Yapay sinir ağları ve K-en yakın komşu algoritması ile toprak çeşitliliğinin belirlenmesi
Determination of soil diversity with artificial neural networks and k nearest neighbor algorithm
- Tez No: 719158
- Danışmanlar: PROF. DR. OSMAN YILDIRIM
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: GprMax, Yere nüfuz eden radar, Yapay sinir ağları, k En Yakın Komşu Algoritması, GprMax, Ground Penetrating Radar, Artificial Neural Networks, K- Nearest Neighbor Algorithm
- Yıl: 2021
- Dil: Türkçe
- Üniversite: İstanbul Arel Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 69
Özet
Yer yüzeyinde gömülü yapıların tespiti için kullanılan yöntemlerden yere nüfuz eden radar (YNR) sistemleri başlıca askeri ve sivil alanlar olmakla birlikte birçok farklı alanda da kullanımı yaygın bir şekilde görülmektedir. YNR'ler manyetik dalganın iletilmesiyle birlikte yansıyan dalgaların algılaması ile tarama gerçekleştirirler. YNR'lerin bilgisayar ortamında modellemesi amacıyla geliştirilen gprMax, açık kodlu bilgisayar yazılımı olarak tasarlanmıştır. GprMax programının ürettiği A, B ve C tarama modelleri bulunmaktadır. Yere nüfuz eden radar sistemlerinde yer alan antenlerinin sabit bir konumdayken aldığı tek bir tarama modellemesinden elde edilen veriye A-tarama görüntüsü, A-taramaların farklı konumlardayken topladıkları kesitlerin toplamına ise B-tarama görüntüsü ifadeleri kullanılmaktadır. Yer yüzeyine gömülü bir yapının ya da herhangi bir cismin sınıflandırılması için az sayıda sınıflandırma örneklemesiyle birlikte bir nesnenin kategorisini doğru sınıflandırmak mümkün olmamaktadır. Başarı oranı yüksek bir sınıflandırma elde etmek için farklı eğitim örneklemelerine ihtiyaç duyulmaktadır. Toprak türünün (Ör: kuru kum) yapısına uygun başarılı bir sınıflandırıcı eğitimi gerçekleşse bile toprağın türündeki değişim sınıflandırıcının başarısız olmasına neden olabilir. Bu sonuç itibari ile çalışmada elde edilecek sınıflandırma türünde birçok veri türüyle birlikte (Ör: kuru kum, ıslak kum, nemli kum) kullanılıp eğitilmiştir. Bu çalışmada gprMax yazılımı yardımı ile yapay sinir ağları (YSA) ve K en yakın komşu algoritması ile modellemeler oluşturularak, tek bir toprak türünün sınıflandırmanın başarısız bir sınıflandırma türü olacağı ancak veri çeşitliliğinin artması sonucunda sınıflandırmanın daha iyi sonuçlar üretebileceği görülmüştür. Tez çalışması kapsamında kullanılan YSA ve k-NN modellemelerinde 3000 adet gprMax B-görüntüsü Matlab aracılığıyla analiz edilerek sonuçları girdi olarak kullanılmıştır. YSA modellemelerinde en uygun mimarinin belirlenmesi amacı ile istatiksel analizler gerçekleştirilmiştir. Bu analizde elde edilen veriler üç farklı eğitim ve test kategorisine ayrılmış, her bir kategori içinde üç farklı katman çeşidi bu katmanlar içinde ise üç farklı öğrenme algoritması, iki farklı aktivasyon fonksiyonu ile farklı sayılarda nöronlar kullanılarak modellemeler gerçekleştirilmiştir. K-NN modellemelerinde ise üç farklı veri seti ve tahmin olarak kategoriye ayrılmış, her bir kategori içinde beş farklı k komşuluk değeri belirlenmiştir. 270 adet farklı YSA modellemesi ile 15 farklı k-NN mimarisi arasında istatiksel analiz ve değerlendirmeler ile performans sonuçları karşılaştırılmıştır.
