Öz
Bu çalışma, RMS Energy, Zero Crossing Rate (ZCR) ve Spectral Centroid gibi spektral ses özniteliklerinin, Random Forest ve XGBoost algoritmaları kullanılarak müzik aleti sınıflandırmasındaki performansını incelemektedir. Bu makine öğrenmesi algoritmaları, karmaşık sınıflandırma senaryolarında artırılmış doğruluk sağlama ve yüksek korelasyonlu enstrüman sınıfları arasında ayrım yapabilme yeteneğine sahiptir. Bu çalışmada makine öğrenmesi yaklaşımları açıklanabilir ve hesaplama açısından verimli olmaları ve derin öğrenmenin donanım veya veri kısıtlamaları nedeniyle uygulanamadığı durumlarda kullanışlı olmaları sebebiyle tercih edilmiştir. Deneysel çalışmada, ses öznitelikleri 20 enstrüman sınıfını içeren Philharmonia veri setinden elde edilmiştir. Her öznitelik seti tek başına ve ikili ile üçlü kombinasyonları da dahil olmak üzere toplam yedi farklı konfigürasyon değerlendirilmiştir. Doğruluk açısından en yüksek performans, tüm öznitelikler bir arada kullanıldığında elde edilmiş olup Random Forest için 0,91 ve XGBoost için 0,93’tür. Bu makine öğrenmesi algoritmaları, müzikteki akustik farklılıkları ayırt etmede özellikle başarılı olmuştur. Karışıklık matrisi analizi, her iki modelin gitar ve banjo gibi belirgin akustik özelliklere sahip enstrümanlarda en iyi performansı gösterdiğini ortaya koymuştur. Bulgular, birden fazla tamamlayıcı özelliğin kombinasyonunun müzik aleti sınıflandırma performansını artırdığını göstermiştir.
Anahtar Kelimeler
MIR enstrüman sınıflandırma makine öğrenmesi öznitelik çıkarımı
Kaynakça
- J. McKay, Automatic musical instrument identification, Master’s thesis, Dublin Institute of Technology, 2011.
- S. Murthy and S. G. Koolagudi, Content-based music information retrieval (cb-mir) and its applications toward the music industry: A review, ACM Computing Surveys (CSUR), vol. 51, no. 3, pp. 1–46, 2018.
- C. Constantinescu and R. Brad, An overview of sound features in time and frequency domain, International Journal of Advanced Statistics and IT&C for Economics and Life Sciences, vol. 13, no. 1, 2023.
- J. Pons, O. Nieto, M. Prockup, E. Schmidt, A. Ehmann, and X. Serra, End-to-end learning for music audio tagging at scale, arXiv preprint arXiv:1711.02520, 2017.
- W. Qin and B. Yin, Environmental sound classification algorithm based on adaptive data padding, in 2022 International Seminar on Computer Science and Engineering Technology (SCSET), pp. 84–88, IEEE, 2022.
- B. Toghiani-Rizi and M. Windmark, Musical instrument recognition using their distinctive characteristics in artificial neural networks, arXiv preprint arXiv:1705.04971, 2017.
- P. Uruthiran and L. Ranathunga, Optimization of feature selection and classification of oriental music instruments identification, in 1st International Conference on Artificial Intelligence and Data Sciences (AiDAS), pp. 120–125, IEEE, 2019.
- H. Tu and Y. Li, Neural network for music instrument identification, CS 229 Machine Learning Final Project, Stanford University, 2023.
- Y. Su, Instrument classification using different machine learning and deep learning methods, Highlights in Science, Engineering and Technology, vol. 34, pp. 136–142, 2023.
- R. Bhagyalakshmi and M. Anandaraju, Identification of specific musical instruments using machine learning models, Journal of Integrated Science and Technology, vol. 13, no. 5, pp. 1108–1108, 2025.
- J. J. Bosch, J. Janer, F. Fuhrmann, and P. Herrera, A comparison of sound segregation techniques for predominant instrument recognition in musical audio signals, in 13th International Society for Music Information Retrieval Conference (ISMIR 2012), pp. 559–564, 2012.
- R. M. Bittner, J. Salamon, M. Tierney, M. Mauch, C. Cannam, and J. P. Bello, MedleyDB: A multitrack dataset for annotation-intensive MIR research, in 15th International Society for Music Information Retrieval Conference (ISMIR 2014), vol. 14, pp. 155–160, 2014.
- S. K. Mahanta, A. F. U. R. Khilji, and P. Pakray, Deep neural network for musical instrument recognition using MFCCs, Computación y Sistemas, vol. 25, no. 2, pp. 351–360, 2021.
- G. M. Bhandari, Different audio feature extraction using segmentation, International Journal for Innovative Research in Science Technology, vol. 2, no. 9, pp. 1–5, 2016.
