489
Archived Theses
0
DOIs Assigned
0%
DOI Rate
Discipline
Active reconfigurable intelligent surface architectures for future wireless networks
Reconfigurable intelligent surface (RIS)-assisted communication has recently attracted the attention of the wireless communication community as a potential candidate for 6th generation (6G) of wireless networks. Various studies have been carried out on the RIS technology, which is capable of enabling the control of the signal propagation environment by network operators. However, when an RIS is used in its inherently passive structure, it appears to be only a supportive technology for communications, while suffering from a multiplicative path loss. Therefore, researchers have lately begun to focus on RIS hardware designs with minimal active elements to further boost the benefits of this technology. In this thesis, first, we present a simple RIS hardware architecture including a single and variable gain amplifier for reflection amplification to confront the multiplicative path loss. The end-to-end signal model for communication systems assisted with the proposed amplifying RIS design is presented, together with an analysis focusing on the capacity maximization and theoretical bit error probability performance, which is corroborated by computer simulations. In addition, the major advantages of the proposed amplifying RIS design compared to its passive counterpart are discussed. It is shown that the proposed RIS-based wireless system significantly eliminates the double fading problem appearing in conventional passive RIS-assisted systems and improves the communication energy efficiency. This thesis also introduces an RIS-assisted grant-free non-orthogonal multiple access (GF-NOMA) scheme. We propose a joint user equipment (UE) clustering and RIS assignment/alignment approach that ensures the power reception disparity required by the power domain NOMA (PD-NOMA). The proposed approach maximizes the network sum rate by judiciously pairing UE with distinct channel gains and assigning RISs to proper clusters. To alleviate the computational complexity of the joint approach, we decouple UE clustering and RIS assignment/alignment subproblems, which reduces run times 80 times while attaining almost the same performance. Once the proposed approaches acknowledge UEs with the cluster index, UEs are allowed to access corresponding resource blocks (RBs) at any time requiring neither further grant acquisitions from the base station (BS) nor power control as all UEs are requested to transmit at the same power. In addition to passive RISs containing only passive elements and giving an 18% better performance, a fully-connected active RIS structure that enhances the performance by 37% is also used to overcome the double path loss problem. The numerical results also investigate the impact of UE density, RIS deployment, RIS hardware specifications, and the fairness among the UEs in terms of bit-per-joule energy efficiency.
Design of microheater for thermo-optic tuning of silicon photonic filters
Microheater is the small-scaled version of resistive heater and uses Joule heating for heat generation. Having a low footprint and power consumption has enabled the microheater to be used in many areas. High thermo-optic coefficient of silicon has allowed this structure to be used in silicon photonics studies. This work focuses on designing an efficient microheater for our photonic filters. First, the appropriate microheater geometry was determined because the geometry of this structure has a crucial influence on the power consumption of the microheater and the temperature uniformity of the device to be heated. After the proper geometric structure has been chosen, the determination of the properties of this microheater is divided into two parts. These features play an essential role in reducing the temperature difference in the heated device. In the first part, the separation between the heater lines was determined. In the second part, the amount of overflow of the microheater on the device was designated. After specifying all features of the microheater structure, its electrical and thermal properties were investigated in the simulation environment. Finally, it was compared with the best-in-class microheaters, and the reasons for the performance differences were examined.
Novel waveform design algorithms for pulse compression radars
Radar systems have been used widely for the detection of remote targets since World War II, and since then, they have become ubiquitous in remote sensing applications. At its core, the radar probing waveform has received considerable attention in the past decades with the advances in digital hardware and signal processing techniques. Indeed, waveforms and their synthesis methods can find diverse applications in areas, not only in active remote sensing but also in communications and medical imaging. In recent years, computational methods have been devised to synthesize arbitrary waveforms under various practical constraints, including the Low Peak-to-Average-Power-Ratio (PAPR), unimodularity, correlation constraints and spectrum allocation restrictions with the aim of improving the underlying system performance. With the new trends in radar techniques, such as noise radar and cognitive radar, the transmit waveforms and pertinent terms such as waveform diversity and waveform adaptivity have attracted more attention due to their practical benefits. In this thesis, we give an introduction to the new trends and techniques, i.e. noise radar technology and cognitive radar, and further propose two novel waveform design algorithms, particularly for noise radar technology and spectrum-aware sensing systems such as cognitive radar. The first algorithm named 'Combined Spectral Shaping and Peak-to-Average Power Reduction (COSPAR)' which embodies a parametric window function as a spectral weighting to control the autocorrelation sidelobes and a Peak-to-Average-Power-Ratio (PAPR) reduction technique inspired by a phase retrieval algorithm is proposed to synthesize tailored noise waveforms for enhanced Low Probability of Intercept (LPI) radar operation. The proposed COSPAR algorithm is recommended for the generation of infinitely many orthogonal low PAPR noise-like signals suitable to feed up noise radar waveform libraries. Furthermore, a visual analysis tool based on Spectral Kurtosis in the Time-Frequency domain is proposed to assess the noise-like behaviour and pertinent LPI characteristics of the signal. In the second algorithm, we pose the waveform design task as a nonlinear large-scale optimization problem and propose a novel computational approach utilizing a nonlinear optimization technique i.e. Limited Memory Broyden-Fletcher-Goldfarb-Shanno (L-BFGS) recursion to synthesize unimodular sequences with good correlation and spectral stopband properties. The proposed algorithm, named 'L-BFGS based Sequence Design (LBSD)', includes a modified search direction and step length rule to facilitate faster convergence and aims to accelerate the overall waveform generation process. As a result, the proposed method is viable for the agile generation of spectrally compatible waveforms that are essential for cognitive radars. Finally, the benefits and good features of the proposed COSPAR signals are shown in field trials using an experimental noise radar demonstrator system, and some results from these experiments are reported in the thesis. Additionally, the performance of the proposed LBSD algorithm is shown via numerical examples in comparison to existing state-of-art waveform design algorithms.
Wireless channel modeling based on extreme values theory for ultra-reliable low latency communications
Ultra-reliable low latency communication (URLLC) is one of the most important features of the fifth generation (5G) networks with the aim of supporting mission critical applications, such as remote control of robots, remote surgery, autonomous vehicles and vehicular teleoperation applications. At URLLC, the packet error rate (PER) is guaranteed to be as low as 10−9-10−5 to address the strict reliability constraint, while the acceptable latency is on the order of a few milliseconds. A key building block in the design of ultra-reliable communication systems is a wireless channel model that captures the statistics of rare events occurring due to significant fading. Extreme value theory (EVT) is a powerful framework that characterizes the probabilistic distribution of infrequent extreme events or equivalently the tail distribution. In this thesis, we propose a novel methodology based on EVT to statistically model the behavior of extreme events in a wireless channel for ultra-reliable communication. In the first part of the thesis, we initially include techniques based on EVT for fitting the lower tail distribution of the received power to the generalized Pareto distribution (GPD), determining the optimum threshold over which the tail statistics are derived, ascertaining the optimum stopping condition on the number of samples required to estimate the tail statistics by using GPD, and finally, assessing the validity of the derived Pareto model. Second, we model the tail distribution of non-stationary channel based on EVT by including techniques for splitting the channel data sequence into multiple groups concerning the environmental factors causing non-stationarity, and fitting the lower tail distribution of the received power in each group to the GPD. The proposed approach also consists of optimally determining the time-varying threshold over which the tail statistics are derived as a function of time, and assessing the validity of the derived Pareto model. Third, we propose EVT-based framework dealing with relatively low number of data samples to estimate the optimal transmission rate and validate it by assessing the outage probability so that reliability constraints are met with a given confidence for ultra-reliable communications. Fourth, we propose a novel channel modeling methodology based on multivariate EVT (MEVT) for a system using spatial diversity in multiple input multiple output (MIMO)-URLLC to derive the lower tail statistics of the received signal power in multiple dimensions while efficiently dealing with a massive amount of corresponding data. Accordingly, we adopt EVT to determine the optimum threshold over which the tail statistics are derived by using the UGPD model, validate the final model by using probability plots, and utilize MEVT to model the tail of the joint probability distribution by using the EVT-based logistic distribution and Poisson point process approaches. In the second part of the thesis, we address the requirement of ultra-reliability at the upper communication level by proposing a new algorithm based on the prior collection of data to eliminate power-consuming beam-tracking techniques while ensuring high received power with minimum diversity level.
Affective video summarization
With the availability of video sharing and streaming services, the media consumption behavior of users has moved from TV to the internet resulting in a surge in video content. The video summarization field produces solutions for efficient video representation, retrieval, and browsing to ease the complications caused by video content and traffic surge. Inspection of the new video content shows that user-generated human-centric video production and consumption consolidates most of the surge. Conventional video summarization neglects the human content and treats all video categories similarly. In this thesis, we argue that summarization of human-centric videos requires both understanding human behavior and video summarization. We break down this complex task into serial sub-tasks to understand complex human behavior through emotion recognition and video summarization. First, we represent the human video content by affective states and propose a multi-modal, multi-task learning-based framework estimating affective states from audio-visual input. Along with predicting affective states, we define a novel problem of detecting affective bursts to capture salient regions in the affective contour accurately. We define affective video summarization which focuses on the summarization of human-centric videos and proposes a framework that integrates affective information into the video summarization process. Finally, we presented a dataset referred to as AffWild2-VS annotated for video summarization, enabling joint research on video summarization and emotion recognition.
Reconfigurable intelligent surface-based novel transceiver architectures and multiple access
Over five generations of wireless communications networks, from 1G to 5G, the wireless channel was always a given system entity and not a design parameter. The wireless channel is dictated by the physical nature of the environment that contains the transmitter and receiver, the endpoints of a wireless network, which makes it random from their perspective. Hence, it cannot be manipulated, and the only way to deal with it is to compensate for its negative impact at the endpoints of the network. Recently, a new emerging technology called reconfigurable intelligent surfaces (RISs) has appeared to provide some degree of manipulation in the random wireless channel. With unprecedented capabilities, RISs somehow offer to make (even if partially) the random wireless channel as a design parameter that can be optimized jointly with the other conventional parameters to achieve a particular unified goal for the wireless network. An RIS is a metasurface in the form of a large array of passive and low-cost elements that can be controlled electronically to reshape the electromagnetic waves impinging the surface and absorb or reflect them to the opposite side. Owing to their unique properties of reconfigurability, low cost, and intelligence, recent literature envisions that RISs can find their way to integration with almost all of the existing wireless communication systems. Therefore, RISs has drawn growing attention in the wireless communication society as a promising emerging technology that can be a potential candidate for 6G and beyond wireless networks, which motivates this thesis. In this thesis, we investigate the potential of RISs to be used in the next generation of wireless networks as an enabling technology by examining how far it will impact the network's overall performance. Our investigation is carried out by proposing new solutions that redesign existing classical wireless communications systems to include RISs in their transceiver architectures and assess their performance compared to the classical systems. Specifically, this thesis proposes the design and performance analysis of seven RIS-assisted wireless communications systems, including single user and multiple users with multiple access, which can be categorized into three parts, as follows. In the first part of this thesis, we combine RISs with multiple-input multiple-output (MIMO) systems, where we consider vertical Bell Labs space-time (VBLAST) and Alamouti's schemes as the most common and practical MIMO schemes. For the VBLAST-based new system, an RIS is used to enhance the performance of the nulling and canceling-based sub-optimal detection procedure as well as to noticeably boost the spectral efficiency by performing index modulation (IM) at the RIS side. Furthermore, we propose an RIS-based transmitter for Alamouti's scheme that replaces the two radio frequency (RF) chains at the classical transmitter with a single RF signal generator. In the second part, we integrate RISs into non-orthogonal multiple access (NOMA) systems, as follows. First, we propose a novel NOMA solution with RIS partitioning with the aim of enhancing spectrum efficiency by improving the ergodic rate of all users and maximizing user fairness. In the proposed system, we distribute the physical resources among users such that the base station (BS) and RIS are dedicated to serving different clusters of users, thus, reducing the mutual interference between users' clusters. Second, in order to increase the coverage area, we consider the generalized version of RISs, namely, simultaneous transmitting and reflecting RISs (STAR-RISs). In particular, we investigate the BER performance of a NOMA network assisted by a STAR-RIS, where the STAR-RIS serves multiple non-orthogonal users located on either side of the surface by utilizing the mode-switching protocol. We derive the closed-form BER expressions in perfect and imperfect successive interference cancellation cases. Furthermore, asymptotic analyses are also conducted to provide further insights into the BER behavior in the high signal-to-noise ratio region. Third, we consider general system design and physical resources allocation problems for STAR-RIS-assisted NOMA networks. In particular, we propose a novel STAR-RIS-assisted NOMA system, where unlike most of the related works, we target scalable phase shift design that requires a reduced channel estimation overhead. The proposed system aims to maximize the overall sum rate while guaranteeing the quality-of-service requirements (QoS) for individual users. Finally, in the third part, we consider the RIS-assisted system design considering practical implementation problems associated with RISs. The first problem is the phase shift adjustment in RISs, which is associated with many issues in hardware implementation, limiting the RIS achievable gain. Therefore, we propose a low-cost, phase shift-free and novel passive beamforming (PB) scheme by only optimizing the on/off states of the RIS elements while fixing their phase shifts. The proposed PB scheme is shown to achieve the same scaling law (quadratic growth with the RIS size) for the signal-to-noise ratio as in the classical phase shift-based PB scheme, yet, with far less sensitivity to spatial correlation and phase errors. The second problem is the fact that RISs do not selectively reflect impinging electromagnetic waves; therefore, they can also reflect electromagnetic interference (EMI) from the surrounding environment to the receiver side. To solve this problem, we propose a novel EMI cancellation scheme to mitigate the impact of the EMI by exploiting its special time-domain structure and considering a clever passive beamforming method at the RIS. For all of the proposed system designs, we assess their performance using mathematical analyses by considering different relevant performance matrices, which are validated via simulation results. Also, using comprehensive computer simulations and under different system settings, we compare the performance of the proposed systems against their state-of-the-art counterparts using the same simulation parameters to guarantee fair comparison. The obtained mathematical and computer simulation results show that RISs have a huge potential to be a promising candidate for 6G and beyond wireless communications systems. RISs are shown to offer high degrees of freedom in terms of the system design, where they can be used as a supportive technology or main module within the existing wireless systems' architectures. Accordingly, they can offer system performance enhancement over different metrics, reduce the hardware design's complexity and cost, or even offer completely new features.
