Doktora Tezleri

Permanent URI for this collectionhttps://hdl.handle.net/20.500.12573/5800

Browse

Now showing 1 - 20 of 22

Blokzincir Tabanlı Eşten-Eşe Enerji Ticareti Uygulamaları
(Abdullah Gül Üniversitesi, Fen Bilimleri Enstitüsü, 2023) Seven, Serkan; Alkan, Gülay Yalçın
This thesis explores the potential of innovative peer-to-peer (P2P) energy trading schemes for virtual power plants (VPPs) using blockchain technologies, smart contracts, and decentralized finance (DeFi) instruments. Traditional centralized approaches have limitations in terms of transparency and security, which can hinder the successful implementation and operation of VPPs and P2P energy trading systems. The dissertation begins by reviewing the current state of energy sources within the global energy landscape. Understanding the existing landscape provides valuable insights into the potential benefits and challenges of implementing P2P energy trading within VPPs. The focus of the dissertation is to develop and analyze innovative P2P energy trading schemes for VPPs that integrate blockchain technologies and facilities to enhance transparency, security, and automation of energy transactions. Furthermore, DeFi instruments, specifically decentralized exchange (DEX), are used as a novel approach instead of auction methods to determine P2P energy buying and selling prices. Along with blockchain technologies, optimization is used to maximize the economic benefits of peers. The sequential decision problem of the trading schemes is solved with mixed integer linear programming (MILP). In addition, machine/deep learning models are utilized to overcome the drawbacks of conventional mathematical programming like MILP. These models can accelerate the decision-making processes by learning from the optimization results obtained. Overall, frameworks for the successful integration of P2P energy trading within and among VPPs are developed to validate the effectiveness and feasibility of the proposed P2P energy trading schemes through case studies and simulations using realistic data sets and blockchain platforms.
Çoklu Robot Sistemleri için Lokalizasyon Algoritması Tasarımı ve Gerçekleştirilmesi
(2024) Kabore, Kader Monhamady; Güler, Samet
Çok robotlu sistemler (MRS), tek bir robot için son derece zorlayıcı olan karmaşık görevleri gerçekleştirebilir. Örneğin, iş birliğiyle taşıma, alan kapsama ve arama-kurtarma operasyonları gibi uygulamalarda, MRS en iyi seçenek olabilir. MRS, görevleri daha basit komutlara bölerek bireysel robotlara atar. Bu yapı, ölçeklenebilirlik ve tek bir hata noktasına karşı dayanıklılık gibi önemli avantajlar sağlayan merkezi olmayan yaklaşımlara ilgiyi artırmıştır. MRS'deki formasyon kontrolü, özellikle GPS'in bulunmadığı ve dış altyapının olmadığı ortamlarda güçlü robot konumlandırmasına dayanır. Dış ortamlarda GPS mutlak konumlandırma sağlayabilir ancak kapalı alanlar veya tüneller gibi ortamlarda sürü robotları için yetersiz kalabilir. Hareket yakalama sistemleri gibi kapalı alan konumlandırma çözümleri, yüksek maliyetli olup ek altyapı kurulum prosedürleri gerektirir. Bu sınırlamalar, sürü robotikleri uygulamaları için uygun, dayanıklı ve dahili konumlandırma sistemlerine olan ihtiyacı vurgulamaktadır. Bu çalışma, tamamen dahili yeteneklere dayanan, dış altyapıya bağımlılığı ortadan kaldıran yeni bir merkezi olmayan, işaretleyicisiz konumlandırma çerçevesi sunmaktadır. MRS için bir konumlandırma çözümü bulmak amacıyla, yöntemimiz, derin öğrenme ile güçlendirilmiş iş birliği temelli konumlandırma algoritmalarını formasyon kontrol mekanizmalarıyla birleştirmektedir. Önerilen çerçevenin etkinliğini doğrulamak için kapsamlı simülasyonlar ve gerçek dünya deneyleri gerçekleştirilmiştir. Sistem ölçeklenebilirliği, farklı ekip boyutlarına uyum sağlayarak test edilmiştir ve uygulamalardaki etkinliği gösterilmiştir. Bu çalışma ayrıca yer robotları için açık kaynaklı bir veri seti sunarak MRS alanında daha fazla araştırmayı teşvik etmektedir.