- P. A. Babu, V. S. Nagaraju, and R. R. Vallabhuni, Speech emotion recognition system with “, in 10th IEEE International Conference on Communication Systems and Network Technologies (CSNT), pp. 421–424, IEEE, 2021.
- D. Lavry, Sampling theory for digital audio, Lavry Engineering, Inc., 2004.
- E. Bressert, SciPy and NumPy: An overview for developers, O’Reilly Media, Inc., 2012.
- I. H. Sarker, Machine learning: Algorithms, real-world applications and research directions, SN Computer Science, vol. 2, no. 3, p. 160, 2021.
- S. Fatima, A. Hussain, S. B. Amir, S. H. Ahmed, and S. M. H. Aslam, et al., XGBoost and random forest algorithms: An in-depth analysis, Pakistan Journal of Scientific Research, vol. 3, no. 1, pp. 26–31, 2023.
- G. Kunapuli, Ensemble methods for machine learning, Simon and Schuster, 2023.
- K. Friedrichs, N. Bauer, R. Martin, and C. Weihs, A computational study of auditory models in music recognition tasks for normal-hearing and hearing-impaired listeners, EURASIP Journal on Audio, Speech, and Music Processing, vol. 2017, pp. 1–22, 2017.
- P. Bonissone, J. M. Cadenas, M. C. Garrido, and R. A. Díaz-Valladares, A fuzzy random forest, International Journal of Approximate Reasoning, vol. 51, no. 7, pp. 729–747, 2010.
- C. Bentéjac, A. Csörgő, and G. Martínez-Muñoz, A comparative analysis of gradient boosting algorithms, Artificial Intelligence Review, vol. 54, pp. 1937–1967, 2021.
- D. Nielsen, Tree boosting with XGBoost – why does XGBoost win every machine learning competition?, Master’s thesis, NTNU, 2016.
- A. Samat, E. Li, W. Wang, S. Liu, C. Lin, and J. Abuduwaili, Meta-XGBoost for hyperspectral image classification using extended MSER-guided morphological profiles, Remote Sensing, vol. 12, no. 12, p. 1973, 2020.
- G. Agostini, M. Longari, and E. Pollastri, Musical instrument timbres classification with spectral features, EURASIP Journal on Advances in Signal Processing, vol. 2003, pp. 1–10, 2003.
Öz
This study examines the performance of a collection of spectral audio features, including RMS Energy, Zero Crossing Rate (ZCR), and Spectral Centroid, for musical instrument classification by using the Random Forest and XGBoost classifiers. These machine learning algorithms demonstrate enhanced precision in complex classification scenarios and improve the ability to discriminate among highly correlated instrument classes. Machine learning approaches were employed in this study due to being explainable, computationally efficient, and suitable when deep learning is not feasible under the constraints of hardware or data. As part of the experimental setup, the audio features were obtained from the Philharmonia dataset, which includes 20 instrument classes. Seven different configurations were evaluated, including each feature set individually, as well as their pairwise and triplet combinations. The highest performance in terms of accuracy was obtained when all attributes were utilized: 0.91 with Random Forest and 0.93 with XGBoost. These machine learning algorithms were particularly well adapted to distinguish acoustic differences in music. Confusion matrix analysis indicated that both models worked best for instruments with clear acoustic characteristics, such as guitar and banjo. The findings suggested that the combination of multiple complementary features improves the classification performance of musical instruments.
Anahtar Kelimeler
MIR instrument classification machine learning feature extraction
Kaynakça
- J. McKay, Automatic musical instrument identification, Master’s thesis, Dublin Institute of Technology, 2011.
- S. Murthy and S. G. Koolagudi, Content-based music information retrieval (cb-mir) and its applications toward the music industry: A review, ACM Computing Surveys (CSUR), vol. 51, no. 3, pp. 1–46, 2018.
- C. Constantinescu and R. Brad, An overview of sound features in time and frequency domain, International Journal of Advanced Statistics and IT&C for Economics and Life Sciences, vol. 13, no. 1, 2023.
- J. Pons, O. Nieto, M. Prockup, E. Schmidt, A. Ehmann, and X. Serra, End-to-end learning for music audio tagging at scale, arXiv preprint arXiv:1711.02520, 2017.
- W. Qin and B. Yin, Environmental sound classification algorithm based on adaptive data padding, in 2022 International Seminar on Computer Science and Engineering Technology (SCSET), pp. 84–88, IEEE, 2022.
- B. Toghiani-Rizi and M. Windmark, Musical instrument recognition using their distinctive characteristics in artificial neural networks, arXiv preprint arXiv:1705.04971, 2017.