Inverse design of photonic structures using topology optimization
Photonic inverse design methods are significantly more efficient than traditional photonic design methods. Unlike traditional methods, it operates on the full design area with only two simulations, forward and adjoint simulations. Using the topology optimization method in the inverse design of photonic devices enables the devices to be optimized for user-specified parameters. The topology optimization method shows better performance when compared to other methods. On the other hand, the fabrication compatibility of device geometries is the most significant challenge with structures created through topology optimization. In this thesis, fabrication-compatible photonic devices, a power splitter, and a spectral filter are designed using the topology optimization method. To make the devices more fabrication-compatible, filtering methods were used to remove small features and smooth sharp corners. 90%:10% power splitters and spectral filters were fabricated on silicon-on-insulator and devices exhibited sufficient performance.
Flexible optoelectronic biointerfaces with pseudocapacitive MnO2 nanostructures for efficient photostimulation of neurons
This thesis explores the integration of flexible optoelectronic biointerfaces with 3D manganese dioxide (MnO2) nanoflowers to achieve safe and efficient photostimulation of neurons. Optoelectronic biointerfaces have attracted significant attention for their potential in the wireless and electrical control of neurons. By utilizing 3D pseudocapacitive nanomaterials with interconnected porous structures and large surface areas, these biointerfaces can effectively transduce light into ionic currents, meeting the requirement for high electrode-electrolyte capacitance. The MnO2 nanoflowers were grown through a chemical bath deposition technique on the return electrode, which was pre-coated with a MnO2 seed layer deposited via cyclic voltammetry. The nanoflower integrated biointerfaces exhibited excellent performance with a high interfacial capacitance (greater than 10 mF cm-2) and photogenerated charge density (over 20 μC cm-2) even under low light intensity conditions (1 mW mm-2). Importantly, the MnO2 nanoflowers induced safe capacitive currents through reversible Faradaic reactions and demonstrated no toxic effects on hippocampal neurons during in vitro experiments, making them a promising material for curvature fit integration with electrogenic cells. The functionality of the optoelectronic biointerfaces was assessed using a patch-clamp electrophysiology setup in the whole-cell configuration of hippocampal neurons, revealing their ability to elicit repetitive and rapid firing of action potentials in response to light pulse trains. This research underscores the potential of electrochemically-deposited 3D pseudocapacitive nanomaterials as a robust and efficient approach for controlling neurons through optoelectronic means.
Design and optimization of broadband silicon photonic devices
The integration of photonic systems on a chip offers enhanced performance, functionality, and reliability. While there are various material platforms available for constructing photonic integrated circuits, silicon stands out due to its compatibility with existing fabrication technologies and its high refractive index contrast. These features enable sub-micrometer waveguide scaling and dense packing of optical functions, combined with cost-effective and reliable manufacturing processes. Silicon photonics has already demonstrated its effectiveness in high-speed communication applications, but its potential reaches far beyond that. It shows promise for diverse applications like LIDAR, photonic switching, computing, and sensing, making it a versatile technology with a wide range of possibilities. Consequently, there is a growing demand for efficient and innovative photonic building blocks on the silicon platform to meet the specific requirements of these applications. This thesis focuses on the development of advanced photonic devices tailored for photonic integrated circuits. The first part presents the design and experimental demonstration of compact silicon photonic filters using optimized fast adiabatic waveguides, enabling arbitrarily wide bandwidths. These devices, with the widest bandwidths reported to date, find applications in high-throughput communications and ultra-broadband sensing. Subsequently, a novel deep photonics network architecture is introduced, enabling the rapid design of high-performance, multi-functional photonic devices. A proof-of-concept device with an arbitrary dispersion profile over a wide bandwidth is demonstrated. Lastly, a fabrication variation-aware device design concept is presented, utilizing the deep photonic network architecture to account for the effects of the actual fabrication process. Overall, this work contributes to the development of high-performance and versatile silicon photonic systems for a range of applications.
The design and the implementation of a wearable medical ultrasonic transceiver for bladder volume monitoring
The manuscript presents an innovative solution for continuous bladder volume mon- itoring outside hospital settings, through a wireless and fully integrated ultrasonic transceiver. The challenges encountered during the design, engineering, and real- ization of the device have been comprehensively discussed, along with the results that fall into the performance metrics to provide such an health tracking service. The device comprises multiple ultrasonic transducers for A-mode ultrasonic mea- surements, and the raw data collected from them are processed on different media. The proposed device completes a full loop of bladder volume detection to a visual- ization on a patient's smartphone, promising accurate and continuous measurement of bladder volume for the first time. The study's in-vitro and in-vivo tests demon- strate the device's reliability and accuracy, indicating its potential for diagnosing and managing lower urinary tract dysfunctions (LUTD). The device's wireless and non-invasive nature makes it a convenient and accessible option for patients and the healthcare providers, representing a significant step towards improving the quality of life for individuals with LUTD. The manuscript also highlights the potential of wearable technology in healthcare, and the development of this device could pave the way for further advancements in this field.
Electronic system design for continuous bladder volume monitoring
Bladder volume is an important parameter assessed by healthcare professionals for the early diagnosis and treatment of lower urinary tract dysfunctions. While bladder catheterization remains the gold standard method, its invasive nature often deters patients, and it can potentially lead to various complications. To address this issue, non-invasive bladder volume measurements are conducted using ultrasound. However, this measurement method still requires a clinical setting, and patients are asked to keep a bladder diary. Unfortunately, this approach is not sufficient and efficient enough for continuous monitoring. Moreover, despite significant advancements in wearable ultrasound studies, which have shown great promise, integrating with electronic devices still requires a separate desktop electronic setup. However, our solution involves offering an ultrasonic bladder volume monitoring (UBVM) device, achieved by adding miniaturized electronic hardware to ultrasonic transducers embedded in a flexible patch. We have tested the accuracy of this device with healthy volunteers. Through a non invasive measurement method, the flexible ultrasonic patch placed on the lower abdomen, transmits signals of bladder volume measurements to a cloud system via an electronic board. By utilizing a smartphone application connected to the cloud system, both users and healthcare professionals can continuously monitor bladder volume values. This setup ensures constant and autonomous monitoring, providing convenience and ease for both users and healthcare professionals. We present an example of the application of the Internet of Things (IoT) in the healthcare domain through the utilization of ultrasonic patch and electronic systems within our current setup. This thesis also paves the way for various wearable ultrasound projects that can incorporate IoT applications. Keywords: bladder, volume, flexible, ultrasonic, monitoring, continuous, IoT
Micromagnetic modeling and demonstration of wide bandwidth and ultralow power skyrmion-based spintronic devices and circuits
The scaling of microelectronics faces two major issues: memory bottleneck and power consumption. These issues prompted the proposal of in-memory computation that encodes information in spins. Using spins allows for nonvolatile logic and data manipulation functionalities. Skyrmions, which are nanoscale, topologically protected, chiral and surface spin textures, could be used for these functions. Skyrmions can be driven by charge or spin currents and have stability against stray magnetic fields and thermal noise. Using magnetic films that stabilize skyrmions might reduce the power consumption with respect to conventional microelectronics by several orders of magnitude. Despite the progress in experimental demonstrations and theoretical studies on skyrmion initialization, detection, and manipulation, using skyrmions for their promising digital logic applications has remained elusive. A set of new device designs based on skyrmion logic processing, and the investigation of their device physics is necessary. In this thesis, we designed a comprehensive skyrmion logic gate system, which includes a skyrmion clock generator and the essential connecting blocks including the duplicator, junction, and deflector. Then, all the logic gates AND, OR, inverter, NAND, NOR, XOR, and XNOR gates have been designed and their functionalities have been verified using computational micromagnetics. Each block has been investigated thoroughly in terms of their energy consumptions, Joule heating, temporal delay and transient response, bandwidth, cascadability, stability against thermal noise and external magnetic fields as well as functional sensitivity with respect to the geometric (sidewall roughness, notch size/feature, channel width), material (Gilbert damping, non-adiabaticity of spin transfer torques) and temperature variations. Skyrmions need to be generated and propagated using charge currents for integrated ultra-wideband spintronics. We introduce a device design for initialization and generation of periodic skyrmions from 114 MHz to 21 GHz using spin-polarized direct current. We demonstrate in micromagnetic simulations that skyrmion generation frequencies can be controlled reversibly over more than seven octaves of frequencies by changing DC current density. Thus, a non-volatile current-driven digital clock source has been established. The inverter can be driven with spin polarized current pulses, operate with wide bandwidth, low energy consumption (~1350 kBT/bit at room temperature), small footprint (~300 nm), no or very limited need for external magnetic fields, cascadability and room temperature thermal stability owing to substrate's thermal conduction. Using magnetic insulators to eliminate Joule heating hints that the power consumption could be even further reduced by 3-4 orders of magnitude. These analyses suggest that the inverter block could be cascaded and operated as part of digital spintronic circuits without loading or thermal drift effects. We presented a bit-slice circuit for a digital skyrmion full adder. This circuit could in principle be scaled to larger numbers of bits. As the skyrmion logic circuit designs might be integrated to electronic design automation workflows, a new protocol for the emulation of skyrmion signals with a tiled geometry is devised. The study presents a new comprehensive emulation and simulation software, featuring different elements of micromagnetic modeling, a Python package for automated simulation script development, and a library of block sets. A user-friendly web-based version of the emulator has been developed. The findings presented in this study suggest that skyrmionics has reached a milestone enabling a new area of ultralow power and ultra-wideband digital skyrmionics for in-memory computation.
Deep-learning based optimization framework for wireless powered communication networks
Net-zero-energy networks enable communication when the connection to the electric grid or changing batteries is not feasible for the information sources by balancing harvested and consumed energy. Radio Frequency Energy Harvesting (RF-EH) is a key enabler for net-zero-energy networks as RF signals are independent from climate conditions, more predictable, and controllable. This thesis focuses on low-complexity resource allocation and optimization for RF-EH networks. In particular, the joint relay selection, scheduling, and power control problem in multiple-source-multiple-relay RF-EH network is formulated with the objective of minimizing the total schedule length and the constraints on data demand, energy causality, and maximum transmit power. The formulated problem is a mixed-integer non-linear problem and proven to be NP-hard. As a solution strategy, a bottom-up approach is followed by starting from a simpler scheduling and power control subproblem, then extending the problem with additional relay selection variables. First, the iterative algorithms for optimal and suboptimal solutions to the problem based on conventional optimization theory techniques are proposed. To address runtime concerns inherent in iterative algorithms, then, this thesis presents a novel approach integrating deep learning methods with established optimization principles. Feed-forward Deep Neural Network (DNN) architectures are presented to solve the scheduling and power control subproblem while leveraging optimality analysis for feature set extension and output layer simplification in the proposed DNN models. The remaining relay selection problem is reformulated as a classification task, successfully addressed through deep learning models, including a feed-forward DNN and two Convolutional Neural Network (CNN) based architectures. This thesis further introduces teacher-student learning, a process that transfers knowledge from a complex teacher network to a simpler student network, for an even lower complexity solution to the relay selection problem. A novel dichotomous-based neural architecture search algorithm designs the student network architecture. The results demonstrate the noteworthy reduction in runtime complexity achieved through deep learning models while maintaining optimality for the solution of resource allocation problems in RF-EH networks.
A learned post-processing model with quality-gated convlstm for video compression
Recently, significant progress has been shown in applying deep learning to video compression and enhancement in terms of coding efficiency and quality improvement. In this work, a learned post-processing network is proposed for video compression and restoration tasks, which contains Quality-Gated Convolutional Long Short-Term Memory (QG-ConvLSTM) cells to enhance the quality of the compressed video frames considering the relative quality. With the proposed QG-ConvLSTM cell-based post-processing, the network exploits and takes full advantage of the inter-frame correlation and quality fluctuation between neighboring compressed frames. Since high-quality compressed frames provide more helpful information than low-quality compressed frames, the network can adjust the input and forget gate weights in QG-ConvLSTM cells. To show the enhancement of the proposed network that uses relative quality information between frames, video frames given to the network as inputs are compressed hierarchically with different qualities using the standard VVC (H.266) codec. In the proposed network, the weights given to the QG-ConvLSTM network are determined by extracting quality-related features from compressed video frames. Additionally, there is no reference frame for the quality feature extraction, so a no-reference image quality assessment method via Transformers, relative ranking, and self-consistency is suggested. The quality enhancement performance of the proposed network is measured with frequently used metrics, namely PSNR, MS-SSIM, and VMAF.
