Anomaly detection in diverse sensor networks using machine learning
Çeşitli sensör ağlarında makine öğrenimi ile anomali tespiti
- Tez No: 709559
- Danışmanlar: PROF. DR. ORHAN ARIKAN
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Deprem analizi, Derin öğrenme, Küresel konumlandırma sistemleri, Makine öğrenmesi, İyonküre, Earthquake analysis, Deep learning, Global positioning system, Machine learning, Ionosphere
- Yıl: 2022
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Deprem öncül tespiti, insan hayatını kurtarma potansiyeline sahip olan en eski araştırma alanlarından biridir. Yapılan son çalışmalar, güçlü sismik aktivitelerin ve depremlerin iyonosferin elektron dağılımını etkilediğini göstermiştir. İyonosferdeki bu etkiler, Küresel Konum Belirleme Sistemlerinin uydu pozisyonu verileri kullanılarak ölçülebilen, Toplam Elektron İçeriği (TEİ) üzerinde açıkça gözlemlenmektedir. Bu tezde, çeşitli deprem öncül tespit teknikleri önerilmiş, önerilen bu tekniklerin öncül tespit başarımları farklı sensör ağlarından elde edilen TEİ verileri üzerinde irdelenmiştir. İlk olarak, Türkiye ve çevresinde meydana gelmiş 5 şiddeti üzerindeki depremlerin öncüllerinin tespit edilmesi amacıyla, model tabanlı bir deprem öncül tespit tekniği önerilmiştir. TEİ değişimleri kullanılarak deprem öncül tespit ve TEİ güvenilirlik sinyalleri oluşturulmuştur. Oluşturulan bu sinyallerin eşiklendirilmesi ile deprem öncülü kararları elde edilmiştir. Elde edilen deprem öncülü kararları üzerinde Parçacık Sürüsü Optimizasyonu (PSO) tekniği kullanılarak deprem öncül tespitleri üretilmektedir. Başarım değerlendirmeleri, önerilen tekniğin Richter ölçeğinde 5 şiddeti üzerinde meydana gelmiş 23 depremden 14 tanesine ait öncülleri doğru tespit ederken 8 yanlış öncül kararı verdiğini göstermektedir. İkinci olarak, İtalya ve çevresinde meydana gelmiş 4 şiddeti üzerindeki depremlerin öncüllerinin tespit edilmesi amacıyla, makine öğrenimi tabanlı bir deprem öncül tespit tekniği olan EQ-PD önerilmiştir. Sismik aktivitenin olduğu zamanlara ait TEİ değişim istatistikleri kullanılarak, uzaysal ve uzay-zamansal anomali tespit eşikleri elde edilmiş ve öncül kararlarının oluşturulması amacıyla, TEİ değişimi tabanlı anomali tespit sinyaline uygulanmıştır. Elde edilen uzaysal ve uzay-zamansal öncül kararları, deprem öncül tespitlerinin oluşturulması için Destek Vektör Makinesi (DVM) sınıflandırıcısına beslenmiştir. EQ-PD tekniğinin deprem öncül tespit performansı incelendiğinde, tekniğinin 24 deprem öncülünden 22'sini doğru tespit ederken 147 sismik aktivite olmayan günde 13 yanlış alarm ürettiği gözlemlenmiştir. Son olarak, Anadolu bölgesinde meydana gelmiş 5.4 şiddeti üzerindeki depremlerin öncüllerinin tespit edilmesi amacıyla, derin öğrenme tabanlı bir deprem öncül tespit tekniği olan DL-PD önerilmiştir. DL-PD tekniği uzay-zamansal Küresel İyonosferik Harita (KİH)-TEİ veri kestirimi kabiliyetine sahip bir yapay sinir ağı kullanmaktadır. KİH -TEİ kestirimleri ve KİH -TEİ ölçümleri karşılaştırılarak, KİH -TEİ anomali skorları elde edilmiştir. Deprem öncül tespitleri KİH -TEİ anomali skorlarının eşiklendirilmesi ile oluşturulmuştur. Öncül tespit başarımları incelendiğinde, DL-PD tekniğinin 7 deprem öncülünden 5'ini doğru tespit ederken 416 sismik aktivite olmayan günde 1 yanlış alarm ürettiği gözlemlenmiştir.
