Bilgisayar Mühendisliği Bölümü Koleksiyonu

Permanent URI for this collectionhttps://hdl.handle.net/20.500.12573/203

Browse

Filters

2016 - 201942020 - 20238

Settings

Has files: Yes

Search Results

Now showing 1 - 10 of 12
  • Research Project
    Zenginleştirilmiş Öznitelikler ve Makine Öğrenmesi Yöntemleriyle Protein Yerel Yapı Tahmini
    (TUBİTAK, 2017) Aydın, Zafer
    Projenin amacı proteinlerde bulunan ikincil yapı, dihedral açı ve çözücü erişilirlik gibi bir boyutlu yapısal özelliklerin başarılı olarak tahmin edilmesi ve bu tahminleri kullanarak parçacık seçimi yapan yeni bir yöntem geliştirilmesidir. Geliştirilen yöntemler sayesinde proteinlerin üç boyutlu yapısının daha doğru tahmin edilmesi, proteinlerin fonksiyonlarının daha iyi anlaşılması ve daha etkili ilaç tasarımı yapılması mümkün olacaktır. Bir boyutlu yapısal özelliklerin tahmini için yürütücünün daha önce geliştirdiği iki aşamalı hibrit sınıflandırma yöntemi kullanılmıştır. Bu yöntemde bulunan sınıflandırıcılar için dizi tabanlı profiller, yapısal profil matrisleri gibi çeşitli öznitelik vektörleri kullanılmıştır. İkinci aşamadaki sınıflandırıcı için destek vektör makinası, derin KSA, rastgele orman ve topluluk gibi çeşitli öğrenme yöntemleri eğitilmiş ve geliştirilen yöntemlerin tahmin başarı oranları standart veri kümelerinde incelenmiştir. Ayrıca bu aşamada derin otokodlayıcılar ve öznitelik seçme yaklaşımları ile boyut düşürme gerçekleştirilmiştir. Protein parçacık seçimi için verilen iki amino asit dizisi parçacığının yapısal olarak benzer olup olmadığının tahmin eden yöntemler geliştirilmiştir. Bunun için Rosetta programının parçacık veritabanında bulunan proteinlerden parçacık ikilileri örneklenmiş, bu ikililer BCScore yöntemi ile etiketlenmiş, eğitim ve test kümeleri oluşturulmuştur. Ayrıca farklı öznitelik kümeleri konsept hiyerarşi yaklaşımı ile kapsamlı olarak incelenmiş ve en başarılı sonucu veren öznitelik kombinasyonları tespit edilmiştir. Parçacık seçimi probleminde 3 ve 9 amino asitlik parçacıklar üzerinde çalışılmıştır ancak yöntemler diğer uzunluktaki parçacıklar için de kolaylıkla uygulanabilecektir. Projede geliştirilen yöntemler sayesinde ikincil yapı tahmin başarısı en zor tahmin kategorisinde %2.6 iyileşmiş, dihedral açı tahmin başarısı önemli oranda iyileşmiş, çözücü erişilirlik probleminde literatürdeki en başarılı yöntemler ile benzer bir seviye yakalanmıştır. Parçacık seçiminde ise verilen iki parçacığın yapılarının benzer olup olmadıkları 3-mer parçacıklar için %94 ve 9merler içinse %97 oranı ile tahmin edilmiştir. Yapılan çalışmaların neticesinde öznitelik vektörlerinin daha iyi tasarlanmasının ve farklı sınıflandırma yöntemlerinin birleştirilip optimize edilmesinin yapısal özellik tahmin başarısını önemli oranda iyileştirdiği sonucuna varılmıştır.
  • Article
    Sentiment Analizinde Öznitelik Düşürme Yöntemlerinin Oto Kodlayıcılı Derin Öğrenme Makinaları ile Karşılaştırılması
    (Gazi Üniversitesi, 2017) Kaynar, Oğuz; Aydın, Zafer; Görmez, Yasin
    -- Günümüz teknolojisinde internetin her kesim tarafından çok yoğun olarak kullanılmasından dolayı insanlar artık görüş, fikir ve hislerini sosyal paylaşım siteleri, forum, blog benzeri birçok ortam aracılığı ile paylaşmaya başlamıştır. Ancak her geçen gün artan veri sayısı ve boyutu, bu verilerden manuel olarak anlamlı bilgiler çıkartılmasını çok zahmetli ve pahalı bir iş haline getirmektedir. Otomatik olarak verinin duygu içerip içermediğinin saptanması ve bu duygunun olumlu, olumsuz veya tarafsız olma durumunun belirlenmesi duygu analizi yardımıyla gerçekleştirilmektedir. Duygu düşünce analizinde, konuşma dilinin karmaşıklığı, değerlendirilen metin sayısının fazlalığı ve uzunluğu, çok sayıda gereksiz ve gürültü içeren öznitelik vektörüne neden olmaktadır. Boyut problemi olarak adlandırılan bu durum hesaplama zamanın artmasına ve sınıflama hatalarına yol açmaktadır. Bu çalışmada ise bahsedilen problemlere çözüm olarak önerilen derin öğrenme tabanlı oto kodlayıcı (Autoencoder) modeli ile gürültü giderici oto kodlayıcı (Denoising Autoencoder) modeli boyut düşürme tekniği olarak kullanılmış ve literatürde yaygın olarak kullanılan diğer boyut düşürme teknikleri ile kıyaslanmıştır. Elde edilen tüm veri setleri için sınıflama algoritması olarak Destek Vektör Makinaları ve Yapay Sinir Ağları kullanan farklı modeller geliştirilmiştir. Yapılan analizlerin sonucunda, boyut düşürme tekniklerinin duygu analizi için elde edilen sonuçları iyileştirdiği, önerilen oto kodlayıcı modellerinin ise var olan tekniklere benzer ya da onlardan daha iyi sonuçlar aldığı gözlemlenmiştir
  • Research Project
    Kablosuz Sualtı Algılayıcı Ağlarında Katmanlar Arası İletişim Ve Fırsatçı Spektrum Erişimi
    (TUBİTAK, 2018) Güngör, Vehbi Çağrı; Tuna, Gürkan
    Dünyamızın 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_ olacaktır
  • Article
    Hydroponic Agriculture with Machine Learning and Deep Learning Methods
