotların, hipotezlerin dog˘rulug˘unu sag˘layamaması durumunda devamlı olarak yeni hipotezler üretip asıl görevden sapma durumunun olus¸masıdır. Bir bas¸ka çalıs¸mada, robotlar iki gruba ayrılıp birbirleri için tas¸ınabilir nirengi is¸levi görmektedirler [95]. Bu is¸levde, bir grup robot hareket ederken dig˘er grup sabit durup nirengi olmaktadır. Bu is¸lem görev tamamlanıncaya kadar sürdürülmektedir. Bu yöntemin avantajı, robotların bas¸langıç konumları ve haritalardaki kesis¸en bölgelerinin olmaması gibi varsayımlara gerek duymamasıdır. Ancak, robotların nirengi görevi görmesi onların hareketlerini kısıtlamaktadır.

Robotların elde ettikleri bilgileri paylas¸abilmeleri için birbirileriyle iletis¸imde olmaları gerektig˘inden, robotlar arası iletis¸im de bir dig˘er önemli husustur [56]. ˙Iletis¸im yapısı, merkezi, dag˘ıtık veya karma olabilir [100]. Merkezi yaklas¸ımlarda, robotlar bilgilerini bir bilgi birles¸tirme merkezine iletirler. Bu merkezde, gelen bütün bilgiler is¸lenerek, ortak yapı olus¸turulur. Dag˘ıtık yöntemlerde ise merkezi birles¸tirme birimi olmaksızın tüm robotlar bilgi üzerindeki is¸lemleri kendileri yaparlar [41], [50], [111], [122]. ˙Iletis¸imde bir dig˘er önemli husus, robotlar arasındaki iletis¸im stratejisi ve buna dayalı olarak olus¸an iletis¸im ag˘ıdır. Yapılan çalıs¸maların çog˘unda, iletis¸imin bir s¸ekilde sag˘landıg˘ı varsayılmıs¸tır. Fakat, genel olarak varsayılan, herkes ile sürekli iletis¸imde olma yaklas¸ımı, çok fazla kanal kapasitesi gerektirmesi nedeniyle veya bas¸ka bir takım sınırlamalardan dolayı her zaman mümkün olamayacag˘ından, gerçekçi bir varsayım deg˘ildir [98]. Bu çerçevede, robotların kimler ile nasıl ve ne zaman iletis¸ime gireceg˘i ve hangi bilgileri paylas¸acag˘ı, üzerinde çalıs¸ılması gereken önemli bir konudur [168]. ˙Iletis¸im ag˘larındaki son gelis¸meler, birbirlerine uzak mesafelerde bulunan dinamik sistemlerin veya robotların olus¸turdug˘u ag˘ üzerinden koordineli olarak dinamik görevleri yerine getirmeye olanak vermektedir [24]. Bu perspektifte, çoklu robot sistemleri karma yapıya sahiptirler. Bu karma yapının sürekli kısmı robotların durumları ile ilgilidir. Ayrık kısım ise robotların birbirleriyle olan etkiles¸imleriyle tanımlanmaktadır [23], [101], [102]. Karma sistemler için önerilen bu modeller önemli ölçüde sistem gereksinmelerinin tipine bag˘lıdır [132], [174]. Sürekli durumlar ile ayrık etkiles¸imler arasındaki ilis¸ki çizge ag˘lara dayandırılmaktadır [112], [118], [144]. Robotların durumlarının ve ilgili ag˘ın ayrı fakat bag˘lı olarak gelis¸tig˘inde, ag˘ gelis¸imiyle ilgili stratejiler dikkate alınmaktadır [169]. Es¸zamanlı kontrol ve iletis¸im yapan robotlar için zaman ve iletis¸im karmas¸ıklıg˘ı tanımları gelis¸tirilmis¸tir [108].

Alandaki çalıs¸maların birçog˘u, daha önce bahsedildig˘i üzere, robotlar arasında tam bag˘lı bir ag˘ oldug˘unu ve robotların birbirleriyle kars¸ılas¸tıklarında, dolaylı veya dog˘rudan, aralarındaki iletis¸imin yüksek bant genis¸likli ve iki yönlü oldug˘unu varsayar [148]. Bu durum iletis¸imin kısıtlı oldug˘u durumların göz ardı edilmesine neden olmaktadır [85], [152]. Halbuki, sınırlı iletis¸ime sahip robot sistemleri daha gerçekçidir [60], [116], [149]. Buna yönelik olarak, iletis¸imde uzaklık tabanlı modülasyon önerilerek, robot çiftleri aralarındaki uzaklıkla dog˘ru orantılı olan bir frekansta iletis¸im kurmaktadır [86]. Uzaklık bilgilerinin bilinemedig˘i durumlarda, farklı bir yaklas¸ım uygulanarak az sayıdaki robotlara hareket ve iletis¸im yapmalarına izin verilirken, dig˘er robotlar hareketsiz durmaktadır. Bir bas¸ka yaklas¸ım ise, oyun kuramsal yaklas¸ımdır [76],

[171]. Çoklu üstlenici ag˘larda, her bir üstlenicinin kazanç ve maliyet arasındaki çatıs¸ma dog˘al olarak oyun kuramsal formülasyona götürmektedir [79]. Mevcut aras¸tırmalardaki temel yaklas¸ım, oyuncuların kendi stratejilerini dig˘er oyunculardan bag˘ımsız olarak ele aldıkları, is¸birlikçi olmayan oyunlardır [142]. Alternatif olarak, is¸birlikçi oyun kuramı da oyuncuların bag˘lantı kurma ve koparma kararının ortak verildig˘i ag˘ formasyonları için kullanılmaktadır [66], [142]. Birçok koalisyon oyununda, oyuncular birbirlerine bag˘lı ve bir çizgedeki ikili bag˘lantılar üzerinden iletis¸im yaptıklarından, bag˘lı çizgelerde her bir koalisyonun deg˘eri çizge yapısına bag˘lı olmak üzere koalisyonlar üzerine haritalanmaktadır [76], [120]. Koalisyon oyunlarının ortamsal deg˘is¸melere maruz kalabildikleri bilinmesine rag˘men [142], muhtemelen model ve objektiflere bag˘lı olmasından dolayı dinamik koalisyonlar daha az çalıs¸ılmıs¸tır. Ancak, ag˘ oyunlarının çog˘u oyuncuların dinamik yapısını dikkate almamaktadır. Oyuncuların görev dinamig˘i ile ag˘ dinamig˘i arasındaki ilis¸kiler hala az çalıs¸ılmıs¸ bir konudur. Grubumuzun bu konudaki çalıs¸maları öncü olup, robotların kendi is¸lerini yaparken, aynı zamanda dig˘er robotlar ile iletis¸imlerini tanımlanan son kazanç açısından optimize edebilmek için oyun kuramsal bazlı yaklas¸ımlar gelis¸tirilmis¸tir [8], [9]. Ancak, ortamın kes¸fi ve haritaların paylas¸ımı daha farklı stratejiler gerektirecektir. Zira robotlar hareket ederken, iletis¸im kararları, alınan bilginin en fazla olması, hareket kurgusuna uygunluk ve robotlar arasındaki giris¸imin en aza indirgenmesi gibi farklı kriteler içerecektir.

C. Robot Yöngüdümü

Ortam algılama ve haritalama üzerine yapılan çalıs¸malarda odaklanılan dig˘er bir husus, robotun nasıl hareket edeceg˘idir. Robot yöngüdümü, robotların haritalama görevini verimli bir s¸ekilde tamamlamaları için ne s¸ekilde hareket edeceklerine odaklanmaktadır. Tek veya çok robotlu sistemlerde harita ile ilgili yapılan birçok çalıs¸mada, hareket, önceden belirlenen patikalar dog˘rultusunda veya sistem dinamig˘ine göre yapılmaktadır. Halbuki, harita uygulamalarında çözülmesi gereken önemli bir problem, robotların bulundukları ortamda etkin bir s¸ekilde hareket etmeleri ve etrafı kes¸fedebilmeleridir. Bu çerçevede, iki alt problem robotların nereye ve nasıl gidecekleridir. Yaklas¸ımlar, es¸güdümsüz ve es¸güdümlü olarak sınıflandırılabilir. Es¸güdümsüz yaklas¸ımlarda, her robot kendi bas¸ına, örneg˘in en yakın mesafe gibi kriterlere göre hedefini tespit eder. Es¸güdümlü yaklas¸ımlarda ise, merkezi bir es¸güdüm veya iletis¸im ile, her bir robota atanacak kes¸if bölgeleri belirlenerek, robotların es¸zamanlı olarak farklı bölgeleri taramaları sag˘lanmaktadır [21]. Hedeflerin robotlara dikkatlice atanması önemlidir, zira hem gereksiz is¸ yükü azaltılır hem de robotlar arasındaki çakıs¸ma en aza indirgenebilir [157]. Sıkça kullanılan yaklas¸ımlardan birinde, robotlara kes¸fedilmis¸ ve kes¸fedilmemis¸ bölgeler arasındaki sınırlar bildirilmektedir [179]. Robotlara atanacak potansiyel hedef noktalar dizisini seçmek amacıyla açık arttırma tabanlı yaklas¸ımlar da önerilmis¸tir [150], [183]. Bir bas¸ka yaklas¸ımda hedefler, dig˘er robotlar tarafından görülebilirlig˘ine dayanan yararlılıg˘ı ile bu hedefe varabilmek için gidilmesi gereken mesafeye dayalı maliyet arasındaki ödünles¸imi, eniyiles¸tirmeye dayalı olarak belirlenmektedir [21]. Ortamın yapısının bilindig˘i durumlarda, robotlara hudut hedefleri yerine alan bölütleri atanmaktadır

[177].

