Elektrik Elektronik Mühendisliği Bölümü Tezleri
Permanent URI for this collectionhttps://hdl.handle.net/20.500.12416/2057
Browse
Browsing Elektrik Elektronik Mühendisliği Bölümü Tezleri by Subject "Convolutional Neural Networks"
Now showing 1 - 2 of 2
- Results Per Page
- Sort Options
Item Citation Count: Yılmaz, Barış (2022). Efficient implementation of convolutional neural networks on embedded devices / Gömülü cihazlarda evrişimsel sinir ağlarının verimli uygulaması. Yayımlanmış yüksek lisans tezi. Ankara: Çankaya Üniversitesi, Fen Bilimleri Enstitüsü.Efficient implementation of convolutional neural networks on embedded devices(2022) Yılmaz, Barış; Çankaya Üniversitesi, Fen Bilimleri Enstitüsü, Elektrik Elektronik Mühendisliği BölümüYapay zeka alanında, derin evrişimsel sinir ağı modelleri, insan sonuçlarına yakın sonuçlar verebildikleri için çok popülerdir. Uygulamaya bağlı olarak, bu derin öğrenme modelleri çok basit ve küçük olabilir, ancak aynı zamanda çok karmaşık ve büyük de olabilir. Bu nedenle, bu modelleri uygulayan gömülü sistemlerin performansı zayıf ve olanaksız olabilir. Bu tez, çeşitli yöntemlerin kullanılmasıyla, performansta önemli bir kayıp olmadan derin evrişimsel sinir mimarisi verimliliğini iyileştirmeyi amaçlamaktadır. Bu amaçla, ilk olarak katman aktivasyonlarında öznitelik boyutu küçültmelerinden yararlanıyoruz. Özellik boyut küçültme için Temel Bileşen Analizi ve Select-K-Best fonksiyonu gibi yöntemler kullanıyoruz. Sonrasında, niceliksel farkındalık eğitimli ikili derin evrişimli sinir ağı modelini daha verimli hale getirmek için, bir karar verme mekanizması olarak derin öğrenme modelinin tam bağlantılı katmanlarını değiştirerek "Düzenli Pozitif ve Negatif Çıkarım" algoritmasını da kullanıyoruz. Bu tezin nihai amacı, bu yöntemlerin önemli bir performans kaybı olmadan modellerimizi verimli hale getirip getiremeyeceğini ve ikili nicemlenmiş derin evrişimsel sinir ağının verimliliğini daha da artırıp artıramayacağımızı gözlemlemektir.Item Citation Count: Çıkış, Melis (2022). Machine learning of accelerogram data for analyses, modeling and prediction / Analizler, modelleme ve tahmin için akselerogram verilerinin makine öğrenimi. Yayımlanmış yüksek lisans tezi. Ankara: Çankaya Üniversitesi, Fen Bilimleri Enstitüsü.Machine learning of accelerogram data for analyses, modeling and prediction(2022) Çıkış, Melis; Çankaya Üniversitesi, Fen Bilimleri Enstitüsü, Elektrik Elektronik Mühendisliği BölümüBu tezde, kuvvetli yer hareketi istasyonundan kaydedilmiş ivmeölçer kayıtlarının evrişimsel ağlarda işlenmesi ile merkez üssü konumu tahmini sağlanmıştır. Deprem ivmeölçer kayıtlarının spektrogram tabanlı sahte renk gösterimi önerilmiş ve bu gösterimin evrişimsel ağlarda uygulanması tartışılmıştır. Kamuya açık kırk iki binden fazla deprem kaydı kullanılarak, 5 saniyelik yüzbinlerce sahte renk spektrogramı ile bir merkez üssü kümelemesi yapılmış, ve benzer kümelerdeki depremlerin benzer gösterimler yarattığı gözlenmiştir. Elde edilen bu merkez üssü kümeleme ile farklı yıllara ait farklı kayıtlar kullanılarak evrişimsel ağ eğitilmiştir. Eğitilen bu ağ ile herhangi bir deprem olayına ait, merkez üssü ve derinlik bilgilerini tahmin etmek amaçlanmıştır. Eğitimler sonucunda, tek istasyondan kaydedilen ivmeölçer verileri ile yaratılan spektrogramların evrişimsel ağlarda kullanılabildiği ve ivmeölçer verilerinin merkez üssü tespit etmede potansiyeli olduğu gözlemlenmiştir.