AI-driven enhancement and risk detection in microwave systems
Mikrodalga sistemlerde yapay zeka destekli iyileştirme ve risk tespiti
- Tez No: 987324
- Danışmanlar: PROF. DR. İBRAHİM AKDUMAN, DR. ÖĞR. ÜYESİ SEMİH DOĞU
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Telekomünikasyon Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, elektromanyetik tabanlı mikrodalga algılama sistemlerinde makine öğrenmesi ve derin öğrenme tekniklerinin uygulanması yoluyla tespit, sınıflandırma ve veri yorumlama performansını artırmayı amaçlamaktadır. Çalışma, üç temel katkı çerçevesinde yapılandırılmış olup, her biri mikrodalga görüntüleme ve farklı zorlukları ele almaktadır. Tez boyunca önerilen yöntemler, hem simülasyon verileri hem de gerçek ölçüm verileri üzerinde uygulanmış ve kapsamlı bir değerlendirmeye tabi tutulmuştur. Birinci Katkı: Meme Tümörü Tespiti ve Sınıflandırması için Konvolüsyonel Sinir Ağları (CNN) Tezin ilk kısmında, meme tümörlerinin tespit ve lokalizasyonu için yenilikçi bir konvolüsyonel sinir ağı (CNN) tabanlı yaklaşım geliştirilmiştir. Önerilen model, tümörlerin merkez koordinatlarını ve yarıçaplarını doğru bir şekilde tahmin ederek geometrik parametrelerin belirlenmesini sağlar. Bunun yanı sıra, her bir tespit edilen nesnenin dielektrik sabit (𝜖𝑟 ) değerini tahmin ederek nesnelerin farklı materyal sınıflarına (0, 1, 2) ayrılmasına imkan verir. Model, mikrodalga verilerinin zengin spektral ve mekânsal bilgisini kullanarak hem tespit hem de sınıflandırma görevlerinde yüksek doğruluk sağlar. Simülasyon sonuçları, CNN'nin tümörlerin hem geometrik hem de materyal özelliklerini etkin bir şekilde çıkardığını göstermektedir. Bu yaklaşım, özellikle deneysel meme kanseri tarama uygulamalarında, invaziv olmayan yöntemler için büyük bir potansiyel sunmaktadır. Modelin eğitim sürecinde, giriş verileri 64 × 64 × 6 boyutlarında tensörler olarak kullanılmış, çok katmanlı konvolüsyon ve dense katmanlar aracılığıyla öznitelik çıkarımı gerçekleştirilmiştir. Sonuç olarak model, yarıçap, merkez koordinatları ve dielektrik permittiviteyi aynı anda tahmin eden çoklu çıktı katmanları ile donatılmıştır. Bu çok görevli öğrenme yaklaşımı, farklı çıktı görevleri arasında paylaşılan özniteliklerin öğrenilmesine imkan vererek modelin doğruluk ve genelleme kapasitesini artırmaktadır. Modelin başarısı, simülasyon verileri üzerinden yapılan kapsamlı testler ve doğrulamalarla kanıtlanmıştır. İkinci Katkı: Mikrodalga Ters Görüntülemenin Derin Öğrenme ile İyileştirilmesi Tezin ikinci bölümünde mikrodalga ters görüntüleme problemlerinde derin öğrenmenin uygulanması ele alınmıştır. Ters saçılma problemleri, ölçüm gürültüsü ve doğrusal olmayan yapı nedeniyle çözümü zor ve belirsizdir. Bu çalışmada, Lineer Örnekleme Yöntemi (LSM) ile elde edilen çok frekanslı gösterge matrislerinin derin sinir ağı tabanlı bir modelle iyileştirilmesi önerilmiştir. LSM, anomali veya nesne lokalizasyonunda yaygın olarak kullanılan bir yöntem olsa da gürültüye duyarlılığı ve problemin iyi tanımlanmamış yapısı sebebiyle sınırlamalara sahiptir. Bu tezde önerilen yaklaşım, çok frekanslı göstergeleri girdi olarak alan ve temizlenmiş, daha bilgilendirici çıktılar üreten bir derin sinir ağı kullanır. Bu amaçla, çeşitli dielektrik nesne konfigürasyonları simüle edilmiş ve saçılan alan, iki boyutlu momentler yöntemi ve 36 adet sonsuz uzunlukta anten kaynağı kullanılarak hesaplanmıştır. Elde edilen göstergeler, derin sinir ağına ve karşılık gelen ikili (binary) yer doğrusu (ground-truth) görüntülerine beslenmiştir. Model, 11 katmanlı bir yapıdan oluşmakta olup, konvolüsyonel ve dekonvolüsyonel katmanları içerir; dropout veya pooling katmanları kullanılmamıştır, bu sayede bilgi kaybı önlenmiştir. Performans değerlendirmesi Jaccard indeksi kullanılarak yapılmış ve önerilen modelin hem doğruluk hem de gösterge benzerliği açısından üstün sonuçlar verdiği gözlemlenmiştir. Bu yöntem, LSM ile elde edilen verilerle