- P. Uruthiran and L. Ranathunga, Optimization of feature selection and classification of oriental music instruments identification, in 1st International Conference on Artificial Intelligence and Data Sciences (AiDAS), pp. 120–125, IEEE, 2019.
- H. Tu and Y. Li, Neural network for music instrument identification, CS 229 Machine Learning Final Project, Stanford University, 2023.
- Y. Su, Instrument classification using different machine learning and deep learning methods, Highlights in Science, Engineering and Technology, vol. 34, pp. 136–142, 2023.
- R. Bhagyalakshmi and M. Anandaraju, Identification of specific musical instruments using machine learning models, Journal of Integrated Science and Technology, vol. 13, no. 5, pp. 1108–1108, 2025.
- J. J. Bosch, J. Janer, F. Fuhrmann, and P. Herrera, A comparison of sound segregation techniques for predominant instrument recognition in musical audio signals, in 13th International Society for Music Information Retrieval Conference (ISMIR 2012), pp. 559–564, 2012.
- R. M. Bittner, J. Salamon, M. Tierney, M. Mauch, C. Cannam, and J. P. Bello, MedleyDB: A multitrack dataset for annotation-intensive MIR research, in 15th International Society for Music Information Retrieval Conference (ISMIR 2014), vol. 14, pp. 155–160, 2014.
- S. K. Mahanta, A. F. U. R. Khilji, and P. Pakray, Deep neural network for musical instrument recognition using MFCCs, Computación y Sistemas, vol. 25, no. 2, pp. 351–360, 2021.
- G. M. Bhandari, Different audio feature extraction using segmentation, International Journal for Innovative Research in Science Technology, vol. 2, no. 9, pp. 1–5, 2016.
- P. A. Babu, V. S. Nagaraju, and R. R. Vallabhuni, Speech emotion recognition system with “, in 10th IEEE International Conference on Communication Systems and Network Technologies (CSNT), pp. 421–424, IEEE, 2021.
- D. Lavry, Sampling theory for digital audio, Lavry Engineering, Inc., 2004.
- E. Bressert, SciPy and NumPy: An overview for developers, O’Reilly Media, Inc., 2012.
- I. H. Sarker, Machine learning: Algorithms, real-world applications and research directions, SN Computer Science, vol. 2, no. 3, p. 160, 2021.
- S. Fatima, A. Hussain, S. B. Amir, S. H. Ahmed, and S. M. H. Aslam, et al., XGBoost and random forest algorithms: An in-depth analysis, Pakistan Journal of Scientific Research, vol. 3, no. 1, pp. 26–31, 2023.
- G. Kunapuli, Ensemble methods for machine learning, Simon and Schuster, 2023.
- K. Friedrichs, N. Bauer, R. Martin, and C. Weihs, A computational study of auditory models in music recognition tasks for normal-hearing and hearing-impaired listeners, EURASIP Journal on Audio, Speech, and Music Processing, vol. 2017, pp. 1–22, 2017.
- P. Bonissone, J. M. Cadenas, M. C. Garrido, and R. A. Díaz-Valladares, A fuzzy random forest, International Journal of Approximate Reasoning, vol. 51, no. 7, pp. 729–747, 2010.
- C. Bentéjac, A. Csörgő, and G. Martínez-Muñoz, A comparative analysis of gradient boosting algorithms, Artificial Intelligence Review, vol. 54, pp. 1937–1967, 2021.
- D. Nielsen, Tree boosting with XGBoost – why does XGBoost win every machine learning competition?, Master’s thesis, NTNU, 2016.
- A. Samat, E. Li, W. Wang, S. Liu, C. Lin, and J. Abuduwaili, Meta-XGBoost for hyperspectral image classification using extended MSER-guided morphological profiles, Remote Sensing, vol. 12, no. 12, p. 1973, 2020.
- G. Agostini, M. Longari, and E. Pollastri, Musical instrument timbres classification with spectral features, EURASIP Journal on Advances in Signal Processing, vol. 2003, pp. 1–10, 2003.
Ayrıntılar
| Birincil Dil | İngilizce |
|---|---|
| Konular | Ses ve Müzik İşleme, Makine Öğrenme (Diğer) |
| Bölüm | Araştırma Makalesi |
| Yazarlar | |
| Gönderilme Tarihi | 26 Mayıs 2025 |
| Kabul Tarihi | 17 Kasım 2025 |
| Erken Görünüm Tarihi | 14 Ocak 2026 |
| Yayımlanma Tarihi | 14 Ocak 2026 |
| Yayımlandığı Sayı | Yıl 2026 Cilt: 28 Sayı: 1 |
Kaynak Göster
Amaç ve Kapsam
Dergimizin ana hedefi; bilimsel normlara ve bilim etiğine uygun, nitelikli ve özgün çalışmaları titizlikle değerlendirerek, düzenli aralıklarla yayımlayan ve fen bilimleri alanında tercih edilen öncelikli dergiler arasında yer almaktır.
