Geri Dön

Haberleşme ağlarında uç makine öğrenmesinin avantajları ve robotik el ağında tutma tahmini uygulaması

Advantages of edge machine learning in communication networks and grasp prediction application in robotic hand network

PDF İndir

  1. Tez No: 763051
  2. Yazar: EMRE BACANLI
  3. Danışmanlar: PROF. DR. HACI İLHAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: Yıldız Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Haberleşme Bilim Dalı
  13. Sayfa Sayısı: 108

Özet

Günümüzde ve gelecekte 5G teknolojisi ile birçok alanda kullanılabilecek nesnelerin interneti (Internet of Things, IoT) teknoloji ile birçok cihaz internete bağlanma yeteneğine sahip olmuştur. Bu cihazların en temel özelliği ağ üzerinden veri alma ve gönderme fonksiyonlarıdır. Bu sayede dünyanın dört bir yanından cihazlardan milyonlarca veri toplama kabiliyetine erişilecektir. Toplanılan bu veriler çoğunlukla makine öğrenmesi (Machine Learning, ML) algoritmaları kullanılarak anlamlandırılabiliyor. Ancak bu kadar fazla cihaz ve sunucuda oluşan veri trafiği haberleşme ağlarında çözülmesi gereken problemleri de beraberinde getirmektedir. Bunlardan en temel gereksinimler bant genişliği kullanımı, veri güvenliği ve gecikme sorunudur. Bu çalışmada ağ üzerinden veri transferini ML algoritmaları ile yapan cihazların ağ gerekmişlerinin Uç makine Öğrenmesi (Edge Machine Learning, Edge ML) algoritması kullanıldığında nasıl iyileştirebileceği açıklanmıştır. Üç parmaklı ve her parmağında üç ekleme sahip bir robot el yapısı referans IoT cihazı olarak kullanılmıştır. Birçok robot elin bir araya gelerek oluşturduğu ağda bu robot ellerin nesneyi kavrama tahmini simülasyon ortamında üretilmiş data seti kullanılarak merkezi olmayan uç ML algoritmalarından olan birleşik ortalama algoritması (Federated Averaging, Federated AVG) ve merkezi öğrenme olan ML algoritmaları kullanılarak sonuçları gösterilmiş ve kıyaslanmıştır. Federated AVG algoritması çok katmanlı algılayıcı (Multi Layer Perceptron, MLP) algoritması kullanılarak tasarlanmıştır. Bu tasarım farklı uç cihaz olduğu durumlar için sonuçları gösterilmiştir. Mevcut veri seti her durum için kullanıcı sayı oranınca eşit olarak bölünerek dağıtılmıştır. Cihaz sayısının yanı sıra global model değişimi için farklı iterasyon değerleri için sonuçlar elde edilmiştir ve karşılaştırılmıştır. Federated MLP algoritmasının sonuçlarını ML ile karşılaştırmak için, lojistik regresyon gradyan artırma makinesi (Gradient Boosting Machine GBM) hafif GBM (Light GBM) ve K-en yakın komşu (K-Nearest Neighbors, KNN) gibi sınıflandırma algoritmalarını veri setinden sağlamış olduğu başarı oranları elde edilmiştir.

Özet (Çeviri)

Today and in the future, many devices have the ability to connect to the internet with the Internet of Things (IoT) technology, which can be used in many areas with 5G technology. The most basic feature of these devices is the functions of receiving and sending data over the network. In this way, the ability to collect millions of data from devices from all over the world will be achieved. These collected data can mostly be interpreted using machine learning (ML) algorithms. However, the data traffic that occurs in so many devices and server bring with it problems that need to be solved in communication networks. The most basic requirements are bandwidth usage, data security and latency. In this study, it is explained how the network requirements of devices that transfer data over the network with ML algorithms can be improved when Edge Machine Learning (Edge ML) algorithm is used. A robot hand structure with three fingers and three joints in each finger was used as a reference IoT device. In the network formed by many robot arms, the results are shown and compared by using the data set produced in the simulation environment of the object grasp prediction of these robotic hand, using the combined Federated Averaging (Federated AVG), which is one of the decentralized end ML algorithms, and ML algorithms, which is central learning. The Edge ML Federated AVG algorithm is designed using the Multi-Layer Perceptron (MLP) algorithm. The results for cases where this design is different end device are shown. The existing data set is divided equally by the number of users for each situation. In addition to the number of devices, the results were obtained and compared for different iteration values for the global model change. In order to compare the results of the federated MLP algorithm with ML, the success rates of classification algorithms such as logistic regression gradient boosting machine GBM, light GBM and K-Nearest neighbors (KNN) from the data set were obtained.

Benzer Tezler

  1. Tez No

    847173

    Fake news classification using machine learning and deep learning approaches

    Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması

    SAJA ABDULHALEEM MAHMOOD AL-OBAIDI

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR

  2. Tez No

    770074

    Data-driven design and analysis of next generation mobile networks for anomaly detection and signal classification with fast, robust and light machine learning

    Hızlı, Sağlam ve Hafif Makine Öğrenmesi ile Anormallik Algılaması ve Sinyal Sınıflandırması için Yeni Nesil Mobil Ağların Veriye Dayalı Tasarımı ve Analizi

    MUHAMMED FURKAN KUCUK

    Doktora

    İngilizce

    İngilizce

    2022

    Elektrik ve Elektronik MühendisliğiUniversity of South Florida

    Haberleşme Ana Bilim Dalı

    DOÇ. DR. İSMAİL UYSAL

  3. Tez No

    39286

    Yapay sinir ağlarında öğrenme algoritmalarının analizi

    Analysis of learning algorithms in neural networks

    SEVİNÇ BAKLAVACI

    Yüksek Lisans

    Türkçe

    Türkçe

    1994

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    DOÇ.DR. LEYLA GÖREN

  4. Tez No

    854307

    Derin öğrenme tabanlı süper çözünürlük teknikleri kullanarak JPEG sıkıştırma kaybının iyileştirilmesi

    Recovering JPEG compression loss via deep learning-based super resolution techniques

    MUHAMMET BOLAT

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilişim Uygulamaları Ana Bilim Dalı

    PROF. DR. LÜTFİYE DURAK ATA

    DR. NURULLAH ÇALIK

  5. Tez No

    565495

    Aircraft detection from large scale remote sensing images with deep learning techniques

    Büyük ölçekli uzaktan algılama görüntülerinden derin öğrenme teknikleriyle uçak tespiti

    MEHMET SOYDAŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    İletişim Sistemleri Ana Bilim Dalı

    PROF. DR. ELİF SERTEL

Geri Dön