3
Archived Theses
0
DOIs Assigned
0%
DOI Rate
Discipline
Dengesiz veri setlerinde aşırı örnekleme teknikleri ile makine öğrenmesi yaklaşımlarının karşılaştırılması
Endüstriyel bir tesisin faaliyetlerini kesintisiz bir şekilde devam ettirebilmesi için, o tesisi oluşturan ekipman ve sistemlerin kullanım ömürlerini uzatmak ve arızi duruşları engellemek amacıyla yapılan teknik ve idari işlerin tümüne bakım denir. Endüstriyel bakım faaliyetlerin yetersizliğinden ileri gelen plansız duruşların ve kazaların ortaya çıkardığı maliyetler işletmeler için ciddi riskler teşkil etmektedir. Birçok işletme geleneksel bakım yaklaşımları ile bu riskleri yönetmeye çalışsa da başarıları kısıtlı kalabilmektedir. Teknolojideki gelişmelerin ışığında bakım stratejilerini güncelleyen ve ileri taşıyan şirketler ilgili riskleri ve kayıpları daha etkin bir şekilde yönetme imkanına sahiptir. Sahadan ve ekipmanlar üzerinden toplanan verilerin analiz edilerek potansiyel arızaların henüz oluşmadan önce tahmin edilebilmesine ve buna yönelik yürütülen bakım faaliyetlerine kestirimci bakım denir. Nesnelerin interneti (Internet of Things – IoT) alanındaki gelişmeler ve siber fiziksel sistemlerin entegrasyonu ile endüstriyel ekipmanlar üzerinden verilerin gerçek zamanlı bir şekilde toplanması kolaylaşmıştır. Bu verilerin yapay zekâ algoritmaları ile işlenmesinden elde edilen tahmine dayalı analitik çıkarımlar ise kestirimci bakım stratejilerine yeni bir boyut kazandırmıştır. Kestirimci bakım ve arıza tespiti gibi problemlerde tahmine dayalı bir analitik model ortaya koymak istediğimizde, bu olayların doğası gereği dengesiz sınıf dağılımına sahip bir veri kümeleri karşımıza çıkar. Genellikle arıza olmayan bir durumu ifade eden gözlem sayısı, arıza durumunu temsil eden gözlemlerden çok fazladır. Dengesiz veri setlerinde yapay zekâ algoritmaları ile sınıflandırma yapmak önemli zorluklar içerir. Çünkü algoritmalar daha fazla sayıda gözlemin olduğu arıza olmama durumunu ifade eden bilgileri ezberleme eğiliminde olur. Bu sorun ise gerçek hayat uygulamasında algoritmalar ile arızaların tespit edilmesini zorlaştırır. Bu çalışmada, endüstriyel ortamdaki ekipmanlardan toplanmış verileri temsil eden 2 farklı veri seti üzerinde yapay zekâ algoritmaları kullanılarak bir sınıflandırma görevi gerçekleştirilmiştir. Dengesiz sınıf verisi dağılımına sahip olan her iki veri setinde, aşırı uyumlanma (overfitting) probleminin önüne geçebilmek için eğitim verileri üzerinde çeşitli aşırı örnekleme yöntemler ve hibrit yöntemler denenerek veri setleri dengeli hale getirilmiştir. Dengelenmiş veri setleri kullanılarak bağımsız (tekil) makine öğrenme algoritmaları, kollektif öğrenmeye dayalı makine öğrenmesi algoritmaları ve derin öğrenme algoritmaları ile oluşturulan modeller vasıtasıyla sınıflandırma yapılmıştır. Modellerin başarı performansları başta Cohen Kappa skoru olmak üzere, F1 skoru, duyarlılık ve doğruluk metrikleri açısından değerlendirilmiştir. Kolektif öğrenmeye dayalı makine öğrenmesi algoritmalarının her iki veri setinde de diğer algoritmalardan daha yüksek performans gösterdiği görülmüştür. Ayrıca veri seti dengeleme yöntemlerinin, kolektif öğrenmeye dayalı makine öğrenmesi algoritmalarının başarı performansına etkisi incelenmiştir. Farklı yöntemlerle dengelenen veri setlerinde kolektif öğrenme modellerinin performansları değişkenlik gösterirken, genel olarak rastgele örnekleme yöntemi ile dengeli hale getirilen veri setlerinde daha iyi performans elde edilmiştir. Yapılan bu tez çalışmasında, dengesiz veri setlerinde sınıflandırma görevi için model başarımına etki eden parametreler çok yönlü bakış açısıyla ortaya konulmuştur.
