Geri Dön

Sinir ağı modelleme yöntemleri kullanarak tei verileri ile durağan ve dinamik bölgesel iyonosfer haritalarının oluşturulması

Static and dynamic regional ionosphere mapping with tec data by using neural network based methods

PDF İndir

  1. Tez No: 216726
  2. Yazar: MELİKE GÜRÜN
  3. Danışmanlar: Y.DOÇ.DR. ATİLA YILMAZ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Neural Network, ionosphere mapping, Multilayer Perceptron, TEC
  7. Yıl: 2007
  8. Dil: Türkçe
  9. Üniversite: Hacettepe Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Özet yok.

Özet (Çeviri)

Ionospheric mapping is an important tool to understand better the ionosphere and to improve diversity of application in radio-propagation. Ionosphere structure?s short term and long term alternation, confusion and corruption can be observed by analysing the Total Electron Content (TEC). Since TEC values can be estimated only for a limited and mostly sparsely distributed number of receiving stations, a suitable interpolation representing the nature of ionosphere is necessary. Neural Network (NN) provides an approximation for any non-linear function in predetermined error margin and becomes a powerful alternative for a certain regional ionosphere model. In this study, two types of NN, namely, multilayer perceptrons (MLP) and Recurrent Network (RN) with Real Time Recurrent Learning (RTRL) are implemented for modeling TEC distribution. MLP networks with backpropagation are extensively used for modeling non-linear processes in static manner. RN is a dynamic network with internal feedback and time variations can be included in network. The input parameters of the MLP are latitude and longitude information of stations, while the output parameter is TEC data. Firstly, the approximation capabilities of different MLP structures using backpropagation algorithm are studied on artificially produced different 2D surfaces. Parameters of MLP affecting the performance have been determined by using previously obtained simulation data. After choosing suitable network structures, real data obtained from GPS stations were used for regional ionosphere mapping by MLP networks. The input parameters of the RN with RTRL are measured TEC values in a definite time interval, the output parameter is the predicted TEC. MLP and RN structures are used for obtaining ionosphere map by using TEC data which are obtained by D-TE?I method and supplied by International Reference Ionosphere (IRI).

Benzer Tezler

  1. Tez No

    753040

    Lifelong learning for auditory scene analysis

    İşitsel sahne analizi için hayat boyu öğrenme

    BARIŞ BAYRAM

    Doktora

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GÖKHAN İNCE

  2. Tez No

    856275

    Design and deployment of deep learning based fuzzy logicsystems

    Derin öğrenme tabanlı bulanık sistemlerin geliştirilmesi ve uygulanması

    AYKUT BEKE

    Doktora

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TUFAN KUMBASAR

  3. Tez No

    948910

    Multi-objective aerodynamic shape optimization of helicopter nose

    Helikopter burnunun çok hedefli aerodinamik şekil optimizasyonu

    YİĞİT CAN ÖZDEMİR

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Makine Mühendisliğiİstanbul Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SERTAÇ ÇADIRCI

  4. Tez No

    955617

    Swarm fighter aircraft control with deep reinforcement learning approach

    Derin pekiştirmeli öğrenme ile sürü savaş uçaklarının kontrolü

    METİN SARI

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Uçak Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. FİKRET ÇALIŞKAN

  5. Tez No

    847190

    Prediction of COVID 19 disease using chest X-ray images based on deep learning

    Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini

    ISMAEL ABDULLAH MOHAMMED AL-RAWE

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ADEM TEKEREK

Geri Dön