Video deinterlacing and demosaicing by deep learning
Deinterlacing and demosaicing are commonly used techniques in the image processing pipeline for consumer video. Despite the fact that real-world video deinterlacing and demosaicing are well-suited to supervised learning from synthetically degraded data because both degradation models are known and fixed, learned video deinterlacing and demosaicing have received much less attention compared to denoising and superresolution tasks. This thesis progressively explores feature alignment, integration and reconstruction stages for both tasks tailored to their known and fixed degradation subsampling patterns. We begin by presenting our initial work of a novel multi-field deinterlacing architecture that aligns features from adjacent fields to a reference field (to be deinterlaced) by designing novel deformable residual convolution blocks with two variants of different scales. To the best of our knowledge, this work is the first to propose fusion of multi-field features that are aligned via deformable convolutions for deinterlacing. Next, based on our initial work, we propose a novel multi-field full frame-rate deinterlacing network, which adapts the state of-the-art superresolution approaches to the deinterlacing task. This model incorporates self attention mechanism with deformable convolution residual blocks to align features and additively integrate aligned features for reconstruction. In order to reconstruct odd and even fields directionally, separate reconstruction modules are utilized according to the parity of each reference. Our extensive experimental results demonstrate that the proposed method provides state-of-the-art deinterlacing results in terms of both numerical and perceptual performance. Upon all these previous work, we propose a new multi-picture architecture for both video deinterlacing or demosaicing by aligning multiple supporting pictures with missing data to a reference picture to be reconstructed, benefiting from both local and global spatio-temporal correlations in the feature space using modified deformable convolution blocks and a novel residual efficient top-$k$ self-attention (kSA) block, respectively. Separate reconstruction blocks are used to estimate different types of missing data. Our extensive experimental results demonstrate that the proposed novel architecture provides superior results that significantly exceed the state-of-the-art for both tasks in terms of PSNR, SSIM, and perceptual quality. Ablation studies are provided to justify and show the benefit of each novel modification made to the deformable convolution and residual efficient kSA blocks.
Reconfigurable intelligent surface-centric communication networks: A comprehensive exploration of channel modeling and coverage extension
Reconfigurable intelligent surface (RIS)-empowered communication has received growing interest from the wireless research community due to its undeniable potential in extending the coverage, enhancing the link capacity, mitigating interference, deep fading, and Doppler effects, and increasing the physical layer security. RISs enable the control of wireless propagation through their unique electromagnetic functionalities and provide a new degree of freedom in the system design. Delving into the potential of RISs, this thesis unfolds across four detailed chapters, each contributing distinct insights into the deployment and application of RIS in enhancing wireless communication systems. Each chapter is crafted to provide a different perspective on RIS deployment and explain how this technology can be innovatively applied to support various aspects of wireless communication networks. This thesis takes a journey from the theoretical foundations of RIS to its envisioned practical applications and provides insights into how RIS can reshape wireless communication infrastructures to meet the demanding requirements of 6G networks. In the scope of this thesis, the RIS is introduced as a groundbreaking technology, reshaping the future of wireless communications by offering enhanced network capabilities, crucial for meeting the advanced requirements of next-generation applications. First, a comprehensive discussion of the intricacies of RISs in channel modeling is embarked on, which is a cornerstone for the effective deployment of sixth-generation (6G) wireless networks. In this regard, the physical channel modeling methodologies are provided for emerging RIS-empowered networks and aimed to fill an important gap in the open literature by providing an open-source and widely applicable physical channel model for mmWaves. Moreover, the open-source SimRIS Channel Simulator MATLAB package is introduced, which can be used in channel modeling and computer simulations of RIS-based communication systems with tunable operating frequency, terminal and RIS locations, number of RIS elements, and environments. The upcoming parts go beyond merely introducing the technology, delving into how RIS can be strategically employed to address some of the most challenging aspects of modern wireless communication, such as coverage extension, signal quality improvement, and network throughput enhancement. The following chapters build upon this foundation, each focusing on specific applications and implications of RIS in the realm of wireless communications. From intricate channel modeling to practical deployment strategies for coverage extension and advanced beamforming designs, the study offers a comprehensive and nuanced understanding of the multifaceted role of RIS in future wireless networks. This work stands as a testament to the transformative impact of RIS technology within the 6G landscape, offering an extensive exploration of its applications in channel modeling, coverage extension, and more. By weaving RIS into the fabric of various network design aspects, from sophisticated beamforming to coverage optimization, the study sets a robust framework for the advancement of future wireless communications, paving the way for the realization of the 6G vision.
Computationally efficient nanophotonic design through data-driven eigenmode expansion
Silicon photonic components require rapid design procedures with state-of-the-art optical metrics as the on-chip photonic applications advance. In this dissertation, a highly efficient and flexible method is introduced for designing a variety of low-loss waveguides in compact footprints. The proposed data-driven eigenmode expansion method represents waveguides as cascading eigenmode scattering matrices and propagation matrices. This method uses parallel data processing approaches to perform electromagnetic computations for simulating the optical response of individual waveguides in tens of milliseconds, orders of magnitude faster than the conventional methods, while achieving physical accuracies respected to 3D-FDTD. This framework, coupled with nonlinear optimization algorithms, designs adiabatic tapers, power splitters, and waveguide crossings that show near-lossless state-of-the-art operation within broad bandwidths. These devices and their 3D-FDTD simulations and experimental measurements highlight this methodology's capabilities and computational efficiency. A few photonic design problems currently under development will further demonstrate its applicability.
Deep learning based resource allocation for ultra-reliable communications in wireless control systems
Wireless Networked Control Systems (WNCSs) play an important role in fifth-generation (5G) and sixth-generation (6G) networks to support mission-critical applications, such as Internet of Things (IoT), Remote Driving, and Collaborative Robots (Cobots). WNCS design demands consideration of both control and communication systems requirements to guarantee the broadcasting of reliable control commands at low latency from the controller to the actuators. In the first part of the thesis, a joint optimization of control and communication systems in the Finite Blocklength (FBL) regime is devised with the objective of minimizing the total power consumption by optimizing the sampling period of the control system, blocklength, and packet error probability of the communication system. Then, the optimization framework is simplified using optimality conditions to only one decision variable of blocklength. Then, the new optimization problem is fed to an online Deep Reinforcement Learning (DRL) algorithm to be trained, and the changing wireless environment is learned, executing optimal results. Second, a diffusion model, specifically the Denoising Diffusion Probabilistic Model (DDPM), is proposed to allocate resources for WNCSs. The optimization framework is utilized to collect a dataset of Channel State Information (CSI) and its corresponding optimal blocklength values. Then, the dataset is used to train the DDPM-based model to learn the complex distribution of the solution and the environmental parameters and generate optimal blocklength values based on the CSI as conditional information. The proposed schemes perform close to the optimization theory-based solution and outperform the previously proposed benchmarks, demonstrating superior performance in total power consumption and avoiding critical constraint violations.
Ultra-fast simulation and design of nanophotonic devices
This thesis explores advanced methodologies for the ultra-fast simulation and design of nanophotonic devices, emphasizing the efficiency and accuracy of inverse design processes. The study introduces a multi-scale hierarchical inverse design approach that optimizes the fabrication compatibility and performance of nanophotonic components. A significant contribution is the development of a factorization caching method that dramatically reduces computational overhead in the gradient computation phase of inverse design, thereby accelerating the overall optimization process. This method proves particularly effective for two-dimensional finite-difference frequency-domain (FDFD) simulations, offering substantial time savings without compromising physical accuracy. Furthermore, the integration of deep learning techniques into nanophotonic simulations is examined. A dual-stage model trained with physics-based losses is presented, achieving simulation speeds up to 3408 times faster than traditional three-dimensional finite-difference time-domain (FDTD) methods. This model ensures high fidelity in the simulation results, maintaining robustness across various device geometries and sizes. The advancements detailed in this thesis not only enhance the computational efficiency of photonic device design but also expand the feasible design space, paving the way for the development of innovative and practical nanophotonic devices.
Frequency-domain modeling and optimization of graphene FET-based molecular communication receivers
Molecular Communication (MC) is a bio-inspired communication paradigm utilizing molecules for information transfer. Research on this unconventional communication technique has recently started to transition from theoretical investigations to practical testbed implementations, primarily harnessing microfluidics and sensor technologies. Developing accurate models for input-output relationships on these platforms, which mirror real-world scenarios, is crucial for assessing modulation and detection techniques, devising optimized MC methods, and understanding the impact of physical parameters on performance. In this thesis, we consider a practical microfluidic MC system equipped with a graphene field effect transistor biosensor (bioFET)-based MC receiver as the model system, and develop an analytical end-to-end frequency-domain model. The model provides practical insights into the dispersion and distortion of received signals, informing the design of new frequency-domain MC techniques, such as modulation and detection methods. The accuracy of the developed model is verified through particle-based spatial stochastic simulations of pulse transmission in microfluidic channels and ligand-receptor binding reactions on the receiver surface. In the second part, I detail the fabrication and characterization of a graphene bioFET-based MC receiver. This micro/nanoscale receiver is integrated into a microfluidic channel and functionalized with a biorecognition layer composed of single-stranded DNA molecules-based receptors, designed to detect the target information molecules flowing through the fluidic channel. A pre-equilibrium detection method was explored to improve the data rate. The sensor's initial performance tests involved detection experiments with information encoded into ionic concentration. The fabricated MC receiver was electrically characterized in terms of transfer characteristics and hysteresis at each step of functionalization. The parasitic current and mobility of the device is obtained. After functionalization with probe DNA, the receiver's time-varying response to concentration pulses of complementary target DNA was acquired with both fixed and varying pulse widths. Additionally, an intersymbol interference (ISI) analysis was conducted to evaluate the sensor's ISI performance. Finally, binary data transmission was performed using the MC setup, exploring various data rates and system parameters. The effects of key factors such as pulse width, symbol duration, flow velocity, and target DNA concentration were investigated. As such, this experimental work refined and optimized methodologies and designs from previous research, aiming at advancing practical MC techniques.
İndüktans ve direnç değişimlerinin döner asenkron motorların vektör kontrolü üzerindeki etkileri
Hızla gelişen teknolojiyle birlikte performans, hız ve kapasiteleri artan elektronik güç anahtarları ve mikroişlemciler sayesinde elektrik motorlarının sürülmesinde ve kontrolünde kullanılan evirgeç gibi sürücü düzeneklerinin gelişmesi sağlanmıştır. Bu gelişim asenkron motorlarda hız ve moment kontrol yöntemlerinin daha rahat bir şekilde uygulanmasına olanak sağlamıştır. Asenkron motorlarda kullanılan klasik kontrol yöntemlerinde hız ve momentin kenetlenmeli bir yapıya sahip olduğu görülmektedir. Ancak bu sorunun vektör kontrol yöntemleriyle giderildiği kanıtlanmıştır.Bu kontrolör sayesinde hız ve moment birbirinden bağımsız olarak iki bileşen şeklinde kontrol edilebilir. Ancak hız ve moment kontrolünde, makine parametrelerinin doğru olarak belirlenmesi çok büyük önem kazanmaktadır. Asenkron makinenin parametrelerinin doğru olarak belirlenmesi ise çok zordur. Çalışma koşulunda parametreler; frekans, akım büyüklüğü ve sıcaklığa bağlı olarak değişimler gösterebilmektedirler.IV Bu tezde, dolaylı rotor akısı yönlendirmesi ile üç fazlı asenkron motorun vektör kontrollü benzetimi yapılarak, parametre değişimlerinin bu alan yönlendirme yöntemine olan etkisi incelenmiştir. Bu amaçla dolaylı alan yönlendirme yönteminde rotor denklemleri elde edilerek bilgisayar ortamında benzetimi yapılmıştır. Çalışmada iki farklı motor ve iki farklı evirgeç kullanılarak, benzetimlerden elde edilen sonuçlar birbirleriyle karşılaştırılıp yorumlanılmıştır. Ayrıca doğrudan alan yönlendirme yöntemlerinin de parametre değişimlerinden nasıl etkilendiği konusuna kısaca değinilmiştir. Son olarak parametre değişimlerinin düzeltilmesi için yapılmış olan öneriler sunulmuştur.
Advanced modulation techniques for next-generation wireless communications
beyond necessitates innovative approaches to enhance spectrum efficiency, reduce complexity, and improve reliability. This thesis investigates the combination of index modulation (IM) and reconfigurable intelligent surfaces (RIS) with technologies such as orthogonal frequency division multiplexing (OFDM) and non-orthogonal multiple access (NOMA) to improve bit error rate (BER), spectral efficiency, and system reliability, while ensuring low complexity for practical implementation. In Chapter 2, a coordinate interleaved OFDM with in-phase/quadrature IM (CI-OFDM-IQIM) scheme is proposed to integrate OFDM with IM, achieving enhanced error performance and spectrum efficiency by reducing decoding complexity and transmitting real and imaginary components through subblock clustering. Chapter 3 introduces the RIS-aided enhanced receive spatial modulation (RIS-ERSM) scheme, which enhances spectrum efficiency and reliability by utilizing receive antenna indices in a clever manner and $M$-ary modulation, while Chapter 4 presents the RIS code IM with quadrature RSM (RIS-CIM-QRSM) scheme that integrates QRSM with CIM to improve error performance and energy efficiency. Chapter 5 proposes two hybrid-RIS-enabled enhanced reflection modulation (Hyb-ERM) schemes that enhance BER performance and spectrum efficiency, while Chapter 6 introduces the enhanced over-the-air RIS-IM (E-OTA-RIS-IM) system, leveraging RIS partitioning for OTA transmission of additional IM bits, leading to improved spectral efficiency. Finally, Chapter 7 presents a novel downlink NOMA system with passive RIS that eliminates successive interference cancellation (SIC) to reduce complexity and improve efficiency. This thesis demonstrates the potential of these innovative communication schemes to meet the stringent requirements of 6G and beyond, including higher spectral efficiency, low complexity, and enhanced system reliability.
