Browsing by Subject "Absolute values"
Now showing 1 - 2 of 2
Results Per Page
Sort Options
Item Open Access Dürtün gürültüye karşı sağlam küme üyeliği süzgeç algoritmaları(IEEE, 2014-04) Sayın, Muhammed Ö.; Vanlı, N. Denizcan; Kozat, Süleyman S.Bu bildiride, dürtün gürültüye karşı sağlam küme üyeliği süzgeç algoritmaları öneriyoruz. İlk olarak küme üyeliği düzgelenmiş en küçük mutlak fark algoritmasını (SM-NLAD) tanıtıyoruz. Bu algoritma hatanın karesi yerine mutlak değerini maliyetlendirerek dürtün gürültüye karşı sağlamlık sağlar. Sonra bu algoritmanın dürtün gürültünün olmadığı ortamlarda da diğer algoritmalarla karşılaştırılabilir performans sergilemesi için logaritmik maliyet çerçevesinden yararlanarak küme üyeliği düzgelenmiş en küçük logaritmik mutlak fark algoritmasını (SMNLLAD) öneriyoruz. Logaritmik maliyet fonksiyonu doğal olarak büyük hata değerlerinin mutlak değerini içerirken küçük hata değerlerinin karesini içerir. Son olarak, sayısal deneylerimizde algoritmalarımızın dürtün gürültülere karşı sağlamlığını ve dürtün gürültünün olmadığı ortamlarda da karşılaştırılabilir performans sergilediğini gösteriyoruz.Item Open Access A multiplication-free framework for signal processing and applications in biomedical image analysis(IEEE, 2013) Suhre, A.; Keskin F.; Ersahin, T.; Cetin-Atalay, R.; Ansari, R.; Cetin, A.E.A new framework for signal processing is introduced based on a novel vector product definition that permits a multiplier-free implementation. First a new product of two real numbers is defined as the sum of their absolute values, with the sign determined by product of the hard-limited numbers. This new product of real numbers is used to define a similar product of vectors in RN. The new vector product of two identical vectors reduces to a scaled version of the l1 norm of the vector. The main advantage of this framework is that it yields multiplication-free computationally efficient algorithms for performing some important tasks in signal processing. An application to the problem of cancer cell line image classification is presented that uses the notion of a co-difference matrix that is analogous to a covariance matrix except that the vector products are based on our new proposed framework. Results show the effectiveness of this approach when the proposed co-difference matrix is compared with a covariance matrix. © 2013 IEEE.