Doktora Tezleri

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

Browse

Filters

2020 - 202522

Settings

Department: search.filters.department.Fen Bilimleri Enstitüsü / Elektrik ve Bilgisayar Mühendisliği Ana Bilim DalıLanguage: search.filters.language.en

Search Results

Now showing 1 - 10 of 22
  • Doctoral Thesis
    IPMSM’in HF Sinyal Enjeksiyonu ve Kayan Kipli Gözlemci Tabanlı Sensörsüz Kontrolü
    (2024) Ateş, Ertuğrul; Tekgün, Burak; Barut, Murat
    Bu çalışmada, gömülü mıknatıslı senkron makinede (GMSM) genişletilmiş elektromotor kuvveti (GEMK), rotor pozisyonu ve rotor hızının gerçek zamanlı kestirimi için faz kilitli döngü (FKD) ile birleştirilmiş yüksek frekans (YF) gerilim sinyali enjeksiyonuna dayalı bir kayma modlu gözlemci (KMG) tanıtılmaktadır. Bu yaklaşım, özellikle düşük hızlarda ve durma anında rotor pozisyonu ve hız kestirimlerinde zorlanan geleneksel KMG ve FKD tekniklerinin sınırlamalarını ele almak üzere tasarlanmıştır. GMSM kontrolünde bu durumlar, rotor pozisyonu tespiti için kritik olan zıt EMK sinyallerinin zayıflama veya belirsiz hale gelme eğiliminde olması nedeniyle önemli zorluklar ortaya çıkarır, bu da geleneksel yöntemler kullanıldığında yanlış kestirimlere yol açar. Bu sorunları çözmek için önerilen KMG, makineyi uyararak motorun gerçek hızına daha az bağımlı olan belirgin GEMK sinyalleri üreten YF gerilim enjeksiyonundan yararlanır. Bu yenilik, sıfır veya sıfıra yakın hızlarda dahi tutarlı ve gürültüye dayanıklı GEMK kestirimine olanak tanıyarak rotor pozisyonu ve hızının doğru şekilde kestirilmesi için bir temel oluşturur. FKD, bu GEMK kestirimlerini rafine ederek rotorun hız ve pozisyon bilgilerinin hassas bir şekilde elde edilmesini sağlar. GEMK sinyaliyle stabil bir faz kilidini koruyarak, FKD gürültüyü filtreler ve rotor pozisyonu ve hız ölçümlerinin doğruluğunu artırır. Bu temel üzerine, önerilen KMG-FKD kombinasyonunu kullanarak GMSM için sensörsüz hız kontrol sistemi geliştirdik ve uyguladık. Gerçek zamanlı sistem, düşük hız ve durma durumları dahil olmak üzere geniş bir çalışma aralığında test edilmiştir. 8 kutuplu, 0,4 kW'lık bir GMSM motorundan elde edilen deneysel sonuçlar, önerilen yöntemin geleneksel KMG ve FKD tekniklerine kıyasla üstün verimlilik ve sağlamlığını doğrulamaktadır.
  • Doctoral Thesis
    EEG Sinyallerinden Disfaji Hastalığının Karakteristiklerinin Belirlenmesi ve Analizi
    (2025) Aslan, Sevgi Gökçe; Yılmaz, Bülent
    Disfaji, genellikle nörolojik hastalıklarla ilişkilendirilen ve özellikle yaşlı bireylerde yaşam kalitesini olumsuz yönde etkileyen bir yutma bozukluğudur. Bu çalışma, EEG verileri kullanılarak yutma ve yutmayı hayal etme süreçlerinin nörofizyolojik analizini yapmayı ve bu verilerin disfaji rehabilitasyonunda nasıl kullanılabileceğini araştırmaktadır. Otuz adet sağ elini kullanan birey üzerinde gerçekleştirilen deneylerde, doğal yutma, indüklenmiş tükürük yutma, indüklenmiş su yutma ve indüklenmiş dil dışarı çıkarma gibi farklı deneysel paradigmalar kullanılmıştır. Verilerin ön işlenmesinde Bağımsız Bileşen Analizi (ICA), Empirik Mod Ayrıştırma (EMD), bant geçiren filtreleme ve Ortak Uzamsal Desen (CSP) analizi gibi teknikler uygulanmıştır. Bu ön işleme yöntemleri, EEG verilerindeki gürültüyü azaltarak daha doğru bir analiz sağlamak amacıyla kullanılmıştır. Geleneksel makine öğrenmesi teknikleri ve derin öğrenme yöntemleriyle yapılan sınıflandırma görevlerinde, dinlenme ve hayal etme evreleri arasındaki farklar belirgin bir şekilde ayrılmıştır. Random Forest, AdaBoost ve Bagging gibi topluluk tabanlı algoritmaların yanı sıra, derin öğrenme yöntemlerinden Konvolüsyonel Sinir Ağları (CNN) da uygulanmıştır. Ayrıca, çok ölçekli mekânsal dikkat ağı (MS-SAN) modeli, özellikle delta ve teta frekans bantlarında hareketi hayal etme ile dinlenme durumları arasındaki nörofizyolojik farkları yüksek doğrulukla ayırt etmiştir. Sonuçlar, hareketi hayal etme ve dinlenme evrelerinin EEG verileriyle tespit edilmesinin disfaji tedavisinde ve motor rehabilitasyon uygulamalarında büyük bir potansiyel taşıdığını göstermektedir. Bu çalışma, EEG tabanlı beyin-bilgisayar arayüzleri (BBA) teknolojilerinin, makine öğrenimi ve derin öğrenme yöntemlerinin disfaji rehabilitasyonundaki potansiyelini vurgulamakta ve bu alandaki araştırmaların klinik uygulamalar açısından önemini ortaya koymaktadır. Anahtar kelimeler: Elektroensefalografi, Makine Öğrenmesi, Derin Öğrenme, BBA, Yutkunma
  • Doctoral Thesis
    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.
  • Doctoral Thesis