Arkaplan sinaptik bombardımanın morris-lecar Tip-I nöronların zayıf sinyal kodlama performansına etkileri
Sinir sisteminde sinyal işleme, kodlama ve iletimi oldukça karmaşıktır ve nöronal ortamın çevresel şartlarına büyük ölçüde bağlıdır. Ayrıca, nöronlar işledikleri sinyalleri, sinaps adı verilen benzersiz kavşaklar aracılığıyla iletirler. Bu bağlamda, bir nöronun bulunduğu ağa bağlı olarak tek bir bağlantıdan binlerce bağlantıya kadar sinaptik bağlantı yapabildiği bilinen bir gerçektir. Bu bağlantılardan gelen pre-sinaptik rastgele girdiler, nöron zar potansiyelinde dalgalanmalara neden olur. Bu gürültü kaynağı, arkaplan sinaptik aktivite olarak adlandırılmaktadır. Diğer taraftan, gürültünün nöron dinamiklerine olumlu katkılar sunduğu bilinmektedir. Bu tez çalışmasında, arkaplan sinaptik aktivitenin Morris–Lecar Tip I nöronlarının bilgi işleme mekanizmasına olası katkıları ele alınmıştır. Sonuçlarımız, uygun sinaptik iletkenlik değerlerinin, Morris–Lecar Tip I nöronlarının sinyal işleme kapasitesinin arkaplan sinaptik girdilerin frekansına bağlı olarak stokastik rezonans davranışı sergilediğini göstermiştir. Ayrıca, Morris–Lecar Tip I nöronlarının belli bir frekans aralığındaki sinyalleri algıladığı bulunmuştur. Bu frekans aralığının pre-sinaptik girdilerden önemli ölçüde etkilendiği de sayısal olarak ortaya konulmuştur. Dahası, Tip I nöronlarının ancak belli bir frekans aralığındaki zayıf sinyalleri kodlarken arkaplan sinaptik girdilerden yararlandıkları gözlemlenmiştir. Sonuç olarak, bu çalışmada arkaplan sinaptik aktivitenin Morris–Lecar Tip I nöronlarının zayıf sinyal kodlama kapasitesine olan katkıları detaylı bir şekilde analiz edilmiştir. Nümerik sonuçlarımız, nöronların uygun zayıf sinyal frekanslarında arkaplan sinaptik gürültüden yararlanarak eşik altı sinyal kodlama kapasitesini artırabildiklerini göstermektedir.
IoT' de kullanıcı isteğine dayalı akıllı veri toplama
Ensuring effective, efficient, and fast data communication in IoT networks is a critical challenge, given the resource limitations of nodes within these networks. Data aggregation emerges as a promising solution to address this challenge by consolidating data from multiple sources before transmission, thereby reducing memory consumption, enhancing energy efficiency, and improving transmission speed. This study proposes an approach to examine the impact of different data aggregation methods and transmission frequencies on memory usage in resource-limited sensor nodes, considering these client requests. Specifically, we will investigate how memory consumption changes when data is transmitted to the sink node at various frequencies using different aggregation techniques. Additionally, memory usage is measured when the aggregation method and transmission frequency are dynamically determined, and aggregated data is transmitted to the requested server or service. In the proposed system for user-request driven smart data aggregation in IoT networks, the data flow follows a structured process to efficiently handle client requests while optimizing resource usage. Based on these requests, sensors will aggregate the data and transmit it to the sink node, the client system, or the server at the specified frequency. By comparing the measured memory usage values, we aim to identify the aggregation method and transmission frequency that result in the least memory usage. These optimal values are expected to enhance energy efficiency and memory usage efficiency in the IoT network, consequently prolonging its lifespan. The proposed data flow ensures that client requests are efficiently handled while minimizing resource consumption in the IoT network. In summary, this study aims to contribute insights into optimizing memory usage in IoT networks through efficient data aggregation and transmission strategies, considering client requests.