Annotation consensus networks for improving machine learning with human annotated data
In deep learning applications, particularly in tasks involving subjective judgments such as emotion recognition, medical diagnosis, or content moderation, it is common to collect annotations from multiple human annotators for the same data instances. This practice captures diverse perspectives but often introduces variations or disagreements due to differences in interpretation, expertise, or individual bias. Effectively modeling and reconciling these inconsistencies is a key challenge in building robust and reliable machine learning models. Annotations are typically aggregated using simple methods such as averaging or majority voting. However, these conventional methods do not effectively capture common patterns or collective annotator behavior, and instead dilute valuable information about shared understanding among annotators. To address this problem, this thesis introduces a novel Annotation Consensus Network (ACN) that explicitly models and leverages annotator consensus as a more reliable training signal. ACN extracts a Learned Annotation Consensus (LAC) that aligns with all human annotations, providing improved supervision for machine learning models within an end-to-end training framework. This consensus reduces label variance and enables backbone networks to achieve more accurate and stable learning. In this thesis, ACN is integrated into two widely studied tasks, video summarization and continuous emotion recognition from speech, both of which rely on human-annotated ground truth targets. Extensive experiments demonstrate that ACN significantly improves the quality of training annotations. Models trained with ACN consistently outperform those using traditional annotation aggregation methods, achieving higher accuracy, better generalization, and increased robustness to annotator variability. This thesis highlights that explicitly modeling consensus among annotators is critical for improving deep learning performance. By learning a common representation from multiple annotators, ACN effectively harnesses collective expertise, providing a strong foundation for more accurate and reliable AI systems. This approach is beneficial for any domain facing annotation disagreements, enabling models to better understand and represent common human judgments rather than isolated individual perspectives.
Safe DRL for resource allocation with PAoI violation guarantees
In Wireless Networked Control Systems (WNCSs), control and communication systems must be co-designed due to their strong interdependence. This thesis presents a novel optimization theory-based safe deep reinforcement learning (DRL) framework for ultra-reliable WNCSs, ensuring constraint satisfaction while optimizing performance, for the first time in the literature. The approach minimizes power consumption under key constraints, including Peak Age of Information (PAoI) violation probability, transmit power, and schedulability in the finite blocklength (FBL) regime. PAoI violation probability is uniquely derived by combining stochastic maximum allowable transfer interval (MATI) and maximum allowable packet delay (MAD) constraints in a multi-sensor network. The framework consists of two stages: optimization theory and safe DRL. The first stage derives optimality conditions to establish mathematical relationships among variables, simplifying and decomposing the problem. The second stage employs a safe DRL model where a teacher-student framework guides the DRL agent (student). The control mechanism (teacher) evaluates compliance with system constraints and suggests the nearest feasible action when needed. Extensive simulations show that the proposed framework outperforms rule-based and other optimization theory based DRL benchmarks, achieving faster convergence, higher rewards, and greater stability.
Explainable ai and optimization theory based wireless radio resource management
The International Telecommunication Union's IMT-2030 framework identifies ``Integrated artificial intelligence (AI) and Communication'' as one of the core directions for 6G networks. This shift toward AI-driven solutions necessitates greater transparency in decision-making processes, where explainability is pivotal in establishing trust in AI systems, allowing network operators and engineers to understand, validate, and troubleshoot the decisions made by deep learning (DL) models. Additionally, robustness against out-of-distribution inputs and adversarial attacks is crucial to ensure reliable performance in diverse and evolving environments. These two factors—explainability and robustness—are essential to fulfilling the broader goals of AI-native 6G networks, where AI is not just an enhancement but a foundational component integrated into communication systems. This thesis examines the application of Explainable AI (XAI) for robust and transparent radio resource management (RRM) in AI-empowered 6G networks. First, the significance of this research is presented by unveiling the merits of explainability and robustness for 6G RRM, outlining a range of core explainability and robustness techniques for efficient RRM. Then, the practical implementation of these XAI techniques is analyzed, including a quantitative evaluation of their impact on key performance indicators (KPIs) in specific 6G scenarios. Two case studies are presented, showcasing their application in model simplification and enhancing RRM robustness. The first study proposes an explainable and robust DL-based framework for beam management in a millimeter-wave (mmWave) multiple-input multiple-output (MIMO) communications system. To minimize signaling overhead for beam alignment, a novel model-agnostic, feature relevance-oriented XAI framework is designed to rank and prioritize input features, reducing input size and beam sweeping time. To incorporate transparency and resilience into the DL-based beam alignment engine (BAE), a defense mechanism against adversarial inputs is developed, examining internal representations learned by deep neural networks (DNN) to provide interpretability and robustness against malicious/out-of-distribution inputs. The second case study focuses on deep reinforcement learning (DRL)-based RRM in vehicular networks for joint transmit power and spectrum allocation. First, a model-agnostic XAI-based methodology is devised to explain the inference process of multiple trained DRL agents. Then, a novel XAI-based feature importance ranking algorithm using Shapley additive explanations (SHAP) is developed to simplify the DRL agents' input state size, followed by an automated feature selection strategy to reduce model complexity. By eliminating low-importance features, the methodology produces a simplified model with fewer network parameters and lower training time while maintaining reasonable performance. This thesis further introduces a novel DRL-based framework for joint power control and block length allocation to minimize the worst-case decoding error probability for ultra-reliable and low-latency communication (URLLC)-based vehicular networks. Initially, an algorithm grounded in optimization theory is developed based on deriving the joint convexity of the decoding error probability in the block length and transmit power variables within the region of interest. Subsequently, inspired by event-triggered control systems, an efficient event-triggered DRL-based algorithm is proposed to solve the joint optimization problem. Incorporating event-triggered learning into the DRL framework enables assessing whether to initiate the DRL process, thereby reducing the number of DRL process executions while maintaining reasonable reliability performance. The results demonstrate a noteworthy reduction in training and runtime complexity compared to the conventional optimization-based solutions.
Çok girişli çok çikişli indis modülasyonu sistemlerinde makine öğrenmesi uygulamalari
Despite the practical challenges, multiple-input multiple-output (MIMO) systems are broadly utilized in modern communication systems due to the wide range of advantages provided by the use of spatial domain. To further improve the performance of MIMO systems, index modulation (IM) is applied using the spatial domain indices. IM can offer significant improvements in MIMO systems by transmitting information both with symbols and transmit antenna indices. Therefore, it is an emerging research topic in wireless communication. However, new challenges are introduced in MIMO-IM systems. For instance, due to the increased complexity in the transmission scheme, the receiver complexity is a serious practical concern. Moreover, poor channel conditions can cause significant performance degradation in MIMO-IM systems. Finally, although the IM literature is expanded in the recent years, the practical applications and use cases are not advancing in the same pace. In this thesis, we propose system models that present machine learning-based solutions to these challenges. Firstly, we propose a hybrid receiver to the quadrature permutation matrix modulation (QPMM) system that combines neural network (NN) outputs with analytical algorithms to provide a trade-off between receiver complexity and detection performance. The proposed NN-based detector is compared with the well known maximum likelihood detector and its low-complexity alternative. Secondly, a MIMO-IM system model that utilizes movabel antennas (MAs) is presented. To the best of our knowledge, this is the study that introduces the idea of integrating MAs to the MIMO-IM systems to improve communication quality. An Euclidean distance-based algorithm is proposed to select the best MA positions. Then, a low-complexity greedy algorithm is presented for better practical implementations. Finally, a genetic algorithm (GA) model is discussed for optimizing the MA positions. Finally, we present a semantic communication system that enhances semantic information transmission by transmitting semantically more information-dense bits through robust index bits of a MIMO-IM system. We compare semantic information loss with respect to errors in different bits of the transmitted sequence. Moreover, since the input data type to the presented system is image, we compared the image reconstruction metrics that are broadly utilized in the literature as well, such as peak signal-to-noise ratio (PSNR) and structural similarity index measure (SSIM).
Data compression and run-length-limited ISI-mitigation (RLIM) coding for molecular communication
Molecular Communication (MC) enables information transfer at the nanoscale by encoding messages into sequences of released molecules, but its practical deployment is hindered by two fundamental constraints: the high cost of molecule releases and severe inter-symbol interference (ISI) arising from residual molecules in the diffusion channel. This thesis develops coding techniques to tackle each challenge. We first introduce source‐coding schemes that reduce both average code length and molecule usage. Building on an MC-adapted Huffman baseline (MoHuffman), we propose Optimized Molecular Prefix Coding (MoPC) to select a prefix codebook with minimal expected length and fewest number of 1-symbols. To push compression further, we derive Molecular Arithmetic Coding (MoAC) using an existing constrained arithmetic coding construction scheme and show its superior efficiency over substitution arithmetic coding (SAC), our different adaptation of arithmetic source coding to MC. Finally, we design Molecular Arithmetic with Prefix Coding (MoAPC) to ensure unique decodability under finite-precision arithmetic. Using two nucleotide alphabets, we then demonstrate that MoAPC has a better compression ratio than MoPC. Through MC simulations, the effectiveness of the proposed methods is also shown. To mitigate ISI at the channel coding level, we develop an infinite family of Run-Length-Limited ISI-Mitigation (RLIM) codes with a corresponding built-in error correction algorithm. We then demonstrate, via binomial and diffusion channel simulations, that RLIM codes reduce bit-error rate compared to prominent coding schemes. Together, these contributions lay a comprehensive foundation for reliable and efficient diffusion-based Molecular Communication.
Information and communication theoretical modeling and analysis of the gut-brain axis
The gut-brain axis (GBA) represents one of the most sophisticated and crucial communication networks in the human body. However, a quantitative understanding of its signaling mechanisms has remained elusive, as conventional approaches fail to capture the inherently stochastic, nonlinear, and multi-scale nature of intra-body communication. The most promising paradigm to address these challenges is Molecular Communication (MC). Understanding biological signaling from an information and communication theoretical perspective provides insight into the fundamental dynamics of these systems. Therefore, this thesis applies MC principles to the GBA to establish a comprehensive and quantitative communication framework. Building on this objective, the thesis constructs a multi-scale understanding of the GBA through a deliberate progression from a foundational single channel to a complete, bidirectional communication network. The research first develops a channel model for the propagation of a single microbial metabolite (p-cresol), deriving its impulse response and linking gut dysbiosis to a neurological outcome. It then advances the analysis to a complete end-to-end model of molecular-to-neural communication, modeling the short-chain fatty acid (SCFA)-driven vagal nerve pathway and quantifying its information-theoretic performance. Finally, the work culminates in a novel system-level model of the bidirectional communication within GBA that incorporates closed-loop feedback between the hypothalamic-pituitary-adrenal (HPA) axis, immune system, and gut barrier. This framework is used to analyze the system's transition into a pathological state and quantify its corresponding loss of channel capacity. Collectively, the developed communication framework provides the tools to unravel the fundamental signaling mechanisms within the GBA, allowing for a detailed analysis of how signaling disruptions contribute to disease progression. This in-depth, quantitative understanding creates a foundation for a new generation of medical technologies, providing a roadmap for ICT-inspired diagnostic tools and therapeutic strategies to detect and repair communication failures. Furthermore, it lays the essential theoretical groundwork for future Internet of Bio-Nano Things (IoBNT) applications to restore healthy information flow within the body.
