Derin öğrenme tabanlı mikrodalga antenlerin vekil modellemesi
Deep learning-based surrogate modeling of microwave antennas
- Tez No: 938495
- Danışmanlar: DOÇ. DR. PEYMAN MAHOUTİ, PROF. DR. SLAWOMİR KOZIEL
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektronik Bilim Dalı
- Sayfa Sayısı: 74
Özet
Modern iletişim sistemleri, yüksek verimlilik ve esneklik sunan gelişmiş anten tasarımlarına olan ihtiyacı giderek artırmaktadır. Bu bağlamda, anten tasarımında kullanılan derin öğrenme modellerinin tahmin doğruluğunun değerlendirilmesi kritik bir önem taşımaktadır. Bu çalışma, yüksek boyutlu veri setlerinde karmaşık ilişkilerin modellenmesini gerektiren regresyon problemleri için gelişmiş derin öğrenme mimarilerinin tasarımı ve performans analizine odaklanmakta olup, özellikle anten optimizasyonu alanında önemli katkılar sunmaktadır. Çalışma kapsamında, Modüler Çok-Yollu Dallanmış Derin Sinir Ağı (M2BDNN) olarak adlandırılan yeni bir derin öğrenme modeli önerilmekte ve iki farklı hiperparametre (Temel ve Gelişmiş model) yapılandırmasında incelenmektedir. Her iki model, ölçeklenebilirlik ve aşırı uyum gibi zorlukları etkili bir şekilde ele alarak yüksek boyutlu veri setlerinde karmaşık yapıları ve ilişkileri modellemeyi amaçlamaktadır. Temel model, az sayıda paralel dal, toplama katmanları ve dinamik bir optimizasyon algoritması kullanarak, doğru ve güvenilir regresyon sonuçları için sağlam bir temel oluşturmaktadır. Bu Temel model üzerine inşa edilen Gelişmiş model ise, bağımsız özellik çıkarımını kolaylaştırmak ve hiyerarşik özellik iyileştirmesi sağlamak amacıyla, Temel modele kıyasla çok daha fazla sayıda paralel dalı entegre etmektedir. Modüler yapıya sahip olan bu mimari, derinlik birleştirme katmanları aracılığıyla çeşitli özellik türlerini etkili bir şekilde bütünleştirmektedir. Ayrıca, Swish aktivasyon fonksiyonları ve kademeli boyut indirgeme teknikleriyle tahmin doğruluğunu artırırken ölçeklenebilirliği de korumaktadır. Geliştirilen modellerin performansı, Kriging, Konvolüsyonel Sinir Ağları (CNN) ve Pyramidal Deep Regression Networks (PDRN) gibi yaygın olarak kabul görmüş yöntemlerle karşılaştırılarak kapsamlı bir şekilde doğrulanmıştır. Karşılaştırmalı analiz sonuçları, Gelişmiş M2BDNN modelinin tahmin doğruluğunda önemli iyileştirmeler sağladığını ve çeşitli veri setleri ile yapılandırmalar arasında diğer yöntemlerden daha üstün performans sergilediğini göstermektedir. Elde edilen bulgular, Gelişmiş M2BDNN modelinin yüksek boyutlu veri setlerine sahip karmaşık regresyon problemlerinde üstün genelleme kabiliyeti ve uyarlanabilirliği ile öne çıktığını ortaya koymaktadır. Ayrıca, modüler mimarilerin, gelişmiş aktivasyon fonksiyonlarının ve hiyerarşik özellik iyileştirme yaklaşımlarının zorlu regresyon problemlerinin çözümünde kritik rol oynadığı vurgulanmaktadır. Bu çalışma, özellikle anten tasarım optimizasyonuna yönelik yüksek boyutlu regresyon problemlerine ilişkin ölçeklenebilir ve kararlı bir model sunarak, diğer mühendislik alanlarına da uygulanma potansiyeli taşımaktadır.
Özet (Çeviri)
Modern communication systems increasingly demand antenna designs with higher efficiency and versatility. In this context, the evaluation of the predictive accuracy of deep learning models used in antenna design is of critical importance. This study focuses on the design and performance analysis of advanced deep learning architectures for regression problems that require modeling complex relationships in high-dimensional datasets, offering significant contributions, particularly in the field of antenna optimization. Within the scope of this study, a novel deep learning model, Modular Multi-Path Branched Deep Neural Network (M2BDNN), is introduced and examined under two different hyperparameter configurations (Basic and Advanced model). Both models are designed to capture complex structures and relationships in high-dimensional datasets while effectively addressing challenges such as scalability and overfitting. The Basic model employs parallel branches, addition layers, and a robust optimization technique, providing a strong foundation for accurate regression. Based on the aforementioned model, the Advanced M2BDNN model integrates multiple parallel branches to facilitate independent feature extraction and hierarchical feature refinement. This modular architecture effectively combines diverse feature representations through depth concatenation layers, leveraging Swish activation functions and progressive dimensionality reduction to enhance predictive accuracy while maintaining scalability. The performance of the developed models was validated against widely accepted benchmarks, including Kriging, Convolutional Neural Networks (CNN), and Pyramidal Deep Regression Networks (PDRN). Comparative analysis reveals that the Advanced M2BDNN model achieves significant improvements in predictive accuracy, outperforming other state-of-the-art methods across diverse datasets and configurations. These results underscore the Advanced M2BDNN models superior generalization ability and adaptability to complex regression tasks involving high-dimensional datasets. The findings of this study highlight the importance of modular architectures, advanced activation functions, and hierarchical feature refinement in addressing challenging regression problems. This study provides a scalable and robust framework for high-dimensional regression tasks in engineering applications, specifically in antenna modeling, while paving the way for further investigation in other relevant disciplines.
Benzer Tezler
- Yapay zeka temelli derin öğrenme yöntemi ile 5G uyumlu mikroşerit anten tasarım ve uygulaması
5G compatible microstrip antenna desing and application with artifical intelligence based deep learning method
REŞİT KARAOĞLU
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik Mühendisliğiİskenderun Teknik ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. YAKUP HAMEŞ
DOÇ. DR. MEHMET ALİ BELEN
- A novel antenna configuration for microwave hyperthermia
Mikrodalga hipertermi için yeni bir anten yapılanması
GÜLŞAH YILDIZ ALTINTAŞ
Doktora
İngilizce
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. İBRAHİM AKDUMAN
DOÇ. DR. TUBA YILMAZ ABDOLSAHEB
- Meme kanseri tespiti için sentetik mikrodalga görüntülerinin derin öğrenme odaklı segmentasyonu
Driven segmentation of synthetic microwave images for breast cancer detection
ÖZLEM BAHAR
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET ÇAYÖREN
- Unet based segmentation in qualitative microwave imaging for breast cancer diagnosis
Meme kanseri tanisi için nitel mikrodalga görüntülemenin unet tabanli segmentasyonu
GİZEM ÜNER
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET ÇAYÖREN
- Üç boyutlu seramik tabanlı mikrodalga devrelerin tasarımı
Design of three-dimensional ceramic based microwave circuits
TARLAN MAHOUTI
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiMetalurji ve Malzeme Mühendisliği Ana Bilim Dalı
PROF. DR. NİLGÜN KUŞKONMAZ
PROF. DR. TÜLAY YILDIRIM