Balıkesir Üniversitesi Fen Bilimleri Dergisi, Balıkesir Üniversitesi Fen Bilimleri Enstitüsü tarafından Ocak ve Temmuz aylarında olmak üzere yılda iki kez yayımlanan hakemli bir dergidir. Dergide; Fen bilimleri, Mühendislik bilimleri ve Fen-Matematik Eğitimi alanlarının kapsamına giren özgün araştırma makaleleri, kısa makaleler, derlemeler yayımlanabilir. Derleme makaleler Editör kurulu kararı ile her sayıda kısıtlı adette değerlendirmeye alınacaktır.
Yazım Kuralları
Yazar Rehberi
Balıkesir Üniversitesi Fen Bilimleri Enstitüsü Dergisi
Makale Yazım Kuralları
- Balıkesir Üniversitesi Fen Bilimleri Enstitüsü Dergisi (Journal of the Institute of Science and Technology of Balıkesir University) bütün Fen, Mühendislik ve Mimarlık Anabilim Dallarını ilgilendiren konulardaki önemli, özgün, kaliteli araştırma ve çalışma makalelerini yayınlayan hakemli ve bilimsel bir dergidir. Ocak ve Temmuz aylarında olmak üzere yılda iki kez yayınlanır.
- Dergide yayımlanacak olan eserler, daha önce bir başka dergide yayımlanmamış, yayımlanmak üzere gönderilmemiş ya da yayım için kabul edilmemiş olmalıdır. Herhangi bir bilimsel toplantıda sunulmuş ve yayımlanmamış yazılarda, toplantının adı, yeri ve tarihi belirtilmelidir.
- Derginin yayıncısı, editörü ve yayın kurulu yazarların belirtmiş olduğu görüş ve düşünceler ile doğabilecek etik ihlallerinin sorumluluğunu kabul etmekle yükümlü olmayıp dergide yer alan makale ve yazıların sorumluluğu yazar(lar)ına aittir.
- Dergiye yayımlanmak üzere gönderilen çalışmalar öncelikle şekil/yazım şartları bakımından ön değerlendirmeye alınır. Yazım kuralları itibariyle şartları sağlamayan çalışmalar hakemlere gönderilmez. Şartlara uygun olan çalışmalar, içerik açısından incelenmek üzere en az iki hakeme gönderilir. Makaleyi değerlendiren hakemlerin kimlikleri hakkında yazarlara, gönderilen makalenin kime ait olduğu konusunda da hakemlere bilgi verilmez. Hakem raporları gizlidir. Hakemlerden olumlu rapor alamayan makaleler yayımlanmaz ve yazarına iade edilmez; bu konuda idari ve adli sorumluluk kabul edilmez. Hakemler tarafından düzeltme istenen yazılar ise gerekli değişiklikler için yazar(lar)a geri gönderilir. Düzeltilmiş metni belirtilen süre içerisinde dergiye ulaştırmak yazar(lar)ın sorumluluğundadır.
- Çalışma, editörlere 1 nüsha halinde elektronik ortamda sunulmalıdır. Makalenin elektronik ortamda gönderilebilmesi için, sisteme üye olunmalı ve kullanıcı girişi yapılmalıdır. Kullanıcı girişi yapıldıktan sonra “Makale Gönder” bağlantısı kullanılarak makale sisteme kayıt edilir. Sisteme kaydedilecek çalışmalarda yazar adları bulunmalıdır. Kör hakemlik süreci ilgili alan editörü tarafından başlatılacaktır. Yayımlanmak üzere gönderilen makaleler ekler ve kaynakça dahil olmak üzere 20 sayfayı geçmemelidir. Çalışmalar sisteme yüklenirken Başlık, Anahtar Kelimeler ve Öz makalenin yazıldığı dil dışında ikinci bir dil olarak dergipark üst verisine mutlaka girilmelidir.
- Ulakbim TR DİZİN kararları doğrultusunda dergimize yüklenecek çalışmalarda etik kurul izni onay belgesi talep edilmektedir. Konu ile ilgili detaylı bilgiye ulaşmak için TIKLAYINIZ.
Göstereceğiniz ilgi için teşekkür ederiz.