Derin Öğrenme Tabanlı Kompozit Malzemelerin Ultrasonik Tomografi Görüntülerinden Kusurların Tespiti ve Sınıflandırılması
(Abdullah Gül Üniversitesi, Fen Bilimleri Enstitüsü, 2024) Gülşen, Abdulkadir; Güngör, Burcu; Kolukısa, Burak
This thesis introduces novel methodologies for enhancing defect classification and characterization in advanced composite materials by leveraging state-of-the-art machine learning (ML), deep learning (DL), and federated learning (FL) techniques within ultrasonic and acoustic emission (AE) inspection environments. First, a new ultrasonic dataset (UNDT), comprising 1,150 images from 60 distinct composite materials, is introduced. Applying transfer learning methods to both the UNDT and a publicly available dataset demonstrates the efficacy of advanced neural architectures—such as DenseNet121 and VGG19—achieving accuracy rates up to 98.8% and 98.6%, respectively. Next, the scope is extended to AE-based health monitoring by introducing an ensemble feature selection methodology to identify features strongly correlated with damage modes. By selecting amplitude and peak frequency for labeling and subsequently applying unsupervised clustering, the analysis confirms that both traditional AE features (e.g., counts and energy) and less commonly employed features (e.g., partial powers) correlate with distinct defect types. Finally, a novel FL framework is introduced to address the scarcity of publicly available, real-world ultrasonic datasets. This decentralized approach preserves data privacy while maintaining performance levels comparable to centralized methods, ensuring scalability and confidentiality in diverse data environments. Overall, these contributions significantly advance the field of NDT, offering robust defect classification and characterization. In doing so, the findings not only improve the accuracy and reliability of material integrity assessments but also lay a durable foundation for more secure, collaborative, and efficient NDT systems.
Derin Öğrenme Yaklaşımlarıyla Küçük Hücreli Dışı Akciğer Kanserinde Tümör Karakterizasyonu
(Abdullah Gül Üniversitesi, Fen Bilimleri Enstitüsü, 2021) Bıçakcı, Mustafa; Yılmaz, Bülent
Küçük Hücreli Dışı Akciğer Kanseri (KHDAK) akciğer kanserlerinin büyük çoğunluğunu oluşturur ve adenokarsinom (ADC) ve skuamöz hücreli karsinom (SqCC) olmak üzere iki önemli alt tipi vardır. Genel olarak, bu iki alt tip mikroskobik olarak belirlenen morfolojik kriterler dikkate alınarak birbirinden ayrılır. Ancak, kötü morfoloji bunu oldukça zorlaştırır. Alt tipe özel tedavi yöntemleri için bu tür çalışmalar önemlidir. Bu tezde, pozitron emisyon tomografi (PET) görüntüleri kullanılarak KHDAK'nin alt tiplerinin sınıflandırılması üzerinde derin öğrenme (DÖ) yöntemleri incelenmiştir. İlk çalışmada, DÖ yöntemlerinin temelini oluşturan yapay sinir ağları (YSA) kullanılarak %73 doğru sınıflandırma başarısı elde edilmiştir. İkinci çalışmada, PET görüntülerinden alınan bölütlenmiş tümör kesitleri kullanılarak birkaç DÖ modeli incelenmiştir. Sonuçta, %95 F skoru ile VGG16 ve VGG19 en başarılı modeller olmuştur. Bu çalışmanın sonunda kesit bazlı çalışmalar bırakılarak hasta bazlı çalışmalara geçilmiştir. Üçüncü çalışmada, hasta bazlı dilimlerin birleştirilmesiyle oluşturulan üç boyutlu (3B) verilerin kullanımı yeterli başarıyı sağlamamıştır. Dördüncü çalışmada, PET görüntülerinin doğrudan kullanıldığı, tümör kısımlarının kırpılarak kullanıldığı ve bölütlenmiş tümör parçalarının kullanıldığı üç farklı deney yapılmıştır. Bu çalışma, peritümoral alanların sınıflandırmada olumlu etkisini ortaya koymuş ve VGG19 %74 F skoru değerine ulaşmıştır. Beşinci çalışmada, transfer öğrenme ve hassas ayar çalışmaları başarısızdı. CNN ve ResNet tabanlı sığ ağları içeren son çalışma %71 F skoru ile umut verici olmuştur.