Her robotun kendisine atanan alanı kapsayabilmek için kullandıg˘ı yaklas¸ımlar, tek robotlu yaklas¸ımlara benzer bir s¸ekilde, bulus¸sal ve rastlantısal tabanlı [115], tam hücresel ayrıs¸ım tabanlı [1], [2] ve yaklas¸ık hücresel ayrıs¸ım tabanlı olarak sınıflandırılabilir. Yapılan çalıs¸maların neredeyse tamamı, yöngüdüm problemini, hedef kararlas¸tırma probleminden ayrı olarak ele almaktadır. Dikkate deg˘er istisnalar [139], [143]’dür. ˙Ilk çalıs¸mada, takipçi robotların gizilgüç alan formülasyonuna göre hareket ettikleri lider takip metoduna dayanan bir yaklas¸ım önerilmis¸tir. Buna paralel olarak, hareket ve kes¸if konusunun yine genel olarak metrik harita bazlı yaklas¸ımlar çerçevesinde yapıldıg˘ı görülmektedir [44]. Yine, dinamik alanların takibi konusunda yapılan bir çalıs¸ma ile, farklı alan tarama s¸ekilleri mümkün olmaktadır [69]. Çoklu robotlar ile ortam kes¸finde önemli ilerlemeler sag˘lanırken, daha öncede bahsedildig˘i üzere robotlar arası iletis¸im konusuna daha az ilgi gösterilmis¸tir [129]. Bu alandaki çalıs¸maların çog˘u tam ve sınırsız iletis¸imi varsaymıs¸lardır. Ancak, pratikte robotlar sınırlı iletis¸imin üstesinden gelmek zorundadırlar. Sınırlı iletis¸im, robotların iletis¸im yeteneg˘ini azalttıg˘ından problemi daha da zorlas¸tırmaktadır [21], [129]. Örneg˘in, robotlar arası uzaklık iletis¸im kurulamayacak kadar uzak ise veya bir ag˘ hatası olus¸mus¸ ise, robotlar dig˘er bir robotun daha önceden kes¸fetmis¸ oldug˘u alanı tekrar kes¸fedebilir. Bu durum, verimlilig˘in düs¸mesine sebep olmaktadır.

V. Haritalama Uygulamaları

Haritalama üzerine yapılan çalıs¸malar, farklı birçok ortamda uygulanmıs¸tır [15], [34], [25]. Uygulamalar, 2B ofis, laboratuvar gibi basit iç mekan senaryolarından, dıs¸ mekanlara ve hatta sualtı ortamlarına dog˘ru ilerlemis¸tir [33]. Bu uygulamalarda genel olarak kamera, 2B/3B lazer tarayıcı gibi algılayıcılardan gelen ortam bilgileri kullanılmaktadır [141]. Bazı çalıs¸malarda ise, bu algılayıcılara ek olarak, kodlayıcı, pusula, ataletsel ölçüm ünitesi gibi robotun hareketine dair bilgiler sag˘layan algılayıcılar da kullanılmıs¸tır.

Bu alandaki ilk çalıs¸malarda, lazerden gelen 2B uzaklık bilgilerinin kullanıldıg˘ı görülmektedir [65]. Örneg˘in, lazer tabanlı es¸ zamanlı konumlama ve haritalama, dıs¸ ortamlarda [64], [123], sualtında [123] ve havada [84], [158] uygulanmıs¸tır. Yine dıs¸ ortamda, lazer tarayıcıdan gelen geometrik bilgiler ile, hem özniteliklerin yerel durus¸larının betimlendig˘i, hem de öznitelikler arasındaki tümel bag˘lantıların tanımlandıg˘ı melez bir harita yapısı olus¸turulmus¸tur [53].

Bazı çalıs¸malarda ise sadece kameralardan gelen görsel veri kullanılarak, harita olus¸turmaya odaklanılmıs¸tır [78], [99], [106]. Örneg˘in, çift stereo kameralardan gelen öznitelikler, Ransac algoritmasıyla geometrik olarak es¸les¸tirilerek, yine dıs¸ ortamlarda harita olus¸turmada kullanılmıs¸tır [91], [109], [145], [147], [175]. Hatta bu çalıs¸malar, sualtında da uygulanmıs¸tır [104]. Kamera bazlı es¸ zamanlı konumlama ve haritalandırma temelli bas¸ka aras¸tırmalarda ise, görsel bigiler kullanılarak, dıs¸ ortamlarda kaçırılan robot ve önceden hiç gidilmemis¸ yerler gibi durumlarda ne yapabileceg˘ini bilen robotlar gelis¸tirilmektedir [28], [29], [162]. Bu tip durumlarda, öznitelik haritaları büyürken, gerçek zamanlı bir uygulamayı gerçekles¸tirebilmek önemli bir husustur. Birçok aras¸tırma, bahsedilen bu sorunları da ele almaya bas¸lamıs¸ ve bunları gidermek üzere yaklas¸ım-

Karaoğuz H., Erkent Ö., Bayram H., Bozma H. I., Tek Robottan Çoklu Robotlara Ortam Haritalama, Cilt 2, Sayı 4, Syf 105-118, Aralık 2012

lar önerilmis¸tir. Buna örnek olarak, günümüz yöntemlerinin kentsel bir dıs¸ ortamda, kendini tekrarlayan ve hareketli nesneler gibi zorlayıcı durumlardaki bas¸arımını deg˘erlendiren bir çalıs¸ma yapılmıs¸tır [3]. Bu çalıs¸malarda hedeflenen nokta, zamansal açıdan sabit gereksinimleri olan bir yaklas¸ım ile gezgin robotun ortamı sonlu zaman içinde haritalayabilmesini sag˘lamaktır. Günümüzde, özellikle 3B lazerlerin gelis¸tirilmesi ile birlikte, kamera ve 3B lazerler birlikte kullanılarak metrik es¸ zamanlı konumlama ve haritalama [133] ve topolojik [96] temelli haritalama uygulamaları yapılmıs¸tır. Bu konudaki çalıs¸malar devam etmekte olup, farklı algılama s¸ekillerinin de denendig˘ini gözlemlenmektedir. Örneg˘in, iki standart kamera ve bir atalet ölçü ünitesi kullanılarak, uçabilen bir robot ile dıs¸ ortamların harita çıkarımı uygulaması sunulmaktadır [158].

(b) S¸ekil 3: Haritalama senaryo örnekleri. Üst: I˙ç ortamda alanların tanımlanması [134]. Alt: Bir dıs¸ ortamda alanların tanımlanması [58].

Haritalama uygulamaları için gelis¸tirilen yöntemlerin sınanabilmesi için birçok veritabanı mevcuttur [134][137]. Bunların bazıları iç ortamda, bazıları da dıs¸ ortamda alınmıs¸ verilerdir. Her veritabanı, iç, dıs¸ veya karma bir ortamda alınan odometri, görsel, uzaklık gibi farklı bilgileri içermektedirler. S¸ ekil 3’de, birer iç ve dıs¸ ortam kapsamı örnek olarak sunulmaktadır. Zaman içinde, gelis¸tirilen yaklas¸ımlar bu veriler üzerinde uygulandıg˘ından, bas¸arım açısından kars¸ılas¸tırma yapmak mümkündür.

VI..Sonuç

Robotik ve yapay zeka alanlarının hedeflerinden biri, gezgin robotların is¸ yapma becerilerini arttırmaktır. Gelis¸tirilen ilk gezgin robotlardan biri olan Shakey’den itibaren, bir robotun harekete bas¸lamadan önce veya hareket halinde iken, kendi eylemleri hakkında muhakeme yapmasını sag˘layacak algoritmalar üzerinde çalıs¸ılmaktadır. Robotik ve yapay zeka alanında yapılan aras¸tırma ve gelis¸tirmeler, bu vizyona yönelik çok

önemli katkılar sag˘lamıs¸tır. Ancak, bu ümit verici gelis¸melere rag˘men, mevcut ticari ve askeri robotların çok nadiren tamamen özerk bir görev ve hareket planlama yeteneklerine sahip oldukları görülmektedir. Buna sebep olarak, robotların bulundukları ortamı algılayarak, ortam haritası olus¸turmalarındaki yetersizlikler ve bu haritaların görev planlarına tümles¸tirilmeleri konusundaki eksikleri sayabiliriz. Daha detaylı olarak açıklamak gerekirse:

• Gerçek dünya uygulamaları, dinamik ortamlar, gerçek zamanlılık ve sürekli operasyon gibi son derece karmas¸ık gereksinimlere sahiptirler.

• Algılama, harita olus¸turma ve kullanma, kontrol gibi son derece farklı yöntemleri içeren alanların birles¸tirilmesinde tam olarak çözülememis¸ sorunlar vardır.

Tüm bu zorluklara rag˘men, yine de otonom gezgin robotların, farklı iç ve dıs¸ ortamlarda, gittikçe artan bir eg˘ilim ile kullanıldıklarını gözlemlemekteyiz. Mevcut durum itibari ile, endüstri veya askeri amaçlı kullanılan robotların genel olarak önceden hesaplanmıs¸ hareketlere ve statik, önceden olus¸turulmus¸ planları temel aldıg˘ını biliyoruz. Bu çerçevede, ilgili ticari ve askeri s¸irketler, hem robotik görevlerde, hem de hareket planlamada henüz çok az seviyede olan otonominin arttırılmasına son derece önem vermektedirler. Bu bag˘lamda önemli bir nokta, robotların bulundukları ortamı mümkün oldug˘unca kapsamlı olarak algılamaları ve hafızalarında bu algılar temelli haritalar olus¸turabilmeleridir. Bu haritalar kullanılarak, uzamsal muhakeme yapabilmeleri ve otonom olabilmeleri; dolayısıyla çevre tarama, kes¸if, hareket, tas¸ıma gibi farklı is¸leri kendi bas¸larına güvenilir bir s¸ekilde yapabilmeleridir.

