Geri Dön

Using CNN based antennal lobe model to accelerate odor classification

Kokuların sınıflandırılmasının hızlandırılması için HYSA tabanlı antenal lobe modeli kullanımı

  1. Tez No: 292264
  2. Yazar: TUBA AYHAN
  3. Danışmanlar: DOÇ. DR. MÜŞTAK ERHAN YALÇIN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2010
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektronik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 87

Özet

Ses ve görüntü işaretlerinin sınıflandırılması gibi, bir sensör dizisi tarafından toplanan koku işareti de, güvenlik, gıda kalitesinin arttırılması, tıbbi gereklilikler ve benzeri amaçlara hizmet etmek için işlenebilir; kokular türlerine ve yoğunluklarına göre sınıflandırılabilir. Ancak kokuyu algılamak için kullanılan sensörlerin çalışma karakteristiği, sensör cevabının işlenmesinde ek tekniklere başvurulmasını zorunlu kılar.Kokuları sezmek ve işlemek için geliştirilen elektronik burunlarda sıkça kullanılan bir sensör cinsi olan metal oksit gaz sensörlerinin sabit bir çıkış değerine ulaşmaları dakikalar mertebesinde sürebilmektedir. Şimdiye kadar yapılan çalışmaların çoğunda hız önemli bir ölçüt olmadığından, sensör cevabının geçici rejiminde sınıflama işlemi üzerinde fazla durulmamıştır.Öte yandan biyolojik koku alma sistemlerine baktığımızda, koku alma reseptörlerinin sabit bir potansiyele oturması 100ms sürmekteyken, sınıflama işleminin 40ms içinde bitmesi bize koku reseptörlerinin cevabını geçici rejimde işleyen böceklerde antenal lob, omurgalılarda olfaktif bulb organlarının önemini göstermektedir.Bu tezde, koku sınıflandırma işleminin hızlandırılabilmesi için antenal lob hücresel yapay sinir ağı (HYSA) kullanılarak üç farklı topolojide modellenmiş, farklı senaryolarla (veri kümesi ve sınıflayıcı) test edilmiştir. Tüm modeller alışılmış bir HYSA'nın aksine, iki tip hücre içermektedir. Modellerden biri yerel komşuluklu tek katmanlı, biri iki katmanlı diğeri de dünya küçüktür fenomeniyle kurulmuş iki katmanlı topolojiye sahiptir. Ayrıca sensör sıcaklığının farklı sınıflayıcı ve öznitelikler için sınıflama başarısına olan etkisi de tartışılmıştır.

Özet (Çeviri)

Like classifying audio and visual signals, odor information collected by a sensor array can also be classified according to their densities or species and processed in order to be used in applications such as security, improving food quality and medical requirements. However, the working principle of odor detecting sensors requires additional processing in sensor response evaluationElectronic noses are used to detect and process odors and metal oxide gas sensor are widely used for detection. For metal oxide gas sensors, to settle on a stable value may take long time of minutes order. Timing is not an issue in most of the previous research, so classification on transient regime of the sensor response was not deeply considered.In addition, invested the biological olfaction system, time required for a odor receptor is around 100ms where time needed for decision is around 40ms. This fact tells the importance of the key role that antennal lobe in insects and olfactive bulb in vertebrates play.In this thesis, antennal lobe is modeled by cellular neural network (CNN) in three different topologies to accelerate the odor classification and these models are tested with different scenarios (data set and classifier). All the models employ two types of neurons opposite to usual CNN. One of the models has one layer with local couplings, one has two layers and the other has two layers built with small world phonemenon. Moreover, effect of sensor temperature on classification performance for different features and classifiers is investigated.

Benzer Tezler

  1. Doğadan esinlenen koku ve ikili görüye dayalı gerçek zamanlı bir gömülü sistem tasarımı

    A bio-inspired real time embedded system design based on olfaction and stereo vision

    SELMAN ERGÜNAY

    Yüksek Lisans

    Türkçe

    Türkçe

    2013

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MÜŞTAK ERHAN YALÇIN

  2. Makine öğrenmesi tabanlı anten seçimi ve fiziksel katman güvenliği

    Machine learning based antenna selection and physical layer security

    BURAK ERDURAK

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik Mühendisliğiİstanbul Medeniyet Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ FİLİZ GÜRKAN GÖLCÜK

  3. Derin öğrenme tabanlı yöntemler ile GPR görüntülerinde obje tespiti

    Object detection in GPR images with deep learning based methods

    ORHAN APAYDIN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Jeofizik Mühendisliğiİstanbul Teknik Üniversitesi

    Jeofizik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TURGAY İŞSEVEN

  4. Ground penetrating radar antenna design to detect buried object and signal processing with deep learning networks by usingnumerical electromagnetic methods

    Gömülü hedef tespit etmek için yere nüfuz eden radar anten tasarımı ve sayısal elektromanyetik yöntemler kullanarak derin öğrenme ağları ile sinyal işleme

    REYHAN YURT

    Doktora

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik MühendisliğiYıldız Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. HAMİD TORPİ

  5. Yapay zeka temelli derin öğrenme yöntemi ile 5G uyumlu mikroşerit anten tasarım ve uygulaması

    5G compatible microstrip antenna desing and application with artifical intelligence based deep learning method

    REŞİT KARAOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik Mühendisliğiİskenderun Teknik Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. YAKUP HAMEŞ

    DOÇ. DR. MEHMET ALİ BELEN