Sayfa boyutu, sayısı ve kenar boşlukları | A4 formatında, en fazla (eğer mümkünse) 12 sayfa olmalıdır. Sol ve Sağ : 3 cm, Üst ve Alt: 2,5 cm. |
Sayfa numaraları | Sayfa numaraları sayfa altında ve ortada verilmelidir. |
Satır boşlukları | Bütün satır boşlukları Times New Roman karakterinde ve 12 punto olmalıdır. |
Metin | Times New Roman karakterinde 12 punto ile, sağa ve sola dayalı olarak tek aralıklı yazılmalıdır. Noktadan sonra 2 boşluk, virgülden sonra 1 boşluk bırakılmalıdır. |
Paragraf | Her paragraf arasında bir satır boşluk bırakılmalı, paragraf başlarında içerden başlanmamalıdır (Tab tuşu kullanılmamalıdır). |
Makale başlığı | Sayfa başından 5 satır boşluk bırakıldıktan sonra, Times New Roman, 20 punto (koyu olmayacak) ile başlığın sadece ilk harfi büyük olacak şekilde sayfa ortalanarak yazılmalıdır. |
Yazar adı veya adları | Başlıktan sonra 2 satır boşluk bırakılarak, ünvan belirtilmeden, Adın ilk harfi ve SOYAD’ın tamamı büyük harf ile, birden fazla yazarlarda aralarına virgül konularak, Times New Roman, 12 punto, koyu ve sayfa ortalanarak yazılmalıdır. |
Yazarın/ların adresi/leri | Yazar adının hemen altına boşluk bırakılmadan, Times New Roman, 10 punto ve italik olarak yazılmalıdır. Adresleri aynı olan yazarlar için tek adres, farklı yazar adresleri alt alta boşluk bırakılmadan yazılmalıdır. |
İletişim yazarının bilgileri | Bütün yazarlar için Sorumlu yazar ilk sırada olacak şekilde; Ünvansız Ad SOYAD, e-mail adresi, ORCID ID numarası (http://orcid.org/xxxx-xxxx-xxxx-xxxx.) aralarına virgül konularak 1. sayfanın altına dipnot olarak, Times New Roman, 10 punto ile yazılmalıdır. |
Türkçe özet | Adres/ler den 3 satır boşluk bırakıldıktan sonra, Özet kelimesi Times New Roman yazı karakterinde, 12 punto, koyu ve sola dayalı olarak yazılmalıdır. Özet metni Times New Roman yazı karakterinde, 12 punto ve italik olarak yazılmalıdır. Özet metnin 100 ile 200 kelime arasında olmasına özen gösterilmelidir. Özet kelimesi ile özet metni arasında bir satır boşluk bırakılmalıdır. |
Anahtar kelimeler Keywords | Anahtar kelimeler: ve Keywords: kelimeleri Türkçe özetin ve İngilizce özetin altına bir satır boşluk bırakılarak, Times New Roman, 12 punto, koyu ve italik olarak yazılmalıdır. En az 3 en fazla 6 adet anahtar kelime verilmeli, anahtar kelimelerin birincisinin ilk harfi büyük diğerleri küçük harfle ve aralarına virgül konularak verilmelidir. |
İngilizce başlık ve Abstract | Türkçe anahtar kelimelerin altına 2 satır boşluk bırakılarak, Times New Roman, 16 punto (koyu olmayacak) ile başlığın sadece ilk harfi büyük olacak şekilde sayfa ortalanarak yazılmalıdır. Abstract, Türkçe özet formatında yazılmalıdır. |
Ana başlıklar | Ana Başlıklar sırasıyla numaralandırılmalıdır (1. Giriş 2. Deneysel çalışmalar gibi). Tüm başlıklar sola dayalı Times New Roman, 12 punto, koyu ve sadece ilk kelimenin ilk harfi büyük olacak şekilde yazılmalıdır. Ana başlıklardan önce 2 satır, sonra 1 satır boşluk bırakılmalıdır. |
Alt başlıklar | Alt başlıklar ana başlık numarasına uygun olarak numaralandırılmalıdır. Tüm alt başlıklar sola dayalı Times New Roman, 12 punto, koyu ve italik olarak sadece ilk kelimenin ilk harfi büyük olacak şekilde yazılmalıdır (2.1. Malzeme 2.2. Isıl işlemler gibi). Alt başlıklardan önce tek satır boşluk bırakılmalı, sonra ise boşluk bırakılmadan metine geçilmelidir. |
Şekiller Resimler Fotoğraflar | Sayfa sınırlarını aşmayacak şekilde ortalanarak, net ve okunaklı olmalıdır. Sıra ile numaralandırılmalıdır. Şekil no ve adları şeklin altında ortalanarak ve sadece ilk kelimenin ilk harfi büyük olarak verilmelidir. Şekiller ya bir çizim programı ile çizilmiş olmalı ya da en az 300 dpi çözünürlükte taranmış olmalıdır. Şekil olarak gösterilen grafik, resim ve metin kutularında yer alan yazı ve sayıların büyüklüğü makale içinde Times New Roman karakteri ile yazılmış 9 punto boyutundaki bir yazının büyüklüğünden az olmamalıdır. Şekilden önce, şekil adından önce ve sonra birer satır boşluk bırakılmalıdır. Şekiller metin içine yerleştirilirken mutlaka şekilden önce atıfta bulunulmalıdır. |
