| Popis: |
ÖZETAğlarda Adaptif Veri Sıkıştırma: Öğrenebilen Durum Makinesi YaklaşımıEğer yapay zeka alanında çalışılıyorsa, çoğu zaman uygun çalışma araçları ve ortamları bulunmamaktadır. Çok sayıda araç ve uygulama bulunduran uzman sistemler buna bir istisnadır. Sinir ağları ve bulanık sistemler için ise az sayıda araç vardır. Öğrenebilen durum makineleri sintaktik analiz konusunda güçlü bir araç olmasına karşın çok popüler olamamışlardır. Bu tezde öğrenebilen durum makineleri için bir simülatör gerçeklenip çalıştırılmıştır.Öğrenebilen durum makinesi simülatörü öğrenebilen durum makineleri kullanımını yaygınlaştırmakta ve kolaylaştırmaktadır. Bu simülatörde değişken ve sabit yapılı durum makinelerinin tüm alt durum makinesi tipleriyle birlikte modellemeleri gerçekleştirilebilmektedir. Bilinen öğrenme yetenekli durum makineleri için modellemeler yapan araçlar gerçeklenmiştir. Bu sebepten kullanıcılar kendi uygulamalarını bu bilinen durum makineleri ile deneme fırsatı bulabilmektedir.Bu tezin başka bir amacı ise ağlarda kayıpsız veri sıkıştırmayı sağlayan bir yöntemin benzeticide gerçeklenmesidir. Orjinal yöntem alışılmışın dışında bir yaklaşımdır. Bu orjinal yöntem bu tezde geliştirilmiştir. Bu eklenti kayıpsız veri sıkıştırma için tek ölçüm birimi olan sıkıştırma oranını geliştirmektedir. Ayrıca bu yöntem dinamik olarak çalışmaktadır. Bu da veriyi devamlı iletmemiz gereken ağlar için etkili bir yöntem olmasını sağlamaktadır. Bu yöntem video sinyallerinin ağlar üzerinden gönderilmesinde öneme sahip olan görüntü sıkıştırmak için tasarlanmıştır.Anahtar Kelimeler:Öğrenebilen Durum Makineleri, Huffman Sıkıştırıcısı, Görüntü Sıkıştırması, Ağlarda Sıkıştırma, Adaptif Sıkıştırma.ABSTRACTAdaptive Data Compression in Networks: A Learning Automaton ApproachMost of the time, it is hard to find an appropriate working tool or environment, if you want to work in an artificial intelligence related field. Expert systems are an exception since there are numerous tools and applications. There are limited tools in the fields of neural networks, and fuzzy systems. Although, learning automata are powerful syntactic analysis tool, they did not receive much attention in the past. We cannot find any well-known tool or application environment for learning automata field.In this work, a new tool and simulator for learning automata has been implemented. The learning automata simulator broadens and eases the use of learning automata. In this simulator, variable and fixed structure automata of various output generating capabilities may be modeled. Various learning automata models for well-known automata may be implemented. Thus, the users of the simulator can experiment with these well-known automata easily. Another goal of this thesis is to implement a method on the simulator for lossless data compression in networks. The novelty of our work is that the original method is extended to use state transition probabilities that was not used in original method. This extension improves compression ratio, which is the only measure for lossless data compression. Moreover, this modification provides for an increased efficiency of the method especially in networks where continuous data transmission is inevitable. The technique was designed for image compression, which is important in transmitting video signals over the networks. Keywords:Learning Automata, Huffman Encoder & Decoder, Image Compression, Compression in Networks, Adaptive Compression. |