Demans ile ilişkili nöro-belirteçlerin EEG ve makine öğrenmesi ile belirlenmesi
Alzheimer Hastalığı (Alzheimer Disease-AD) demansın en yaygın sebebi olup genelde yaşlılarda görülen nörolojik bir hastalıktır. Hafif Kognitif Bozukluk (Mild Cognitive Impairment, MCI), AD'nin bir önceki evresi olup erken belirteç olarak bilinir. Hastalığın ciddiyeti sebebiyle AD'nin erken evrelerdeki gelişiminin tespiti için düşük maliyetli, invaziv olmayan, ve yüksek çözünürlüklü belirteçlerin geliştirilmesi gerekmektedir. Bu tezin amacı, demans ile ilişkili nöro-belirteçlerin EEG ve makine öğrenmesi ile belirlenmesidir. Söz konusu belirteçlerin belirlenmesi amacıyla; AD/MCI gruplarına ait spontan EEG kayıtları, demansda yavaşlama, düşük karmaşıklık ve senkronizasyon örüntülerinin analizleri tez kapsamında çalışılmıştır. Tez kapsamında belirlenen nöro-belirteçler ile demansın erken evrede tespiti, literatüre önemli bir katkı sağlayacağı düşünülmektedir. Bu tez çalışmasında, göz açık-kapalı durumunda 85 AD, 85 MCI, ve 85 Sağlıklı Kontrol (Healthy Condition-HC) içeren Veri seti 1 ve göz kapalı durumda 10 MCI ve 10 HC içeren Veri seti 2 EEG kayıtları analiz edilmiştir. Permütasyon Entropi (PE) karmaşıklık nöro-belirteci olarak önerilirken, tepe güç genlikleri ve frekansları spektral belirteçler olarak seçilmiş ve elektrotlar arasındaki wPLI senkronizasyon özellikleri olarak önerilmiştir. Entopi nöro-belirteçleri için kişi tabanlı 3 sınıflı sınıflandırma yaklaşımı benimsenirken, geri kalan analizler için epok temelli ikili sınıflandırıcılar uygulanmıştır. 25 adet Lazypredict algoritması dikkate alınmış ve en uygun sonuçlar veren işlemlere devam edilmiştir. Bu çalışmada, HC/MCI gruplarını içeren Veri seti 2, 1B EEG segmentleri kullanılarak (EEGNet ve DeepConvNet ile) incelenmiş ve oluşturulan 2B EEG zaman serileri Conv2B ve ResNet mimarileri kullanılarak sınıflandırılmıştır. Ayrıca, 1B EEG kayıtları 2B zaman-frekans (ZF) görüntülerine dönüştürülmüştür. CNN tabanlı ağlar ve Vision Transformer, ZF görüntülerini sınıflandırmak için uygulanmıştır. Sonuç olarak, entropi analizinde gözler açık konumda MCI vs. AD ayrımı central, temporal ve oksipital bölgelerde %100 doğrulukla sonuçlandırılmıştır. MCI'nin bir geçiş evresi olduğu gösterilmiştir. Alfa ve beta tepe genlikleri MCI vs. HC ayrımı için en uygun belirteçlerdir. HC grubunda daha yüksek wPLI değerleri gözlemlenip gruplar %99 doğrulukla sınıflandırılmıştır. Tüm MCI ve HC grupları EEGNet, DeepConvNet ve Vision Transformer (ViT) ile tamamen doğru ayırt edilmiştir. ViT'in dikkat mekanizasması kullanarak CNN tabanlı yaklaşımlardan daha üstün olduğu görülmüştür. ResNet mimarisi de artık bloklar kullanarak CNN'den daha etkili sonuçlar üretmiştir. Mevcut tez çalışması, EEG tabanlı nöro-belirteçler ve makine öğrenme mimarileri kullanarak AD/MCI tespiti için potansiyel sonuçlar sunmaktadır.
Quantum dot-based tandem photodiodes forhigh-efficiency photo-stimulation in biomedicalapplications
Photovoltaic retinal prostheses offer a promising solution for restoring vision in indi- viduals with degenerative retinal diseases through light-mediated neural stimulation. Colloidal quantum dots (QDs), particularly silver bismuth sulfide (AgBiS2 ), provide advantages for bioelectronic interfaces due to their high NIR absorption, chemical stability, and non-toxicity. Tandem photovoltaic structures are known to enhance performance by increasing the open-circuit voltage (Voc). We introduce a novel QD-based tandem photodiode, featuring ultra-thin AgBiS2 layers in both subcells. The device generates capacitive photocurrent, and due to the higher Voc, it in- jects higher ionic charge compared to non-tandem counterparts. The biointerfaces demonstrate low in vitro toxicity and stable photoelectrical performance under vari- ous tests. These results highlight the potential of this QD-based tandem photodiode as a high-resolution, efficient, and safe platform for retinal stimulation, offering a flexible, scalable solution for bioelectronic interfaces.
Derin pekiştirmeli öğrenme kullanarak insansı robotlar için itme kurtarma kontrol sisteminin geliştirilmesi
Bu tezin amacı, iki ayaklı insansı bir robot için bir insanın eylemlerini taklit edebilecek tamamen bağımsız bir itme-kurtarma kontrol sistemi tasarlamak ve robota uygulamaktır. Bu çalışmada, dış kuvvetlerden ve itmelerden etkilenen iki ayaklı insansı robotların itme-kurtarma problemine odaklanılmıştır. İnsansı robotlar denge açısından yapısal olarak kararsız olduklarından dolayı bu problem robotlarda önemli sorun olarak ortaya çıkmaktadır. Robotlarda, itme-kurtarma kontrolörleri ayak bileği, kalça ve adım olmak üzere 3 stratejiden oluşmaktadır. Bu stratejiler, insanların denge bozukluğu durumlarında gösterdikleri biyomekanik tepkilerdir. Bu tezde, insansı robotların ayakta dururken ya da yürürken dengede kalabilmesi ve dış kuvvetlerden kaynaklanabilecek denge bozukluklarının önlenmesi için aktif bir denge kontrolü sunulmuştur. Buna ilişkin yapılan çalışmada hem simülâsyon hem de gerçek dünya testleri yapılmıştır. Çalışmanın simülâsyon testleri Webots ortamında 3 boyutlu modeller ile gerçekleştirilmiştir. Gerçek dünya testleri ise Robotis-OP2 insansı robot üzerinde yapılmıştır. Robot üzerinde bulunan sensörlerden jiroskop, ivmeölçer ve motor verileri kaydedilip, robota harici itme kuvveti uygulanmıştır. Kaydedilen bu veriler ve ayak bileği stratejisi kullanılarak robotun dengesi sağlanmıştır. Bunun için klasik kontrol yöntemi olarak PD kontrolör ve tahmine dayalı olan Model Öngörülü Kontrol (MÖK) yöntemi ile de robotun kontrolü sağlanmıştır. Bununla birlikte robotun tamamen otonom hale getirilebilmesi için Derin Pekiştirmeli Öğrenme (DPÖ) algoritmalarından Derin Q Ağı (DQA) ve Çift Derin Q Ağı (ÇDQA) yöntemleri uygulanmıştır. Bu uygulamalarda robota hem önden hem arkadan kuvvetler uygulanmıştır. Simülâsyon ortamında yapılan test çalışmalarında robotun her iki durumda da gelen itmelere karşı ayakta kaldığı gözlemlenmiştir. Uygulanan dört farklı kontrol yönteminden en iyi sonuçları, ÇDQA algoritması vermiştir. Gerçek ortam testlerinde alınan sonuçlar simülâsyon sonuçlarına paralellik göstermiştir.
İntegratörlü ve kararsız süreçler için maksimum hassasiyet kullanarak I-PD denetleyici tasarımı
Kontrol mühendisliğinde, sistemlerin istenilen şekilde çalışması için çoğu zaman bir denetleyici ile kontrol edilmesine ihtiyaç duyulmaktadır. Bu denetleyicilerden en yaygın olanı PID tip denetleyicilerdir. PID tip denetleyicilerin ayar parametrelerinin kontrol edilecek sistem için uygun seçilmesi gerekmektedir. Günlük yaşamda çok farklı türden sistemler olduğundan her birinin denetiminde kullanılacak olan PID denetleyici ayar parametrelerinin hesaplanmasında farklı stratejiler ve algoritmalar gerekmektedir. İntegratörlü ve kararsız sistemlerin kontrolü diğer sistemlere göre nispeten daha zordur. Bu zorluğu aşabilmek için PID tip denetleyicinin bazen yapısının değiştirilmesi gerekmektedir. Bu tez çalışmasında kararsız ve saf integratörlü sistemlerin I-PD tip denetleyici ile kontrol edilmesi gerçekleştirilmiştir. I-PD denetleyici, kararsız ya da saf integratörlü sistemlerin kontrolünde PID tipi denetleyicilere göre daha iyi bir başarım gösteren bir denetleyici türüdür. Yapılan bu yüksek lisans tez çalışmasında, kararsız ve integratörlü sistemler tanıtılmış ve sistemlere ait düşük dereceli transfer fonksiyonları kullanılarak I-PD denetleyicinin ayar parametreleri uygun Ms değerlerini verecek şekilde türetilen denklemlerden elde edilmiştir. İntegratörlü ve kararsız sistemlerin sırası ile saf integratörlü artı zaman gecikmeli ve birinci derecede kararsız artı zaman gecikmeli transfer fonksiyonu modelleri kullanılarak I-PD denetleyici ayar parametreleri hesaplanmıştır. Elde edilen denklemlerin, integratörlü ve kararsız süreçlerin denetimindeki performansını inceleyebilmek için Matlab Simulink programında kapalı döngü benzetim sonuçları verilmiştir. Literatürde var olan çalışmaların sonuçları ile önerilen yöntemin sonuçları karşılaştırılmıştır. Karşılaştırmalarda kullanılan denetleyici tasarımları ile önerilen I-PD denetleyici tasarımının performanslarını karşılaştırabilmek için bazı performans indeksleri (TV, ITAE, OS, Gm, Pm ve Ms) hesaplanmıştır. İntegratörlü ve kararsız süreçler için uygun modellerin elde edilebilmesi sonucunda, bu çalışmada önerilen I-PD denetleyici tasarımın literatürde bulunan mevcut PID, I-PD ve PI-PD denetleyici tasarımlarına göre daha tatmin edici bir performans sağladığı tespit edilmiştir.
Elektrik dağıtım şebekesinde meydana gelen elektrik kesintilerine ait kalite parametrelerinin makine öğrenimi ile ölçülmesi: Diyarbakır ili Çınar ve Ergani ilçelerine ait performans ölçümü
Elektrik enerjisinin, üretim noktasından tüketim noktasına güvenilir, kaliteli ve kesintisiz bir şekilde taşınması gerekmektedir. Elektrik enerjisinin tüketiciye ulaşmadan hemen önceki dağıtım şebekesi bölümünde, birçok nedenden dolayı arıza meydana gelmektedir. Bu sebepler arasında elektriksel, mekanik, atmosferik, dış müdahaleler, ekonomik ömrünü tamamlama ve yanlış manevralar öne çıkmaktadır. Arızalar sonucu oluşan elektrik kesintilerinde iletişim, ulaşım ve güvenlik sistemleri aksaklığa uğrar; elektriğin çok önemli olduğu hastaneler, havalimanları ve sınır karakollarında istenmeyen sorunların ve toplumsal olayların yaşanmasına neden olabilir. Elektrik kesinti nedenlerinin iyi bilinmesi sayesinde doğru analiz yapılarak olumsuz etkilerinin azaltılması sağlanabilir. Diyarbakır ili Çınar ve Ergani ilçelerinde elektrik enerjisinin tüketiciye ulaşmasını sağlayan elektrik dağıtım şebekesinin büyük bölümü havai hatlardan oluşmaktadır. Havai hatlardan oluşan elektrik dağıtım şebekesi, hava şartlarından doğrudan etkilenmektedir. Bu durum doğrudan arıza sayı ve süresini de etkilemektedir. Bu nedenle, elektrik arızalarının hava şartlarından ne kadar etkilendiğinin bilinmesi sağlıklı bir performans ölçümü için önemlidir. Bu çalışmada, Diyarbakır ili Çınar ve Ergani ilçelerinde elektrik dağıtım şebekesi arızalarında oluşan tedarik sürekliliği kalite parametrelerinin hava koşullarına göre tahmin edilebilirliği, makine öğrenimi modelleri kullanılarak incelenmiştir. Makine öğrenimi modelleri; günlük maksimum sıcaklık, minimum sıcaklık, sıcaklık farkı, yağış miktarı ve rüzgâr hızı öznitelikleri kullanılarak eğitilmiştir. Bu çalışmada kullanılan veriler, makine öğrenimi derin öğrenme modelleri arasında yer alan LSTM'e ve karar ağacı modelleri olarak XGBoost, CatBoost, LightGBM ve Rastgele Orman'a dayalı olarak 3 farklı strateji ile eğitilmiştir. 3 stratejinin ortalaması göz önüne alındığında CatBoost modelinin diğer yöntemlere kıyasla daha başarılı olduğu tespit edilmiştir. CatBoost modelinin, 3 strateji için elde ettiği ortalama doğruluk performansları sırasıyla %75,1; %80,07; %78,49 olduğu gözlemlenmiştir. CatBoost modeli sayesinde elektrik dağıtım şebekesinin hava şartlarına olan hassasiyeti ölçülebilmektedir. Önerilen bu model sayesinde performans karnelerinin daha sağlıklı hesaplanması, elektrik kesintilerinin hangi hava koşullarına daha fazla hassasiyet gösterdiğinin tespiti ve bu tespit sayesinde daha etkin bakım, onarım ve yatırım stratejilerinin belirlenmesi hedeflenmiştir. Ayrıca, hava koşullarından bağımsız olarak meydana gelen arıza sayı ve sürelerindeki artışların tespit edilmesi de amaçlanmıştır.