Endüstriyel Ortamlarda Enerji Hasatlayan Çoğul Ortam Kablosuz Algılayıcı Ağları
(Abdullah Gül Üniversitesi, Fen Bilimleri Enstitüsü, 2020) Tekin, Nazlı; Güngör, Vehbi Çağrı
Sert kanal koşullarına sahip olan Endüstriyel Kablosuz Algılayıcı Ağ'larda (EKAA), enerji verimli ve güvenilir kablosuz iletişim sağlamak büyük önem taşımaktadır. Ağ güvenirliğini sağlarken aynı zamanda ağın ömrünü uzatmak da zor bir problemdir. Bu çalışmanın amacı, EKAA'ların ömrünün eniyilenmesidir. Bunu yaparken, endüstriyel ortamlar için uygun olan iç mekan güneş, termal ve titreşime dayalı Enerji Hasatlama (EH) yöntemleri tanımlanmış ve bunların ağ ömrüne katkıları araştırılmıştır. Uygulama güvenilirliğini ve EH yöntemlerini birlikte değerlendirerek, ağ ömrünü eniyilemek için yeni bir Karma Tamsayılı Programlama (KTP) modeli formüle edilmiştir. Ayrıca, Kablosuz Çoğul Ortam Algılayıcı Ağ'larında (KÇOAA) iletişim, büyük veri boyutu nedeniyle fazladan enerji tüketimine sebep olur. Bu nedenle, büyük veri boyutunu iletimden önce azaltmak önemli hale gelir.Bu amaçla, iletişim ve enerji dağıtım hesaplamalarını dikkate alırken, sıkıştırıcı algılama ve görüntü sıkıştırma gibi veri boyutu küçültme yöntemlerinin endüstriyel ağ ömrü üzerindeki etkisi değerlendirilir. Öte yandan, özellikle çok sayıda algılayıcılar bulunduran ağlar için KTP modelini uygun bir zamanda çözmek bir hayli zordur. KTP'nin zaman karmaşıklığı sorununun üstesinden gelmek için sezgisel tabanlı yöntemler geliştirilmiştir.
Gen İfade Miktarı Verisi Analizi için Yinelemeli Öbek Eliminasyon Yöntemlerinin İyileştirilmesi
(2024) Kuzudişli, Cihan; Güngör, Burcu
Yeni teknolojilerle üretilen biyolojik verilerin giderek artan boyutluluğunun neden olduğu hesaplama ve yorumlama güçlükleri önemli bir zorluk oluşturmaktadır. Özellik seçimi (FS) yöntemleri boyutu azaltmayı amaçlar ve özellik gruplaması, özellikler arasında güçlü korelasyonları tespit etmeyi ve ilgisiz özellikleri belirlemeyi amaçlayan FS teknikleri için bir temel olarak ortaya çıkmıştır. Bu tezde, gözetimli bir bağlamda özellik gruplandırmasını kullanan yöntemler geliştirilmiştir. Başlangıçta farklı kümeleme algoritmalarının SVM-RCE üzerindeki etkilerini test ettik ve K-means ile en iyi performansı gözlemledik. Geliştirilen ilk yöntem olan Öbek İçi Özellik Eleme ile Yinelemeli Öbek Eleme (RCE-IFE) yönteminde, her öbek azaltma adımında hem öbek hem de öbek içi eleme yinelemeli olarak gerçekleştirilir. Deneysel bulgularımız, RCE-IFE'nin güçlü bir sınıflandırıcı performansı sağladığını ve özellik ilgisini ve tutarlılığını korurken özellik boyutunu önemli ölçüde azalttığını göstermektedir. İkinci geliştirilen Gruplama – Puanlama – Model (G-S-M) tabanlı çalışma olan G-S-M_Rep'de, hastalık gruplarını oluşturmak için ön bilgileri kullanıyoruz ve her grubu temsil edecek en iyi özellikleri seçiyoruz. Bu temsili özellikler model tarafından kümülatif bir şekilde öğrenilir. Sonuçlar G-S-M_Rep'in az sayıda özellikle tatmin edici bir model performansına ulaştığını göstermektedir. Sonuç olarak, bu tez özellik gruplandırmaya dayalı yöntemleri sunmakta ve özellik azaltma yeteneğini, sınıflandırma performansını, özellik alaka düzeyini ve özellik tutarlılığını iyileştirmeye odaklanmaktadır.
Genetik ve Enfeksiyon Hastalıklarının Tespiti için Makine Öğrenmesi Yöntemleri
(Abdullah Gül Üniversitesi, Fen Bilimleri Enstitüsü, 2024) Işık, Yunus Emre; Aydın, Zafer
Completion of the whole human genome in the 2003 has led to various advances in many fields, particularly in biology, genetics, health sciences, treatment, and pharmacology. In the following years, spread of faster and cheaper sequencing technologies has enabled us to extract and analyze genetic profiles of individuals digitally. Consequently, individual-specific forecasting and personalized treatment and precision medicine-, what once seemed like science fiction, have become more and more real. In both approaches, one of the crucial steps is identifying the presence of diseases using individual-specific genetic data. This thesis aims to comprehensively and comparatively evaluate the predictive performance of machine learning methods for Behçet's disease and respiratory infections. Additionally, feature selection methods were employed to identify the genetic factors (such as SNPs and genes) associated with disease presence for both diseases. Furthermore, the usability of selected features depending on biological pathway-driven active subnetworks listed in the literature was analyzed for the prediction of Behçet's disease. For the respiratory infection prediction problem, on the other hand, the prediction performance of features calculated by single-sample gene set enrichment analysis (ssGSEA) was evaluated using different machine learning methods. As the data types used in both experiments were different (genome-wide association studies data, gene expression profiles), the performance of machine learning approaches on different data types was also observed. It is hoped that the findings of both experiments will contribute to future machine learning based disease prediction studies.