    (Gazi Mühendislik, 2023) Bulut,Nurten; Hacıbeyoğlu, Mehmet
    In the face of the rapidly increasing population of our world today, researchers have turned to studies that use existing resources more effectively and efficiently in addition to searching for new resources in order to meet the rapidly decreasing needs such as raw materials and nutrients. The use of hydroponic agriculture, which is one of the alternative methods that can be used to meet the need for nutrients, which is one of the greatest needs of humanity, has become more popular day by day. The use of nutrient solution water instead of soil, the fact that it is not affected by weather conditions, that it can be applied indoors and that it can be vertically oriented are the characteristics that make hydroponic agriculture different from other agricultural methods. In addition, the lack of soil in this agricultural method brings with it the need for more observation and supervision. The aim of this study is to show that the observation and surveillance needs necessary to increase yield in hydroponic agriculture can be achieved using machine learning and deep learning methods. For this purpose, it has been observed that the efficiency of hydroponic agriculture has been increased in experimental studies conducted using five machine learning and deep learning methods. The deep learning method has achieved better results with 99.7% success compared to other methods.
  • Conference Object
    Citation - Scopus: 1
    Man-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, Vehbi
    Accurately 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.
  • Article
    Citation - WoS: 15
    Citation - Scopus: 16
    Stacking Ensemble Learning-Based Wireless Sensor Network Deployment Parameter Estimation
    (Springer Heidelberg, 2023) Akbas, Ayhan; Buyrukoglu, Selim
    In wireless sensor network projects, it is generally desired to cover the area to be monitored at a given cost and to achieve the maximum useful network lifetime. In the deployment of the wireless sensors, it is necessary to know in advance how many sensor nodes will be required, how much the distance between the nodes should be, etc., or what the transmit power level should be, etc. depending on the channel parameters of the area. This necessitates accurate calculation of variables such as maximum network lifetime, communication channel parameters, number of nodes to be used, and distance between nodes. As numbers reach to the order of hundreds, calculation tends to a NP hard problem to solve. At this point, we employed both single-based and stacked ensemble-based machine learning models to speed up the parameter estimations with highly accurate outcomes. Adaboost was superior over other models (Elastic Net, SVR) in single-based models. Stacked ensemble models achieved best results for the WSN parameter prediction compared to single-based models.
  • Article
    Citation - WoS: 2
    Citation - Scopus: 9
    Human identification using palm print images based on deep learning methods and gray wolf optimization algorithm
    (SPRINGER, 2023-10-24) Alshakree, Firas; Akbas, Ayhan; Rahebi, Javad
    Palm print identification is a biometric technique that relies on the distinctive characteristics of a person’s palm print to distinguish and authenticate their identity. The unique pattern of ridges, lines, and other features present on the palm allows for the identification of an individual. The ridges and lines on the palm are formed during embryonic development and remain relatively unchanged throughout a person’s lifetime, making palm prints an ideal candidate for biometric identification. Using deep learning networks, such as GoogLeNet, SqueezeNet, and AlexNet combined with gray wolf optimization, we achieved to extract and analyze the unique features of a person’s palm print to create a digital representation that can be used for identification purposes with a high degree of accuracy. To this end, two well-known datasets, the Hong Kong Polytechnic University dataset and the Tongji Contactless dataset, were used for testing and evaluation. The recognition rate of the proposed method was compared with other existing methods such as principal component analysis, including local binary pattern and Laplacian of Gaussian-Gabor transform. The results demonstrate that the proposed method outperforms other methods with a recognition rate of 96.72%. These findings show that the combination of deep learning and gray wolf optimization can effectively improve the accuracy of human identification using palm print images.
  • Conference Object
    Citation - Scopus: 2
    Street Vendor Detection: Helping Municipalities Make Decisions With Actionable Insights
    (IEEE, 2021) Agba, Hatice Nur; Tahir, Abdullah