Tablolar | Sayfa sınırlarını aşmayacak şekilde ortalanarak konulmalıdır. Sıra ile numaralandırılmalıdır. Tablo no ve adları, tablonun üstünde tek satır boşluk ile sadece ilk kelimenin ilk harfi büyük olacak şekilde ortalanarak yazılmalıdır. Tablo adı yazılırken üstte ve altta birer satır, tablodan sonra yine bir satır boşluk bırakılmalıdır. Tablolara tablodan önce mutlaka metin içerisinde atıfta bulunulmalıdır. Tablo satır ve sütunlarındaki rakam ve yazılar Times New Roman 12 punto ile yazılmalıdır. Ancak zorunlu kalınan durumlarda yazı boyutu yazı sınırlarını geçmeyecek şekilde en az 9 puntoya kadar düşürülebilir. |
Denklemler | Metin içerisine yazılacak denklemler, word yazım programındaki denklem editörü ile sola dayalı olarak yazılmalı ve eşitliklere sağa dayalı olarak parantez içerisinde sıra ile numara verilmelidir. |
Semboller | Makale çok sayıda sembol içeriyor ya da makaledeki sembollerin açıklanması gerekiyorsa uluslararası standarda uygun olarak, semboller, kaynaklardan önce, Times New Roman 12 punto ile italik yazılmalıdır. Makalede ondalık gösterimde nokta kullanılmalı, binlikleri ayırırken virgül veya nokta kullanılmamalı gerekiyorsa tek boşluk kullanılmalıdır. |
Kaynaklar | Kaynaklar metin içerisinde sıra ile numaralandırılmalıdır. Makalenin sonunda bulunan kaynaklar bölümündeki sıralama, metinde verilen sıraya uygun olarak yapılmalıdır. Atıfta bulunulan kaynaklar; ya ….. [1]. şeklinde cümlenin sonunda yada ….. [1], ….. şeklinde cümle içinde verilmelidir. İki veya daha fazla kaynak yazarken verilecek kaynaklar sıralı ise [1,2,3,4] şeklinde değil, [1-4] şeklinde verilmelidir. Sıralı değil ise [8, 11, 15] şeklinde verilmelidir. Kaynaklar, Times New Roman 12 punto ile yazılmalı, sadece dergi, kitap ya da sempozyum adı kalın yazılmalıdır. Kaynaklar kısmında yer alan ulusal-uluslararası makalelerin yer aldığı dergi adları kısaltılmış halleriyle değil, açık olarak yazılmalıdır (örnek: dergi adı Wat. Res. şeklinde değil Water Resources şeklinde yazılmalı). |
Ulusal - Uluslararası Makaleler [1] Li, G., Hart, A. ve Gregory, J., Flocculation and sedimentation of high turbidity water, Water Resources, 25, 9, 1137-1143, (1998). Ulusal - Uluslararası Bildiriler [2] Li, G., Hart, A. ve Gregory, J., Flocculation and sedimentation of high turbidity waters, Proceedings , 9th Biennial Conference, International Association on Water Quality, 1137–1143, Vancouver, (1998). Ulusal - Uluslararası Kitap [3] Li, G., Hart, A. ve Gregory, J., Flocculation and sedimentation, 295, Technomics Press, Lancaster PA, (1998).
[4] Blackburn, T., Flocculation and sedimentation in Li, G., Hart, A. ve Gregory, J., Physical Processes, Technomics Press, 29-45, Lancaster PA, (1998).
[5] Li, G., Hart, A. ve Gregory, J., Flocculation and sedimentation, 295, Technomics Press, Lancaster PA, (1998). Makaleler [6] Li, G., Hart, A. ve Gregory, J., Flokülasyona hız gradyanı etkisi, Su Kirlenmesi Kontrolü Dergisi, 7, 4, 26–32, (1998). [7] Snell, F. D. ve Ettre, L. S., Encyclopedia of Industrial Chemical Analysis, 14, Interscience, New York, (1971). Basılmış Bilimsel Rapor [8] Li, G., Hart, A. ve Gregory, J., The effect of velocity gradient in flocculation, Technical Report, NATO Science for Stability Programme, 150, Brussels, (1998). Mesleki Teknik Rapor [9] Li, G., Hart, A. ve Gregory, J., Flokülasyona hız gradyanı etkisi, Teknik Rapor 45, İTÜ Geliştirme Vakfı, İstanbul, (1998). Doktora, Y.Lisans Tezi [10] Türker, K., Yapıların deprem davranışının belirlenmesi için çok modlu uyarlamalı yük artımı yöntemi, Doktora Tezi, Balıkesir Üniversitesi, Fen Bilimleri Enstitüsü, Balıkesir, (2005). Standartlar [11] TS825, Binalarda ısı yalıtım kuralları, Türk Standartları, Ankara, (1998). Güncel Yazı [12] Li, G., Hart, A. ve Gregory, J., Flokülasyona hız gradyanı etkisi, Bilim ve Teknik, 363, 8, 23–45, (1998). [13] Li, G., Hart, A. ve Gregory, J., Flokülasyona hız gradyanı etkisi, Milliyet Gazetesi, sf.2, 3, 24, (1998). Web adresleri [14] Li, G., Hart, A. ve Gregory, J., Flokülasyona hız gradyanı etkisi, (1998).http://www.server.com/projects/paper2.html, (20.05.2004). | |
Başvuru Kontrol Listesi
Başvuru sürecünde yazarlar başvurularının aşağıdaki listedeki tüm maddelere uyduğunu kontrol etmelidirler, bu rehbere uymayan başvurular yazarlara geri döndürülecektir.