Harita modelleri ve kullanım yöntemleri açısından, yapılan çalıs¸maların ag˘ırlıklı olarak metrik haritalar ve geometrik bazlı kullanım yöntemleri çerçevesinde oldug˘u görülmektedir. Metrik haritalar ile muhakeme genel olarak, Bayes tabanlı filtreler veya beklenti en büyütme gibi klasik kestirim ve istatistik kuramı temelli yaklas¸ımlar ile sag˘lanmaktadır. Her ne kadar geometrik kafes tabanlı haritalama, ortamın detaylı bir s¸ekilde haritalandırılmasını ve deg˘is¸ik algılayıcılardan gelen verilerin tümles¸tirilmesini sag˘lar. Ancak, sabit kafes boyutu nedeniyle, genis¸ ortamlarda çok sayıda kafes olus¸turulması gerekmektedir. Buna bag˘lı olarak yüksek hesaplama yükü, yüksek hafıza gereksinimi gibi kısıtlayıcı durumlar ortaya çıkar. Bu yaklas¸ıma alternatif olarak gelis¸tirilen topolojik yaklas¸ımlar, esasen çizge bazlı yaklas¸ımlar olup, düg˘ümlerin ve kenarların ne anlama geldig˘i uygulamaya göre deg˘is¸ebilmektedir. En güncel çalıs¸malarda, imgelerden olus¸turulan görsel sözcükler düg˘ümleri olus¸turmakta ve imgeler arası ilis¸kilere dayalı olarak, düg˘ümler arasındaki kenarlar olus¸turulmaktadır. Ancak bu çalıs¸malara rag˘men, topolojik haritaların tam olarak ne oldug˘u ve nasıl olus¸turulduklarına dair bir görüs¸ birlig˘i yoktur.

Çoklu robotlar ile harita çıkarımı ve kullanımı konusu ise, birden fazla robotun seçilen harita modeli çerçevesinde, bulunulan ortamın haritasını nasıl olus¸turacakları, ilgili hareket ve iletis¸im yöntemleri ile ilintilidir. Bu çerçevede, çoklu robotlar ile yapılan çalıs¸maların genelde metrik harita temelli geometrik yaklas¸ımlar oldug˘u görülmektedir. Az sayıdaki topolojik harita temelli, çoklu robot haritalama çalıs¸malarında, düg˘ümler yerel yapıyı tam olarak yansıtamamakta veya dikdörtgensel harita-

lar gibi varsayımlar yapılmaktadır. Yine çok az sayıda olan karma harita temelli çalıs¸malarda düg˘ümler, metrik haritalardan olus¸tug˘undan, bu tür haritalar ile ilis¸kilendirilen sorunlara sahiptirler. Hareket ve kes¸if konusunda ise, yine metrik harita bazlı yaklas¸ımların çog˘unlukta oldug˘u görülmektedir. Topolojik veya karma haritalar ile kes¸if konusunu ele alan çalıs¸malar çok daha az sayıdadır.

Çoklu robotlarda önemli ikinci bir husus ise robotlar arasındaki iletis¸im stratejisi ve buna dayalı olarak olus¸an iletis¸im ag˘ıdır. Yapılan çalıs¸maların çog˘unda, iletis¸imin bir s¸ekilde sag˘lanıldıg˘ı varsayılmıs¸tır. Halbuki robotların, kimler ile nasıl ve ne zaman iletis¸ime gireceg˘i ve hangi bilgileri paylas¸acag˘ı, üzerinde çalıs¸ılması gereken ayrı bir konudur ve bu konuda yapılan yayınların göreceli olarak yeni tarihli oldug˘u görülmektedir. Herkes ile sürekli iletis¸ime girmek ve sahip olunan tüm bilgileri paylas¸mak, çok fazla iletis¸im kanalı kapasitesi gerektireceg˘inden veya sınırlı güç, uzaklık gibi fiziksel nedenlerden dolayı mümkün olmayabilir. Robotlar hareket ederken, iletis¸im kararları, alınan bilginin en fazla olması, hareket kurgusuna uygunluk ve robotlar arasındaki etkiles¸imin en aza indirgenmesi gibi farklı kriterler içerecektir. Dolayısıyla bag˘lantılar bu kriterlere göre belirlenir.

Sonuç olarak, yukarıda anlatılan hedefler ile bilimsel ve teknolojik olarak gerçekles¸tirilen ilerlemeler çerçevesinde, ortam haritalama, yapılmıs¸ olan tüm çalıs¸malara rag˘men, hala önemli bir konu olmaya devam etmektedir. Makalede anlatıldıg˘ı üzere, alanda büyük ilerlemeler kaydedilmis¸ olmasına rag˘men, tüm sorunların çözüldüg˘ünü söylemek mümkün deg˘ildir. Nitekim, robotik alanının en önemli konferanslarından biri olan "IEEE International Conference on Robotics and Automation" konferansının son yıllarda yapılan etkinliklerinde, günlük sunus¸lar dilimini olus¸turan oturumlardan en az bir veya ikisinin, bu konularda yapılması, konunun güncellig˘inin devam ettig˘inin önemli bir göstergesidir. Bu çalıs¸mamız, robot camiasında bu alana ilgi duyanlar için bir bas¸langıç kaynag˘ı olması amacı ile sunulmus¸tur.

Tes¸ekkür

Bu çalıs¸ma kısmi olarak Bog˘aziçi Üniversitesi BAP Projesi 2010-5720, kısmi olarak ta Tübitak EEEAG 111285 kodlu proje tarafından desteklenmis¸tir.

Ek: Kars¸ılıklı Türkçe & I˙ngilizce Terimler Bu kısımda, makalede kullanılan çes¸itli terimlerin I˙ngilizce kars¸ılıkları alfabetik olarak sunulmaktadır.

Alt çizge ↔ Sub-graph Ana biles¸enler analizi ↔ Principal component analysis Artımlı en büyük olabilirlik ↔

Incremental maximum likelihood Bag˘lamsal tabanlı ↔ Context-based Beklenti en büyütme ↔ Expectation maximization Bilgi birles¸imi ↔ Data fusion Bulus¸sal ↔ Heuristic Çizge bölütleme ↔ Graph partitioning Çoklu üstlenici ↔ Multi-agent Deg˘is¸inti ↔ Covariance Dıs¸sal ↔ Extroseptive

Doluluk kafesi ↔ Occupancy grid Destek vektör makineleri ↔ Support vector machines Dog˘rudan kars¸ılas¸ma ↔ Direct encounter Düg˘ümler ↔ Nodes, vertices Dünya merkezli ↔ World-centric Dürümsel enyakın nokta ↔ Iterative Closest Point Düzleme ↔ Smoothing En muhtemel harita ↔ Most Likely Map Es¸zamanlı konumlandırma ve haritalandırma ↔

Simultaneous Localization and Mapping (SLAM) ˙Içsel ↔ Proprioseptive ˙Ikili oyunlarda ↔ Pairwise games ˙Imge dikis¸leme ↔ Image stitching ˙Imge tescilleme ↔ Image registration I˙skelet ↔ Skeleton ˙Is¸birlikçi ↔ Cooperative ˙Izgel topaklama ↔ Spectral clustering Kare Kök Bilgi Yumus¸atması ↔

Square Root Information Smoothing Karma ↔ Hybrid Kazanç ↔ Payoff Kelime çantası ↔ Bag of words Kenarlar ↔ Edges Küme kuramsal ↔ Set-theoretic Nirengi ↔ Landmark Optimal altı ↔ Suboptimal Özimgelere parçalama ↔ Decomposition into eigenimages Özyineli ↔ Recursive Parekete hesabı ↔ Dead reckoning Parmak izi ↔ Fingerprint Robot merkezli ↔ Robot-centric Seyrek genis¸letilmis¸ bilgi süzgeçleri ↔

Sparse extended information filters Sözlük ag˘acı ↔ Vocabulary tree Tas¸ınabilir is¸aretler ↔ Portable beacons Tümyönlü ↔ Omnidirectional Veri ilis¸kilendirme ↔ Data association Yaklas¸ık hücresel ayrıs¸ım tabanlı ↔

Approximate cellular decomposition based

Kaynakça

[1] Acar, E.U. ve H. Choset, Sensor-based Coverage of Unknown Environments. Int. J. of Rob. Research, Cilt 21(4), ss. 345-366, 2002

[2] Acar E.U., H. Choset, Y. Zhang, M.J. Schervish: Path Planning for Robotic Demining: Robust Sensor-based Coverage of Unstructured Environments and Probabilistic Methods. Int. J. of Rob. Research, Cilt 22(7-8), ss. 441-466, 2003

[3] Achar S., C.V. Jawahar ve K.M. Krishna, Large Scale Visual Localization in Urban Environments. IEEE Int. Conf. on Rob. and Aut., ss. 5642-5648, 2011

[4] Albus J.S. , Outline for a Theory of Intelligence. IEEE Trans. on Sys., Man, and Cybern., Cilt 21(3), ss. 473-509, 1991

[5] Andersson L. ve J. Nygards, C-sam: Multi-robot slam using square root information smoothing, IEEE Int. Conf. on Rob. and Aut.,, ss. 2798-2805, 2008

[6] Bailey T. ve H. Durrant-Whyte, Simultaneous localization and mapping (SLAM): Part I. IEEE Rob. & Aut. Magazine, ss. 99107, 2006

[7] Bailey T. ve H. Durrant-Whyte, Simultaneous localization and mapping (SLAM): Part II. IEEE Rob. & Aut. Magazine, ss. 108-117, 2006

[8] Bayram H. ve H.I.Bozma, Multi-robot Navigation with Limited Communication-Deterministic vs Game-Theoretic Networks, Proc. of IEEE/RSJ Int. Conf. on Robots and Systems, ss. 18251830, 2010

[9] Bayram H. ve H.I.Bozma, Pairwise vs Coalition Game Networks for Multi-Robot Systems, Proc. of IFAC 18th World Congress, ss. 13750-13575, 2011

Karaoğuz H., Erkent Ö., Bayram H., Bozma H. I., Tek Robottan Çoklu Robotlara Ortam Haritalama, Cilt 2, Sayı 4, Syf 105-118, Aralık 2012

[10] Besl P. ve H. McKay, A method for fegistration of 3-d shapes, IEEE Trans. on Pattern Analysis and Machine Intelligence, Cilt 14(2), ss. 239-256, 1992

[11] Birk A. ve S. Carpin, Merging occupancy grid maps from multiple robots, Proc. of the IEEE, Cilt 94(7), ss. 1384-1397, 2006

[12] Biswas R., B. Limketkai, S. Sanner ve S.Thrun, Towards object mapping in dynamic environment with mobile robots, Proc. of IEEE/RSJ Int. Conf. on Robots and Systems, ss. 2002.