Görüntü Tanıma Tabanlı Gökyüzü Kamerası Entegrasyonunu Kullanarak Sezgisel Vektörize Öğrenme Yöntemine Dayalı PV Tahmini
(Abdullah Gül Üniversitesi, Fen Bilimleri Enstitüsü, 2023) Yavuz, Levent; Önen, Ahmet
In order to ensure the continuity of demand and production balance, the use of renewable energy resources (RES) by countries will increase in the near future. Solar power generation is important for the integration of renewable energy into the power grid, but it can cause problems in power systems due to the uncertain and intermittent nature of solar power. Deep learning methods provide promising results in solar energy prediction, but the performance of these models depends on the initial weights assigned to the network. In this thesis, a novel weight initialization method, the Heuristic Vectorised Learning method, which takes into account certain characteristics of solar generation data has been proposed. This method aims to achieve better accuracy in solar forecasting by combining a statistical approach with a method based on deep learning. The method was compared with other commonly used methods such as Xavier, LeCun, He and Random, and it was seen that the proposed method performed better. Overall, the proposed weight initialization method provides significant benefits for solar forecasting applications in the context of renewable energy integration into the power grid. So, to reach higher accuracy, monitoring the sky is the best option for intra-day forecasts. Therefore, a hybrid model was created for photovoltaic generation prediction by using it together with environmental sensor data. The proposed method and panel shading model achieve higher accuracy values at the Abdullah Gül University campus in Kayseri. The proposed system provides a reliable PV energy forecast for the intraday energy markets.
Hastalık Tahmini ve Biyobelirteçlerin Tespiti için Makine Öğrenim Modellerinin Tasarımı ve Geliştirilmesi
(Abdullah Gül Üniversitesi, Fen Bilimleri Enstitüsü, 2024) Temiz, Mustafa; Güngör, Burcu; Yousef, Malik
In medical science, the prediction of diseases and the identification of biomarkers play an important role in the diagnosis and treatment of various health conditions. The recent proliferation of data mining techniques has accelerated the development of disease prediction systems. In particular, machine learning methods are an effective way to analyze medical data and identify patterns to predict the likelihood of the disease development. Machine learning methods also help to identify biomarkers. Recently, the increasing incidence and mortality rates of inflammatory bowel disease, colorectal cancer and type 2 diabetes have drawn researchers' attention to these research areas. The aim of this thesis is to reduce the number of features and improve the prediction performance of machine learning based on complex biological datasets with a large number of disease-related features, as well as to identify potential biomarkers. In this thesis, three different studies are presented. The first study predicts eleven different cancer subgroups using miRNA data and biological domain knowledge and identifies potential biomarkers for these diseases. The second study predicts three different diseases using metagenomic data and biological domain knowledge and identifies potential biomarkers. The third study uses metagenomic data related to colorectal cancer to conduct global and population-based comprehensive experiments with traditional feature selection methods to identify potential biomarkers. This thesis presents a promising avenue for early disease detection, facilitating expedited treatment protocols, improving human survival rates, and potentially alleviating economic burdens within these critical research domains.
Histopatoloji Görüntülerinden Bilgisayar Destekli Kanser Tespiti
(Abdullah Gül Üniversitesi, Fen Bilimleri Enstitüsü, 2023) Taşdemir, Sena Büşra Yengeç; Yılmaz, Bülent; Aydın, Zafer
Detecting colon adenomatous polyps early is crucial for reducing colon cancer risk. This thesis investigated various deep learning approaches for computer-aided diagnosis of colon polyps on histopathology images using deep learning. The thesis addressed key challenges in polyp classification, including differentiating adenomatous polyps from non-adenomatous tissues and multi-class classification of polyp types. Initially, a histopathology image dataset is collected and refined from Kayseri City Hospital. The first study used stain normalization algorithms and an ensemble framework for binary classification, achieving 95% accuracy on the custom dataset and 91.1% and 90% on UnitoPatho and EBHI datasets, respectively. The second study implemented a tailored version of the supervised contrastive learning model for multi-class classification, outperforming state-of-the-art deep learning models with accuracies of 87.1% on custom dataset and 70.3% on UnitoPatho dataset. The third study proposed a self-supervised contrastive learning approach for utilizing all data in cases of limited labeled images. This approach achieved better performance than transfer learning with ImageNet pre-trained models. In conclusion, this PhD thesis investigated deep learning approaches for computer-aided diagnosis of colon polyps on histopathology images, demonstrating high accuracy in binary and multi-class classification, outperforming state-of-the-art models. These findings contribute to improving colon polyp classification accuracy and efficiency, ultimately facilitating the early detection and prevention of colon cancer.
