Browsing by Author "Güzeliş, Cüneyt"

Now showing 1 - 20 of 20

Citation - WoS: 4
Citation - Scopus: 4
A Canonical 3-D P53 Network Model that Determines Cell Fate by Counting Pulses
(ISTANBUL UNIV FAC ENGINEERING, 2018) Gokhan Demirkiran; Guleser Kalayci Demir; Cuneyt Guzelis; Güzeliş, Cüneyt; Demirkıran, Gökhan; Demir, Güleser Kalaycı
From a system theory perspective p53 network dynamics is interesting since it can exhibit three dynamical modes of p53 namely low-level equilibrium oscillation and high-level equilibrium. Each of these modes are associated with different cell fate outcomes: cell survival cell cycle arrest and apoptosis. The literature reveals that a high level (apoptosis) is seen only after ending the oscillation phase so called two-phase dynamics which provides the decision of apoptosis depending on the oscillation duration. This paper proposes that a negative feedback can keep time by counting the pulses of oscillation to take the decision of apoptosis or cell survival. P53DINP1 which is the mediator of this feedback is added as a variable to a 2-D oscillator model of the p53 network. The resulting canonical 3-D model successfully replicates the two-phase dynamics. That is it possesses temporary oscillatory behavior in which first oscillations (first phase) and then high level state (second phase) are observed. By introducing a new variable to the core oscillator in the p53 network this study demonstrates that p53 network can be considered a modular structure which consists of an oscillator and other variables that control this oscillator to contribute to cell fate determination.
Citation - Scopus: 2
Bayesian Networks as Approximations of Biochemical Networks
(Springer Science and Business Media Deutschland GmbH, 2023) Adrien L. Le Coënt; Benoît Barbot; Nihal Pekergin; Cüneyt Güzeliş; Barbot, Benoît; Pekergin, Nihal; Le Coënt, Adrien; Güzeliş, Cüneyt; M. Iacono , M. Scarpa , S. Serrano , F. Longo , E. Barbierato , D. Cerotti
Biochemical networks are usually modeled by Ordinary Differential Equations (ODEs) that describe time evolution of the concentrations of the interacting (biochemical) species for specific initial concentrations and certain values of the interaction rates. The uncertainty in the measurements of the model parameters (i.e. interaction rates) and the concentrations (i.e. state variables) is not an uncommon occurrence due to biological variability and noise. So there is a great need to predict the evolution of the species for some intervals or probability distributions instead of specific initial conditions and parameter values. To this end one can employ either phase portrait method together with bifurcation analysis as a dynamical system approach or Dynamical Bayesian Networks (DBNs) in a probabilistic domain. The first approach is restricted to the case of a few number of parameters while DBNs have recently been used for large biochemical networks. In this paper we show that time-homogeneous ODE parameters can be efficiently estimated with Bayesian Networks. The accuracy and computation time of our approach is compared to two-slice time-invariant DBNs that have already been used for this purpose. The efficiency of our approach is demonstrated on two toy examples and the EGF-NGF signaling pathway. © 2023 Elsevier B.V. All rights reserved.
Bilimsel makalelerin dönüşüm tabanlı yapay zeka ile değerlendirilmesi
(2024) Bakay, Uğur; Güzeliş, Cüneyt; Erdoğdu, Kazım
Akademik yayıncılıkta hakem değerlendirmesi, araştırma kalitesini ve bütünlüğünü uzman değerlendirmesi yoluyla sağlamak için kritik bir süreçtir. Ancak, geleneksel hakem değerlendirmesi, artan başvuru hacimleri ve potansiyel önyargılar gibi zorluklarla karşı karşıyadır. Otomatik değerlendirme süreçleri için Yapay Zeka'ya (YZ) yönelik artan bir ilgi bulunmaktadır. Bu makale, Büyük Dil Modelleri (LLM'ler) ve Destek Vektör Makineleri (SVM) algoritmalarını kullanan AI-Bazlı Makale İnceleme Aracını (AI-BART) sunmaktadır. Makine öğrenimi konferanslarından alınan bir veri seti üzerinde eğitilen bu araç, makalelerin özet, giriş ve sonuç bölümlerine dayanarak kabul veya reddini tahmin eder. Deneysel sonuçlar, %85 doğruluk oranı ile YZ'nin hakem değerlendirme verimliliğini ve nesnelliğini artırmadaki potansiyelini vurgulamaktadır.