- Gönderilen çalışma daha önceden yayınlanmamış ve yayımlanmak üzere herhangi bir dergiye değerlendirilmek üzere sunulmamıştır (Yazar Rehberi'nde detaylı açıklama verimiştir).
- Gönderi dosyası OpenOffice, Microsoft Word, RTF veya WordPerfect dokümanı dosyası biçimindedir.
- Gönderilen çalışma Yazar Rehberi'nde yer alan dergi yazım kurallarına ve makale örneklerine uygundur.
- Gönderilen çalışma için yazar bilgilerinin yer almadığı iThenticate (Akademik İntihal Engelleme) programından veya benzer diğer programlardan alınmış rapor ek dosya olarak sisteme eklenmiştir. Bu raporda sadece kaynakça çıkarılmıştır.
Çalışmaya ait tüm yazarların bilgileri (Kurum bilgisi, email adresi, ORCID numarası vb. ) dergi sisteme eklenmiştir.
- Yazınızı hakem değerlendirmesi yapılan bir dergi bölümüne gönderiyor iseniz kör hakemlikten emin olmak için tıklayın. Yardım sayfasındaki önerilere tam olarak uyunuz.
Etik İlkeler ve Yayın Politikası
- Balıkesir Üniversitesi Fen Bilimleri Dergisi, Balıkesir Üniversitesi Fen Bilimleri Enstitüsü tarafından Ocak ve Temmuz aylarında olmak üzere yılda iki kez yayımlanan hakemli bir dergidir. Dergide; Fen bilimleri, Mühendislik bilimleri ve Fen-Matematik Eğitimi alanlarının kapsamına giren özgün araştırma makaleleri, kısa makaleler, derlemeler yayımlanabilir.
- Derginin yayıncısı, editörü ve yayın kurulu yazarların belirtmiş olduğu görüş ve düşünceler ile doğabilecek etik ihlallerinin sorumluluğunu kabul etmekle yükümlü olmayıp dergide yer alan makale ve yazıların sorumluluğu yazar(lar)ına aittir.
- Dergiye yayımlanmak üzere gönderilen çalışmalar öncelikle şekil/yazım şartları bakımından ön değerlendirmeye alınır. Yazım kuralları itibariyle şartları sağlamayan çalışmalar hakemlere gönderilmez. Şartlara uygun olan çalışmalar, içerik açısından incelenmek üzere en az iki hakeme gönderilir. Makaleyi değerlendiren hakemlerin kimlikleri hakkında yazarlara, gönderilen makalenin kime ait olduğu konusunda da hakemlere bilgi verilmez. Hakem raporları gizlidir. Hakemlerden olumlu rapor alamayan makaleler yayımlanmaz ve yazarına iade edilmez; bu konuda idari ve adli sorumluluk kabul edilmez. Hakemler tarafından düzeltme istenen yazılar ise gerekli değişiklikler için yazar(lar)a geri gönderilir. Düzeltilmiş metni belirtilen süre içerisinde dergiye ulaştırmak yazar(lar)ın sorumluluğundadır.
- Dergide yayımlanacak olan eserler, daha önce bir başka dergide yayımlanmamış, yayımlanmak üzere gönderilmemiş ya da yayım için kabul edilmemiş olmalıdır. Herhangi bir bilimsel toplantıda sunulmuş ve yayımlanmamış yazılarda, toplantının adı, yeri ve tarihi belirtilmelidir.
- Dergimiz herhangi bir yayın ücreti talep etmemektedir.
- Dergimiz belirtilmeyen diğer etik ilkeleri, editör, hakem ve yazar sorumlulukları için Committee on Publication Ethics (COPE) belirlenen/önerilen hususları kabul ve takip etmektedir. İlgili bilgi COPE websitesinden edinilebilir. COPE websitesi için TIKLAYINIZ.