Kanserin Moleküler Mekanizmalarını Aydınlatmak için Multi-Omik Verilerin Entegrasyonu: Meme Kanseri Alt Tip Tanımlaması Üzerine Bir Vaka Çalışması
(2023) Yazıcı, Miray Ünlü; Güngör, Burcu
Gelişmiş genomik ve moleküler profilleme teknolojileri, kanser gelişimi ve ilerlemesinin arkasındaki düzenleyici mekanizmaların aydınlatılmasını hızlandırmış ve hedefe yönelik tedavilerin geliştirilmesini kolaylastırmıştır. Bu bağlamda, omik veri türleri arasındaki olası sistematik bağlantıların ve bunların tümör ilerlemesine katkılarının çözümlenmesi oldukça önemlidir. Bu tezde, meme kanserinde (BRCA) genomik ve epigenetik faktörlerin aydınlatılması, hastalık mekanizmalarının ortaya çıkarılması için çoklu omik veri analizine dayanan makine öğrenimi (ML) tabanlı bütünleştirici yaklaşımlar geliştirilmiştir. Bu bütünleştirici yaklaşımlar, gen ifadesi (mRNA), mikroRNA (miRNA) ve metilasyon verilerinden gelen bilgileri birleştirmektedir. Önerilen yöntemler, teşhis ve prognozu içeren hastalık mekanizmaları arasındaki boşluğu kapatmayı amaçlamaktadır. İlk çalışmamızda (3Mint), omik biyobelirteç gruplarının tespiti yoluyla gen seçimini iyileştirmek için biyolojik bilgiyi kullanarak grupların oluşturulmasını ve puanlanmasını gerçekleştirmeyi amaçlıyoruz. İkinci çalışmada (3Mont), yeni geliştirilen pro-gruplama ve önemli belirteçlerin puanlanması bileşenleri ile seçilen özellikler, makine öğrenmesi model geliştirme aşamasında kullanılmaktadır. Sonuç olarak bu tez çalışması, metilasyon verisini 2'li omik veriye (miRNA ve mRNA) dahil ederek daha az biyobelirteç ile BRCA moleküler alt tiplerinin benzer performans metrikleri ile sınıflandırılmasını amaçlamaktadır.
Kolon Polipleri için Kolonoskopi ve Histopatoloji Görüntülerinden Yapay Zekâ Destekli Prognostik Belirteç Tespiti
(2023) Doğan, Refika Sultan; Yılmaz, Bülent
Dünya Sağlık Örgütü'nün 2023 yılı istatistiklerine göre kolorektal kanser dünya çapında en sık görülen üçüncü kanser türüdür ve tüm kanser vakalarının yaklaşık %10'unu oluşturmaktadır. Çoğu kolon kanseri, kolon mukozasında anormal hücre çoğalması sonucu oluşan poliplerle başlar. Kolon polipleri neoplastik ve neoplastik olmayan olarak iki türe ayrılır ve neoplastik polipler kanser potansiyele sahiptir. Kolonoskopi poliplerin tespitinde en yaygın kullanılan yöntemdir. Kolonoskopun ucundaki aletle poliplerin tespit edilip çıkarılması (polipektomi) mümkündür. Çıkarılan poliplerin neredeyse tamamının Hematoksilen ve Eozin (H&E) boyalı doku slaytları hazırlanıp patologlar tarafından mikroskop altında incelenir. Belirsizlik durumunda, kansere özgü önemli antijen (protein) ekspresyonlarını göstermek için immünohistokimyasal (İHK) analizler yapılır. Bu tezde dört ana çıktı elde edildi: İlk olarak, kolonoskopi videoları ve görüntüleri/kareleri kullanılarak polip tipi/alt tipi, evresi ve malignite potansiyelinin otomatik olarak belirlenmesi ve patoloji raporları ile İHK analiz sonuçlarının etiket olarak kullanılması araştırıldı. İkinci olarak kolonoskopi görüntülerinden, patoloji raporundan ve İHK analiz sonuçlarından elde edilen özellikler kullanılarak histopatoloji görüntülerinden kolon poliplerinin otomatik karakterizasyonu incelendi. Üçüncüsü, kanser potansiyeli gösterebilecek polip tipi/alt tipi, evresi ve olası prognostik özellikler (biyobelirteçler) istatistiksel yaklaşımlar kullanılarak analiz edildi. Son olarak Ki-67 (klon 30-9), CD34 (klon QBend/10), p53 (klon bp53-11), BRAF (klon V600E) , VEGF (klon SP125) ve PD-L1 (klon SP142) belirteçlerine ait 400'den fazla polipin kolonoskopi ve histopatoloji görüntülerini, polip tipini, lokasyonunu, evresini ve IHC analiz sonuçlarını içeren kapsamlı bir veri tabanı oluşturuldu ve bu veri tabanı oluşturuldu. açık kaynak kodlu bir depo olarak bilim camiasıyla paylaşılmaktadır.
