Fen Bilimleri Enstitüsü / Science Institute

Now showing 1 - 2 of 2

Derin ağ tabanlı özniteliklerle gazların sınıflandırılması ve konsantrasyon değerlerinin regresyon analizi
(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2023) Bakiler, Hande; Güney, Selda
Elektronik burun (e-burun), kimyasal sensör dizilimi ile biyolojik malzemelerden yayılan uçucu bileşikler üzerinde hassas ölçümler yaparak çeşitli özellikleri belirleyen, tanımlayan ve sınıflandıran elektronik algılama teknolojisine dayalı bir cihazdır. İnsan koku alma mekanizmasını taklit ederek çalışan bu sistemler, son yıllarda farklı alanlarda yaygın olarak kullanılmaktadır. E-burundaki önemli konulardan biri de farklı gazların farklı konsantrasyon değerlerinin tahmin edilmesidir. Gaz konsantrasyonlarının doğru bir şekilde tahmin edilmesi, hastalık tespiti gibi hassas konularda da çok önemli bir rol oynamaktadır. Bu çalışma, derin öğrenme (Deep Learning, DL) ağlarını kullanarak 4 adet metal oksit gaz sensörü tarafından tespit edilen etanol, metan, etilen ve karbon monoksit gazlarının konsantrasyon seviyelerinin ve değerlerinin sınıflandırma ve regresyon başarılarının artırılması amacıyla yapılmıştır. Gazların konsantrasyon seviyelerine göre sınıflandırma başarılarının karşılaştırılmasında ve belirli bir aralıktaki konsantrasyon değerlerinin tahmin başarılarının karşılaştırılmasında farklı yöntemler kullanılmıştır. Bu işlemlerin gerçekleştirilmesi için gaz verilerine ön işleme ve farklı öznitelik çıkarımı adımları uygulanmıştır. Bu çalışmanın odak noktası, öznitelik çıkarımı yapılmasında yeni yöntemler geliştirerek sınıflandırma ve regresyondan elde edilen başarının artırılmasıdır. Bu amaçla, iki yeni metodoloji önerilmiştir. Geliştirilen yöntemlerden birinde, derin öğrenme ağlarından biri olan Uzun Kısa-Süreli Bellek (Long Short-Term Memory, LSTM) ağlarının tam bağlantılı katmanından öznitelik çıkarımı yapılmış, çıkarılan öznitelikler sınıflandırma ve regresyonda kullanılmıştır. Önerilen diğer metodolojide ise LSTM ağının tam bağlantılı katmanından elde edilen veriler Zamansal Evrişimli Ağ (Temporal Convolutional Network, TCN) modeline giriş olarak uygulanmıştır ve bu TCN’nin tam bağlantılı katmanından elde edilen özniteliklerde sınıflandırma ve regresyon çalışmalarında kullanılmıştır (LSTMFCLTCNFCL). Önerilen her iki yöntemin sonuçları geleneksel yöntemlere göre karşılaştırıldığında hem sınıflandırma hem de tahmin sonuçlarında iyileşme olduğu, başarının arttığı ve ortalama karesel hataların da önemli ölçüde azaldığı görülmektedir. Ayrıca, ön işleme aşamasında sinyal düzeltme uygulandığı zaman sonuçlarda dikkate değer bir şekilde artış olduğu da görülmektedir. Hem sinyal düzeltmenin uygulanması hem de geliştirilen yöntemlerle sonuçlarda iki taraflı bir iyileşme olması sağlanmıştır. Sınıflandırmada Destek Vektör Makinesi (Support Vector Machines, SVM) algoritması 94,7% ile en yüksek doğruluk oranını verirken, regresyonda ise en düşük ortalama karesel hatalar Gauss Süreci Regresyonu (Gaussian Process Regression, GPR) ile elde edilmiştir. Electronic nose (e-nose) is a device based on electronic sensing technology that determines, identifies and classifies various properties by making precise measurements on volatile components emitted from biological materials with a chemical sensor array. These systems, which work by imitating the human olfactory mechanism, have been widely used in different fields in recent years. One of the important issues in e-nose is the estimation of different concentration values of different gases. Accurate estimation of gas concentrations plays a crucial role in sensitive issues such as disease detection. This study was carried out to increase the classification and regression success of the concentration levels and values of ethanol, methane, ethylene and carbon monoxide gases detected by 4 metal oxide gas sensors using deep learning networks. Different methods was used to compare the classification successes of gases according to their concentration levels and to compare the estimation successes of concentration values in a certain range. In order to perform these operations, preprocessing and different feature extraction steps were applied to the gas data. The focus of this study is to increase the success