Design and deployment of deep learning based fuzzy logicsystems
Derin öğrenme tabanlı bulanık sistemlerin geliştirilmesi ve uygulanması
- Tez No: 856275
- Danışmanlar: DOÇ. DR. TUFAN KUMBASAR
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Kontrol ve Otomasyon Mühendisliği Bilim Dalı
- Sayfa Sayısı: 173
Özet
Son yıllarda, yenilikçi öğrenme yöntemleri, yeni katman yapıları ve gelişmiş işlem gücü için grafik kartlarının kullanılmasıyla Derin Öğrenme (DÖ) alanında önemli ilerlemeler kaydedildi. Bu ilerleme, çok sayıda gizli katman ve nöron içeren sinir ağı modellerinin eğitimine yol açmış, semantik bölümleme, nesne algılama ve sınıflandırma gibi çeşitli alanlarda çığır açmıştır. Derin Yapay Sinir Ağlarının (DYSA), makine öğrenimi ve yapay zeka uygulamalarında oldukça etkili olduğu kanıtlanmıştır. DYSA'lar, girdi verilerinin karmaşık özelliklerini yakalamalarına olanak tanıyan birden çok katmandaki özellikleri öğrenme yeteneği de dahil olmak üzere geleneksel makine öğrenimi tekniklerine göre avantajlar sunar. DYSA'lar, ileri geçiş ve geri yayılım yoluyla anlamlı özellikler çıkarır ve birçok görevde diğer yöntemlerden daha iyi performans gösterir. Sonuç olarak, DYSA'lar popülerlik kazandı ve ticari ve endüstriyel uygulamalarda yaygın olarak kullanıldı ve makine öğrenimindeki ilerlemelere katkıda bulundu. Bulanık Mantık Sistemleri (BMS'ler), son yıllarda çeşitli alanlarda ve uygulamalarda kullanılmıştır. BMS'ler dilbilimsel Bulanık Kümeler (BK'ler) ve bulanık kurallar kullanarak insan benzeri muhakeme ve karar verme süreçlerinin modellenmesini sağlar. Bu, doğrusal olmayan ve belirsiz dinamikleri etkili bir şekilde idare edebilen akıllı kontrol sistemlerinin geliştirilmesinde ilerlemelere yol açmıştır. Ayrıca, belirsiz verileri temsil etmek için BK'lerden yararlanarak görüntü işlemede BMS'ler uygulanmıştır. BMS'ler, güçlü görüntü analizi, örüntü tanıma ve görüntü anlama sağlayarak bilgisayar görüşü ve görüntü işleme uygulamalarındaki gelişmelere katkıda bulunur. Genel olarak, BMS'ler çeşitli dinamik sistemlerin ve belirsizliği yüksek veri kümelerinin modellenmesinde kapsamlı bir şekilde kullanılmıştır. Belirsizliği ele alma becerileri, gerçek dünya sistemlerindeki karmaşık ilişkileri ve belirsizlikleri yakalayan esnek ve yorumlanabilir bir modelleme yaklaşımı sağlar. Tip-1 BMS'ler (T1-BMS'ler) olarak bilinen geleneksel BMS'lerin belirsizliği temsil etmede bazen yetersiz kaldığı bilinmektedir. Bu probleme çözüm için, daha esnek bir temsil sunan Tip-2 Bulanık Kümeler (T2-BK'ler) alternatif olarak önerilmiştir. T2-BK'ler doğrusal olmayan ve belirsiz sistemleri daha iyi ifade edebilir ve T2-BMS'ler karmaşık problemlerin üstesinden gelmede daha iyi bir potansiyele sahiptir. Bununla birlikte, T2-BMS'leri öğrenmek, tasarım karmaşıklıkları ve bulanık kümelerle ilişkili parametreleri öğrenme ihtiyacı nedeniyle daha zorlayıcı bir problemdir. Aralık Değerli T2 BMS'lerin (ADT2-BMS'lerin) öğrenimi için, T1-BMS'lerde kullanılan klasik yöntemlerde olmak üzere, evrimsel algoritmaların veya YSA yaklaşımlarının kullanılmasında dahil olduğu farklı yaklaşımlar önerilmiştir. Bu yaklaşımlar, tasarım karmaşıklığını basitleştirmeyi ve T2-BMS'lerin performansını iyileştirmeyi amaçlar. Gelişmelere rağmen YSA'ları ve evrimsel algoritmaları T2-BKM'lerle entegre etmek T2-BMS'lerin parametre çokluğundan ve öğrenimlerindeki karmaşıklıktan dolayı oldukça zorlayıcıdır. Ayrıca, T2-BMS'lerde uğraşılan verinin boyutu ve artan parametre sayısı sebepleriyle mevcut yaklaşımlarla çözülmesi mümkün olmayan bazı zorluklar mevcuttur. Son araştırmalar, bu zorlukların üstesinden gelmek için BMS'leri ve DYSA'ları bir araya getirerek bu problemleri çözmeye odaklandı. Bu yaklaşım ile hem DYSA'ların genelleştirme yeteneklerinin güçlü yanlarından hem de mini-örneklemeli (mini-bacth) optimizasyon algoritmalarının gücünden yararlanan hibrit modellerin