Destek vektör regresyonu için örnek tabanlı düzenleme
(2023) Keleşoğlu, Nur; Güzeliş, Cüneyt
Regression analysis is a statistical method used in machine learning to estimate the relationship between two or more quantitative variables in business, finance, economics, engineering, and other disciplines. In this thesis, we proposed a sample based regularization algorithm that augments the cost function of Support Vector Regression (SVR) to increase generalization ability. We aim to increase the generalization capability of SVR, which is a Support Vector Machine (SVM) based machine learning model generally used for regression problems. Contrary to the current approaches to the generalization ability problem, we have improved the performance of the SVR model by increasing the generalization ability of the model. We reduce the weights towards zero, decrease the number of support vectors of the SVR model and increase the generalization ability of the model by the proposed method. In order to see the effect of our approach on the performance of the model, we compared it with the conventional regression machine learning models. We also compared the results of the proposed model with the results of a recent study. In order to evaluate the performance of our approach, we compared the R2 score metric, Mean Square Error (MSE), Root Mean Squared Error (RMSE), and Mean Absolute Error (MAE) error metrics. We also present the training and execution times of the models. Moreover, we show the implementation of the SVR model with a sample based regularization in indoor fire and forest fire detection applications. Accordingly, we develop a Hybrid SR-SVR architecture with the novel sample based regularization for SVR. We compared this method with the machine learning models. In addition, we present our results in terms of Accuracy, Precision, Recall, F1 score, True Positive Rate (TPR), and True Negative Rate (TNR). The study presented in this thesis contributes to the Support Vector Regression literature by introducing an efficient regularization method, so called sample based regularization.
Citation - Scopus: 3
Development of a deep wavelet pyramid scene parsing semantic segmentation network for scene perception in indoor environments
(Springer Science and Business Media Deutschland GmbH, 2023) Simge Nur Aslan; Ayşegül Uçar; Cüneyt Güzeliş; Güzeliş, Cüneyt; Uçar, Ayşegül; Aslan, Simge Nur
In this paper a new Deep Wavelet Pyramid Scene Parsing Network (DW-PSPNet) is proposed as an effective combination of Discrete Wavelet Transform (DWT) inception module the channel and spatial attention modules and PSPNet. Improved semantic segmentation via the combination to our best knowledge is not yet reported in the literature. The paper has two main contributions: (1) a new backbone network into PSPNET introduced by a combination of DWT inspection modules and attention mechanisms, (2) a new and improved version of PSPNet base structure. Further three new modifications are introduced. First the drop activation function is used to increase validation and test accuracy of the segmentation. Second a skip connection from the backbone is applied to increase validation and test accuracies by restoring the resolution of feature maps via full utilization of multilevel semantic features. Third Inverse Wavelet Transform (IWT) and convolution layer are applied to obtain the segmented images without information loss. DW-PSPNet was implemented via our own data generated by using a Robotis-Op3 humanoid robot to detect objects in indoor environments and and benchmark data set. Simulation results show higher performance of the proposed network compared with that of previous successful networks in handling semantic segmentation tasks in indoor environments. Moreover extensive experiments on the benchmark Ade20K data set were also conducted. DW-PSPNET achieved an mIoU score of 45.97% on the ADE20K validation set which are new state-of-the-art results. © 2023 Elsevier B.V. All rights reserved.
Citation - WoS: 13
Citation - Scopus: 18
Development of a New Robust Stable Walking Algorithm for a Humanoid Robot Using Deep Reinforcement Learning with Multi-Sensor Data Fusion
(MDPI, 2023) Cagri Kaymak; Aysegul Ucar; Cuneyt Guzelis; Güzeliş, Cüneyt; Kaymak, Çağrı; Uçar, Ayşegül
The difficult task of creating reliable mobility for humanoid robots has been studied for decades. Even though several different walking strategies have been put forth and walking performance has substantially increased stability still needs to catch up to expectations. Applications for Reinforcement Learning (RL) techniques are constrained by low convergence and ineffective training. This paper develops a new robust and efficient framework based on the Robotis-OP2 humanoid robot combined with a typical trajectory-generating controller and Deep Reinforcement Learning (DRL) to overcome these limitations. This framework consists of optimizing the walking trajectory parameters and posture balancing system. Multi-sensors of the robot are used for parameter optimization. Walking parameters are optimized using the Dueling Double Deep Q Network (D3QN) one of the DRL algorithms in the Webots simulator. The hip strategy is adopted for the posture balancing system. Experimental studies are carried out in both simulation and real environments with the proposed framework and Robotis-OP2's walking algorithm. Experimental results show that the robot performs more stable walking with the proposed framework than Robotis-OP2's walking algorithm. It is thought that the proposed framework will be beneficial for researchers studying in the field of humanoid robot locomotion.