of the classification and regression by developing new methods for feature extraction. For this purpose, two new methodologies have been proposed. In one of the developed methods, feature extraction was made from the fully connected layer of Long Short-Term Memory (LSTM) networks, which is one of the deep learning networks, and the extracted features were used in the classification and regression. In the other proposed methodology, the data obtained from the fully connected layer of the LSTM network was applied as an input to the Temporal Convolutional Network (TCN), and the features obtained from the fully connected layer of this TCN were used in classification and regression studies (LSTMFCL-TCNFCL). When the results of both proposed methods are compared with the traditional methods, it is seen that there is an improvement in both classification and estimation results, the success is increased and the mean squared errors are significantly reduced. In addition, it is seen that there is a remarkable increase in the results when signal correction is applied in the preprocessing stage. Both the application of signal correction and the developed methods have provided a bilateral improvement in the results. While the Support Vector Machine algorithm gave the highest accuracy rate with 94,7% in the classification, the lowest mean square errors in regression were obtained with the Gaussian Process Regression.
Improvement of performance and capacities of wireless ad hoc networks
(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2014) Bakiler, Hande; Şafak, Aysel
Mobile Ad Hoc Networks are continuously self-organizing wireless networks with no fixed infrastructure, where network communication is established without a centralized administration. Security is an important issue for mobile ad hoc networks, due to the vulnerable nature of these networks. This thesis describes the effects of Pulse Jammer attack, Misbehavior Nodes attack and Byzantine attacks on the network performance under different traffic loads using Positionbased Routing Protocol such as Geographic Routing Protocol (GRP), Proactive Routing Protocol such as Optimized Link State Routing (OLSR) Protocol and Reactive Routing Protocols such as Ad Hoc On Demand Distance Vector (AODV) Routing Protocol and Dynamic Source Routing (DSR) Protocol. The impact of security attacks on mobile ad hoc network performance is evaluated by investigating which attack is more harmful to the network. Additionally, mentioned security routing protocols are surveyed for mobile ad hoc networks and the performance of these routing protocols are compared under Pulse Jammer attack, under Misbehavior Node attack and under Byzantine attack. Simulation results using OPNET simulator show that the efficient utilization of the network reduces considerably in the presence of the mentioned attacks. Gezgin ad hoc ağlar, ortam koşullarına kendi kendini uyarlayabilen, sabit bir alt yapı gerektirmeyen, ağın denetimi, yönetimi için herhangi bir merkezi otoriteye gerek duymayarak iletişimi sağlayan dinamik varlıklardır. Güvenlik, gezgin ad hoc ağların savunmasız doğası nedeniyle önemli bir konudur. Bu çalışma, Darbe Parazit saldırısı, Haşarı Düğüm saldırısı ve Bizans ağ saldırısının farklı trafik yüklerine göre ağ performansı üzerindeki etkilerini, Konum tabanlı yol atama protokollerinden olan Coğrafi Yönlendirme Protokolü (GRP), Tabloya dayalı yol atama protokollerinden olan İyileştirilmiş Bağ Durumu Yönlendirme (OLSR) protokolü ve İsteğe bağlı yol atama protokollerinden olan Ad Hoc İsteğe Bağlı Uzaklık Vektör (AODV) ve Dinamik Kaynak Yönlendirme (DSR) protokollerini kullanarak açıklamaktadır. Gezgin ad hoc ağlar üzerindeki ağ saldırılarının etkileri araştırılarak değerlendirilmektedir. Ayrıca, gezgin ad hoc ağlar için sözedilen güvenlik yönlendirme protokolleri de incelenmektedir ve bu protokollerin performansları da Darbe Parazit, Haşarı Düğüm ve Bizans ağ saldırıları altında karşılaştırılmaktadır. OPNET simülatörü kullanılarak elde edilen simülasyon sonuçları, ağın etkin kullanımının söz konusu saldırıların varlığında önemli ölçüde azaldığını göstermektedir

Fen Bilimleri Enstitüsü / Science Institute

Browse

Filters

Settings

Sort By

Results per page

Search Results