[13] Blaer P. ve P. Allen. Topological mobile robot localization using fast vision techniques, IEEE Int. Conf. on Rob. and Aut., ss. 1031-1036, 2002.

[14] Bay H., Herbert, T. Tuytelaars ve L. Van Gool, Speeded-up robust features (SURF). Computer Vision and Image Understanding, Cilt 110, ss. 346-359, 2008

[15] Bosse M., P. Newman, J. Leonard ve S. Teller, Simultaneous localization and map building in large-scale cyclic environments using the atlas framework Int. J. of Rob. Research, Cilt 23(12), ss. 1113-1139, 2004

[16] Bosse M. ve J. Roberts, Histogram matching and global initialization for laser-only slam in largeunstructured environments, IEEE Int. Conf. on Rob. and Aut., ss. 4820-4826, 2007

[17] Bowling M., D. Wilkinson, A. Ghodsi ve A. Milstein, Subjective localization with action respecting embedding, Rob. Research, Springer, Cilt 28, ss. 190-202, 2007

[18] Bozma H.I. , G. Çakiroglu ve Ç. Soyer, Biologically inspired Cartesian and non-Cartesian filters for attentional sequences. Pat. Rec. Letters, Cilt 24(9-10), ss. 1261-1274, 2003

[19] Brunskill E., T. Kollar ve N. Roy, Topological mapping using spectral clustering and classification, Proc. of IEEE/RSJ Int. Conf. on Robots and Systems, ss. 3491-3496, 2007

[20] Burgard W., M. Moors, D. Fox, R. Simmons ve S. Thrun, Collaborative multi-robot exploration, IEEE Int. Conf. on Rob. and Aut., Cilt 1, ss. 476-481, 2000

[21] Burgard W., M. Moors, C. Stachniss ve F. Schneider, Coordinated multi-robot exploration, IEEE Trans. on Rob., Cilt 21(3), ss. 376-378, 2005

[22] Caglioti V., A. Citterio ve A. Fossati, Cooperative, distributed localization in multi-robot systems: a minimum-entropy approach, IEEE Workshop on Distributed Intelligent Systems: Collective Intelligence and Its Applications, ss. 25-30, 2006

[23] Cao Y.U, A.S. Fukunaga ve A. Kahng, Cooperative mobile robotics: antecedents and directions, Auton. Rob., Cilt 4(1), ss. 7-27, 1997

[24] Casavola A., M. Papini, ve G.Franze, Supervision of networked dynamical systems under coordination constraints, IEEE Trans. on Aut. Contr., 51 (3), ss. 421-437, 2006

[25] Chong K.S. ve L. Kleeman, Feature-based mapping in real, large scale environments using an ultrasonic array, Int. J. Rob. Res., Cilt 18(1), ss. 3-19, 1999

[26] Choset H. ve K. Nagatani, Topological simultaneous localization and mapping (slam): Toward exact localization without explicit localization, IEEE Trans. on Rob. and Aut., Cilt 17, ss. 125-137, 2001

[27] Clemente L., A. Davison, I. Reid, J. Neira, ve J.D. Tardos. Mapping large loops with a single hand-held camera. In Robotics Science and Systems, 2007

[28] Cummins M. ve P. Newman, Fab-map: Probabilistic localization and mapping in the space of appearance, Int. J. Rob. Res., Cilt 27, ss. 647-665, 2008

[29] Cummins M. ve P. Newman, Appearance-only SLAM at large scale with fab-map 2.0, Int. J. Rob. Res., Cilt 30(9), 2010

[30] Cohen W. W., Adaptive mapping and navigation by teams of simple robots, Rob. and Autonomous Systems, Cilt 8(4), ss. 411434, 1996

[31] Chang H., C. Lee, Y. Hu ve Y.-H. Lu, Multi-robot slam with topological/metric maps, Proc. of IEEE/RSJ Int. Conf. on Robots and Systems, ss. 1467-1472, 2007

[32] Davison A., Real-time simultaneous localisation and mapping with a single camera, Int. Conf. on Computer Vision,, ss. 14031410, 2003

[33] Davison A., Modelling the World in Real Time: How Robots Engineer Information Phil. Trans. R. Soc., Cilt 361(1813), ss. 2875-2890, 2003

[34] Davison A., Y.G. Cid ve N. Kita, Real-time 3D SLAM with wide-angle vision, Proc. IFAC/EURON Symp. Intelligent Auton. Vehicles, 2004

[35] Davison A., I. Reid, N. Molton ve O. Stasse, Monoslam: Realtime single camera slam, IEEE Trans. on Pattern Analysis and Machine Intelligence, Cilt 29(6), ss. 1052-1067, 2007

[36] Dedeoglu G. ve G. S. Sukhatme, Landmark based matching algorithm for cooperative mapping by autonomous robots, Distributed Autonomous Robotic Systems, Cilt 4, ss. 251-60, 2000

[37] Dempster A.P., A.N. Laird ve D.B. Rubin. Maximum likelihood from incomplete data via the EM algorithm. Journal of the Royal Statistical Society, Series B, Cilt 39(1), ss. 1-38, 1977

[38] Dellaert F., S.M. Seitz, C. Thorpe ve S. Thrun, EM, MCMC, and Chain flipping for structure from motion with unknown correspondence, Machine Learning, Cilt 50(1-2), ss. 45-71, 2003

[39] Dellaert F. ve M. Kaess, "Square root SAM: Simultaneous localization and mapping via square root information smoothing," Int. J. Robot. Res., Cilt 25(12), ss. 1181-1203, 2006

[40] Desai J. P., A graph theoretic approach for modeling mobile robot team formations, J. Robot. Syst., 19(11), ss. 511-555, 2002.

[41] Dietl M., J.S. Gutmann ve B. Nebel, Cooperative sensing in dynamic environments, Proc. of IEEE/RSJ Int. Conf. on Robots and Systems, Cilt 3, ss. 1706-1713, 2001

[42] Di Marco M., A. Garulli, A. Giannitrapani ve A. Vicino, Simultaneous localization and map building for a team of cooperating robots: a set membership approach, IEEE Trans. on Rob. and Aut., Cilt 19(2), ss. 238-249, 2003

[43] Dissanayake G., P. Newman, S. Clark, H.F. Durrant-Whyte ve M. Csorba. An experimental and theoretical investigation into simultaneous localisation and map building (SLAM). Editörler: P. Corke and J. Trevelyan, Lecture Notes in Control and Information Sciences: Experimental Robotics VI, ss. 265-274, Springer Verlag, 2000

[44] Dong W. ve J.A. Farrell, Cooperative Control of Multiple Nonholonomic Mobile Agents, IEEE Trans. on Aut. Contr., Cilt 53(6), ss. 1434-1448, 2008

[45] Dudek G., M. Jenkin, D. Milos ve E. Wilkes, Topological exploration with multiple robots, Proc. of the 7th Int. Symposium on Rob. with Applications, 1998

[46] Elfes A. Sonar-based real-world mapping and navigation. IEEE Trans. on Rob. and Aut., Cilt 3(3) ss. 249-265, 1987

[47] Erkent Ö. ve H.I. Bozma, Place Representation in Topological Maps Based on Bubble Space, IEEE Int. Conf. on Rob. and Aut., ss. 3497-3502, 2012.

[48] Franz M. O., B. Scholkopf, H. A.Mallot ve H. H. Bulthoff, Where did I take that snapshot? Scene-based homing by image matching, Biological Cybernetics, Cilt 79, ss. 191-202, 1998

[49] Fazl-Ersi E. ve J.K. Tsotsos, Histogram of Oriented Uniform Patterns for robust place recognition and categorization, Int. J. Rob. Res., Cilt 31(4), ss. 468-483, 2012.

[50] Fenwick J., P. Newman ve J. Leonard, Cooperative concurrent mapping and localization, IEEE Int. Conf. on Rob. and Aut., Cilt 2, ss. 1810-1817, 2002.

[51] Filliat D. ve J. Meyer, Map-based navigation in mobile robot: I. a review of localization strategies, Cognitive Systems Research, Cilt 4, ss. 243-282, 2003

[52] Filliat D. ve J. Meyer, Map-based navigation in mobile robot: Ii. a review of map-learning and path-planningstrategies, Cognitive Systems Research, Cilt 4, ss. 283-317, 2003

[53] Folkesson J. ve H. Christensen, Graphical slam-a self-correcting map, IEEE Int. Conf. on Rob. and Aut., Cilt 1, ss. 383-390, 2004

[54] Fox D., W. Burgard, H. Kruss. a ve S. Thrun, A probabilistic approach to collaborative multi-robot localization, Auton. Rob., Cilt 8, ss. 325-344, 2000

[55] Fox D., J. Ko, K. Konolige ve B. Stewart, A hierarchical bayesian approach to the revisiting problem in mobile robot map building, Int. J. Rob. Res., Cilt 15, ss. 60-69, 2005

[56] Franchi, A., L. Freda, G. Oriolo ve M.Vendittelli, The sensorbased random graph method for cooperative robot exploration, IEEE/ASME Trans. on Mechatronics, Cilt 14(2), 163-75, 2009

[57] Fraundorfer F., C. Engels ve D. Nister, Topological mapping, localization and navigation using image collections, Proc. of IEEE/RSJ Int. Conf. on Robots and Systems, ss. 3872-3387, 2007

[58] Freiburg Campus 360 degree 3D scans, http://ais.informatik.uni-freiburg.de/projects/datasets/fr360/

[59] Frese U.,A Discussion of Simultaneous Localization and mapping, Auton. Rob., Cilt 20, ss. 25-42, 2006

[60] Fredslund J. ve M.J. Mataric, A general algorithm for robot formations using local sensing and minimal communication, IEEE Trans. on Rob. and Aut., 18(5), ss. 837-846, 2002.