XLPE izoleli güç kablolarında nümerik metodlarla elektrik alan analizi
Bu tezde orta ve yüksek gerilim güç kabloları ilk önce tasarım ve üretimaşamalarında kullanılan çeşitli yalıtım malzemelerine göre ele alınmıştır.Daha sonra tek fazlı ve üç fazlı güç kablolarında alan dağılımını analizetmek için Matlab Programlarını kullanarak basit bir modelgeliştirilmiştir.Model, tek ve çok yalıtım katmanlı çeşitli kablo tipleri üzerindeuygulanmış ve sonuçlar ekranlama durumunun da ele alındığıkablolarda elde edilen sınır alan büyüklüklerini karşılaştırılaraktartışılmıştır.Bilim Kodu : 608.0.207Anahtar Kelimeler : XLPE Güç Kablosu, Elektrostatik Alan, Matlab ileAlan HesabıSayfa Adedi : 151Tez Yöneticisi : Prof.Dr.M.Sezai D NÇER
Elektrik enerjisi üretim sistemlerinde yük frekans kontrolü için yüksek performanslı denetleyici tasarımı
Bu tez çalışmasında, ilk olarak farklı termal türbinlerden oluşan tek ve çok kaynaklı yapıya sahip tek alanlı elektrik güç sistemlerinde YFK için parametre değişikliklerine karşı dayanıklı ve yük bozulmalarını bastırma özelliğine sahip oransal integral – oransal türev (PI-PD) kontrolör tasarımı sunulmuştur. PI-PD kontrolörün parametreleri, kararlılık sınır eğrilerinin ağırlıklı geometrik merkezlerinin hesaplanmasına dayanan grafiksel bir yöntem ile hesaplanmıştır. Çalışmada ayrıca, kaskad kontrol yapısında filtreli seri oransal integral türev (PIDF) denetleyici kullanılarak farklı termal türbinlere sahip tek, iki ve dört alanlı elektrik güç sistemlerinin YFK önerilmiştir. Kaskad kontrol yapısının hem iç hem de dış döngülerinde PIDF kontrolör kullanılmıştır. İç ve dış döngülerde kullanılan PIDF kontrolör parametreleri, kontrolör sentez yaklaşımından faydalanılarak analitik olarak tasarlanmıştır. Çalışma kapsamında, son olarak, elektrik güç sistemlerinin YFK için, oransal-integral-türev artı ikinci dereceden türev (PIDD2) denetleyici kullanılarak denetlenmesi sunulmuştur. Önerilen kontrolörün parametreleri, analitik bir ayarlama yöntemi olan doğrudan sentez (DS) yöntemi ile belirlenmiştir. Bu yöntem, öncelikle uygun bir referans modelinin geliştirilmesine dayanmakta ve daha sonra istenen dinamik davranış modeli, kapalı döngü sistem modeliyle eşleştirilmiştir. Önerilen DS tabanlı PIDD2 denetleyici tasarımı hem yük bozucu reddi hem de bozucu reddi için ayrı ayrı gerçekleştirilmiştir. Tasarım yaklaşımları, çeşitli termal türbinleri barındıran tek, iki ve üç alanlı güç sistemleri için tasarlanmıştır. PIDD2 kontrolör parametrelerinin en uygun değerleri, IAE ve yerleşme süresi gibi kriterleri içeren yeni bir amaç fonksiyonu kullanılarak belirlenmiştir. Bu tez çalışmasında YFK için önerilen her üç tasarım yaklaşımında, frekans ve bağlantı hattı güç değişimlerinin yük değişimlerine karşılık yerleşme zamanı, tepe değeri ve mutlak hata integrali (IAE) gibi farklı performans kriterleri kullanılarak önerilen çalışmaların etkinlikleri ortaya konulmuştur. Ayrıca, sistem parametrelerinde oluşabilecek değişimler ve rastgele yük değişimleri göz önüne alınarak da benzetimler gerçekleştirilmiştir. Tez çalışmasında önerilen her üç denetleyici tasarım yaklaşımlarının da literatürdeki çalışmalar ile karşılaştırıldığında, önemli avantajlar sağlayabileceği görülmüştür.
Medikal görüntülerin analizinde dönüşüm tabanlı modellere açıklanabilir yapay zeka yaklaşımlarının uygulanması
Son yıllarda medikal görüntü analizi alanında derin öğrenme tabanlı yöntemler, hastalık tanısında ve klinik tanı destek sistemlerinde önemli bir yer edinmiştir. Özellikle yüksek çözünürlüklü medikal görüntülerde karmaşık doku yapılarının incelenmesi geleneksel yöntemlerin ötesinde açıklanabilir ve güvenilir makine öğrenmesi yaklaşımlarına olan ihtiyacı artırmaktadır. Bu tez çalışmasının genel amacı, farklı medikal görüntüleme alanlarında (histopatoloji, dermatoloji ve otoskopi) dönüşüm ve evrişim tabanlı mimariler ile Açıklanabilir Yapay Zeka (AYZ) yöntemlerini bütünleştirerek yorumlanabilir ve genellenebilir sınıflandırma modelleri geliştirmektir. Bu kapsamda ilk aşamada, akciğer kanseri histopatolojik görüntülerinin otomatik sınıflandırılması için Evrişimsel Sinir Ağı, Vision Transformer (ViT) ve EfficientNet-B1 mimarileri karşılaştırılmış; açıklanabilirlik kapsamında Local Interpretable Model-agnostic Explainable (LIME) yöntemi uygulanmıştır. Ayrıca FourierNet (FNet) mimarisi ile LIME algoritmasının birlikte kullanıldığı ikinci bir çalışma (akciğer, kolon, meme kanseri) ile model çıktılarının medikal anlamlılığı değerlendirilmiş ve sonuçlar patolog görüşüyle doğrulanmıştır. Tezin ikinci aşamasında, farklı klinik alanlarda dönüşüm tabanlı modellerin genellenebilirliğini incelemek amacıyla deri lezyonu ve kulak zarı veri setleri üzerinde ViT ve Data-efficient Image Transformer (DeiT) modelleri eğitilmiştir. Deri lezyonları sınıflandırmasında en başarılı iki yöntem olarak tespit edilen Gradient Weighted Class Activation Map (Grad-CAM) ve Layer-wise Relevance Propagation (LRP) yöntemleri birleştirilerek Temel Bileşenler Analizi tabanlı yeni bir hibrit açıklanabilir yaklaşım önerilmiştir. Otoskopik görüntülerde ise yine en başarılı iki metot olarak bulunan Attention Rollout (AR) ve LRP yöntemlerinin Kanonik Korelasyon Analizi ile bütünleştirildiği hibrit bir açıklama stratejisi sunulmuştur. Açıklanabilirlik performansı, silme ve ekleme nedensel metrikleriyle nicel olarak değerlendirilmiştir. Elde edilen sonuçlar, ViT modelinin tüm veri kümelerinde en yüksek doğruluk, hassasiyet ve eğrinin altında kalan alan (AUC) değerlerini sağladığını göstermiştir. Deri lezyonları veri setinde ikili sınıflandırmada AUC=0.9192, çok sınıflı analizde AUC=0.9784 değerine ulaşılmış; kulak zarı görüntülerinde ise ViT modeli 0.9976 AUC değeriyle en yüksek başarımı göstermiştir. Hibrit açıklanabilir yaklaşımlar, tekil AYZ yöntemlerine göre daha düşük silme ve daha yüksek ekleme skorlarıyla model kararlarının güvenilirliğini artırmıştır. Sonuç olarak, mevcut tez kapsamında geliştirilen modeller, farklı medikal görüntüleme alanlarında hem yüksek sınıflandırma başarımı hem de güvenilir açıklanabilirlik sunarak klinisyenlerin güvenini ve karar destek sistemlerinin şeffaflığını artırmaktadır. Gelecekteki çalışmalar, çok merkezli veri kümeleri kullanarak farklı modalitelerin entegrasyonu ve gelişmiş nedensel analizlerle modelin klinik uygulanabilirliğini artırmayı hedeflemektedir.
Güç sistemlerinin kontrolünde FACTS - STATCOM donanımlarının kullanımı ve etkilerinin simulink model üzerinde değerlendirilmesi
Enerji kayıpları, ekonomik ve çevresel açıdan önemli sonuçlar doğurabilir. Ekonomik olarak, enerji kayıpları, enerjinin maliyetini artırarak enerji verimliliğini düşürür. Çevresel olarak ise, enerji kayıpları, fazladan enerji üretimine ve bu enerjinin çevreye yaydığı sera gazları ve diğer kirleticilerin artmasına neden olabilir. Bu nedenle, güç sistemlerindeki enerji kayıplarının azaltılması, enerji verimliliğini artırmak ve çevresel etkileri en aza indirmek önemli bir hedeftir. Bu amaçla güç sistemlerinde, FACTS (Flexible Alternating Current Transmission Systems) ve STATCOM (Static Synchronous Compensator) gibi cihazlar, güç sistemlerinin güvenilirliğini, verimliliğini ve kontrol edilebilirliğini artırmak için kullanılan önemli bileşenlerdir. FACTS cihazları, güç sistemlerindeki gerilim, akım ve güç akışını kontrol etmek için kullanılan statik cihazlardır. Bu cihazlar, genellikle tristör tabanlı anahtarlama teknolojileri kullanılarak gerçekleştirilir. STATCOM ise, güç sistemlerindeki gerilim düzeyini ve güç faktörünü kontrol etmek için kullanılan bir tür FACTS cihazıdır. Bu yüksek lisans tezinde, TÜBİTAK (Türkiye Bilimsel ve Teknolojik Araştırma Kurumu) Marmara Araştırma Merkezi Enerji Enstitüsü ile TEİAŞ (Türkiye Elektrik İletim Anonim Şirketi) 16. Bölge Müdürlüğünün ortak proje çalışması olan Mardin İli Kızıltepe İlçesinde yer alan 400 kV ve 2*12 MVAr bir güç sisteminde STATCOM aracılığı ile gerilim düzenlemesi simülasyonu gerçekleştirilmiştir. Bir enerji iletim sisteminin dağıtım barasından bara gerilimi, yükteki değişikliklere rağmen STATCOM tarafından kontrol edilmiştir. Öncelikle STATCOM'un çalışma prensibi incelenmiş, ardından Mardin ili Kızıltepe İlçesinde yer alan bir güç iletim sisteminin dağıtım veri yoluna STATCOM monte edilerek Matlab programında simülasyonu yapılmıştır. Yapılan simülasyon neticesinde; STATCOM'un bara gerilimini istenilen değerlerde tuttuğu, yük değişimlerine karşı hızlı reaktif kompanzasyon sağladığı ve sistemin gerilim kararlılığını arttırdığı görülmüştür.
Hdaru-net tabanlı derin öğrenme yaklaşımın tıbbi görüntülerdeki performansı: Adenoid hipertrofisi ve cilt lezyonları üzerine bir inceleme
Cilt lezyonları ve adenoid hipertrofisi (AH) gibi tıbbi hastalıkların doğru şekilde segmentasyonu ve adenoid hipertrofisinin sınıflandırılması, hasta bakımında kritik bir rol oynamaktadır. Ancak, manuel görüntü analizi ve görsel inceleme gibi geleneksel teşhis yöntemleri, teşhis doğruluğunu sınırlayan önemli zorluklar barındırmaktadır. Bu geleneksel teknikler, genellikle uzmanlar tarafından endoskopi veya radyografik değerlendirme yoluyla gerçekleştirildiğinden, zaman alıcı olmasının yanı sıra insan hatasına açık bir yapı sergilemektedir. Bu durum, teşhis gecikmelerine, tekrarlayan muayenelere ve uzman katılımının gerekliliğiyle birlikte artan maliyetlere yol açmaktadır. Son yıllarda, yapay zeka (YZ) ve derin öğrenme (DÖ) alanındaki gelişmeler, özellikle tıbbi görüntü analizinde teşhis verimliliğini artırabilecek otomatik yaklaşımlar sunmuştur. Ancak, geleneksel derin öğrenme modelleri, görüntülerdeki gürültü, lezyon görünümündeki çeşitlilik ve düzensiz kontrast gibi karmaşık değişkenliklerle başa çıkmada hâlâ yetersiz kalabilmektedir. Bu çalışma, segmentasyon için Hibrit Dense Attention Residual (HDARU-Net) modeli ve sınıflandırma için ensemble derin öğrenme tabanlı sınıflandırma modellerini içeren derin öğrenme yaklaşımlarını uygulayarak bu sınırlamaları aşmayı hedeflemektedir. Batman Eğitim ve Araştırma Hastanesi'nden elde edilen benzersiz bir adenoid veri seti ile International Skin Image Collabration (ISIC) cilt lezyonu veri setini kullanarak, HDARU-Net modelinin performansını, U-Net, U-Net++ ve SegNet gibi derin öğrenme tabanlı segmentasyon modelleri ile karşılaştırmalı olarak incelemektedir. Çalışmada önerilen HDARU-Net modeli, tıbbi görüntülerde ilgili bölgelerin daha hassas bir şekilde sınırlandırılmasına olanak tanımakta, bu durumun daha güvenilir teşhis ve hasta vakalarında tutarlılığın sağlanması açısından kritik öneme sahiptir. Sonuçlar, segmentasyonun sınıflandırma görevleriyle entegrasyonunun, özellikle karmaşık cilt lezyonları ve adenoid hipertrofisi vakaları için tanısal doğruluğu önemli ölçüde artırdığını göstermektedir. Bu çalışma, HDARU-Net modelinin yalnızca teşhis süresini azaltmakla kalmayıp aynı zamanda manuel analiz gerektiren tekrarlayan işlemleri minimize ederek ekonomik maliyetleri de düşürdüğünü ortaya koymaktadır. Elde edilen bulgular, klinik ortamlarda teşhis sürecini hızlandırma, zamanında tıbbi müdahaleyi destekleme ve hasta sonuçlarını iyileştirme açısından önemli etkilere sahiptir. Bu tez çalışmasında, YZ tabanlı tıbbi teşhis alanına katkı sağlayarak, diğer karmaşık tıbbi hastalıkların teşhisinde de otomatikleştirebilecek sağlam bir çerçeve sunmaktadır.