Özet (Çeviri)
Earthquake precursor detection is one of the oldest research areas that has the potential of saving human lives. Recent studies have enlightened the fact that strong seismic activities and earthquakes affect the electron distribution of the ionosphere. These effects are clearly observable on the ionospheric Total Electron Content (TEC) that shall be measured by using the satellite position data of the Global Navigation Satellite System (GNSS). In this dissertation, several earthquake precursor detection techniques are proposed and their precursor detection performances are investigated on TEC data obtained from different sensor networks. First, a model based earthquake precursor detection technique is proposed to detect precursors of the earthquakes with magnitudes greater than 5 in the vicinity of Turkey. Precursor detection and TEC reliability signals are generated by using ionospheric TEC variations. These signals are thresholded to obtain earthquake precursor decisions. Earthquake precursor detections are made by using Particle Swarm Optimization (PSO) technique on these precursor decisions. Performance evaluations show that the proposed technique is able to detect $14$ out of $23$ earthquake precursors of magnitude larger than $5$ in Richter scale while generating $8$ false precursor decisions. Second, a machine learning based earthquake precursor detection technique, EQ-PD is proposed to detect precursors of the earthquakes with magnitudes greater than 4 in the vicinity of Italy. Spatial and spatio-temporal anomaly detection thresholds are obtained by using the statistics of TEC variation during seismically active times and applied on TEC variation based anomaly detection signal to form precursor decisions. Resulting spatial and spatio-temporal anomaly decisions are fed to a Support Vector Machine (SVM) classifier to generate earthquake precursor detections. When the precursor detection performance of the EQ-PD is investigated, it is observed that the technique is able to detect 22 out of 24 earthquake precursors while generating 13 false precursor decisions during 147 days of no-seismic activity. Last, a deep learning based earthquake precursor detection technique, DL-PD is proposed to detect precursors of the earthquakes with magnitudes greater than 5.4 in the vicinity Anatolia region. The DL-PD technique utilizes a deep neural network with spatio-temporal Global Ionospheric Map (GIM)-TEC data estimation capabilities. GIM-TEC anomaly score is obtained by comparing GIM-TEC estimates with GIM-TEC recordings. Earthquake precursor detections are generated by thresholding the GIM-TEC anomaly scores. Precursor detection performance evaluations show that DL-PD shall detect 5 out of 7 earthquake precursors while generating 1 false precursor decision during 416 days of no-seismic activity.
Benzer Tezler
- Topluluk öğrenmeli destek vektör veri tanımlaması yöntemi ile hiperspektral görüntülerin sınıflandırılması
Hyperspectral image classification based on ensemble support vector data description method
FARUK ŞÜKRÜ USLU
Doktora
Türkçe
2017
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HERMAN SEDEF
- Social media data valuation model for disaster incidence mapping
Sosyal medya verilerinin afet olaylarının haritalanması için değerlendirme modeli
AYŞE GİZ GÜLNERMAN GENGEÇ
Doktora
İngilizce
2020
Şehircilik ve Bölge Planlamaİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. HİMMET KARAMAN
- Payload-based network intrusion detection using LSTM autoencoders
LSTM özkodlayıcılar ile ağ yükü tabanlı ihlal tespiti
SELİN COŞAN
Yüksek Lisans
İngilizce
2020
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. SÜLEYMAN SERDAR KOZAT
- A multi-objective approach to cluster ensemble selection problem
Kümeleme topluluğu seçimi problemine çok amaçlı yaklaşım
DİLAY AKTAŞ
Yüksek Lisans
İngilizce
2019
Endüstri ve Endüstri MühendisliğiOrta Doğu Teknik ÜniversitesiYöneylem Araştırması Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BANU LOKMAN
DOÇ. DR. TÜLİN İNKAYA
- Data-driven delay estimation and anomaly detection: A study on European and Turkish air traffic
Veri güdümlü gecikme tahmini ve anomali tespiti: Avrupa ve Türkiye hava trafiği üzerine bir çalışma
MUHAMMET AKSOY
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
DR. EMRE KOYUNCU