[61] Friedman S., H. Pasula ve D. Fox, Voronoi random fields: Extracting topological structure of indoor environments via place labeling, Proc. of the Int. Joint Conf. on Artificial Intelligence ss. 2109-2114, 2007

[62] Friedrich H., D. Dederscheck, K. Krajsek ve R. Mester, Viewbased robot localization using illumination-invariant spherical harmonics descriptors, Proc. of Int. Joint Conf. on Computer Vision and Computer Graphics Theory and Applications, Cilt 2, ss. 543-550, 2008

[63] Grabowski R., L. E. Navarro-Serment, C. J. Paredis ve P. K. Khosla, Heterogeneous teams of modular robots for mapping and exploration, Auton. Rob., Cilt 8, ss. 293-308, 2000

[64] Guivant J.E. ve E.M. Nebot, Optimization of the simultaneous localization and map-building algorithm for real-time implementation, IEEE Trans. on Rob. and Aut., Cilt 17(3), ss. 242257, 2001

[65] Gutmann J.-S. ve K. Konolige, Incremental mapping of large cyclic environments, Proc. of Int. Symp. on Comp. Intelligence in Rob. and Aut., ss. 318-325, 1999

[66] Hajdukova, J., Coalition formation games: A survey, Int. Game Theory Review, Cilt 8(4), ss. 613-641, 2006

[67] , Harris C. ve M. Stephens,A combined corner and edge detector, AVS88, ss. 147-151, 1988

[68] Hartley R. ve A. Zisserman, Multiple view geometry in computer vision,Cambridge University Press, 2000

[69] Hou S. P., C.C. Cheah ve J.J.E. Slotine, Dynamic region following formation control for a swarm of robots,IEEE Int. Conf. on Rob. and Aut., ss. 1929-1934, 2009

[70] Howard A., M. Matark ve G. Sukhatme, Localization for mobile robot teams using maximum likelihood estimation, Proc. of IEEE/RSJ Int. Conf. on Robots and Systems, Cilt 1, ss. 434439, 2002.

[71] Howard A., M. Mataric ve G. Sukhatme, Putting the ’i’ in ’team’: an ego-centric approach to cooperative localization, IEEE Int. Conf. on Rob. and Aut., Cilt 1, ss. 868-874, 2003

[72] Howard A., Multi-robot mapping using manifold representations, IEEE Int. Conf. on Rob. and Aut., Cilt 4, ss. 4198-4203, 2004

[73] Howard A., Multi-robot simultaneous localization and mapping using particle filters, Int. J. Rob. Res., Cilt 25(12), ss. 12431256, 2006

[74] Huang W. H. ve K. R. Beevers, Topological map merging, Int. J. Rob. Res., Cilt 24(8), ss. 601-613, 2005

[75] Indelman V., P. Gurfil, E. Rivlin ve H. Rotstein, Distributed vision-aided cooperative localization and navigation based on three-view geometry, IEEE Aerospace Conf., ss. 1-20, 2011

[76] Jackson M.O. ve A. Wolinsky, A strategic model of social and economic networks, J. Economic Theory, Cilt 77, ss. 44-74, 1996

[77] Jaulin L., Range-only slam with occupancy maps: A setmembership approach, IEEE Trans. on Rob., Cilt 27(5), ss. 1004-1010, 2011

[78] Jensfelt P., D. Kragic, J. Folkesson ve M. Björkman. A framework for vision based bearing only 3D SLAM. IEEE Int. Conf. on Rob. and Aut., ss. 1944 -1950, 2006

[79] Jiang T. ve J.S. Baras, Fundamental tradeoffs and constrained coalitional games in automatic wireless networks, Proc. of 5th Int. Symp. on Modeling and Opt. in Mobile, Ad Hoc & Wireless Networks, 2007

[80] Jogan M. ve A. Leonardis, Robust localization using panoramic view-based recognition, Int. Conf. on Pattern Recognition, Cilt 4, ss. 136-139, 2000

[81] Kaess M., A. Ranganathan ve F. Dellaert, isam: Incremental smoothing and mapping, IEEE Trans. on Rob., Cilt 24(6), ss. 1365-1378, 2008

[82] Ni K. ve F. Dellaert, Multi-level submap based slam using nested dissection, Proc. of IEEE/RSJ Int. Conf. on Robots and Systems, ss. 2558-2565, 2010

[83] Keith Y. K. Leung, Timothy D. Barfoot, H. Hugh ve T. Liu. Distributed and Decentralized Cooperative Simultaneous Localization and mapping for Dynamic and Sparse Robot Networks, IEEE Int. Conf. on Rob. and Aut., ss. 3841-3847, 2011

[84] Kim J. ve S. Sukkarieh, Airborne simultaneous localization and map building, IEEE Int. Conf. on Rob. and Aut., ss. 406-411, 2003

[85] Kim B., M. Kaess, L. Fletcher, J. Leonard, A. Bachrach, N. Roy, ve S. Teller, Multiple relative pose graphs for robust cooperative mapping, IEEE Int. Conf. on Rob. and Aut., ss. 3185-3192, 2010

[86] Klavins E., Communication complexity of multirobot systems, in Algorithmic Foundations of Robotics V., Springer-Verlag, Cilt 7, ss. 275-292, 2003

[87] Klatzky R.L., Allocentric and egocentric spatial representations: Definitions, distinctions,and interconnections, Spatial cognitionAn interdisciplinary approach to representation and processing of spatial knowledge (Lecture Notes in Artificial Intelligence 1404), ss. 1-17, Springer-Verlag, 1998

[88] Knuth J. ve P. Barooah, Distributed collaborative localization of multiple vehicles from relative pose measurements, 47th Annual Allerton Conf. on Communication, Control, and Computing, ss. 314-321, 2009

[89] Ko J., B. Stewart, D. Fox, K. Konolige ve B. Limketkai, A practical, decision-theoretic approach to multi-robot mapping and exploration, Proc. of IEEE/RSJ Int. Conf. on Robots and Systems, ss. 3232-3238, 2003

[90] Konolige K., D. Fox, B. Limketkai, J. Ko ve B. Stewart, Map merging for distributed robot navigation, Proc. of IEEE/RSJ Int. Conf. on Robots and Systems, Cilt 1, ss. 212-217, 2003

[91] Konolige K., M. Agrawal, R. Bolles, M. Cowan, Creggand Fischler ve B. Gerkey, Outdoor mapping and navigation using stereo vision, Experimental Rob., Cilt 39, ss. 179-190, 2008

[92] Konolige K., J. Bowman, J. Chen, M. Mihelich, Patrick andCalonder, V. Lepetit, ve P. Fua, View-based maps, Int. J. Rob. Res., Cilt 29(8), ss. 941-957, 2010

[93] Krose B., N. Vlassis, R. Bunschoten ve Y. Motomura, A probabilistic model for appareance-based robot localization, Image and Vision Computing, Cilt 19, no. 6, ss. 381-391, 2001

[94] Kuipers B. , JJ. Modayil, P. Beeson, M. MacMahon ve F. Savelli, Local Metrical and Global Topological Maps in the Hybrid Spatial Semantic Hierarchy, in IEEE Int. Conf. on Rob. and Aut., ss. 4851-4845, 2004

[95] Kurazume R., S. Nagata ve S. Hirose, Cooperative positioning with multiple robots, IEEE Int. Conf. on Rob. and Aut., Cilt 2, ss. 1250-1257, 1994

[96] Lamon R., I. Nourbakhsh, B. Jensenl ve R. Siegwart, Deriving and matching image fingerprint sequences for mobile robot localization, Proc. of IEEE/RSJ Int. Conf. on Robots and Systems, ss. 1609-1610, 2001

[97] Leung K., T. Barfoot ve H. Liu, Decentralized cooperative simultaneous localization and mapping for dynamic and sparse robot networks, Proc. of IEEE/RSJ Int. Conf. on Robots and Systems, ss. 3554-3561, 2010

[98] Leung K., T. Barfoot ve H. Liu, Distributed and decentralized cooperative simultaneous localization and mapping for dynamic and sparse robot networks, IEEE Int. Conf. on Rob. and Aut., ss. 3841-3847, 2011

[99] Levin A. ve R. Szeliski, Visual odometry and map correlation, Proc. of the 2004 IEEE Int. Conf. on Comp. Vision and Patt. Recog., Cilt 1, ss. 611-618, 2004

[100] Li X. ve Y. Xi, Distributed Formation Algorithm for Multiagent Systems with a Relaxed Connectivity Condition, Proc. 17th IFAC World Congress, ss. 5137-5142, 2008

[101] Lygeros, J., K. H. Johansson, S.N. Simic, J. Zhang ve S.S. Sastry, Dynamical properties of hybrid automata, IEEE Trans. on Aut. Contr., Cilt 48(1), ss. 2-17, 2003

[102] Lynch N. A., R. Segala ve F. Vaandrager, Hybrid I/O automata, Inform. Comput., Cilt 185(1), ss. 105-157, 2003

Karaoğuz H., Erkent Ö., Bayram H., Bozma H. I., Tek Robottan Çoklu Robotlara Ortam Haritalama, Cilt 2, Sayı 4, Syf 105-118, Aralık 2012

[103] Madhavan R., K. Fregene ve L. E. Parker, Distributed cooperative outdoor multirobot localization and mapping, Auton. Rob., Cilt 17, ss. 23-39, 2004

[104] Mahon I., S. Williams, O. Pizarro ve M. Johnson-Roberson, Efficient view-based slam using visual loop closures, IEEE Trans. on Rob., Cilt 24(5), ss. 1002-1014, 2008

[105] Makadia A. ve K. Daniilidis, Rotation recovery from spherical images without correspondences. IEEE Trans. on Patt. Anal. and Machine Int., Cilt 28(7), ss. 1170-1175, 2006

[106] Mariottini G.L., F. Morbidi, D. Prattichizzo, N. Vander Valk, N. Michael, G. Pappas ve K. Daniilidis, Vision-Based Localization for Leader Follower Formation Control, IEEE Trans. on Rob., 25(6), ss. 1431-1438, 2009

[107] Martinelli A., F. Pont ve R. Siegwart, Multi-robot localization using relative observations, IEEE Int. Conf. on Rob. and Aut., ss. 2797-2802, 2005

