Bilgisayar Mühendisliği Bölümü Koleksiyonu
Permanent URI for this collectionhttps://hdl.handle.net/20.500.12573/203
Browse
2 results
Search Results
Research Project Kablosuz Sualtı Algılayıcı Ağlarında Katmanlar Arası İletişim Ve Fırsatçı Spektrum Erişimi(TUBİTAK, 2018) Güngör, Vehbi Çağrı; Tuna, GürkanDünyamızın üçte ikisinden fazlası sularla kaplıdır. Denizlerden, göllerden ve_x000D_ nehirlerden oluşan sualtı dünyası doğal kaynaklar (petrol, doğalgaz ve değerli mineraller)_x000D_ bakımından oldukça zengin olup insanoğlu tarafından henüz tam olarak keşfedilememiştir._x000D_ Son yıllarda, bilimsel, çevresel, ticari ve askeri uygulamalarda kullanılmak üzere kablosuz_x000D_ sualtı algılayıcı ağların geliştirilmesi ve gerçekleştirilmesi noktasında endüstride ve_x000D_ akademide olağanüstü artan bir hızda ilgi olmuştur. Günümüzde sualtı algılayıcı ağlarının_x000D_ deprem izleme, denizbilim veri toplanması, felaket yönetimi, çevresel kirliliğin gözlemlenmesi,_x000D_ güvenli gemi seyri, çoklu ortam taktik izleme vb. alanlarda çeşitli uygulamaları bulunmaktadır._x000D_ Bununla birlikte, sualtı akustik ortamı güvenilir ve etkin kablosuz iletişim için ciddi zorluklar_x000D_ yaratmaktadır. Bu bağlamda, güvenilir ve etkin sualtı iletişimin sağlanması için özgün bir_x000D_ iletişim sistemi gerekmektedir._x000D_ Bu projede, kablosuz sualtı algılayıcı ağlarının ortak problemleri olan yayılım_x000D_ gecikmesinin yüksek ve değişken olması, sualtı kanal kapasitesinin yere, zamana ve_x000D_ frekansa bağlı olarak ciddi şekilde değişiklik göstermesi ve kablosuz sualtı algılayıcı_x000D_ düğümlerinin çok sınırlı enerjiye sahip olması gibi problemlerin adreslenmesi için konum_x000D_ farkında Katmanlar arası İletişim ve Fırsatçı Spektrum Erişim (Kİ-FSE) sistemi_x000D_ önerilmektedir. Geliştirilen Kİ-FSE sistemi kaynakları kısıtlı sualtı elemanları için geleneksel_x000D_ iletişim katman modelinde uygulama katmanından fiziksel katmana kadar iletişim_x000D_ katmanlarının yükünü azaltacak ve performanslarını geliştirecek tam bir katmanlar arası_x000D_ çözümdür. Ayrıca, Kİ-FSE sistemi sualtı ortamında etkin spektrum kullanımını sağlamak için_x000D_ fırsatçı spektrum erişim tekniklerinden faydalanmaktadır._x000D_ Genel olarak, bu projenin nihai sonucu sualtı ortamları için özgün katmanlar arası ve_x000D_ fırsatçı spektrum erişim esasına dayanan iletişim protokollerinin geliştirilmesi için gerekli_x000D_ metotların ve temel kavramların ortaya konmasıdır. Sonuç olarak; bu projenin kariyer ve_x000D_ eğitimsel faydalarına ilaveten, bu projenin sonuçlarıyla mümkün kılınabilecek sağlam ve_x000D_ geniş ölçekli sualtı algılayıcı ağları sualtı dünyasının bilimsel, çevresel, ticari, askeri, vb._x000D_ amaçlar için kapsamlı keşfini başarmayı mümkün kılacak ve sualtında bulunan yeni doğal_x000D_ kaynakların (petrol, doğal gaz, vb.) sualtı algılayıcı ağları tarafından keşfedilmesine önayak_x000D_ olacaktırConference Object Citation - Scopus: 1Man-Hour Prediction for Complex Industrial Products(Institute of Electrical and Electronics Engineers Inc., 2023) Unal, Ahmet Emin; Boyar, Halit; Kuleli Pak, Burcu Kuleli; Cem Yildiz, Mehmet; Erten, Ali Erman; Güngör, Vehbi Çağrı; Pak, Burcu Kuleli; Cagri Gungor, VehbiAccurately predicting the cost is crucial for the success of complex industrial projects. There can be several sources contributing to the cost. Traditional methods for cost estimation may not provide the required accuracy and speed to ensure the success of the project. Recently, machine learning techniques have shown promising results in improving cost estimation in various industrial products. This study investigates the performance of gradient-boosting machine learning models and feature engineering techniques on a private dataset of metal sheet project man-hour costs. A comparison of distinct models is conducted, key aspects influencing cost are identified, and the implications of incorporating domain-specific knowledge, including its advantages and disadvantages, are assessed based on performance outcomes. Experimental results demonstrate that LightGBM and XGBoost outperform other models, and feature selection and synthetic data generation techniques improve the performance. Overall, this study highlights the potential of machine learning in metal sheet sampling projects and emphasizes the importance of feature engineering and domain expertise for better model performance. © 2024 Elsevier B.V., All rights reserved.