geliştirilmesine yol açtı. Bu tez çalışmasında, derin öğrenme tabanlı parametre öğrenme yöntemleri kullanılarak T2-BMS'lerin parametrelerinin öğrenilmesi için yeni bir yaklaşım önerilmiştir. Önerilen yaklaşım, kapsamlı veri setlerini ele almayı ve hem iyi bir tahmin doğruluğu hem de belirsizlikleri daha iyi ifade etme becerisine sahip modeller oluşturmayı amaçlamaktadır. Bu tez kapsamında spesifik olarak üç çalışma yapılmıştır: ilk çalışma (i)“Learning with Type-2 Fuzzy Activation Functions to Enhance the Performance of Deep Neural Networks”, ikinci çalışmada (ii),“More Than Accuracy: A Composite Learning Framework for Interval Type-2 Fuzzy Logic Systems”başlıklı bir yapı önerildi ve (iii) son çalışmada, Genel T2 BMS'ler (GT2-BMS) için“Towards Reliable Uncertainty Quantification and High Precision with General Type-2 Fuzzy Systems”olarak adlandırılan güvenilir belirsizlik ölçümü yöntemine sahip bir yöntem önerildi. İlk çalışmada (i), DYSA'ların öğrenme performansını artırmayı amaçlayan ADT2 Bulanık Aktivasyon Katmanı (ADT2-BAK) adlı yeni bir yöntemi tanıtıyoruz. ADT2-BAK, öğrenme yeteneklerini geliştirmek için DYSA yapısı içinde aktivasyon birimleri olarak kullanılan Tek girişli IT2 (TADT2) Bulanık Doğrultma Birimlerinden (BDB'lar) oluşur. TADT2-BDB yapısının kapalı biçimli bir temsilini bu tez çalışmasında sunduk ve bu yapının parametrelerinin girdi-çıktı eşlemelerinin oluşturulmasını nasıl etkilediğini anlamak için bir analiz yaptık. Araştırma bulguları, bu eşlemelerin ayarlanması gereken hiperparametreler veya öğrenilmesi gereken parametreler olarak kabul edilebileceğini göstermektedir. DÖ tabanlı yapılar kullanarak bu hiperparametreler için yeni bir öğrenme algoritmasını bu çalışmada sunmaktayız. Önerilen ADT2-BAK'in etkinliğini değerlendirmek için ReLU, PReLU ve ELU gibi mevcut aktivasyon birimleriyle bir karşılaştırmayı bu çalışma sunmaktadır. Yeni TADT2-BDB, yalnızca yok olan türev (vanishing gradient) problemini ele almakla kalmaz, aynı zamanda daha hızlı bir yakınsama oranı sağlar. Bunu, negatif bölgede tanımlanan girdilerin işlenmesi yoluyla ortalama aktivasyonu sıfıra yaklaştırarak başarır. TADT2-BDB'nin bu özelliği, DYSA'ların daha yüksek bir öğrenme performansı sergilemesini sağlar. Seçilen veri kümeleri kullanılarak yapılan deneyler, ADT2-BAK yaklaşımının etkinliğini ve üstünlüğünü göstermektedir. ADT2-BAK aktivasyon birimleri ile DYSA'ların öğrenme yeteneklerini geliştirebilir ve daha sağlam ve esnek bir ağ yapısı sunabilir. Önerilen yaklaşım, deneysel sonuçların ortaya koyduğu gibi DYSA'ların performansını iyileştirme potansiyeline sahiptir ve ayrıca DYSA'ların öğrenme yeteneklerini geliştirme fırsatı verir. İkinci çalışma (ii), belirsizliği yakalamak ve Tahmin Aralıklarını (TA'lar) oluşturmak için tipi indirgenmiş ADT2-BMS kullanan yeni bir bileşik öğrenme yaklaşımı sunar. Öncelikle model doğruluğuna odaklanan genel eğitim yaklaşımlarının aksine, bu yeni yaklaşımın amacı yalnızca yüksek tahmin doğruluğu elde etmek değil, aynı zamanda tipi indirgenmiş ADT2-BK'lerden yararlanarak belirsizliği etkili bir şekilde ele almak ve yakalamaktır. Böyle bir amaca ulaşmak için, bu bağlamda üç ana zorluk belirledik: (1) belirsizliği ele alma yeteneği, (2) bir bileşik amaç fonksiyonunun oluşturulması ve (3) belirsizliği ele alan bir öğrenme algoritmasının ADT2-BMS'ler için geliştirilmesi. (1)'de, bu zorlukların üstesinden gelmek için önerilen yaklaşım quantile regresyon ve DÖ bazlı parametre öğrenme yöntemlerini ADT2-BMS'ler ile birleştirerek ADT2-BMS'lerin tipi indirgenmiş çıkışlarından yararlanır. ADT2-BMS'lerin belirsizliği işleme yeteneği, kümelerin merkezini hesaplamak için kullanılan yöntemlere bağlıdır, temsil yetenekleri ise öncül ve sonuç üyelik fonksiyonlarının yapısı tarafından belirlenir. Tez kapsamında, çeşitli parametrik ADT2-BMS'ler tanıtmaktayız ve tüm ADT2-BMS'ler için öğrenilebilir