[108] Martinez S., F. Bullo, J. Cortes ve E. Frazzoli, On synchronous robotic networks Part I: Models, tasks, and complexity, IEEE Trans. on Aut. Contr., 52(12), ss. 2199-2213, 2007

[109] Marks T., A. Howard, M. Bajracharya, G. Cottrell ve L. Matthies, Gamma-slam: Using stereo vision and variance grid maps for slam in unstructured environments, IEEE Int. Conf. on Rob. and Aut., ss. 3717-3724, 2008

[110] Meilland M., A.I. Comport ve P. Rives, A spherical robotcentered representation for urban navigation, Proc. of IEEE/RSJ Int. Conf. on Robots and Systems, ss. 5196-5201, 2010

[111] Merino L., J. Wiklund, F. Caballero, A. Moe, J. Ramiro, E. Forssen, K. Nordberg ve A. Ollero, Vision-Based Multi-UAV Position Estimation, IEEE Rob. and Aut. Magazine, ss. 53-62, 2006

[112] Mesbahi M., On State-dependent dynamic graphs and their controllability properties, IEEE Trans. on Aut. Contr., Cilt 50(3), ss. 387-392, 2005

[113] Miklic D., S. Bogdan ve R. Fierro, Decentralized grid-based algorithms for formation reconfiguration and synchronization, IEEE Int. Conf. on Rob. and Aut., ss. 4463-4468, 2010

[114] Montemerlo M., S. Thrun, D. Koller ve B. Wegbreit. FastSLAM: A Factored Solution to the Simultaneous Localization and Mapping Problem Proc. of the AAAI Nat. Conf. on Artif. Intelligence, ss. 593-598, 2002

[115] Moravec, H. ve A. Elfes, High resolution maps for wide angles sonar, Proc. IEEE Int. Conf. on Rob. and Aut., Cilt 2, ss. 116121, 1985

[116] Mostofi Y., Communication-aware motion planning in fading environments, Proc. IEEE Int. Conf. on Rob. and Aut., ss. 31703174, 2008

[117] Mourikis A. I. ve S. I. Roumeliotis, Predicting the performance of cooperative simultaneous localization and mapping (c-slam), Int. J. Rob. Res., Cilt 25, ss. 1273-1286, 2006

[118] Muhammad A. ve M. Egerstedt, Connectivity graphs as models of local interactions, Appl. Math. Comput., Cilt 168(1), ss. 243269, 2005

[119] Murillo A., J. Guerrero ve C. Sagues, Surf features for efficient robot localization with omnidirectional images, IEEE Int. Conf. on Rob. and Aut., ss. 3901-3907, 2007

[120] Myerson R., Graphs and cooperation in games, Math. Oper. Res., Cilt 2(3), ss. 225-229, 1977

[121] E. W. Nettleton, H. F. Durrant-Whyte ve A. H. Goktogan, Multiple-platform localization and map building, Proc. SPIE Cilt 4196, ss. 337-347, 2000

[122] Nerurkar E. D., S. I. Roumeliotis ve A. Martinelli, Distributed maximum a posteriori estimation for multi-robot cooperative localization, IEEE Int. Conf. on Rob. and Aut., ss. 1375-1382, 2009

[123] Newman P.M. ve J.J. Leonard, Pure range-only subsea SLAM, IEEE Int. Conf. on Rob. and Aut., ss. 1921-1926, 2003

[124] Ni K., D. Steedly ve F. Dellaert, Tectonic sam: exact, out-ofcore, submap-based slam, IEEE Int. Conf. on Rob. and Aut., ss. 1678-1685, 2007

[125] Ni K. ve F. Dellaert, Multi-level submap based slam using nested dissection, Proc. of IEEE/RSJ Int. Conf. on Robots and Systems, ss. 2558-2565, 2010

[126] Nistér, D. ve H. Stewénius.. Scalable recognition with a vocabulary tree. Proc. of the 2004 IEEE Int. Conf. on Comp. Vision and Patt. Recog., Cilt 2, ss. 2161-2168, 2006

[127] Oliva A. ve A. Torralba, Modeling the Shape of the Scene: A Holistic Representation of the Spatial Envelope.Int. J. of Computer Vision, Cilt 42(3), ss. 145-175, 2001

[128] Paskin M. A., Thin junction tree filters for simultaneous localization and mapping, Proc. of Int. Joint Conf. on Artificial Intelligence, ss. 1157-1164, 2003

[129] Pei Y., M. W. Mutka ve N. Xi, Coordinated Multi-Robot RealTime Exploration With Connectivity and Bandwidth Awareness, IEEE Int. Conf. on Rob. and Aut., ss. 5460-5465, 2010

[130] Pereira G. A. S., V. Kumar ve M. F. M. Campos, Closed loop motion planning of cooperating mobile robots using graph connectivity, Robot. Auton. Syst., Cilt 56, ss. 373-384, 2008

[131] Peters R.A., E.K. Hambuchen, K. Kawamura ve D.M. Wilkes, The Sensory Ego-Sphere as a Short-Term Memory for Humanoids. Proc. of the IEEE-RAS Int. Conf. on Humanoid Robots, 2001

[132] Piovesan J.L., C.T. Abdallah ve H.G. Tanner, Modeling Multiagent Systems with Hybrid Interacting Dynamics, Proc. American Control Conf., ss. 3644-3649, 2009

[133] Posner I., M. Cummins ve P. Newman, A generative framework for fast urban labeling using spatial and temporal context, Auton. Rob., Cilt 26, ss. 153-170, 2009

[134] Radish: The Robotics Data Set Repository, http://radish.sourceforge.net/

[135] Rekleitis I. M., G. Dudek ve E. E. Milios, Multi-robot cooperative localization: A study of trade-offs between efficiency and accuracy, Proc. of IEEE/RSJ Int. Conf. on Robots and Systems, ss. 2690-2695, 2002.

[136] Remolina E. ve B. Kuipers, Towards a general theory of topological maps, Artificial Intelligence, Cilt 152(1), ss. 47-104, 2004

[137] Robotic 3D Scan Repository, http://kos.informatik.uni-osnabrueck.de/3Dscans/

[138] Roy N. ve G. Dudek, Collaborative robot exploration and rendezvous: Algorithms, performance bounds and observations, Auton. Rob., Cilt 11, ss. 117-136, 2001

[139] Renzaglia A. ve A. Martinelli, Potential Field based Approach for Coordinate Exploration with a Multi-Robot Team, IEEE Int. Workshop on Safety, Security and Rescue Rob., ss. 1-6, 2010

[140] Rossi F., A. Ranganathan, F. Dellaert ve E. Menegatti, Toward Topological Localization with Spherical Fourier Transform and Uncalibrated Camera. Omnidirectional Robot Vision Workshop, Int. Conf. Simulation, Modeling, and Programming for Autonomous Robots, ss. 319-330, 2008

[141] Roumeliotis S. ve G. Bekey, Distributed multirobot localization, IEEE Trans. on Rob. and Aut., Cilt 18(5), ss. 781-795, 2002.

[142] Saad, W., Z. Han, M. Debbah, A. Hjorungnes ve T. Basar, Coalitional Game Theory for Communication Networks, IEEE Signal Process. Mag., ss. 77-97, 2009

[143] Sabattini L., C. Secchi ve C. Fantuzzi, Arbitrarily shaped formations of mobile robots: artificial potential fields and coordinate transformation, Auton. Rob., Cilt 30(4), ss. 385-397, 2011

[144] Saber R. ve R. Murray, Agreement problems in networks with directed graphs and switching topology, Proc. IEEE Conf. Decision & Control, Cilt 4, ss. 4126-4132, 2003

[145] Schmitt T., R. Hanek, M. Beetz, S. Buck ve B. Radig, Cooperative probabilistic state estimation for vision-based autonomous mobile robots, IEEE Trans. on Rob. and Aut., Cilt 18(5), ss. 670-684, 2002.

[146] Se S., D. Lowe, ve J. Little, Local and Global Localization for Mobile Robots using Visual Landmarks. Proc. of IEEE/RSJ Int. Conf. on Robots and Systems, ss. 414-420, 2001

[147] Se S. , D. Lowe ve J. Little, Vision-based global localization and mapping for mobile robots, IEEE Trans. on Rob., Cilt 21(3), ss. 364-375, 2005

[148] Sepulchre R., D.A. Paley ve N.E. Leonard, Stabilization of Planar Collective Motion: All-to-All Communication, IEEE Trans. on Aut. Contr., 52(5), ss. 811-824, 2007

[149] Sepulchre R., D.A. Paley ve N.E. Leonard, Stabilization of Planar Collective Motion with Limited Communication, IEEE Trans. on Aut. Contr., Cilt 53(3), ss. 706-719, 2008

Context-based vision system for place and object recognition,

IEEE Int. Conf. on Computer Vision, Cilt 1, ss. 273, 2003

[164] Tomatis N., I. Nourbakhsh, K. Arras ve R. Siegwart, A hybrid

approach for robust and precise mobile robot navigation with

compact environment modeling, IEEE Int. Conf. on Rob. and

[165] UAullta.,hCMilt.,2,TAsM.s. PM1r1o1On1o-Bb1i1sE1, 6lBe, .2k0tC0rai1kpuMto,üJh. eLnuod, iHsl.eJrei nOsfedltavseı

R. Christensen, Towards robust place recognition for robot

localization, IEEE Int. Conf. on Rob. and Aut., ss. 530-537,

[166] Ulrich I. ve I. Nourbakhsh, Appearance-based place recognition

for topological localization, IEEE Int. Conf. on Rob. and Aut.,

[150] Sheng W., Q. Yang, J. Tan ve N. Xi, Distributed multi-robot

[16774] UWnisnnikierwisshknianR.R, .Tovwe aArd. sKMelolyd,eAllincgonosftrHaiynberdidopStyimsteizmatsi,onPraopc-.

coordination in area exploration, Rob. and Autonomous Systems,

porfotahceh4t5othglIoEbEaEllyCcoonnf.siDsteecnitsimonap&pinCgo,nPtrroolc, .sso.f 9I1E1E-E91/R6S, J20In0t6.