Makine Öğrenmesi Tabanlı Ağ Anomali Tespiti
(Abdullah Gül Üniversitesi, Fen Bilimleri Enstitüsü, 2024) Hacılar, Hilal; Güngör, Burcu; Güngör, Vehbi Çağrı
Intelligent technologies have led to a significant rise in internet users and applications. However, this rise in internet usage has also brought serious security challenges. Organizations rely on Network Intrusion Detection systems (NIDS) to protect sensitive data from unauthorized access and theft. To enhance the capabilities of IDS, Machine Learning (ML) and Deep Learning (DL) techniques have been increasingly integrated into these systems. In this context, anomaly-based network intrusion detection surpasses other detection mechanisms significantly in several instances. These systems analyze network traffic to detect suspicious activities, such as attempted breaches or cyberattacks. However, existing studies lack a thorough assessment of class imbalances, feature selection and extraction methods, hyperparameter optimization, and classification performance for different types of network intrusions: wired, wireless, and Software Defined Networking (SDN). Additionally, existing methods may achieve high accuracy; they may suffer from high training times, low detection rate (DR), and computational complexity. By combining metaheuristics and neural networks, it is possible to solve complex optimization problems that are challenging to solve using conventional methods. To address these challenges, this thesis study first evaluates different network intrusion datasets, such as wired, wireless, and SDN, together, considering class imbalance, feature selection, and hyperparameter optimization tasks. Secondly, it proposes a novel hybrid approach combining Deep Autoencoder (DAE) and Artificial Neural Network (ANN) models trained by a parallel Artificial Bee Colony (ABC) algorithm with Bayesian hyperparameter optimization.
Makine Öğrenmesi Yöntemleriyle Antimikrobiyal Peptit Aktivite Tahmini
(Abdullah Gül Üniversitesi, Fen Bilimleri Enstitüsü, 2023) Söylemez, Ümmü Gülsüm; Güngör, Burcu
Antimicrobial peptides (AMPs) are considered as promising alternatives to conventional antibiotics in order to overcome the growing problems of antibiotic resistance. Computational prediction approaches receive an increasing interest to identify and design the best candidate AMPs prior to the in vitro tests. In this thesis, using the multiple properties of the peptides we aimed to develop machine learning approaches that can predict the antimicrobial activities of the peptides. We have created two datasets for the peptides showing antimicrobial activity against Gram-negative and against Gram-positive bacteria separately. In our first study, ten different physico-chemical properties of the peptides were calculated, and used as features of the peptides. Following the data exploration and data preprocessing steps, a variety of classification models were build with 100-fold Monte Carlo Cross-Validation; and the performance of these models were evaluated. In the second study, we proposed a novel method called AMP-GSM. The method was tested for three datasets, and the prediction performance of AMP-GSM was comparatively evaluated with several feature selection methods and several classifiers. In the last study, using motif matching score with the models of activity against Gram-positive and Gram-negative bacteria, we created novel peptides and predicted the target selectivity of these peptides. The studies presented in this thesis advance the field of computational research by making it easier to predict the possible antimicrobial effects of peptides and to design AMPs in wet laboratory environments.