parametreleri ve bunların eğitim sürecinde karşılanması gereken kısıtlamalarını tanımlamaktayız. (2)'de, sonrasında kısıtlanmış bileşik bir amaç fonksiyonuna dönüştürülen çok amaçlı bir amaç fonksiyonunun oluşturulmasını içeren amaç fonksiyonunun yapısı tanımlanmaktadır. Bu bileşik amaç fonksiyonu, doğruluğu optimize etmeyi amaçlayan log-cosh bileşenini ve belirsizliğin temsiline odaklanan bir tilted fonksiyon bileşenini içerir. Özellikle, tilted fonksiyonu, tipi-indirgenmiş ADT2-BK'lerin aralık çıkışlarını açık bir şekilde kullanmaktadır. (3)'te, kısıtlı olmayan optimizasyon yöntemleri kullanarak ADT2-BMS'leri eğitmek için bir DÖ tabanlı yaklaşımı sunulmaktadır. Çalışma ayrıca, ADT2-BMS'lerin kısıtlı optimizasyon problemini, bulanık kümelerin tanımlarını ihlal etmeden, kısıtlamasız bir probleme dönüştürmek için yeniden parametreleştirme tekniklerini tanıtmaktadır. Önerilen yaklaşımın etkinliğini değerlendirmek için kapsamlı karşılaştırmalı sonuçlar sunulmaktadır. Tezde, çeşitli kıyaslama veri kümeleri üzerinde yürütülen bir hiperparametre duyarlılık analizi ve modeller arası/içi karşılaştırmalar sağlamaktayız. Bu değerlendirmeler, önerilen yeni yaklaşımın belirsizlikle başa çıkma ve regresyon problemleri için yüksek tahmin doğruluğu elde etme performansına ışık tutmaktadır. Çalışma (iii)'te, tahmin doğruluğunu iyileştirmek ve güvenilir TA'lar oluşturmak için 𝛼-düzlem tabanlı GT2-BMS'ler için yeni bir öğrenme yaklaşımı sunuyoruz. Yaklaşım, yeni bir bileşik amaç fonksiyonu aracılığıyla İkincil Üyelik Fonksiyonlarının (İÜF) şeklinden ve boyutundan faydalanır. Yeni amaç fonksiyonu iki ana bileşenden oluşur: belirsizlik odaklı bir amaç ve doğruluk odaklı terim. Belirsizlik odaklı amaç, yalnızca FOU olarak bilinen 𝛼0=0 düzlemiyle ilişkili tip indirgenmiş ADT2-BK'nin aralık çıkışını kullanılır. Bu, GT2-BMS'nin İÜF'nin boyut parametrelerinin belirsizliği ölçmesine ve aralık tahminlerinin öğrenmesine olanak tanır. Doğruluk odaklı kısım için iki alternatif amaç terimi önerilmiştir. Bir yaklaşımda, GT2-BMS'lerin durulaştırılmış çıktısı doğrudan kullanılırken, diğer yaklaşımda yalnızca 𝛼𝐾=1 seviyesiyle ilişkili çıktı kullanılır. Her iki durumda da, GT2-BMS'nin İÜF'nin parametreleri, yüksek hassasiyetle tahmin sağlamak için zorlanır. Böylece, önerilen amaç fonksiyonu içinde 𝛼-düzlemleriyle ilişkili ADT2-BMS'ye farklı roller atanır. 𝛼0=0 düzleminin çıktısı, GT2-BMS'nin çıktı hesaplamasına katkıda bulunmadığından, GT2-BK'lerin kısmen bağımsız bir şekilde öğrenilmesi mümkün olur ve yüksek doğruluğu korurken belirsizliğin yakalanmasını sağlar. GT2-BMS'lerin öğrenme problemini ve ayrıca yüksek boyutlu ve karmaşık veriler ile başa çıkabilmek için GT2-BMS'ler için DÖ tabanlı bir parametre öğrenme yaklaşımı sunuyoruz. Bu, kısıtlı olmayan bir öğrenme problemi tanımlanarak başarılır. Ayrıca GT2-BK'lerin tanımlarının ihlal edilmemesi için bir yeniden parametreleştirme yöntemi önerdik. Önerilen öğrenme yaklaşımının üstünlüğünü göstermek için çeşitli veri kümelerini kullanarak istatistiksel karşılaştırmalı analizler yapıldı. Bu analizlerin sonuçları, yüksek hassasiyetle güvenilir belirsizlik ölçümü için umut verici bir çözüm olarak önerilen DÖ tabanlı yaklaşımla GT2-BMS'yi öğrenme potansiyelini göstermektedir.
Özet (Çeviri)
In the past decade, significant progress has been made in the field of Deep Learning (DL), driven by innovative learning methods, novel layer structures, and the use of graphics cards for enhanced processing power. This progress has led to the training of neural network models with numerous hidden layers and neurons, resulting in breakthroughs in various domains such as semantic segmentation, object detection, and classification. Deep Neural Networks (DNNs) have proven to be highly effective in machine learning and artificial intelligence applications. DNNs offer advantages over traditional machine