    Street vendors are quite common in countries across the world. By the prevalence of mobile surveillance systems, increasing demand for automatic detection of street vendors for further decisions and planning by the city administrators emerged. In this paper, an object detector is developed using a MobileNet SSD object detection algorithm to detect vendors on the street. For this study images were used, however, in the future this technique could be used for real time video footage from street cameras. Since this is the first study tackling this issue, a data set was created from scratch. The accuracy achieved by the algorithm is promising considering the size of the data set and the minimal computational power available. The goal of this research is to pave the way for more work to be done in this area and help municipalities improve their decision making process regarding street vendor activities in countries like Mexico, Pakistan, China, Turkey, etc.
  • Article
    Citation - WoS: 43
    Citation - Scopus: 54
    CBI4.0: A Cross-Layer Approach for Big Data Gathering for Active Monitoring and Maintenance in the Manufacturing Industry 4.0
    (Elsevier, 2021) Faheem, Muhammad; Butt, Rizwan Aslam; Ali, Rashid; Raza, Basit; Ngadi, Md Asri; Gungor, Vehbi Cagri
    Industry 4.0 (I4.0) defines a new paradigm to produce high-quality products at the low cost by reacting quickly and effectively to changing demands in the highly volatile global markets. In Industry 4.0, the adoption of Internet of Things (IoT)-enabled Wireless Sensors (WSs) in the manufacturing processes, such as equipment, machining, assembly, material handling, inspection, etc., generates a huge volume of data known as Industrial Big Data (IBD). However, the reliable and efficient gathering and transmission of this big data from the source sensors to the floor inspection system for the real-time monitoring of unexpected changes in the production and quality control processes is the biggest challenge for Industrial Wireless Sensor Networks (IWSNs). This is because of the harsh nature of the indoor industrial environment that causes high noise, signal fading, multipath effects, heat and electromagnetic interference, which reduces the transmission quality and trigger errors in the IWSNs. Therefore, this paper proposes a novel cross-layer data gathering approach called CBI4.0 for active monitoring and control of manufacturing processes in the Industry 4.0. The key aim of the proposed CBI4.0 scheme is to exploit the multi-channel and multi-radio architecture of the sensor network to guarantee quality of service (QoS) requirements, such as higher data rates, throughput, and low packet loss, corrupted packets, and latency by dynamically switching between different frequency bands in the Multichannel Wireless Sensor Networks (MWSNs). By performing several simulation experiments through EstiNet 9.0 simulator, the performance of the proposed CBI4.0 scheme is compared against existing studies in the automobile Industry 4.0. The experimental outcomes show that the proposed scheme outperforms existing schemes and is suitable for effective control and monitoring of various events in the automobile Industry 4.0.
  • Article
    Citation - WoS: 5
    Node-Level Error Control Strategies for Prolonging the Lifetime of Wireless Sensor Networks
    (IEEE-Inst Electrical Electronics Engineers Inc, 2021) Tekin, Nazli; Yildiz, Huseyin Ugur; Gungor, Vehbi Cagri
    In Wireless Sensor Networks (WSNs), energy-efficiency and reliability are two critical requirements for attaining a long-term stable communication performance. Using error control (EC) methods is a promising technique to improve the reliability of WSNs. EC methods are typically utilized at the network-level, where all sensor nodes use the same EC method. However, improper selection of EC methods on some nodes in the network-level strategy can reduce the energy-efficiency, thus the lifetime of WSNs. In this study, a node-level EC strategy is proposed via mixed-integer programming (MIP) formulations. The MIP model determines the optimum EC method (i.e., automatic repeat request (ARQ), forward error correction (FEC), or hybrid ARQ (HARQ)) for each sensor node to maximize the network lifetime while guaranteeing a pre-determined reliability requirement. Five meta-heuristic approaches are developed to overcome the computational complexity of the MIP model. The performances of the MIP model and meta-heuristic approaches are evaluated for a wide range of parameters such as the number of nodes, network area, packet size, minimum desired reliability criterion, transmission power, and data rate. The results show that the node-level EC strategy provides at least 4.4% prolonged lifetimes and 4.0% better energy-efficiency than the network-level EC strategies. Furthermore, one of the developed meta-heuristic approaches (i.e., extended golden section search) provides lifetimes within a 3.9% neighborhood of the optimal solutions, reducing the solution time of the MIP model by 89.6%.