Medikal Termal Görüntülerin Otomatik Olarak İşlenmesi ve Sınıflandırılması
(Abdullah Gül Üniversitesi, Fen Bilimleri Enstitüsü, 2022) Özdil, Ahmet; Yılmaz, Bülent
The aim of this dissertation is to develop computer aided methods for processing and evaluating medical infrared thermal images. Throughout this study three problems were evaluated. The first problem was to automatically classify the body part and pose in the thermal images. In this study there were four classes; upper-lower body parts with back-front views. The first step included the segmentation of the background with Otsu's thresholding method applying histogram equalization. Next, DarkNet-19 architecture was used to extract features from images and these features were reduced using PCA and t-SNE methods. Finally reduced feature sets were used for classification. The second problem was to automatically classify liver steatosis from using thermal images. In this study, the classification problem was tested on an anatomical region of interest from abdominal images corresponding to the liver. Deep learning and texture analysis methods were employed for feature extraction, and then the selected feature sets were used for classification. The third problem was to quantify thermograms of multiple sclerosis (MS) patients for better assessment of the disease and monitoring the therapy. Thermal images of two patients and a healthy control from lower limbs were evaluated during experiments, and localized quantification of the effect of MS on the feet of the patients using thermal images method was proposed. The proposed method was fully correlated with the evaluations of physician. It is shown that medical thermal imaging has high potential in many fields of medicine as a non-invasive method for pre-diagnosis and follow-up.
Merkezi Olmayan Elektronik Sağlık Kaydı Yönetim Sistemi ve Makine Öğrenmesi Yöntemleri ile Hastalık Tahmini
(Abdullah Gül Üniversitesi, Fen Bilimleri Enstitüsü, 2024) Dedetürk, Beyhan Adanur; Güngör, Burcu
Electronic health records (EHRs) are vital to the advancement of healthcare and can help detect and prevent diseases early. However, EHR sharing faces challenges such as managing large data volumes, ensuring data privacy, security, and interoperability. This thesis aims to develop and analyze a blockchain-based EHR sharing system for disease prediction mechanism integration using SysML. The AguHyper platform, built by merging the InterPlanetary File System (IPFS) with Hyperledger Fabric, ensures the immutability of health records by storing hash values in the blockchain and encrypted records in IPFS. The system architecture and implementation configurations, including CouchDB and the Raft consensus mechanism, are thoroughly examined. The study also presents a novel hybrid approach called CSA-DE-LR, which integrates Differential Evolution (DE) and Clonal Selection Algorithm (CSA) with Logistic Regression (LR) to improve LR weights for precise categorization of cardiovascular diseases. The integration of the AguHyper with the CSA-DE-LR is explained in detail. At the end of our performance evaluations, we concluded that the AguHyper model has the potential to speed up the process of collecting and sharing data, and it offers an efficient platform for the participants.
Nesnelerin İnterneti Tabanlı Araç Tipi Sınıflandırma ve Ağ Anomalisi Tespiti için Makine Öğrenmesi Yaklaşımları
(Abdullah Gül Üniversitesi, Fen Bilimleri Enstitüsü, 2024) Kolukısa, Burak; Güngör, Vehbi Çağrı
This thesis presents innovative approaches in the realms of Intelligent Transportation Systems (ITS) and Network Intrusion Detection Systems (NIDS) within the Internet of Things (IoT). Leveraging IoT technologies, a low-cost, battery-operated 3-D magnetic sensor has been developed for ITS to enable the classification of vehicle categories. The research presents machine learning and deep learning models that are improved by using oversampling, feature selection and extraction methods, hyperparameter optimization, and converting signals into 2-D images. New methods have been proposed for vehicle type classification to boost classification performance and achieve an accuracy of up to 92.92%. Additionally, the increasing reliance on IoT devices for such applications introduces significant cybersecurity risks. To mitigate these vulnerabilities, a novel logistic regression model trained with a parallel artificial bee colony (LR-ABC) algorithm has been proposed for network anomaly detection. This model incorporates hyperparameter optimization to enhance detection capabilities, showcasing superior performance on popular benchmark NIDS datasets with accuracies of 88.25% and 90.11%. Overall, this research contributes to the advancement of IoT and IoT cybersecurity by offering robust, scalable, and efficient solutions. These innovations not only enhance vehicle type classification and network security in the IoT era but also pave the way for future IoT infrastructure development in an increasingly connected digital landscape.