learning techniques, including the ability to learn features at multiple layers, which allows them to capture complex features of input data. Through forward pass and backpropagation, DNNs extract meaningful features and outperform other methods in many tasks. As a result, DNNs have gained popularity and are widely used in commercial and industrial applications, contributing to advancements in machine learning. Fuzzy Logic Systems (FLSs) have been employed to various fields and applications over the last years. FLSs use linguistic Fuzzy Sets (FSs) and fuzzy rules, enabling the modeling of human-like reasoning and decision-making processes. This has led to advancements in the development of intelligent control systems capable of effectively handling nonlinear and uncertain dynamics. Besides, FLSs have been applied in image processing, leveraging the FSs to represent uncertain data. FLSs provide robust image analysis, pattern recognition, and image understanding, contributing to advancements in computer vision and image processing applications. Overall, FLSs have been extensively utilized in modeling various systems and phenomena. Their ability to handle uncertainty provides a flexible and interpretable modeling approach, capturing complex relationships and uncertainties in real-world systems. Conventional FLSs, known as Type-1 FLSs (T1-FLSs), have limitations in representing uncertainty. To address this, Type-2 Fuzzy Sets (T2-FSs) have been introduced as an alternative, offering a more flexible representation. T2-FSs can better handle nonlinear and uncertain systems, and T2-Fuzzy Logic Systems (T2-FLSs) have the potential to handle complex problems. However, learning T2-FLSs presents challenges due to their design complexity and the need to learn the parameters associated with fuzzy sets. Different approaches have been proposed, including adapting pre-trained T1-FLSs to T2-FLSs and employing evolutionary algorithms or Neural Network (NN) approaches to optimize the parameters of Interval T2-FLSs (IT2-FLSs). These approaches aim to simplify the design complexity and improve the performance of T2-FLSs. Despite advancements, integrating neural networks and evolutionary algorithms with T2-FLSs faces challenges when applied to extensive datasets. The curse of dimensionality and the increasing number of parameters in T2-FLSs brings some difficulties that is not possible to solve with the current approaches. Recent research has focused on combining FLSs and deep neural networks to overcome these challenges, leading to the development of hybrid models that leverage the strengths of both generalization capabilities of the DNNs and the power of the mini-batch sampled optimization algorithms. In this thesis study, a novel approach is proposed to learn the parameters of T2-FLSs using deep learning-based parameter learning methods. The proposed approach aims to handle extensive datasets and construct models with both a good prediction accuracy and the ability to handle the uncertainties. In the scope of this thesis, specifically, three studies are conducted: the first study (i) is titled with“Learning with Type-2 Fuzzy Activation Functions to Enhance the Performance of Deep Neural Networks”, in the second study (ii), we propose a framework which is titled with“More Than Accuracy: A Composite Learning Framework for Interval Type-2 Fuzzy Logic Systems”and in the (iii) last study, we propose reliable uncertainty quantification for GT2-FLSs named as“Towards Reliable Uncertainty Quantification and High Precision with General Type-2 Fuzzy Systems”. In the first study (i), we introduce a new method called IT2 Fuzzy Activation Layer (IT2-FAL) that aims to enhance the learning performance of DNNs. The IT2-FAL consists of Single Input IT2 (SIT2) Fuzzy Rectifying Units (FRUs) which used as activation units within the DNN