GCRIS

Now showing 1 - 3 of 3

Derin öğrenme kullanarak LIS destekli kablosuz iletişim sistemlerinin optimizasyonu
(2025) Al-janabı, Mustafa Muayad Hasan; Sever, Professor Hayri
In this thesis, we propose a comprehensive deep learning-based beamforming for double-sided Large Intelligent Surface (LIS) communication in the next-generation computer communication and intelligent wireless network systems. The method uses a multi-layer perceptron (MLP) to predict the optimal reflection beamforming vector using channel state information (CSI)-related environment description. Consequently, the system is able to dynamically adapt to channel variations with no need for iterative optimization and hence can perform efficiently in real-time applications. The performance of the proposed model is evaluated based on four benchmark datasets, including DeepMIMO, MIMO Radar Signal Dataset, Real-Time MIMO IoT Antenna Selection Dataset, and WiFi CSI Localization Dataset. The results confirm the better performance of Adam in terms of Bit Error Rate (BER) minimization with up to 25% reduction across the datasets. Furthermore, the achievable rate on the DeepMIMO dataset improved from 8.37 bits/s/Hz under RMSPROP to 8.50 bits/s/Hz with Adam. This gain, and also the improved supportability against practical system constraints, result in increasing the spectral efficiency and improving device performance further under realistic limitations including reduced active elements, constrained training power, and limited training overhead.
An Adaptive and Context-Aware Text Segmentation Method for Information Retrieval
(2026) Şirin, Burçe; Arslan, Serdar
Günümüzde dijital uygulamaların artmasıyla birlikte metinsel verilerin hacmi artmakta; ayrıca dil, yapı, içerik, uzunluk gibi özellikler bakımından giderek daha çeşitlenmekte ve karmaşıklaşmaktadır. Böyle geniş bir bilgi havuzunda bireylerin ihtiyaç duydukları bilgiye doğru ve etkin bir şekilde erişmeleri giderek zorlaşmakta; bu da bilgi erişim sistemlerini vazgeçilmez hale getirmektedir. Ancak bu sistemlerde, özellikle uzun ve içerik açısından zengin metinlerin tek parça halinde ele alınması anlamsal kayma ve işlem maliyetinin artması sorunlarına yol açabilmektedir. Bu sorunların çözümü için, metinlerin anlam bütünlüğü korunarak daha küçük parçalara ayrılmasını amaçlayan çeşitli metin segmentasyon yöntemleri geliştirilmiştir. Bununla birlikte, mevcut çalışmalar segmentasyon başarısının veri seti özellikleri ve görev gereksinimlerine bağlı olarak değiştiğini ve tüm senaryolar için geçerli tek bir yaklaşım bulunmadığını göstermektedir. Bu durum, yeni ve uyarlanabilir yöntemlere olan ihtiyacı ortaya koymaktadır. Bu tezde, bu ihtiyaçtan yola çıkarak, veriye ve bağlama duyarlı bir segmentasyon yöntemi önerilmekte ve bilgi erişimi açısından verimliliği ve etkinliği değerlendirilmektedir. Önerilen yöntemde öncelikle metinler cümlelere ayrılmakta ve her cümle için yoğun vektör temsilleri oluşturulmaktadır. Ardışık cümleler arasındaki anlamsal ilişkiler, bu vektörleri kullanan bir maliyet fonksiyonu ile modellenmekte ve dinamik programlama yaklaşımı ile küresel maliyeti en aza indiren segment sınırları belirlenmektedir. Önerilen yöntem, farklı veri kümeleri ve vektör temsili oluşturma stratejileri kullanılarak bir bilgi erişim hattı üzerinde bir referans yöntemle karşılaştırılmıştır. Değerlendirmeler, ortalama segment boyutlarına, segmentasyon süresine ve MRR, DCG ve nDCG bilgi erişim metriklerine göre yapılmıştır. Deneysel bulgular, önerilen yöntemin verimlilik açısından başarılı olduğunu ortaya koymaktadır. İyileşmeler sınırlı düzeyde olmakla birlikte, etkin bilgi erişimi konusunda da tutarlı kazanımlar sağlandığı gözlemlenmiştir.
A Fully Unsupervised Ensemble Autoencoder Framework for Network Intrusion Detection and Attack-Type
(2026) Yıldırım, Ahmet; Saran, Ayşe Nurdan
This thesis proposes a fully unsupervised ensemble-based Autoencoder intrusion detection system (IDS) evaluated on the UNSW-NB15 dataset. The framework integrates Fully Connected Autoencoder (FC-AE), Convolutional Neural Network Autoencoder (CNN-AE), and Long Short-Term Memory Autoencoder (LSTM-AE) architectures trained exclusively on normal network traffic. Anomaly detection is performed using a dual-metric scoring approach that combines reconstruction error and Mahalanobis distance, followed by weighted ensemble aggregation. Experimental results demonstrate highly accurate binary anomaly detection, achieving an F1-score of 0.9994, an AUC-ROC of 1.0000, and an AUPRC of 1.0000. In addition, unsupervised attack-type inference using latent-space clustering achieves an overall accuracy of 96.19% with a weighted F1-score of 0.9574.

Yüksek Lisans Tezleri

Browse

Filters

Settings

Sort By

Results per page

Search Results