Cilt 54(12), ss. 945-955, 2006

[175] WCoonlf. Jo.n, RWo.boBtusragnardd,SyvsetemHs., BCuilrtk1h,arsdst., 5R64o-b5u6s9t , v2i0si0o2n.-based

[151] Smaili C., M. El Najjar ve Francois, Multi-sensor fusion method

[168] vloacnalSizcahtuiopnpebny Jc.oHm.,biCnoinngtroaln oimf adgiset-rriebturitevdalstsoycshteamstiwcitshysmteomnsteusing bayesian network for precise multi-vehicle localization, IEEE Conf. on Intelligent Transportation Systems, ss. 906-911,

Icnatrrlodluocctaiolinz,atiporno,bIlEemEEs, Tarnadnsa. popnroRaocbh.e, sC, ilPt r2o1c(.2)o,fssI.F2A0C8-1281t6h, W20o0r5ld Congress, ss. 4446-4452, Milan, Italy, Aug 2011

[152] Sharma R. ve C. Taylor, Cooperative navigation of maps in gps denied areas, IEEE Int. Conf. on Multisensor Fusion and

Integration for Intelligent Systems, ss. 481-486, 2008

[153] Simmons R. G., D. Apfelbaum, W. Burgard, D. Fox, M. Moors,

S. Thrun ve H. L. S. Younes, Coordination for multi-robot exploration and mapping, Proc. of the AAAI Nat. Conf. on Artif.

Intelligence and Twelfth Conf. on Innovative Applications of

Artificial Intelligence, ss. 852-858, 2000

[154] Sivic J. ve A. Zisserman, Video Google: A text retrieval approach to object matching in videos. Int. Conf. on Computer

Vision,, Cilt 2, ss. 1470-1477, 2003

[155] Soyer C., H. I. Bozma ve Y. Istefanopulos, A new memory model for selective perception systems, Proc. of IEEE/RSJ Int.

[150] SChoennf.goWn .R, oQb.otYsaanngd, JS.ysTtaenmsv,essN. .23X0i4, -D23is0t9ri,b2u0te0d0 multi-robot

[156] cSoooyredrinCa.t,ioHn.inI.aBreoazemxaplovreatYio. nI,sRteofabn. oapnudloAsu,toAnpoems-obuisolSoygsitceamllsy, Cmioltti5va4t(e1d2)a,ttsesn. t9iv4e5-r9o5b5o,t,2A0u0t6on. Rob., Cilt 20, ss. 61-80, 2006

[1517] Smtaacihlni iCss., CM.,. EOl.NMaajjratrinveezFMraonzcoosisv, eMWul.tiB-suerngsaorrdf,uSsipoenedminegthoudp umsuinltgi-rboabyoetsieaxnplnoeratwtiornkbfyorcopnrseicdiesreinmg usletmi-vaenhticlpelalocecailnizfoartimona-, ItEioEnE, ICEoEnEf.Ionnt. ICnotenlfl.igoenntRTorba.nasnpdorAtautti.o,nssS.y1st6e9m2s-,16ss9.79, 0260-09611,

[158] 2S0te0d8er B., G. Grisetti, C. Stachniss ve W. Burgard, Visual slam [152] SfohrarflmyaingR.vevheicCle.s,TIaEyEloEr, TCraonosp.eorantivReobn.,avCigilatt2io4n(5o),f sms.a1p0s8i8ng1p0s93d,e2n0ie0d8 areas, IEEE Int. Conf. on Multisensor Fusion and [159] ISnttiepgersaJti.,onR.foHraIwntheollringe,ntDS. ySsctehmeisd,t svse. 4D8.1P-a4c8i6fi,c2o0, 0C8ooperative [153] SloimcamlizoantsioRn. Gan.,dDm. Aappfeinlbga,umIE,EWE. BInutr.gaCrdo,nDf. . oFnoxN, Metw. Morokoinrgs,

S.enTsihnrgunanvde CHo.ntLro.l,Ss.s.Y5o9u6n-e6s0,1C, o2o0r0d6ination for multi-robot [160] eTxhprluonratSio.,n Ranodbomtiacppminagp,pPinrogc: . Aof tshuervAeAyA, IENxaptl.oCrionngf. AorntiAfirctiiaf.l

Intelligence ianndtheTwNeelwfthMCilolennf.niounm,In2n0o0v2a.tive Applications of [161] ATrhtriufinciaSl.InvteellYig. eLnciue, sMs.u8lt5i-2r-o8b5o8t, s2l0a0m0 with sparse extended [154] SinivfoicrmJa.tiovne fiAlt.erZs,issReorbmoatnic,s VRiedseeoarGcho,oCglielt: 1A5, tesxs.t 2r5e4tr-i2ev6a5l, a2p0p0r5oach to object matching in videos. Int. Conf. on Computer [162] VTihsrioun,,SC. ivlte2M, s.s.M1o4n7t0e-m1e4r7l7o, 2T0h0e3graph slam algorithm with [155] SapopyleircaCti.o,nHs .toI.laBrgoez-mscaalveemYa.ppIsintegfaonfopuurbloasn, sAtruncetuwresm, eImnto. rJy.

mRoobd.elRfeosr., sCelieltcti2v5e(5p-e6r)c,epssti.o4n0s3y-4st2e9m, s2,0P0r6oc. of IEEE/RSJ Int. [163] CTornrfa.lboan RAo.,boKts. aPn. dMSuyrsptehmy,s,Wss. . T2.30F4re-2e3m0a9n, 2v0e00M. A.Rubin, [156] SCooynetrexCt-.b, aHse.dI.vBisoioznmsayvsteemY. fIosrtepfalancoepualnods,oAbjpeecst-breiocologgniictaiollny, mIEoEtiEvaItnetd. aCtotennf.tivoen rCoobmotp, uAtuertoVni.sRioonb,.,CCilitlt12, 0s,s.ss2.7631, -28000, 32006 [15674] STtoamchantiisssNC.,.,I.ON. oMurabratiknheszhM, Ko.zoAsrrvaes Wve. RB.urSgiaergdw, aSrpt,eAedihnygbruipd mapuplrtio-arochboftoerxrpolbourastioanndbyprceocnisiedemrionbgilseemroabnotticnpalvaicgeatinofnorwmiathtciomn,pIaEcEt EenIvnitr.onCmonefn.tomn oRdoebli.nagn, dIEAEuEt., Isnst.. 1C6o9n2f-.1o6n97R, o2b0.0a6nd [158] SAtuetd.,erCBilt., 2G, .ssG.r1is1e1tt1i-,1C1.1S6,ta2c0h0n1iss ve W. Burgard, Visual slam [165] fUolrlaflhyiMng.,veAh.iclPerso,nIoEbEisE, TBr.anCs.apountoR,oJb., LCuilot, 2H4(.5)J,esnss.fe1l0t 8v8e1R0.93C,h2ri0s0te8nsen, Towards robust place recognition for robot [159] SloticpaeliszaJ.t,ioRn., HIEawEtEhoIrnnte., CDo.nSf.choenidRt voeb.Da.nPdacAifiuct.o, , sCs.oo5p3e0r-a5t3iv7e, l2o0c0a8lization and mapping, IEEE Int. Conf. on Networking, [166] SUelnriscinhgI.avnedI.CNonoturrobla, kshs.sh5,9A6-p6p0e1a,ra2n0c0e6-based place recognition

[[116796]] VWiug JL.. vvee JJ..AR.eAhgd,amWsh,eMreualtmi-roI:boPtlaccoealiintisotnanfcoermanatdiocna,teIgEoErEy Trercaongsn. iotinonRoubs.i,n2g2(s4p)a,tisasl. P6A37C-T6,49P,r2o0c.06of the 2004 IEEE Int.

[170] WCoannfg. oMn.CvoemHp.. VLiisnio.,nAanndexPtaetntd. eRde-cHoCg.T, ssse.m1a-8n,ti2c0d0e8scription [177] WforurvmisuKal.Mpl.a, cCe.reSctoacghnnitiisosn,veInWt. J. .BRuorbg.arRde,s.C, oCoirltdi3n0a,tesds. m14u0lt3i-- r1o4b2o0t, 2ex0p1l1oration using a segmentation of the environment, [171] WPraotcts. oAf .I,EAEED/RySnJamInitc. CMoondf.eol nofRoNbeottws oarnkdFSoyrsmteamtiso,ns,s.G1a1m60es-

1a1n6d5E, c2o0n0.8Behav., 34, ss. 331-341, 2001 [[117782]] YWaimlliaaumchs iBB.,.Mv.eCRum. mBeinesr,, JSopsaétiNaleirleaa, rPnainugl Nfeowr mnaavni,gIaatnioRneiidn dveynJaumanic Teanrvdióros,nmAenctosm, pIEarEisEonTroafnsloaoctpiocnlsosoinngStyesctehmnisq,uMesainn, amnodnCocyublearrnSetLicAsM-Pa, rRtoBb:. CanybdeArnuet.ticSsy,sStepmecs,ia2l0I0ss9ue on Learning [173] WAuitlolinaommsouSs., RGo.boDtsis, sCanilaty2a6k(e3)v, essH. 4. 9D6-u5r0ra5n,t-1W99h6yte, Towards [179] Ymaumltia-uvcehhiicBle., sFimrounlttiaenr-eboaussedloecxalpilsoartaiotinonanudsimngapmpiunlgti,pIleEEroEboIntst,. ICnot.nfC. oonnf.Roonb.AauntodnAomuto.,uCs iAltge3n,tss,s.ss2.74473--5237,4189, 928002. [180] Zhang Z., Iterative point matching for registration of free-form

[174] Wcuirsvneise,wIsnkt.i JRou.,rnTaolwoafrdCsomMpoudteelrliVnigsioonf, HCyilbtr1id3(2S)y,sstes.m1s1,9P-1ro5c2.,

o1f99th2e 45th IEEE Conf. Decision & Control, ss. 911-916, 2006 [[117851]] WZhoolfu JX.,. Wve. SB.urRgoaurdm, evlieotiHs,. MBuurlktih-raorbdot,t Rsloabmuswt ivthisiuonnk-bnaoswedn

lioncitailailzactoiornrebspyocnodmenbcine:ingThaen irmobaogte-rreentrdieevzavlosuysstceamsew,itPhrmoco.ntoef

cIEarEloE/lRocSaJlizInatt.ioCn,oInEf.EEonTrRaonbso. tosnaRnodb.S, yCsitletm2s1,(2s)s,. s1s.728058-1-271962,,

22000056

[[117862]] WZiuvkJo.vivceZJ.., BR.ehBga,kkWerhevree Ba.mKrIo: sPel,aHceierinarsctahniccael amnadp cbautielgdoinryg

raencdogpnlaitnionningusbinagsedspoatniagl rPapAhCTp,arPtirtioocn.inogf, thIEeE2E00In4t.IECEoEnf.Inotn.