structure to improve learning capabilities. We construct a closed-form representation of the SIT2-FRU structure, and an analysis is conducted to understand how the parameters of this structure influence the generation of input-output mappings. The research findings demonstrate that these mappings can be regarded either as hyperparameters to be set or as parameters to be learned. We provide a learning algorithm to these hyperparameters using DL based frameworks. To evaluate the effectiveness of the proposed IT2-FAL, a comparison is made against existing activation units like ReLU, PReLU, and ELU. The novel SIT2-FRU not only addresses the vanishing gradient problem but also exhibits a fast convergence rate. It achieves this by pushing the mean activation close to zero through the processing of inputs defined in the negative quadrant. This property of SIT2-FRU enables DNNs to exhibit improved learning behavior. The experiments conducted using the selected benchmark datasets show the efficiency and superiority of the IT2-FAL approach. By incorporating the IT2-FAL and its activation units (SIT2-FRU components), DNNs can enhance their learning capabilities and benefit from a more robust and flexible network structure. The proposed approach has the potential to improve the performance of DNNs as the experimental results revealed and it also gives opportunity to enhance the learning capabilities of DNNs. The second study (ii) introduces a novel composite learning approach that utilizes type-reduced sets of Interval Type-2 Fuzzy Logic Systems (IT2-FLSs) to capture uncertainty and establish Prediction Intervals (PIs). Unlike mainstream training approaches that primarily focus on accuracy, the objective of this new approach is to not only achieve high prediction accuracy but also effectively address and capture uncertainty by exploiting the type-reduced sets of IT2-FLSs. In order to achieve such a goal, we identify three main challenges in this context: (1) the capability to handle uncertainty, (2) the construction of a composite loss function, and (3) the development of a learning algorithm that addresses the training complexity while considering the definitions of IT2-FLSs. In (1), to address these challenges, the proposed approach exploits the type-reduced set of IT2-FLSs by combining quantile regression and DL parameter learning methods with IT2-FLSs. The ability of IT2-FLSs to process uncertainty depends on the methods employed for calculating the center-of-sets, while their representation capability is determined by the structure of their antecedent and consequent membership functions. In the scope of thesis, we introduce various parametric IT2-FLSs and defines the learnable parameters for all IT2-FLSs, along with their constraints that need to be satisfied during the training process. In (2), the construction of the loss function is defined which involves construction of a multi-objective loss that is subsequently converted into a constrained composite loss. This composite loss comprises the log-cosh loss component, which aims to optimize accuracy, and a tilted loss component that focuses on the representation of uncertainty. Notably, the tilted loss explicitly utilizes the type-reduced set. In (3), a DL approach is presented for training IT2-FLSs using unconstrained optimizers. The study also introduces parameterization techniques to convert the constrained optimization problem of IT2-FLSs into an unconstrained one without violating the definitions of fuzzy sets. In order to evaluate the effectiveness of the proposed approach, comprehensive comparative results are provided. In the thesis, we provide a hyperparameter sensitivity analysis and inter/intra-model comparisons conducted on various benchmark datasets. These evaluations shed light on the performance and robustness of the proposed novel approach