Synthetic signal generation using time series clustering and conditional generative adversarial network
Zaman serileri kümeleme ve koşullu üretken düşman ağı kullanarak sentetik sinyal üretimi
- Tez No: 740957
- Danışmanlar: PROF. DR. MELİH GÜNAY
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Akdeniz Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 54
Özet
Son yıllarda, neredeyse tüm derin öğrenme uygulamaları için yapay veri kaçınılmaz bir ihtiyaç haline geldi. Veri üretimi üzerine yayınlanmış çalışmaların çoğu, ön işleme ve yeterli karakterizasyon olmaksızın sinyal üretimi için derin ağları kullanır. Bu nedenle, verileri düzgün bir şekilde özetlememek, sinyalin önemli yönlerinin dramatik bir şekilde kaybolmasına yol açar. Bu çalışmada, özgün verinin önemli özelliklerini içeren sinyal oluşturmak için genel bir yol öneriyoruz. Yaklaşımımız, sinyalleri gruplamak ve simüle etmek için zaman serisi kümeleme ve Üretken Düşman Ağları içerir. Çok küçük miktarda veriyle bile, model, veri setini etkili bir şekilde anlamlı kümelere bölebilir ve ilgili kümeyle yüksek monotonik ilişkilere sahip sinyaller üretebilir. Son olarak, ön işleme için kullanılan farklı zaman serisi kümeleme tekniklerinin deneysel sonuçlarını rapor ediyoruz ve hem sentetik hem de gerçek veriler için farklı yaklaşımların sonuçları istatistiksel olarak karşılaştırıyoruz.
Özet (Çeviri)
In recent years, artificial data became inevitable need for almost any of the deep learning applications. Most of the published works on data generation uses deep networks for signal generation without preprocessing and adequate characterization. Therefore, not properly summarizing data leads to dramatic loss of key aspects of the signal. In this study, we propose a generic way for creating signal that includes important features of the authentic data. Our approach involves time series clustering and Generative Adversarial Networks for grouping and simulating signals. Even with the very small amount of data, the model can effectively split data set into meaningful clusters and generates signals that have high monotonic associations to corresponding cluster. We finally report on experimental results of different time series clustering techniques used for preprocessing and the outcomes of different approaches are compared statistically for both synthetic and real data.
Benzer Tezler
- Analysis and modeling of crustal deformation using InSAR time series along selected active faults within the Africa-Eurasia convergence zone
Afrika-Avrasya sıkışma zonu içerisindeki seçilmiş aktif faylar boyunca meydana gelen kabuk deformasyonunun incelenmesi ve modellenmesi
ESRA ÇETİN
Doktora
İngilizce
2015
Jeoloji Mühendisliğiİstanbul Teknik ÜniversitesiJeoloji Mühendisliği Ana Bilim Dalı
DOÇ. DR. ZİYADİN ÇAKIR
PROF. DR. MUSTAPHA MEGHRAOUI
- Robot hücresi içerisinde yapay zekâ ve görüntü işleme tabanlı parça besleme kontrolü
Artifical intelligence and image processing-based part feeding control in a robot cell
ENESALP ÖZ
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMED KÜRŞAD UÇAR
- EEG sinyallerinden derin öğrenme ile sentetik sinyal üretme
Producing synthetic signals from EEG signals with deep learning
HÜSEYİN YILMAZ
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiSiirt ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MELİH KUNCAN
- İkinci nesil sayısal video yayını (DVB-S2) ileri hata kodlama birimi tasarımı ve gerçeklemesi
Design and implementation of forward error correction unit for second generation digital video broadcasting (DVB-S2)
ŞAKİR BALTA
Yüksek Lisans
Türkçe
2013
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. MESUT KARTAL
- Markov ve Gibbs rastlantı alan modelleri ile doku sentezleme ve sınıflandırma
Texture synthesis and classification using Markov and Gibbs random field models
ERDOĞAN CAMCIOĞLU
Yüksek Lisans
Türkçe
1990
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiPROF. DR. ERDAL PANAYIRCI