birlikte çalışarak ters görüntülemenin kalitesini ve güvenilirliğini artırmaktadır. Özellikle gürültülü veya karmaşık ortam koşullarında, önerilen derin öğrenme yöntemi ile nesne lokalizasyonu ve yapısal detayların çıkarımı anlamlı şekilde geliştirilmiştir. Üçüncü Katkı: Gerçek Ölçüm Verileri ile Gömülü Nesne Tespiti için Hafif Yapay Sinir Ağı Modeli Tezin üçüncü kısmı, gömülü nesnelerin gerçek ölçüm verileri kullanılarak tespiti için hafif bir sinir ağı modelini tanıtmaktadır. Bu yaklaşımda sahadan toplanan veriler kullanılmıştır. Bu yaklaşım pratik uygulamalar için yüksek düzeyde güvenilirlik ve dayanıklılık sağlamaktadır. Kullanılan sistem, 16×16 S parametre ölçümlerini 256 boyutlu kompakt bir öznitelik vektörüne dönüştürerek alt yüzey malzemelerinin mikrodalga yanıtını yakalar. Bu temsil, ağın hesaplama açısından verimli olmasını sağlarken doğrulukta kayıp yaşanmasını önler. Deneysel sonuçlar, önerilen modelin %99 doğruluk, 0,99 F1 skoru ve 0,98 geri çağırma (recall) oranı elde ettiğini göstermektedir. Bu performans, temel CNN, DRN ve EfficientNet mimarilerini geride bırakmakta ve modelin savunma ve güvenlik uygulamaları için uygun olduğunu kanıtlamaktadır. Modelin başarısı, sınıflandırma doğruluğu ve hesaplama verimliliği açısından alt yüzey algılama sistemlerine önemli katkılar sunmaktadır. Bu tez, derin öğrenme tekniklerinin mikrodalga algılama iş akışlarına entegrasyonunun sağladığı avantajları kapsamlı bir şekilde ortaya koymaktadır. CNN tabanlı meme tümörü tespiti, LSM göstergelerinin derin öğrenme ile iyileştirilmesi ve hafif sinir ağı ile gerçek ölçüm verileri üzerinden nesne sınıflandırması, elektromanyetik algılama sistemlerinde hem tespit doğruluğunu hem de veri yorumlama kapasitesini artırmaktadır. Önerilen yöntemler, gürültüye karşı dayanıklılık, yüksek doğruluk ve çok görevli öğrenme yetenekleri ile mikrodalga tabanlı alt yüzey algılamada yeni bir çerçeve sunmaktadır. Sonuç olarak, bu tez hem biyomedikal uygulamalarda (meme kanseri tespiti) hem de savunma ve güvenlik alanlarında (gömülü tehdit nesnelerinin tespiti) mikrodalga tabanlı sensör sistemlerinin performansını önemli ölçüde geliştiren yöntemler önermektedir. Ayrıca, ileri seviye makine öğrenmesi tekniklerinin ters saçılma problemleri ve sınıflandırma görevlerinde uygulanabilirliğini kapsamlı şekilde göstermektedir. Bununla birlikte, tez kapsamında geliştirilen yöntemler, mikrodalga algılama sistemlerinin yalnızca belirli senaryolara özgü çözümler sunmadığını, aynı zamanda farklı uygulama alanlarına uyarlanabilir esnek bir yapı ortaya koyduğunu göstermektedir. Önerilen modeller, veri temsili, ağ mimarisi ve öğrenme stratejileri açısından modüler bir yapıya sahip olup, farklı frekans bantları, anten konfigürasyonları ve ölçüm geometrileri için genişletilmeye uygundur. Bu bağlamda, tezde sunulan yaklaşımlar, gelecekte üç boyutlu mikrodalga görüntüleme, çok hedefli algılama ve zamanla değişen ortamların izlenmesi gibi daha karmaşık problemlere temel oluşturabilecek niteliktedir. Ayrıca, simülasyon ve gerçek ölçüm verilerinin birlikte ele alınması, geliştirilen yöntemlerin saha koşullarına aktarılabilirliğini güçlendirmektedir. Gelecek çalışmalar açısından, önerilen derin öğrenme modellerinin fizik tabanlı kısıtlar ve önbilgilerle (physics-informed learning) desteklenmesi, ters görüntüleme problemlerinde daha kararlı ve yorumlanabilir çözümler elde edilmesini mümkün kılabilir. Bunun yanı sıra, transfer öğrenme ve alan uyarlama (domain adaptation) tekniklerinin kullanılmasıyla, sınırlı ölçüm verisine sahip uygulamalarda model performansının artırılması hedeflenebilir. Son olarak, gerçek zamanlı çalışabilecek gömülü sistemlere entegrasyon ve donanım hızlandırmalı çözümler (FPGA/GPU tabanlı) ile bu tezde sunulan yöntemlerin pratik sistemlere dönüştürülmesi, mikrodalga tabanlı algılama teknolojilerinin yaygın kullanımını destekleyecek önemli bir araştırma yönü olarak öne çıkmaktadır.