in handling uncertainty and achieving high prediction accuracy for regression problems. In the third study (iii), we present a new learning approach for 𝛼-plane based General Type-2 Fuzzy Logic Systems (GT2-FLSs) to improve pointwise prediction accuracy and generate reliable Prediction Intervals (PIs). The approach focuses on exploiting the shape and size of the Secondary Membership Functions (SMFs) through a novel composite loss function. The novel composite loss function consists of two main components: an uncertainty quantification-focused loss and an accuracy-focused term. Within the uncertainty-focused loss, only the type-reduced set of IT2-FLS associated with the 𝛼0=0 plane, known as the FOU, is explicitly utilized. This allows the SMF size parameters of the GT2-FLS to quantify uncertainty and learn PIs. For the accuracy-focused part, two alternative loss terms are provided. In one approach, the aggregated output of the GT2-FLSs is used directly, while in the other approach, only the output associated with the 𝛼𝐾=1 level is utilized. In both cases, the SMF shape parameters of the GT2-FLS are enforced to enable pointwise prediction with high precision. Thus, different roles are assigned to the IT2-FLS associated with 𝛼-planes within the proposed loss function. Since the output of the 𝛼0=0 plane does not contribute to the output calculation of the GT2-FLS, a partially independent learning of the GT2-FSs becomes possible, allowing for capturing uncertainty while maintaining high accuracy. We present a DL based parameter learning approach for GT2-FLSs to facilitate efficient learning to be able to handle the complex parameter learning problem of the GT2-FLSs and also in the presence of high-dimensional and complex data. This is achieved by defining an unconstrained learning problem. We also proposed novel parameterization tricks such that the definitions of GT2-FSs are not violated. We also provide statistical comparative analyses using benchmark datasets in order to demonstrate the superiority of the proposed learning approach. The results of these analyses show the potential of learning GT2-FLS with the proposed DL based approach as a promising solution for reliable uncertainty quantification with high precision in real-world applications.
Benzer Tezler
- Array processing and optimization techniques of beamforming and resource allocation for enhanced spectral efficiency in 5g and beyond systems
5g ve ötesı sıstemlerının hüzmeleme ve spektral verımlılığının vektör íşleme ve optımızasyon ıle gerçekleştırılmesı
NANN WIN MOE THET NANN WIN MOE THET
Doktora
İngilizce
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Medipol ÜniversitesiElektrik-Elektronik Mühendisliği ve Siber Sistemler Ana Bilim Dalı
Assoc. Prof. Dr. MEHMET KEMAL ÖZDEMİR
- Handover management for vehicularcommunications in dense and directional mmwave networks
Başlık çevirisi yok
ABDULKADİR KOSE
- Development of operation and maintenance strategies for offshore wind industry based on big data management
Büyük veri yönetimi ile açık deniz rüzgar endüstrisinde işletme ve bakım stratejilerinin geliştirilmesi
UWE LUETZEN
Doktora
İngilizce
2024
Enerjiİstanbul Teknik ÜniversitesiGemi ve Deniz Teknoloji Mühendisliği Ana Bilim Dalı
PROF. DR. SERDAR BEJİ
- High-speed trajectory tracking controller design
Yüksek hızlı iz takip kontrolörü tasarımı
OMAR SHADEED
Yüksek Lisans
İngilizce
2024
Havacılık ve Uzay Mühendisliğiİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
Assoc. Prof. Dr. EMRE KOYUNCU
- Akıllı yüzeyler tabanlı işbirlikli haberleşme sistemlerinin performansının derin öğrenme yöntemleri ile incelenmesi
Investigation of the performance of intelligent surfaces-based cooperative communication systems with deep learning methods
BÜLENT SAĞIR
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HACI İLHAN
DOÇ. DR. ERDOĞAN AYDIN