Geri Dön

Deep fractional Fourier networks

Derin kesirli Fourier ağları

  1. Tez No: 886497
  2. Yazar: EMİRHAN KOÇ
  3. Danışmanlar: DR. ÖĞR. ÜYESİ AYKUT KOÇ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: İhsan Doğramacı Bilkent Üniversitesi
  10. Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 63

Özet

Bu tez, kesirli Fourier Dönüşümü'nün (KFD) derin öğrenme alanına entegrasyonunu tanıtarak, sinyal işlemenin derin sinir ağlarlarıyla (DSA'lar) işbirliğine yeni yollar açmayı amaçlamaktadır. Bu çalışma, geleneksel Fourier Dönüşümüne (FD) bir alternatif sunan kesirli Fourier Dönüşümünün sonsuz sayıda sürekli dönüşüm gerçekleştirme esnekliği ve yeteneğinden yararlanarak, KDF'yi zaman serisi tahmini için mükerrer sinir ağlarına (MSA'lar) entegre ederek başlar. İlk başarıya rağmen, tespit edilen önemli bir zorluk, kesir parametresi“a”'nın elle (manuel) ayarının zahmetli olması ve daha geniş uygulanabilirliği sınırlayabilmesidir. Bu sınırlamayı aşmak için, kesir parametresi“a”'nın derin öğrenme modellerinde öğrenilebilir bir parametre olarak ele alındığı yeni bir yaklaşım da sunuyoruz. İlk olarak, bu parametrenin öğrenilebilirliğini destekleyen teorik bir temel oluşturulmuş, ardından görüntü sınıflandırma ve zaman serisi tahmini görevlerinde kapsamlı deneyler yapılmıştır. Sonuçlar, öğrenilebilir bir kesir parametresinin dahil edilmesinin, özellikle ResNet ve VGG modelleri gibi iyi bilinen mimarilerle entegre edildiğinde, model performansını önemli ölçüde artırdığını göstermektedir. Ayrıca, tez, geleneksel küresel ortalama havuzlama (KOH) katmanlarını evrişimsel sinir ağlarında (ESA'lar) değiştiren yeni bir havuzlama tekniği olan kesirli Fourier Havuzlaması'nı da (KFH) önermektedir. KFH, ara sinyal bölgelerini işleyerek özellik temsiliyetini geliştirir, bu da model performansını artırır ve sinyal dönüşümlerinin derin öğrenme yapılarına nasıl entegre edilebileceğine dair yeni bir bakış açısı sunar. Genel olarak, bu tez, derin öğrenmede ileri sinyal işleme teknikleri konusunda ilerleyen araştırmalara katkıda bulunarak, KFD'nin çeşitli uygulamalarda model doğruluğunu ve verimliliğini artırmak için güçlü bir araç olma potansiyelini vurgulamaktadır.

Özet (Çeviri)

This thesis introduces the integration of the fractional Fourier Transform (FrFT) into the deep learning domain, with the aim of opening new avenues for incorporating signal processing into deep neural networks (DNNs). This work starts by introducing FrFT into recurrent neural networks (RNNs) for time series prediction, leveraging its ability and flexibility to perform infinitely many continuous transformations and offering an alternative to the traditional Fourier Transform (FT). Despite the initial success, a significant challenge identified is the manual tuning of the fraction order parameter“a”, which can be cumbersome and limits broader applicability. To overcome this limitation, we introduce a novel approach where the fraction order“a”is treated as a learnable parameter within deep learning models. First, a theoretical foundation is established to support the learnability of this parameter, followed by extensive experimentation in image classification and time series prediction tasks. The results demonstrate that incorporating a learnable fraction order significantly improves model performance, particularly when integrated with well-known architectures such as ResNet and VGG models. Furthermore, the thesis proposes fractional Fourier Pooling (FrFP), a pooling technique that replaces traditional Global Average Pooling (GAP) layers in Convolutional Neural Networks (CNNs). FrFP enhances feature representation by processing intermediate signal regions, leading to better model performance and offering a new perspective on integrating signal transformations within deep learning frameworks. Overall, this thesis contributes to the growing body of research exploring advanced signal processing techniques in deep learning, highlighting the potential of FrFT as a powerful tool for improving model accuracy and efficiency across various applications.

Benzer Tezler

  1. Derin öğrenme algoritmaları kullanılarak EEG sinyallerinden yalan tespiti

    Lie detection from EEG signals using deep learning algorithms

    MUSA ASLAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUHAMMET BAYKARA

  2. Environmentally friendly components for energy storage devices

    Enerji depolama cihazlarında çevre dostu bileşenlerin kullanımı

    ELENA STOJANOVSKA

    Doktora

    İngilizce

    İngilizce

    2019

    Bilim ve Teknolojiİstanbul Teknik Üniversitesi

    Polimer Bilim ve Teknolojisi Ana Bilim Dalı

    DOÇ. DR. ALİ KILIÇ

  3. Kardiyovasküler hastalıkların teşhisine yönelik kalp seslerinin sınıflandırılması

    Classification of heart sounds for the diagnosis of cardiovascular diseases

    ELİF ÇİÇEK

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HÜSEYİN YÜCE

    PROF. DR. ALPER KEPEZ

  4. In-chip devices fabricated with nonlinear laser lithography deep inside silicon

    Doğrusal olmayan lazer litografisi ile silisyum içerisinde yonga-içi aygıtların üretilmesi

    AHMET TURNALI

    Doktora

    İngilizce

    İngilizce

    2019

    Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. FATİH ÖMER İLDAY

    DR. ÖĞR. ÜYESİ ONUR TOKEL