Ücret Politikası
Dergimizde makale işlem ücreti alınmamaktadır.
Dizinler
Atıf Dizinleri
Diğer Dizinler
Dergi Kurulları
İmtiyaz Sahibi
Baş Editör
Editör Kurulu
Alan Editörleri
Hacettepe Kimya Mühendisliği Bölümü'nden mezuniyetin ardından Ege Üniversitesi Biyomühendislik Bölümü'nde yüksek lisans ve doktora eğitimlerim boyunca Çevre Biyoteknolojisi temelli biyoprosesler üzerine çalışmalarda bulundum. Organik atıkların dönüşümleri odağında yüksek lisansımda tavuk atıklarından biyogaz üretimi, doktoramda ise şeker endüstrisi atıklaırndan iki aşamalı hibrit sistemlerde biyohidrojen üretimi üzerine tez çalışmalarımı tamamladım. Doktoramdan sonra sentezgaz fermentasyonu ile biyoetanol ve asit üretimleri üzerine çalışmalarda buundum. 2022 yılından beri İzmir Demokrasi Üniversitesi Endüstri Mühendisliği bölümü'nde görev yapmaktayım son yıllarda döngüsel ekonomi, yaşam döngüsü analizi ve sürdürülebilirlik alanlarında çalışmalara odaklanmış bulunmaktayım.
1974 Balıkesir doğumludur. İlk ve orta ve Üniversite eğitimini Balıkesir'de tamamlamıştır. Balıkesir Üniversitesi Mühendislik Fakültesi İnşaat Mühendisliği Bölümünde öğretim üyesi olarak ders vermektedir.
Danışma & Yayın Kurulu
Kemal Yurumezoglu is an professor in the Department of Special Education (Gifted Education) at Dokuz Eylul University, Turkey. He received his master’s degree in physics education in 2000 from the University of Paris Diderot (Paris 7), France, and his PhD in science education in 2005 from the University of Strasbourg, France. His research interests are in conceptual physics, gifted education, STEAM education and inquiry-based physics activities.
Doctor of Physical and Mathematical Sciences, specialist in integral geometry and inverse problems.
Education and Academic Career:
• Graduated from Moscow State University (MSU) in 1982.
• Defended his Candidate of Sciences dissertation in 1991 on the topic:
“Certain Classes of Problems in Integral Geometry on Curves and Surfaces.”
• Defended his Doctor of Sciences dissertation in 1998 on the topic:
“New Classes of Problems in Integral Geometry.”
• A student of the prominent scholar, Academician M.M. Lavrentiev.
Scientific Contributions:
Akram Khasanovich has made significant contributions to the development of mathematics:
• Developed methods for studying weakly and strongly ill-posed problems in integral geometry.
• Proved uniqueness theorems for new classes of problems in integral geometry.
• Conducted fundamental research on the stability of solutions for entire classes of ill-posed problems, derived inversion formulas, and proved existence theorems for these problems.
• His work has found applications in medicine, industrial tomography, and geophysics.
Professional Activities:
• Since November 2022, he has been working at the Belarusian-Uzbek Intersectoral Institute of Applied Technical Qualifications.
• Since September 2024, he has been working part-time at the Transport University, actively participating in educational and scientific activities.
• Advocates for the creation of a Department of Mathematical and Physical Sciences focused on interdisciplinary research.
Publications:
Author of more than 150 scientific papers dedicated to integral geometry, inverse problems, and their applications in various fields of science and technology.
S.S.S. Sarma (Full name rarely used in publications: Singaraju Sri Subrahmanya Sarma, born on 24 September 1958), PhD obtained in 1988, is an aquatic ecologist, known for his research contributions in the field of freshwater zooplankton. He is full time Professor of the National Autonomous University of Mexico (= Universidad Nacional Autónoma de México, known in the abbreviated form as UNAM) at its north Mexico City Campus, FESI, Tlalnepantla (Facultad de Estudios Superiores Iztacala). He has published more than 300 articles and book chapters of which more than 285 scientific works are from standard journals, including Nature, indexed in Web of Science (Core collection) / Scopus. He has edited/co-edited 14 special volumes for prestigious publishers including Springer, Elsevier, Francis & Taylor, and Acad. Env. Biol. He is currently Editor of Rotifer News, a virtual newsletter for professional and amateur investigators of phylum Rotifera. He is/was on the Editorial Board of different journals belonging to Standard Publishers such as Springer, Elsevier, MDPI, Frontiers Media SA, Acad. of Env. Biol., Francis & Taylor, Bentham Open, Oxford University Press, Public Library of Science, DergiPark and Biomed Central.