    Su Altı Dalgıç Pompa Uygulamaları için Doğrudan Yol Vermeli Relüktans Motorunun Sistematik Olarak Tasarım Optimizasyonu ve Gerçeklemesi
    (Abdullah Gül Üniversitesi, Fen Bilimleri Enstitüsü, 2022) Tekgün, Didem; Alan, İrfan
    Considering the electric drive systems constitute roughly 40% of global energy production, improving electric machine efficiencies provides important nationwide and global scale advantages. Among the electric motors used in the industry, a major portion of them are pump motors used for pumping underground waters and petroleum products. Especially the motors for submersible pump applications run at very low-efficiency levels because of the motor design issues and wrong selection of motor-pump configurations. Due to the features like robustness, low cost, and line start capability, induction machines (IM) are generally the first choice for pump applications. However, IMs work with low efficiency, especially at low and medium power levels. Line start synchronous reluctance machines (LS-SynRM) come to the scene as a reasonable alternative by having the line start capability and not having rare earth permanent magnets as well. The working principle of these machines is a combination of a reluctance machine and an IM. In LS-SynRM, a rotor cage is inserted in the rotor for the machine to start with the line voltage, but the rotor copper losses become zero when the machine operates at synchronous speed. Moreover, SynRMs have higher power and torque density. In this thesis study, it is aimed to reduce the overall cost of the submersible water pump system by designing and optimizing a LS-SynRM as a submersible pump motor with higher efficiency compared to conventional IMs. Increasing the efficiency of the pump motor used in industry will improve the overall system performance. Accordingly, it lowers energy and maintenance costs, and easy process control will be achieved. This way, while reducing energy consumption nationwide significantly, not only the natural resources will be protected, but also huge amounts of money will be saved.
  • Doctoral Thesis
    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.
  • Doctoral Thesis
    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.
  • Doctoral Thesis
    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.
  • Doctoral Thesis
    MRG Taramalarında Alzheimer Hastalığının Zaman Dağılımlı Sınıflandırılması
    (Abdullah Gül Üniversitesi, Fen Bilimleri Enstitüsü, 2024) Dündar, Mehmet Sait; Yılmaz, Bülent
    This thesis presents a comprehensive framework for studying Alzheimer's Disease (AD) progression by focusing on the classification of AD, Mild Cognitive Impairment (MCI), and Cognitively Normal (CN) individuals using advanced machine learning models that analyze changes in brain volumetrics over time through MRI scans. In the first phase of the research, MR images from the Alzheimer's Disease Neuroimaging Initiative database were utilized, which included sequences of 3-4 scans taken annually from 22 CN, 18 AD, and 20 MCI subjects. Key volumetric parameters such as cortical thickness and intracranial volumes were extracted using the CAT12 toolbox in SPM software. A novel classification method based on the rate of volumetric changes over time was employed, effectively capturing the progressive nature of neurological changes. This approach achieved accuracies of 82.5% in distinguishing AD from CN, 71% in differentiating MCI from AD, and 69% in separating MCI from CN, alongside a 55% accuracy in a three-way classification using random forest and support vector machines. Building on these initial insights, the second phase of the study significantly advanced the methodology by integrating a pre-trained 3D ResNet 101 CNN algorithm for initial spatial categorization of MRI scans, followed by the use of Long Short-Term Memory (LSTM) networks. These LSTMs processed the same sequences of 3-4 annual scans for each patient, enhancing the model's ability to analyze and interpret the temporal progression of volumetric changes. This sophisticated approach led to marked improvements in classification accuracy: 96.7% in differentiating AD from CN, 87.5% in distinguishing AD from MCI, and 86.4% in separating MCI from CN. The study effectively demonstrates a significant enhancement in capturing the temporal dynamics of AD progression.
  • Doctoral Thesis
    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.
  • Doctoral Thesis
    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.