CRoonb.f.aonnd CAoumt.,p.ssV.is8i0o3n-8a0n9d, P2a0t0t6. Recog., ss. 1-8, 2008

[[117873]] WZluortmR.K,.MA.., SCte.nStzta, cMhn.isDsiavse vWe .SB. uTrhgaayrder,, CMouolrtdi-inroabteodt emxuplltoi--

rroabtiootn ecxopnltororallteiodnbyusainmgarakesteegcmoneonmtayti,oInEEoEf Itnhte. Cenovnifr.oonnmReonbt,.

Panrodc.Aouft.,IECEilEt/R3S,JssI.nt3.0C1o6n-3f.0o2n3,R2o0b0o2ts and Systems, ss. 1160-

1165, 2008

[178] Yamauchi B. ve R. Beer, Spatial learning for navigation in

dynamic environments, IEEE Transactions on Systems, Man,

and Cybernetics-Part B: Cybernetics, Special Issue on Learning

Autonomous Robots, Cilt 26(3), ss. 496-505, 1996

[179] Yamauchi B., Frontier-based exploration using multiple robots,

Int. Conf. on Autonomous Agents, ss. 47-53, 1998

[180] Zhang Z., Iterative point matching for registration of free-form

curves, Int. Journal of Computer Vision, Cilt 13(2), ss. 119-152,

[181] Zhou X. ve S. Roumeliotis, Multi-robot slam with unknown

initial correspondence: The robot rendezvous case, Proc. of

IEEE/RSJ Int. Conf. on Robots and Systems, ss. 1785-1792,

[182] Zivkovic Z., B. Bakker ve B. Krose, Hierarchical map building

and planning based on graph partitioning, IEEE Int. Conf. on

Rob. and Aut., ss. 803-809, 2006

[183] Zlot R. , A. Stentz, M. Dias ve S. Thayer, Multi-robot exploration controlled by a market economy, IEEE Int. Conf. on Rob.

and Aut., Cilt 3, ss. 3016-3023, 2002

[160] TfohrrutonpoSl.o,giRcoalboloticcalimzaatpiopnin,gI:EEAE sIunrt.veCyo, nEf.xopnloRrionbg. aAnrdtifiAcuiat.l,

ICnitletll2ig, esns.ce10in23t-h1e02N9e,w20M0i0llennium, 2002.

[1617] TUhnrnuinkriSs.hnvaen YR.. Lvieu,AM. Kuletlil-yro, bAotcsolnasmtrawinietdh ospatirmseizaetxitoenndaepdipnrfooarcmhatoionglofiblatellrys, cRonosbiostiecnst mReaspepairncgh,, PCroilct. 1o5f ,IEssE.E2/R5S4J-2I6n5t,.

2C0o0n5f. on Robots and Systems, Cilt 1, ss. 564-569, 2002.

[1628] TvahnruSncShu. pvpeenMJ..HM.,onCteomnterorllo,ofThdeistgrirbaupthedslsatmochaalgsotircithsymstewmitshaInptprloicdautciotinosn,toprloarbglem-scs,aleanmd aappppinrogacohf eusr,bPanrosct.ruocftuIrFeAs,CIn1t.8tJh.

RWoobr.ldReCso.,nCgrieltss,2s5s(.5-464)4, 6s-s4.445023,-M42i9la, n2,0I0t6aly, Aug 2011

[1639] TVoigrraLlb. aveAJ.,.AK. .APd.amMsu,rpMhuy,ltiW-ro. bTo.t Fcoreaelimtiaonn vfoermMa.tioAn.,RIuEbEinE,

CTroanntse.xto-nbaRseodb.,vi2s2io(4n),syss.te6m37f-o6r49p,la2c0e0a6nd object recognition,

[170] IWEaEnEg IMnt. CveonHf..oLninC.,omApnuteexrteVnidsieodn-,HCCiTlt s1e,mssa.n2ti7c3d, e2s0c0ri3ption

[164] TfoormvaitsiusaNl p.,laI.ceNroeucrobgankihtisohn,,KIn. tA. Jr.raRsovbe. RRe.sS.,ieCgiwlt a3r0t,, Ass.h1y4b0ri3da1p4p2r0o,a2ch01f1or robust and precise mobile robot navigation with

[171] cWoamttpsacAt .,enAvirDonymnaemnticmModoedleinlgo, fIENEeEtwIonrtk. CFonrmf. aotinonR,oGb.aamneds

Aanudt.,ECcioltn.2B,eshsa.v1.,13141,-1s1s.163,312-030411, 2001

[16752] UWlillalhiamMs.,B.A, M. P. rCounmobmisi,nsB, J.oCséapNuetior,a, JP.auLluNo,ewHm. aJne,nIsafnelRt evied

Rve. JCuharnistTeanrsdeóns,, TAowcoarmdps ariosbounstofpllaocoep rcelcoosginngititoenchfnoirqureosboint

lmocoanloizcautliaorn,SLIEAEME, IRnot.b.Caonndf.Aount. RSyosbt.emans,d2A00u9t., ss. 530-537,

[173] 2W0i0l8liams S., G. Dissanayake ve H. Durrant-Whyte, Towards

[166] Umlurilctih-vIe.hvieclIe. sNimouurlbtankehosuhs, Alopcpaeliasraatniocne-abnadsemd applapcinegr,ecIEogEnEitIionnt.

fCoorntfo.poonloRgoicba.lalnodcaAliuzat.t,ioCni,ltIE3E,EssI.n2t.74C3o-n2f7. 4o8n, 2R0o0b2. .and Aut.,

[167] Unnikrishnan R. ve A. Kelly, A constrained optimization ap-

118proach to globally consistent mapping, Proc. of IEEE/RSJ Int. 14 Conf. on Robots and Systems, Cilt 1, ss. 564-569, 2002.

[168] van Schuppen J.H., Control of distributed stochastic systems-

Introduction, problems, and approaches, Proc. of IFAC 18th

World Congress, ss. 4446-4452, Milan, Italy, Aug 2011

TMMOB Elektrik Mühendisleri Odası EMO BİLİMSEL HAKEMLİ DERGİ YAZIM KURALLARI YÖNERGESİ

“EMO Bilimsel Hakemli Dergi”, özgün bilimsel araştırmalar ile ilginç uygulama çalışmalarına yer veren ve bu niteliği ile hem araştırmacılara hem de uygulamadaki mühendislere seslenmeyi amaçlayan hakemli bir dergidir. İlgi alanı Elektrik Mühendisleri Odasına kayıtlı tüm mühendislik disiplinleridir. Yayın dili Türkçe olup, dergide yayınlanacak makaleler ve kısa bildiriler ile ilgili yazım kuralları aşağıda verilmektedir.

Makalelerin basıma hazır tam metni, pdf dosyası olarak http://edergiportal.emomerkez.net/sayilar adresindeki derginin Makale Yönetim Sistemi üzerinden iletilmelidir. Makale dosyaları, ilk yazarın soyadına göre adlandırılmalı, aynı yazara ilişkin birden fazla bildiri iletilmesi durumunda verilen ada ek olarak numaralandırma da yapılmalıdır.

Bilgisayar ortamında iletilmeyen makalelerin hakemlere gönderilmesi ve değerlendirilmesi olanağı bulunmamaktadır.

Makale yazım kuralları:

• Makale sayfaları, A4 (210 mm x 297 mm) kağıt boyutunda hazırlanmalıdır.

• Sayfa kenar boşlukları: İlk sayfa için üst = 3 cm, alt = 3,7 cm, sol = 2 cm, sağ = 2 cm diğer sayfalar için üst = 2,5 cm, alt = 3,7 cm, sol = 2 cm, sağ = 2 cm.

• Makale herbiri 80 mm genişliğinde iki sütun halinde yazılmalıdır. Sütunlar arasında 10 mm aralık bırakılmalıdır.

• Makale, Times New Roman yazı tipi ile tek satır aralıklı, iki yana dayalı hizalı olarak yazılmalıdır.

• Makale başlığında, bildiri adı, yazar adları, yazarların çalıştıkları kurumların adları ve e-posta adresleri yer almalıdır.

• Başlıktan sonra dört satır boşluk bırakılarak yazılacak Türkçe özet ve İngilizce özet (abstract) kısımları en az 100, en çok 150 kelimeden oluşmalıdır.

• Bölüm başlıkları, numaralandırılmalı, yalnızca baş harfleri büyük harflerle yazılmalı ve sütuna ortalanmalıdır.

• Makalede kullanılacak yazı tipi boyut ve biçimleri:

Başlık Yazar adları Kurum adları Özetler Alt ve üst simgeler Başlıklar Metin

14 Kalın Yalnızca baş harfleri büyük 12 İtalik 12 9 İtalik 7 11 Kalın 9

• Makale değerlendirme sonuçları, sisteme yüklendikten en geç 2 ay sonra e-posta ile yazarlara bildirilecektir. Aksi belirtilmedikçe yazışmalarda birinci yazarın adresi kullanılacaktır.

Tüm yazışmalar ve ilişkiler http://bilimseldergi.emo.org.tr web sayfasında açılacak olan alanda elektronik ortamda yapılacaktır.

Bu yazım kuralları, TMMOB Elektrik Mühendisleri Odası Yönetim Kurulu ile EMO Bilimsel Hakemli Derginin yayın kurulunca yürütülür.