Özet (Çeviri)
This thesis investigates advanced deep learning techniques to improve the accuracy, reliability, and interpretability of microwave sensing systems for subsurface object detection and classification. The work is structured around three main contributions, each demonstrating the integration of neural network-based models to address different challenges in microwave imaging and detection. The first contribution focuses on the application of convolutional neural networks (CNNs) for breast tumor detection. The proposed CNN framework is capable of simultaneously detecting and localizing tumors by accurately estimating their center coordinates and radii. In addition, the network predicts the dielectric permittivity (𝜖r) of each identified object, enabling classification into distinct material categories. By leveraging the rich spatial and spectral information contained in microwave data, this approach achieves robust and precise object detection and classification. Simulation results confirm the efficacy of the CNN in extracting both geometric parameters and material properties, highlighting its potential for experimental breast cancer screening and non-invasive medical diagnostics. The second contribution addresses the enhancement of microwave inverse imaging using deep learning. Inverse scattering problems often suffer from noise and non-linearities, which degrade the quality of reconstructions. To overcome these challenges, a novel deep neural network model is introduced that refines multi-frequency qualitative indicators derived from the Linear Sampling Method (LSM). Scattered field data are simulated for various dielectric object configurations using a two-dimensional method of moments and an antenna array, and then processed via the LSM to generate input indicators. The proposed network, comprising eleven layers of convolutional and deconvolutional operations without dropout or pooling layers, effectively reduces noise while preserving essential structural information. Quantitative evaluation using the Jaccard index demonstrates that this approach improves reconstruction accuracy and quality. The combination of a simple yet effective neural network with LSM results highlights the method's ability to enhance inverse imaging performance in complex environments. The third contribution presents a lightweight neural network integrated with a microwave-based detection system for identifying buried objects in real-world scenarios. The model is trained and validated exclusively on experimental measurements, ensuring practical relevance and robustness. S-parameter measurements from a 16×16 antenna array are transformed into a 256-dimensional feature vector that captures the microwave response of subsurface materials. This compact representation allows for a computationally efficient network architecture while maintaining high detection accuracy. Experimental results demonstrate exceptional performance, achieving an accuracy of 99%, an F1 score of 0.99, and a recall of 0.98, outperforming standard CNN, DRN, and EfficientNet architectures. These findings illustrate the model's suitability for defense and security applications, where rapid and accurate threat identification is critical. Overall, this thesis demonstrates the substantial benefits of integrating deep learning techniques into microwave sensing workflows. By combining CNN-based tumor detection, neural network-based enhancement of LSM indicators, and efficient classification of real-world S-parameter data, the work provides novel methodologies for both object detection and material characterization. The results underscore the potential of machine learning to advance electromagnetic sensing systems, improving detection performance, robustness to noise, and interpretability of microwave imaging data. Collectively, these contributions provide a foundation for future developments in both biomedical and security focused subsurface sensing applications.
Benzer Tezler
- Clinically significant prostate cancer detection and diagnosis in bi-parametric mrı
Bi-parametrik mr görüntülerinde klinik olarak önemli prostat kanserinin tespiti ve tanisi
CLINTON BINDA ASOH ITAMBI
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SONGÜL VARLI
Dr. MECİT YÜZKAT
- Alt havzalar düzeyinde tatlı su sağlama ve taşkın riskinin doğa tabanlı çözümler ile değerlendirilmesi
Assessment of water yield and flood risk through nature-based solutions at the sub-basin watershed scale
SAADET GÖKÇEN KARADUMAN
Yüksek Lisans
Türkçe
2026
Şehircilik ve Bölge Planlamaİzmir Katip Çelebi ÜniversitesiOrman Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ UFUK ÖZKAN
- Coğrafi bilgi sistemi tabanlı banka şubesi ve ATM lokasyon optimizasyonu: İstanbul örneği
Geographical information system based bank branch and ATM location optimization:Istanbul example
ERKAN ATABEY
Yüksek Lisans
Türkçe
2025
Bilim ve Teknolojiİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ERGİN TARI
- Influences of regulatory focus, core self evaluations and age on biases in perception and choice
Süreğen yönetim odağı, öz benlik değerlendirmesi ve yaşın algı ve seçimlerdekı yanılgılar uzerindeki etkileri
YASEMİN KİSBU
- Çörekotu (Nigella sativa l.) lipaz enziminin stabilizasyonuna şekerlerin etkisi
Başlık çevirisi yok
AYSUN AKIN
Yüksek Lisans
Türkçe
1998
Kimya Mühendisliğiİstanbul Teknik ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
PROF. DR. GÜLDEM ÜSTÜN