Derin ağ tabanlı özniteliklerle gazların sınıflandırılması ve konsantrasyon değerlerinin regresyon analizi
Classification of gases with deep network-based features and regression analysis of concentration values
- Tez No: 785735
- Danışmanlar: DOÇ. DR. SELDA GÜNEY
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Derin öğrenme, Elektronik burun, Evrişimli sinir ağları, Regresyon modelleri, Sınıflandırma, Uzun kısa süreli bellek, Öznitelik çıkarma, Deep learning, Electronic nose, Convolutional neural networks, Regression models, Classification, Long- short term memory, Feature
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Başkent Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Elektronik burun (e-burun), kimyasal sensör dizilimi ile biyolojik malzemelerden yayılan uçucu bileşikler üzerinde hassas ölçümler yaparak çeşitli özellikleri belirleyen, tanımlayan ve sınıflandıran elektronik algılama teknolojisine dayalı bir cihazdır. İnsan koku alma mekanizmasını taklit ederek çalışan bu sistemler, son yıllarda farklı alanlarda yaygın olarak kullanılmaktadır. E-burundaki önemli konulardan biri de farklı gazların farklı konsantrasyon değerlerinin tahmin edilmesidir. Gaz konsantrasyonlarının doğru bir şekilde tahmin edilmesi, hastalık tespiti gibi hassas konularda da çok önemli bir rol oynamaktadır. Bu çalışma, derin öğrenme (Deep Learning, DL) ağlarını kullanarak 4 adet metal oksit gaz sensörü tarafından tespit edilen etanol, metan, etilen ve karbon monoksit gazlarının konsantrasyon seviyelerinin ve değerlerinin sınıflandırma ve regresyon başarılarının artırılması amacıyla yapılmıştır. Gazların konsantrasyon seviyelerine göre sınıflandırma başarılarının karşılaştırılmasında ve belirli bir aralıktaki konsantrasyon değerlerinin tahmin başarılarının karşılaştırılmasında farklı yöntemler kullanılmıştır. Bu işlemlerin gerçekleştirilmesi için gaz verilerine ön işleme ve farklı öznitelik çıkarımı adımları uygulanmıştır. Bu çalışmanın odak noktası, öznitelik çıkarımı yapılmasında yeni yöntemler geliştirerek sınıflandırma ve regresyondan elde edilen başarının artırılmasıdır. Bu amaçla, iki yeni metodoloji önerilmiştir. Geliştirilen yöntemlerden birinde, derin öğrenme ağlarından biri olan Uzun Kısa-Süreli Bellek (Long Short-Term Memory, LSTM) ağlarının tam bağlantılı katmanından öznitelik çıkarımı yapılmış, çıkarılan öznitelikler sınıflandırma ve regresyonda kullanılmıştır. Önerilen diğer metodolojide ise LSTM ağının tam bağlantılı katmanından elde edilen veriler Zamansal Evrişimli Ağ (Temporal Convolutional Network, TCN) modeline giriş olarak uygulanmıştır ve bu TCN'nin tam bağlantılı katmanından elde edilen özniteliklerde sınıflandırma ve regresyon çalışmalarında kullanılmıştır (LSTMFCL-TCNFCL). Önerilen her iki yöntemin sonuçları geleneksel yöntemlere göre karşılaştırıldığında hem sınıflandırma hem de tahmin sonuçlarında iyileşme olduğu, başarının arttığı ve ortalama karesel hataların da önemli ölçüde azaldığı görülmektedir. Ayrıca, ön işleme aşamasında sinyal düzeltme uygulandığı zaman sonuçlarda dikkate değer bir şekilde artış olduğu da görülmektedir. Hem sinyal düzeltmenin uygulanması hem de geliştirilen yöntemlerle sonuçlarda iki taraflı bir iyileşme olması sağlanmıştır. Sınıflandırmada Destek Vektör Makinesi (Support Vector Machines, SVM) algoritması 94,7% ile en yüksek doğruluk oranını verirken, regresyonda ise en düşük ortalama karesel hatalar Gauss Süreci Regresyonu (Gaussian Process Regression, GPR) ile elde edilmiştir.
Özet (Çeviri)
Electronic nose (e-nose) is a device based on electronic sensing technology that determines, identifies and classifies various properties by making precise measurements on volatile components emitted from biological materials with a chemical sensor array. These systems, which work by imitating the human olfactory mechanism, have been widely used in different fields in recent years. One of the important issues in e-nose is the estimation of different concentration values of different gases. Accurate estimation of gas concentrations plays a crucial role in sensitive issues such as disease detection. This study was carried out to increase the classification and regression success of the concentration levels and values of ethanol, methane, ethylene and carbon monoxide gases detected by 4 metal oxide gas sensors using deep learning networks. Different methods was used to compare the classification successes of gases according to their concentration levels and to compare the estimation successes of concentration values in a certain range. In order to perform these operations, preprocessing and different feature extraction steps were applied to the gas data. The focus of this study is to increase the success of the classification and regression by developing new methods for feature extraction. For this purpose, two new methodologies have been proposed. In one of the developed methods, feature extraction was made from the fully connected layer of Long Short-Term Memory (LSTM) networks, which is one of the deep learning networks, and the extracted features were used in the classification and regression. In the other proposed methodology, the data obtained from the fully connected layer of the LSTM network was applied as an input to the Temporal Convolutional Network (TCN), and the features obtained from the fully connected layer of this TCN were used in classification and regression studies (LSTMFCL-TCNFCL). When the results of both proposed methods are compared with the traditional methods, it is seen that there is an improvement in both classification and estimation results, the success is increased and the mean squared errors are significantly reduced. In addition, it is seen that there is a remarkable increase in the results when signal correction is applied in the preprocessing stage. Both the application of signal correction and the developed methods have provided a bilateral improvement in the results. While the Support Vector Machine algorithm gave the highest accuracy rate with 94,7% in the classification, the lowest mean square errors in regression were obtained with the Gaussian Process Regression.
Benzer Tezler
- Güvenlik duvarı loglarının makine ve derin öğrenme ile sınıflandırılması ve açıklanabilir yapay zeka ile yorumlanması
Classification of firewall logs using machine and deep learning and interpretation with explainable artificial intellgence
FATMİR GARRİ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Uygulamalı Bilimler ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CEM ÖZKURT
- Real-time encrypted traffic classification with deep learning
Derin öğrenme ile gerçek zamanlı şifreli trafik sınıflama
DENİZ TUANA ERGÖNÜL
Yüksek Lisans
İngilizce
2021
Mühendislik BilimleriYeditepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ONUR DEMİR
- Hisse senedi fiyat tahmininde otokodlayıcı ve graf evrişimli ağının uygulanması
Application of autoencoder and graph convolutional network in stock price prediction
MAHMUT LUTFULLAH ÖZBİLEN
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. YUSUF YASLAN
- Deep learning model optimization for real-time smallobject detection on embedded gpus
Gömülü GPU'larda gerçek zamanlı küçük nesne tespiti için derin öğrenme model optimizasyonu
SHAROZE ALI
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Medipol ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. HASAN FEHMİ ATEŞ
- Deep learning based classification in through the wall microwave imaging
Duvar arkası mikrodalga görüntülemede derin öğrenme tabanlı sınıflandırma
GÜLÇİN YARIMAY
Doktora
İngilizce
2026
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. İBRAHİM AKDUMAN