Protein Yapı Tahmini için Derin Öğrenme Modellerinin Geliştirilmesi
(Abdullah Gül Üniversitesi, Fen Bilimleri Enstitüsü, 2022) Görmez, Yasin; Aydın, Zafer
The three-dimensional structure of a protein provides important clues about the function of that protein. Although there have been many studies on protein structure prediction, the problem has still not been solved completely. As it is very difficult to predict the three-dimensional structure of a protein directly, predictions of structural properties of proteins such as secondary structure, solvent accessibility, and torsion angles are carried out first, which are later used as inputs to more elaborate structure estimation tasks. In this thesis, novel deep learning models have been developed by using convolutional neural networks (CNN), graph convolutional networks (GCN) and long-short-term memory (LSTM) recurrent neural networks to predict secondary structure, solvent accessibility and torsion angles of proteins. A rich feature set formed by using PSI-BLAST, HHBlits, physicochemical properties, structural profile matrices, AA index values, and graphs representing the relationship between amino acids were used as inputs to the models. In the first study, a deep learning model was developed by using CNN and GCN layers for secondary structure prediction. In the second study, LSTM layers were added to the first model, which was extended to make solvent accessibility and torsion angle predictions as well using the multi-task learning approach. In both studies, graphs were generated using neighborhood relations between amino acids. In the last study, a novel U-net-based model was designed for secondary structure prediction using CNN, GCN, and LSTM layers. The graph matrices used as input to GCN layers were obtained by using protein contact map prediction. All models were trained, optimized and tested on benchmark data sets. Improvements were obtained in accuracy as compared to the state-of-the-art
Su Altı Sensör Ağları için Enerji Verimli İstikrarlı ve Güvenli Bir Haberleşme Tasarımı
(2023) Uyan, Osman Gökhan; Güngör, Vehbi Çağrı
Sualtı Akustik Sensör Ağları (UASN'ler), geniş uygulama yelpazesi ve gelişmekte olan teknolojisi nedeniyle son zamanlarda bilim insanlarının ilgisini çekmektedir. UASN'lerdeki bir tasarım zorluğu, sensörlerin sınırlı pil kaynağı ve su altı ortamındaki zorlu kanal koşullarının neden olduğu sınırlı ağ ömrü ve zayıf güvenilirliktir. Ayrıca, sensörler gizli dinleme saldırılarına karşı gizlenmesi gereken hassas veriler iletebilir. Belirli bir iletim istikrarı seviyesini korumak için, bu çalışmada paket çoğaltma ve çok yollu yönlendirme yöntemi önerilmiştir. Ancak bu yöntemler gizli dinleme saldırılarını daha kolay hale getirmektedir. Veri güvenliği için kriptografik şifreleme en çok bilinen yöntemlerdendir. Ancak, şifreleme fazladan enerji tüketen ve ağ ömründe azalmaya neden olan ekstra hesaplamalara ihtiyaç duyar. Gizli dinlemeye karşı şifreleme ile birlikte bir karşı önlem olarak, verinin parçalanması ve farklı yollar üzerinden parçalar halinde iletilmesi bu tezde önerilmiştir. Bu zorlukları ele almak adına, çok yollu yönlendirme, paket çoğaltma, şifreleme ve veri parçalamanın ağ ömrü üzerindeki etkilerini analiz etmek için bir optimizasyon çerçevesi geliştirilmiştir. Ancak, önerilen optimizasyon modelinin çözüm süresi oldukça yüksektir ve bazen uygulanabilir çözümler üretememektedir. Bu amaçla, bu çalışmada, optimizasyon modellerine tamamlayıcı yöntemler olarak sualtı düğümlerinin enerji tüketimlerini tahmin etmek için farklı regresyon ve sinir ağı yöntemleri önerilmiştir. Performans değerlendirmeleri, önerilen yöntemlerin oldukça doğru tahminler verdiğini ve UASN'lerde enerji tüketimi tahmini için kullanılabileceğini göstermektedir.
Trafik Yoğunluğu Tahmini için Derin Öğrenme Modelleri
(Abdullah Gül Üniversitesi, Fen Bilimleri Enstitüsü, 2024) Çini, Nevin; Aydın, Zafer
In the last 50 years, with the growth of cities and increase in the number of vehicles and mobility, traffic has become troublesome. As a result, traffic flow prediction started to attract attention as an important research area. However, despite the extensive literature, traffic flow prediction still remains as an open research problem, specifically for long- term traffic flow prediction. Compared to the models developed for short-term traffic flow prediction, the number of models developed for long-term traffic flow prediction is very few. Based on this shortcoming, in this study, we focus on long-term traffic flow prediction and propose a novel deep ensemble model (DEM). In order to build this ensemble model, first, we developed a convolutional neural network (CNN), a long short term memory (LSTM) network, and a gated recurrent unit (GRU) network as deep learning models, which formed the base learners. In the next step, we combine the output of these models according to their individual forecasting success. We use another deep learning model to determine the success of the individual models. Our proposed model is a flexible ensemble prediction model that can be updated based on traffic data. To evaluate the performance of the proposed model, we use a publicly available dataset. Numerical results show that our proposed model performs better than individual deep learning models (i.e., LSTM, CNN, GRU), selected traditional machine learning models (i.e., linear regression (LR), decision tree regression (DTR), k-nearest-neighbors regression (KNNR) and other ensemble models such as random-forest-regression(RFR).

Browse

Browsing Doktora Tezleri by Subject "Bilgisayar Mühendisliği Bilimleri-Bilgisayar Ve Kontrol"