Kumaş örüntülerinde bulunan tekli ve çoklu defoların makine öğrenmesi yöntemleri ile tespiti ve karşılaştırılması
Tekstil endüstrisinde kalite kontrol süreçleri, üretim verimliliği ve ürün kalitesi için çok önemlidir. Geleneksel yöntemlerle defo tespiti, özellikle dokusuz kumaşlarda küçük ve düzensiz defolar nedeniyle zordur. Dokusuz kumaşlarda defo tespiti sorununa derin öğrenme tabanlı yenilikçi bir çözüm bu çalışma tarafından sunulmuştur. Yapay Zeka (Artificial Intelligence, AI) tabanlı Nesne Tespiti (Object Detection, OD) ve Transfer Öğrenimi (Transfer Learning, TL) yöntemlerinin kullanılması, bu durumda kumaş defolarının otomatik ve yüksek doğrulukla sınıflandırılmasını sağlamayı amaçlamaktadır. Çalışmada, Roboflow platformunda etiketlenen ve özgün çektiğimiz bir veri seti kullanılmıştır. Toplam 1239 görüntüden oluşan veri setinde dört farklı defo sınıfı (yag_damlasi, LYC, igne_kirigi ve patlak) yer almaktadır. Yapılan 2584 etiketleme ile ortalama 2.1 defo bulunmuştur. OD yaklaşımında YOLOv5, YOLOv8, YOLOv9 ve YOLOv11 modelleri kullanılırken, TL yaklaşımında VGG16, ResNet50, EfficientNet_B0, DenseNet121, MobileNet_V2 ve Inception_V3 modelleri tercih edildi. Modeller, doğruluk, kesinlik, duyarlılık ve F1 skorları dahil olmak üzere çeşitli metriklerle değerlendirilmiştir. YOLOv5m, tüm sınıflarda 0.244 güven seviyesinde ve 0.81 F1 skoru ile bir performans sergilemiştir. YOLOv8m 0.268 güven seviyesi ve 0.75 F1 skoru, YOLOv9-c 0.286 güven seviyesi ve 0.73 F1 skoru, YOLOv11-m ise 0.290 güven seviyesi ve 0.74 F1 skoru elde etmiştir. TL modelleri, her imgede tek defo içeren düzenlenmiş veri setinde %99-100 test doğruluğu ile yüksek performans göstermiş; VGG16, DenseNet121 ve MobileNet_V2 %100 doğrulukla öne çıkarken, ResNet50 %99.04 ile en düşük sonucu vermiştir. Ancak, her imgede birden fazla defo içeren orijinal veri setinde TL modellerinin performansları düşmüş; VGG16 %87.30, EfficientNet_B0 %77.38, Inception_V3 %57.54, ResNet50 %47.22 ve MobileNet_V2 %37.30 doğruluk oranları elde edilmiştir. Deneyler, kumaşların bir inceleme makinesi üzerinden geçtiği ve modellerin gerçek zamanlı analiz yaptığı bir sistem kullanılarak yürütülmüştür. Bu çalışma, dokusuz kumaşlardaki defoları belirlemek için derin öğrenme tekniklerini kullanmanın yararlı olduğunu göstermiştir. Ayrıca, tekstil endüstrisindeki kalite kontrol prosedürlerine yardımcı olmak amacıyla bu teknikleri geliştirmeyi hedeflemiştir. Gelecekte, sistemin çeşitli kumaş türlerinde test edilmesi ve daha fazla defo sınıfının eklenmesi, yöntemin daha genelleştirilebilir hale gelmesine yardımcı olabilir. Anahtar Kelimeler: Makine öğrenmesi, Dokusuz Kumaş, Defo Tespiti, Nesne Tespiti, Transfer Öğrenimi, YOLO Modelleri
Afet sonrası yapı hasarlarının uzaktan algılama görüntüleri ile semantik segmentasyon tabanlı değerlendirilmesi
Doğal afetler sonrası yapıların çatı, cephe ve bina içi hasar görüntüleri üzerinden hasar bilgisini çıkarmak için hava görüntüleri ve bina içi görüntülerin entegrasyonundan faydalanmak, uzaktan algılama ile hasar tespitinde en etkili ve güvenilir yöntem olacaktır. Bina içi hasar tespitinde yapıların taşıyıcı elemanları üzerinden inceleme yapılmakta olup, bina dışından yapılacak incelemede cephe ve çatı incelenebilmektedir. Bu tezin birinci çalışmasında, betonarme yapıların deprem sonrası hasar tespiti ve çatlak segmentasyonu amacıyla geleneksel makine öğrenimi yöntemlerinin sınırlamalarını aşmak üzere geliştirilen derin öğrenme tabanlı segmentasyon yaklaşımları ele alınmıştır. Beton yüzeylerindeki çatlakların piksel düzeyinde tespiti amacıyla önerilen DeepLabV3+ tabanlı semantik segmentasyon mimarisi kapsamında, kodlayıcı blokta kullanılan farklı ön eğitimli omurga mimarilerinin performansları karşılaştırmalı olarak analiz edilmiştir. Söz konusu mimarilerin, düşük ve yüksek seviyeli özellik çıkarımı üzerindeki etkinliklerini değerlendirmek üzere DeepCrack ve CrackForest adlı açık erişimli veri setleri kullanılmıştır. Gerçekleştirilen deneysel çalışmalar sonucunda, MobileNetV2 mimarisinin hem parametre verimliliği hem de segmentasyon doğruluğu açısından diğer omurga yapılarından üstün performans sergilediği tespit edilmiştir. İkinci çalışma, doğal afetler sonrası yapı hasar tespiti amacıyla geliştirilen derin öğrenme tabanlı semantik segmentasyon modellerinin doğruluk, genelleme kabiliyeti ve hesaplama verimliliği açısından kapsamlı bir analizi sunulmuştur. Çalışma kapsamında, özgün hazırlanan Kahramanmaraş depremi veri seti ile birlikte Joplin Kasırgası ve xBD'ye ait yüksek çözünürlüklü drone ve uydu görüntülerinden oluşan veri kümeleri kullanılarak bina yıkım derecelerinin tespiti hedeflenmiştir. DeepLabV3+ segmentasyon mimarisi farklı omurga (backbone) ağları ile yapılandırılarak değerlendirilmiştir. Ayrıca, bina bazlı sınıflandırma için Joplin Kasırgasına ait afet öncesi görüntülerden çıkarılan poligon sınırları ile segmentasyon çıktıları birleştirilerek, bina düzeyinde hasar durumu belirlenmiştir. Deneysel sonuçlar, ResNet50 ve Xception mimarilerinin genel segmentasyon doğruluğu açısından en başarılı modeller olduğunu, buna karşılık MobileNetV2'nin daha az hesaplama maliyetiyle özellikle hızlı ve hafif uygulamalarda avantaj sağladığını göstermektedir. Öte yandan, sınıf dengesizliği ve karmaşık enkaz yapısı nedeniyle tüm modellerin yıkılmış binaların tespitinde zorluk yaşadığı, bu durumdan en çok etkilenen modellerin daha düşük katman derinliğine sahip yapılar olduğu gözlemlenmiştir. Bu çalışma, afet sonrası hızlı ve doğru hasar değerlendirmesi için derin öğrenme tabanlı bir çerçeve sunmaktadır.
İnsansız hava aracı ile gerçek zamanlı nesne tanıma
Yapay zekâ alanında bugüne kadar birçok çalışma yapılmış ve bu çalışmalar neticesinde birçok algoritma geliştirilmiştir. Donanım üreticileri de her geçen gün daha iyi donanımlar üretmektedirler. Bugün geldiğimiz noktada yüksek donanım gücü sayesinde, daha önce gerçekleştirilmesi mümkün olmayan algoritmaları kullanan uygulamalar geliştirilmektedir. Bilgisayarla görü alanındaki denetimli öğrenme algoritmalarının gerçekleştirilmesi için ihtiyaç duyulan büyük veri miktarı, cep telefonu kameraları ve internet sayesinde elde edilebilir bir hale gelmiştir. Bu sayede birçok farklı sınıfa ait görüntüler içeren PASCAL VOC, ILSVRC, COCO gibi açık erişimli görsel veri setleri oluşturulmuştur. Fakat bu veri setleri insansız hava aracıyla görüntü işleme için ihtiyaç duyulan kuşbakışı perspektifinden çekilen görüntüleri içermemektedir. Bu tez çalışmasında insansız hava araçları ile gerçek zamanlı görüntü işleme amaçlanmıştır. Bu amaçla insansız hava araçları ile çekilmiş görüntülerden oluşan özgün bir veri seti oluşturulmuştur. Gerçek zamanlı görüntü işleme hızına sahip bir evrişimsel sinir ağı modeli olan YOLO v4 seçilmiş ve oluşturulan veri seti ile eğitilmiştir. Geliştirilen uygulama ile insansız hava aracından alınan görüntüler YOLO v4 Modeli ile işlenerek, veri setinin içerdiği "insan" ve "koyun" sınıfları özelinde, gerçek zamanlı nesne tanıma yapılmıştır.
Görüntü işleme teknikleri kullanılarak yüz ifadelerinden duygu analizi
nsanlar arası iletişimde büyük rol oynayan yüz ifadeleri duygu, düşünce ve ruhsal durumlarla ilgili bilgi vermede oldukça önemli bir yere sahiptir. İnsanlar arasındaki bu etkileşim gelişen teknolojiyle beraber insan makine ilişkisi içinde kullanılması amaçlanmıştır. Bu sebeple insanlara ait duyguların bilgisayarlar tarafından anlaşılması ve öğrenilmesi oldukça önemli bir konu haline gelmiştir. Birçok alanda yüz ifade analizine ihtiyaç doğduğundan verilerin hızlı işlenip sonucun en büyük doğruluk oranı ile bulunmasını gerektirmiştir. Böylece artan ihtiyaç ve gelişen teknoloji ile bu alanda yapılan çalışmalar da hızla artmıştır. Bu çalışmada insanın sahip olduğu "öfke, iğrenme, korku, mutluluk, üzüntü, şaşkınlık ve doğal" olmak üzere 7 duygu durumunun analizi gerçekleştirilmiştir. Bu 7 durumun sınıflandırılmasından önce gerçekleşmesi gereken temel adımlar vardır. Temel olarak bu adımlar; yüzün belirlenmesi, görüntünün temizlenip normalize edilmesi, görüntüden özniteliklerin çıkarılması, yüzdeki değişimlerin izlenmesi ve sınıflandırılmasıdır. Yüz ifadelerinin tespiti amacıyla 35887 adet yüz görselinden oluşan veri kümesinde çalışma yapılmıştır. Bu veri kümesi kullanılarak 7 farklı yüz ifadesi sınıflandırılmıştır. Bu çalışmada gri formatta bulunan 48x48 boyutundaki görseller önermiş olduğumuz CNN modeline uygulanmış ve başarımları değerlendirilmiştir. Yapılan çalışma da FER2013 veri kümesinde bulunan yüz ifadelerini otomatik sınıflandırmak amacıyla bir evrişimsel sinir ağı (CNN) önerilmiş olup, optimizasyon fonksiyonu olarak da "adam" ve "sgd" optimizasyon fonksiyonları ayrı ayrı denenerek sonuçları elde edilmiştir. "Adam" optimizasyon fonksiyonu kullanılarak önerilen modelde doğruluk oranı %69 olarak elde edilirken "sgd" optimizasyon fonksiyonu kullanılarak önerilen modelde ise doğruluk oranı %92 elde edilmiştir. Böylece önerilen modelde sgd optimizasyon fonksiyonunun doğruluk oranı adam optimizasyon fonksiyonunun doğruluk oranından daha yüksek olduğu belirlenmiştir. Anahtar kelimeler: Görüntü İşleme, OpenCV, Yüz İfade Sınıflandırılması, Derin Öğrenme, Yapay Sinir Ağları, CNN
Makine öğrenmesi algoritmaları kullanılarak üniversite bölüm tercihi tahmini.
Bugünün dünyasında, üniversite bölüm tercihi yapmak öğrenciler için oldukça zorlu bir süreç olabilmektedir. Özellikle de öğrenciler; yetenekleri, ilgi alanları, kişilikleri ve gelecekteki kariyer hedefleri bakımından net bir fikre sahip değillerse, bölüm tercihi için doğru seçimi yapmak daha da zor hale gelebilir. Bu nedenle, öğrenciler üniversite tercihleri hakkında daha objektif ve bilimsel bir bakış açısı kazanmak için farklı kaynaklara başvururlar. Ancak, rehberlik servisleri veya üniversite mezunu arkadaşları ve akrabaları gibi kaynaklardan gelen tavsiyeler genellikle objektif olmayabilir. Bu tavsiyelerin objektif olamamasının nedeni, verilen önerilerin kişisel tercihler, deneyimler veya hedeflerden etkilenebilmesidir. Bu bağlamda, bu çalışma, üniversite bölüm tercihlerinde öğrencilere yardımcı olmak için makine öğrenmesi algoritmalarını kullanan bir uygulama geliştirmeyi amaçlamaktadır. Uygulama, öğrencilerin lise dönemi Matematik, Fizik, Kimya, Biyoloji, Coğrafya, Türkçe, Tarih ve yabancı dil derslerinde aldığı başarı puanlarını kullanarak, hangi bölümlerde başarılı olabileceklerini tahmin etmelerine olanak tanır. Çalışmamızda elde edilen veriler, Türkiye'nin tüm bölgelerinden toplanmış ve temizlenerek veri seti haline getirilmiş, öğrenme modellerinin daha tutarlı ve genelleştirilebilir olması amaçlanmıştır. XGBoost, SVC, KNN ve Gaussian Naive Bayes öğrenme modelleri kullanılarak yapılan çalışmada, en yüksek performans KNN algoritması ile elde edilmiştir. Bu uygulamanın, öğrencilerin üniversite bölüm tercihlerinde karşılaştıkları zorlukları azaltmaya yönelik önemli bir adım olması amaçlanmıştır. Çünkü bu uygulama, öğrencilere objektif ve bilimsel bir bakış açısı sunarak, kişisel tercihler veya çevresel faktörlerden etkilenmeden, hangi bölümlerde başarılı olabileceklerini tahmin etmelerine yardımcı olacaktır. Bu çalışmanın, gelecekteki araştırmalara ilham verebilmesi ve üniversite bölüm tercihi yapmakta zorluk çeken öğrenciler için faydalı bir kaynak olması hedeflenmektedir.
