LSTM autoencoder ile uydu telemetri verilerinde anomali tespiti ve model hiperparametrelerinin optimizasyonu
Anomaly detection in satellite telemetry data with LSTM autoencoder and optimization of model hyperparameters
- Tez No: 985188
- Danışmanlar: DR. ÖĞR. ÜYESİ ÖNER BARUT
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma, uydu telemetri verilerinde anomali tespiti amacıyla derin öğrenme tabanlı LSTM Autoencoder mimarisini kullanmakta ve model performansını artırmak için Optuna kütüphanesi aracılığıyla hiperparametre optimizasyonu gerçekleştirmektedir. Kullanılan veri seti, Avrupa Uzay Ajansı'na ait uydu telemetrilerine ilişkin zaman serisi verilerinden oluşmakta olup; sistemlerin olağan işleyişine dair normal ölçümler ile arıza, sapma ve düzensizlikleri temsil eden anomali örneklerini içermektedir. Model eğitildikten sonra yeniden yapılandırma hataları üzerinden anomali tespiti yapılmaktadır. Mimari, iki adet çift yönlü LSTM (Bidirectional LSTM) katmanı, dropout katmanı ve dense çıkış katmanından oluşmaktadır. Optuna optimizasyonu kapsamında LSTM katman boyutları, dropout oranı, öğrenme oranı, epoch sayısı ve batch boyutu gibi parametreler sistematik olarak taranmıştır. Optimizasyon öncesi modelin F1 skoru %67 olarak elde edilmiştir. Optimizasyon sürecinde LightGBM modele entegre edilerek hibrit bir model oluşturulmuş ve Optuna ile yapılan çalışma sonrası F1 skoru %83'e ulaşmıştır. Bu gelişme, doğru hiperparametre seçiminin model başarımını doğrudan etkilediğini ortaya koymaktadır. Çalışmada, anomali tahminleri gerçek görev etiketleriyle karşılaştırılarak precision, recall ve F1 skor metrikleriyle değerlendirilmiştir. Elde edilen sonuçlar, LSTM Autoencoder mimarisinin uydu sistemleri gibi karmaşık yapılara sahip zaman serilerinde etkili biçimde çalıştığını göstermektedir. Literatüre katkı olarak bu çalışma, hem uydu telemetrisi özelinde LSTM Autoencoder ile anomali tespiti yönteminin başarımını ortaya koymakta, hem de hiperparametre optimizasyonunun model performansı üzerindeki etkisini sistematik biçimde göstermektedir. Bu yaklaşım, gerçek zamanlı uydu izleme ve arıza tespiti sistemlerinin doğruluğunu artırma potansiyeline sahiptir.
Özet (Çeviri)
This study aims to detect anomalies in satellite telemetry data using a deep learning-based LSTM Autoencoder architecture, and to enhance model performance through hyperparameter optimization via the Optuna library. The dataset used in this work consists of time series data derived from satellite telemetry of the European Space Agency, including both normal measurements representing regular system operations and anomaly samples indicating faults, deviations, and irregularities. The model is trained and detects anomalies based on reconstruction errors. The architecture consists of two Bidirectional LSTM layers, a dropout layer, and a dense output layer. Within the Optuna optimization framework, key hyperparameters such as LSTM layer dimensions, dropout rate, learning rate, number of epochs, and batch size were systematically explored. Before optimization, the model achieved an F1-score of 67%. During the optimization process, a hybrid model was created by integrating LightGBM into the architecture, and after optimization with Optuna, the F1-score increased to 83%. Anomaly predictions were evaluated using ground truth mission labels and assessed via precision, recall, and F1 score metrics. The results reveal that the LSTM Autoencoder architecture performs effectively on complex time series data, such as those from satellite systems. As a contribution to the literature, this study highlights the success of LSTM Autoencoder methods for anomaly detection specifically in satellite telemetry and provides a structured analysis of the impact of hyperparameter optimization on model accuracy. This approach has strong potential to improve the reliability of real-time satellite monitoring and fault detection systems.
Benzer Tezler
- Gaziantep'te PM2.5 konsantrasyonunun zamansal ve mekânsaltahminine yönelik transfer öğrenme destekli hibrit yapay zeka modelleri
Spatio-temporal estimation of PM2.5 concentrations in gaziantepusing transfer learning-based hybrid artificial intelligence models
TÜRKAN ZENGİN GÖMLEKSİZ
Yüksek Lisans
Türkçe
2025
Meteorolojiİstanbul Teknik Üniversitesiİklim Bilimi ve Meteoroloji Mühendisliği Ana Bilim Dalı
PROF. DR. HÜSEYİN TOROS
- Yaya navigasyonunda adım uzunluğu kestirimi ve yöntemlerin analizi
Stride length estimation and analysis of methods in pedestrian navigation
NİMET KARAGÖZ
Yüksek Lisans
Türkçe
2022
Jeodezi ve FotogrametriYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. FATİH GÜLGEN
- Karadeniz'de deniz seviyesi değişimlerinin derin öğrenme yöntemleri ile modellenmesi
Modelling sea level variations in the black sea using deep learning method
AHMET YAVUZDOĞAN
Doktora
Türkçe
2025
Jeodezi ve FotogrametriKaradeniz Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. EMİNE TANIR KAYIKÇI
- A fully unsupervised ensemble autoencoder framework for network intrusion detection and attack-type
Ağ izinsiz giriş tespiti ve saldırı türü çıkarımı için tamamen denetimsiz bir topluluk otomatik kodlayıcı çerçevesi
AHMET YILDIRIM
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankaya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYŞE NURDAN SARAN
- Derin öğrenme ile ayak hareketlerinden kullanıcı stres durumu analizi
User stress state analysis from foot movements with deep learning
KEMAL ÖZTEL
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGebze Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET GÖKTÜRK