Özet (Çeviri)
Ground penetrating radar (GPR) systems, one of the methods used for the detection of buried structures on the ground surface, are mainly used in military and civilian areas as well as in many different areas. GPRs perform scanning by detecting the reflected waves along with the transmission of the magnetic wave. Developed for the modeling of GPRs in a computer environment, gprMax is designed as open-source computer software. There are A, B and C scanning models produced by the GprMax program. A-scan image is used for the data obtained from a single scan modeling when the antennas in ground penetrating radar systems are in a fixed position, and B-scan image expressions are used for the sum of the sections collected by A-scans when they are in different positions. It is not possible to classify the category of an object correctly with a small number of classification examples for the classification of a structure or any object buried on the ground surface. Different training samples are needed to obtain a classification with a high success rate. Even if a successful classifier training takes place in accordance with the structure of the soil type (e.g dry sand), a change in the type of soil may cause the classifier to fail. As a result, the classification type to be obtained in the study was used and trained with many data types (e.g dry sand, wet sand, moist sand). In this study, by creating models with artificial neural networks (ANN) and K nearest neighbor algorithm (k-NN) with the help of gprMax software, it has been seen that classification of a single soil type will be an unsuccessful classification type, but classification can produce better results as a result of increasing data diversity. In the ANN and k-NN models used within the scope of the thesis, 3000 gprMax B-images were analyzed via Matlab and the results were used as input. Statistical analyzes were conducted in order to determine the most suitable architecture in ANN models. The data obtained in this analysis were divided into three different training and testing categories, and modeling was conducted using three different types of layers within each category and three different learning algorithms, two different activation functions, and different numbers of neurons in these layers. In K-NN models, on the other hand, three different data sets and predictions were categorized, and five different k neighborhood values were determined in each category. Statistical analysis and evaluations and performance results were compared between 270 different ANN models and 15 different k-NN architectures.
Benzer Tezler
- Mezo ölçek model rüzgar şiddeti öngörü sonuçlarının yapay sinir ağları ve k en yakın komşu algoritması ile iyileştirilmesi
Artificial neural networks and k nearest neighborhood algorithm approach to improving wind speed prediction of the mesoscale forecast model results
DUYGU AKYIL
Yüksek Lisans
Türkçe
2019
Meteorolojiİstanbul Teknik ÜniversitesiMeteoroloji Mühendisliği Ana Bilim Dalı
PROF. DR. ŞÜKRAN SİBEL MENTEŞ
- OSAS hastaları ile sağlıklı bireylerdeki nabız geçiş sürelerinin makina öğrenmesi teknikleriyle sınıflandırılması
Classification of pulse transit times in healthy individuals with osas patients using the machine learning method
BEYZA NUR AKILOTU
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SEDA ARSLAN TUNCER
- Using data mining to reduce false positivies for pre-biopsy patients with moderate chance of having prostate cancer
Prostat kanseri olma olasılığı olan biyopsi öncesi hastalarda yanlış tanıyı azaltmak için veri madenciliği uygulaması
SELMİN DANIŞ
Yüksek Lisans
İngilizce
2003
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. İLKAY BODUROĞLU
- Machine learning techniques for surface electromyography based hand gesture recognition
Yüzey elektromiyografi temelli el jesti tanıma için makine öğrenmesi teknikleri
ENGİN KAYA
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
DOÇ. DR. TUFAN KUMBASAR
- Makine öğrenmesi teknikleri ile havacılıkta yakıt taşımacılığı kararının alınması ve bir uygulama
Decision-making in fuel tankering with machine learning techniques in aviation and its application
İLKER GÜVEN YILMAZ
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul ÜniversitesiEnformatik Ana Bilim Dalı
PROF. DR. SEVİNÇ GÜLSEÇEN
DR. ELİF KARTAL