Yangın tespitinde derin öğrenme algoritmalarının karşılaştırmalı analizi
Baş döndürücü bir hızda ilerleyen teknolojiyle beraber, makine öğrenmesinin yöntemlerinden olan derin öğrenme uygulamaları, hayatımızın birçok alanında uygulanabilir olmuştur. Günlük hayatımızda plaka tanıma, optik karakter tanıma gibi uygulamalar artık yaşamımızın vazgeçilmezi haline gelmiştir. Günümüzde devam eden teknolojik gelişmelere paralel olarak, güvenlik kameralarından şüpheli durum tespiti veya otonom araçlar gibi yakın gelecekte hayatımızla iç içe olacak teknolojilerin gelişimi hissedilir şekilde artmaktadır. Bu teknolojinin başarım ve doğruluk oranlarının, yüksek değerlere ulaştığı görülmüştür. Bu çalışmada Kaggle'dan elde edilmiş veri setlerinden, çoğunlukla orman yangınlarına ait görseller kullanarak orman yangınlarının yıkıcı sonuçlara ulaşmadan erken ve doğru tespit etmek amaçlanmış olup literatürdeki farklı derin öğrenme algoritmaları; MATLAB programı vasıtasıyla transfer öğrenme yoluyla eğitilmiştir. Böylece orman yangınlarını en kısa sürede ve en doğru olarak tespit eden, derin öğrenme algoritmasını veya algoritmalarını başarım oranları açısından mukayese etme imkânı elde edilmiştir. Gelinen noktada genel olarak %90'ların üzerinde yüksek başarımlar elde edilmiştir.
Bilgisayarlı görü ile derin öğrenme teknikleri kullanılarak spor antremanlarının doğruluğunun tespiti
Derin öğrenme tabanlı olarak geliştirilen MediaPipe Poz Tahmin modeli ile gerçek zamanlı görüntülerden elde edilen insan poz tahmini verilerinin makine öğrenme algoritmaları kapsamında spor biyomekaniği açısından spor aktivitelerinin doğruluk oranı üzerine sistematik bir analiz yapılmıştır. Bu çalışmada, MediaPipe Poz Tahmin modelinin farklı spor aktivitelerinde vücut pozisyonuna bağlı olarak biyomekanik parametreleri ışığında nasıl tahmin ettiği incelenmiştir. Ayrıca, modelin performansını değerlendirmek için gerçek zamanlı olarak kameradan elde edilen verilerin farklı makine öğrenme algoritmaları (regresyon, sınıflandırma vb.) ile eğitime tabi tutularak karşılaştırma yapılmıştır. Ayrıca bu çalışma, bilgisayarlı görü destekli derin öğrenme tekniklerinin spor antrenmanlarında ve poz tahminindeki uygulanabilirliği konusunda öncü bir araştırmadır. Mediapipe'nin insan poz tahmini modeli ile elde edilen verilerin makine öğrenme algoritmalarıyla eğitilmesi ile sporcuların pozisyonlarını doğru bir şekilde takip etmek için kullanılabileceği bir uygulama haline getirilmiştir. Ayrıca, bu aracın sporcuların performanslarını artırmak için nasıl kullanılabileceği konusunda da yol gösterici olacaktır. Sonuç olarak, MediaPipe Poz Tahmin modelinin spor biyomekaniği için uygun ve etkili bir araç olduğu gösterilmeye çalışılmıştır.
Kanatsız rüzgar türbini ile elektrik enerjisi üretimi
Artan nüfus ve gelişen sanayi elektrik enerjisi ihtiyacının sürekli olarak artışını da beraberinde getirmektedir. Artan ihtiyaca karşı enerji arzında sürdürülebilirlik sağlayabilmek için günümüzde rüzgar enerjisini üzerine çalışmalar ve yatırımlar artmıştır. Çalışmaların ve yatırımların artışı yeni rüzgar enerji teknolojilerinin ortaya çıkmasına sebep olmaktadır. Bu yeni teknolojilerden biride kanatsız rüzgar türbinidir. Kanatsız rüzgar türbini klasik türbinlere kıyasla döner bir mekanizmaya sahip değildir. Bu türbinler rüzgar kaynaklı girdap akımlarının neden olduğu titreşimler ile salım hareketi yapmaktadır. Türbinde döner bir mekanizma bulunmadığı için lineer jeneratörle elektrik enerjisi üretmektedir. Bu tezde kanatsız rüzgar türbininin yapısı, hareket mekanizması, elektrik üretimi konuları hakkında veriler elde etmek için farklı rüzgar türbinleri tasarlanmış ve prototipler üretilerek farklı rüzgar akış hızlarında test edilmiştir. Testler sonucunda en yüksek gerilim değeri 6,4 m/s akış hızında 272 mV AC ölçülmüştür.
Klasik elektrik sayaçlarının akıllı şebekelere entegrasyonu için yeni bir yaklaşım
Bireysel enerji gereksinimi ve nüfus yoğunluğunun artış göstermesiyle orantılı olarak enerji talebinin artış göstermesi güvenli, verimli ve doğa dostu bir yanıt bulabilmesi gereksinimi, akıllı şebekelerin kullanımını gündeme getirmiştir. Akıllı şebekeler ve haberleşme bütün bir halde bulunan iki kavram olup birbiri üzerinde oldukça etki oluşturmaktadır. Akıllı şebekeler, teknolojinin gelişmesi ile birlikte günlük hayatta yerini almış, zaman içerisinde geliştirilmiş ve küresel bir hale dönüşmüştür. Bugün insan yaşamı için olmazsa olmaz sistemler arasında bulunan elektronik yapılar, teknolojinin ilerlemesiyle yerini gün geçtikçe sağlamlaştırmaktadır. Akıllı şebekelerin en önemli bileşenlerinden biri de akıllı sayaçlardır. Akıllı sayaçlar enerjinin doğru bir şekilde ölçülebilmesini ve çift taraflı bilgi akışını sağlamaktadır. Bu tez çalışmasında, Akıllı şebekelerin geleceği noktalar ve mevcut düzende yaşam üzerindeki önemine değinilmiştir. Birbirleri için vazgeçilmez unsur olan akıllı şebekeler ve haberleşme sistemlerine ilişkin temel noktalar ele alınmıştır. Örnek bir uygulama üzerinde, klasik sayaçların akıllı şebekelerin olmazsa olmazı olan akıllı sayaçlara dönüşümü gösterilmiştir.
Yapay zeka tabanlı yeni bir mobil sınıflandırma uygulaması
Bu çalışmada; doğada bulunan böceklerin, familyalarına göre ayrıştırma, türü hakkında bilgi vermek üzere yapay zeka tabanlı bir uygulama geliştirilmiştir. Uygulama geliştirmede "Flutter - Dart" dilinden faydalanılmıştır. Uygulamanın çalışma prensibi; fotoğrafı çekilen böcek hakkında bilgi verilmesi için, çekilen fotoğrafta kritik ve belirleyici noktalar üzerinden tarama yapılır. Yapılan tarama sonrası fotoğraf bir bulut veri tabanına gönderilir. Burada devreye giren yapay zeka çekilen fotoğraf ile veri tabanında kayıtlı olan görseller üzerinden en yakın eşleştirmeyi sağlamaya çalışır. Yapılan eşleştirme sonucunda uygulama, veri tabanı üzerinde eşleşen böcek hakkındaki bilgiyi kullanıcıya aktarır. Aktarılan bilgilerde çekilen fotoğraf ile veri tabanına kayıtlı görselin yakınlık derecesi de yine kullanıcıya bildirilir. Eğer çekilen fotoğrafın veri tabanında bir karşılığı yok, fakat kullanıcı çekilen fotoğraftaki böcek hakkında bilgisi var ise, aynı uygulama üzerinden veri tabanına çekilen fotoğraftaki böcek için bilgi girişi sağlayabilir. Sonuç olarak bu çalışmada geliştirilen uygulama ile böcek sınıflandırması konusunda literatüre ve gerçek hayat uygulamalarına katkıda bulunulmuştur.
Dört motorlu insansız hava aracıyla insan tespiti
Bu tezde, dört rotorlu insansız hava aracı (İHA) ile çekilen fotoğraflardan elde edilen bir veri seti kullanarak, insan tespiti alanında en son teknolojilerden olan YOLO (You Only Look Once) algoritmalarının (YOLOv7, YOLOv8 ve YOLOv10) performansını karşılaştırmayı amaçlamaktadır. Veri seti, çeşitli insan pozisyonlarını içeren zengin bir görüntü koleksiyonundan oluşmakta olup, eğitim süreci Google Colab ortamında gerçekleştirilmiştir. Bu tezde, her bir YOLO sürümünün eğitim süreçleri detaylı bir şekilde ele alınmış ve karşılaştırmalar yapılmıştır. YOLOv7, YOLOv8 ve YOLOv10'un performansları, insan tespiti doğruluğu ve genel verimlilik açısından değerlendirilmiştir. Algoritmaların performansları, doğruluk, hassasiyet, duyarlılık, F1 skoru ve mAP50 gibi kriterler üzerinden değerlendirilmiştir. YOLOv8, en yüksek doğruluk (%89,6) ve mAP50 (%97,4) değerleri ile diğer iki algoritmadan daha etkili bulunmuştur. YOLOv7 ve YOLOv10 ise sırasıyla %82,8 ve %88,0 doğruluk oranlarına sahiptir. Bu bulgular, insansız hava araçları ile gerçekleştirilen görüntüleme ve nesne tanıma uygulamalarında hangi algoritmanın daha etkili olduğunu belirlemek için önemli bir temel sunmaktadır. Çalışmanın sonuçları, gelecekteki araştırmalar ve uygulamalar için yol gösterici niteliktedir.
Süperkapasitör beslemeli kısa süreli ani güç sağlayan yedek bir güç sistemi geliştirilmesi
Elektrik enerjisini depolamak için piller ve güç kaynakları kullanılır. Bu kaynaklar süperkapasitörlere göre daha düşük güç yoğunluklarına sahiptir. Elektrokimyasal depolama yöntemlerinde, düşük sıcaklıklarda kimyasal reaksiyon hızlarının yavaşlaması ve içlerindeki kimyasal viskozitelerin artması gibi nedenlerle ciddi performans kayıpları görülmektedir. Bu yapıya sahip piller ve güç kaynakları bu gibi durumlarda besledikleri sistemin ihtiyaç duyduğu gücü karşılamada yetersiz kalmaktadır. Şarj seviyesinin çok düşük olduğu veya anlık aşırı güce ihtiyaç duyulduğu durumlarda düşük enerji süperkapasitörlerle yüksek güç yoğunluğuna dönüştürülerek sistemin yüksek güç ihtiyacı kısa bir süre için karşılanmaktadır. Bu çalışmanın amacı ihtiyaç duyulduğunda süperkapasitörleri kullanarak geleneksel elektrik depolama tekniklerinin dezavantajlarını ortadan kaldırmaktır. Süperkapasitörlerin ihtiyaç duyduğu güç için gereken enerji mevcut bir pilden veya harici bir kaynaktan sağlanabilir. Bu çalışmada üretilen süperkapasitör için yıllardır kullanılmayan ve minimum enerjiye sahip bir araç aküsü ile bir cep telefonu aküsü kullanılmıştır. Süperkapasitörlerin avantajlı özellikleri göz önünde bulundurularak yedek güç ünitesi olarak adlandırılabilecek bir süperkapasitör imal edilmiştir. Yapılan deneysel çalışmada (fiziksel ölçüm), üretilen süperkapasitör sayesinde örnek bir bataryadaki güç yoğunluğu 1217 W/kg'den 7636 W/kg değerine çıkarılmıştır. Bu şekilde süperkapasitör kullanılarak güç yoğunluğunda 5.27 kat artış sağlanmıştır. Aynı batarya için süperkapasitör ile tepe akımı 15 A'den 264,7 A değerine çıkarken, tepe akımında 16.64 kat kazanç sağlanmıştır. Deneysel sonuçlara göre süperkapasitörlerin düşük iç direnç, çok yüksek tepe akımlarına ulaşabilme, yüksek şarj-deşarj çevrimlerine sahip olma, düşük sıcaklıklarda bile kapasite kaybı yaşamama gibi üstün özellikleri sayesinde elektrokimyasal depolama yöntemlerinin zayıf yönlerini aştığı görülmektedir.