Citation - WoS: 4
Citation - Scopus: 7
Dynamic Automatic Forecaster Selection via Artificial Neural Network Based Emulation to Enable Massive Access for the Internet of Things
(Academic Press, 2022) Mert Nakıp; Erdem Çakan; Volkan Rodoplu; Cüneyt Güzeliş; Çakan, Erdem; Rodoplu, Volkan; Güzeliş, Cüneyt; Nakıp, Mert
The Massive Access Problem of the Internet of Things (IoT) occurs at the uplink Medium Access Control (MAC) layer when a massive number of IoT devices seek to transfer their data to an IoT gateway. Although recently proposed predictive access solutions that schedule the uplink traffic based on forecasts of IoT device traffic achieve high network performance these solutions depend heavily on the performance of forecasters. Hence the design and selection of forecasting schemes are key to enabling massive access for such predictive access solutions. To this end in this paper first we develop a framework that emulates the relationship between the IoT device class composition in the coverage area of an IoT gateway and the resulting network performance by virtue of an Artificial Neural Network (ANN). Second based on this framework we develop the Dynamic Automatic Forecaster Selection (DAFS) method which selects the best-performing forecasting scheme for predictive access in particular for Joint Forecasting-Scheduling (JFS) in a manner that adapts dynamically to a changing number of IoT devices in each device class in the coverage area. We evaluate the performance of DAFS via simulations and show that our method is able to achieve at least 80% of the best performance that can be attained for both throughput and energy consumption. Furthermore we demonstrate that DAFS is robust with respect to the selection of architectural parameters and has a reasonable computation time for real-time IoT applications. These results imply that DAFS holds the potential for practical implementation at IoT gateways in order to enable massive access under a dynamically changing composition of IoT devices. © 2022 Elsevier B.V. All rights reserved.
Kaotik mutfak tipi bir mikserin gerçeklenmesi ve performans değerlendirmesi
(2019) İzmir, Tolga Tugay; Güzeliş, Cüneyt
In this thesis, chaotic systems, which work more efficiently than conventional methods, are considered, and it is aimed to develop a kitchen type chaotic mixer prototype and to perform efficiency analysis in cake dough mixture application. Prototype mixer has been realized with hardware and software changes to be made on a commercial kitchen type mixer, which works originally with conventional method. For the chaotic operation of the mixer, a new control card is designed. Motor speed is controlled based on a micro controller, which transmits the speed signal to the power card driving the mixer motor. Chaotic signal is generated by a simple chaotic system, namely the logistic map, implemented in microcontroller. The generated chaotic signal is fed to drive the mixer motor in order to chaotify motor speed in a feedforward control scheme. By computing the Lyapunov exponent of the motor speed signal, it is observed that such a feedforward chaotification scheme is sufficient to achieve chaotic mixer speed. A tablet with Android operating system is provided for operating the mixer with the chaotic or conventional method, adjusting the engine speed, setting the test run time, entering the Proportional Integral Derivative controller parameter values, and checking the voltage-current information. A SCADA application has been written that can be used on all devices with Android operating system. Wireless Bluetooth communication has been chosen for SCADA software and control board communication to eliminate practicality and cable clutter. The thesis demonstrates the efficiency of chaotic mixing in food engineering and, in particular, cake dough mixing. The experimental studies of the thesis include rheological, physical and sensory analyses of the cake product obtained by chaotic mixing. Consistency check is done for overall qualitative properties. The analyses shows that, as compared to the conventional one, namely the constant speed mixing, chaotic mixing provides the cake products to possess almost the same characteristics obtained with almost half of the energy and time consumption.
Mikro şebeke enerji yönetimi için tahmine dayalı hibrit model öngörümlü kontrol algoritması
(2020) Kahraman, Ayşegül; Güzeliş, Cüneyt; Bıyık, Emrah
Enerji talebindeki artış, geleneksel enerji üretiminin çevresel etkileri ve daha yüksek yenilenebilir enerji penetrasyonu, bizi akıllı şebeke, dağıtılmış üretim, elektrik depolama ve gelişmiş kontrol ve eniyileme (optimizasyon) konuları üzerine düşünmeye yönlendirmiştir. Bu tezde, bir mikro şebekenin kontrol problemi, ileri kontrol tekniği olan Model Öngörülü Kontrol (MÖK) ile yönetilirken, güneş enerjisi üretiminin ve elektrik yükü talebinin rassal doğası dikkate alınarak çalışılmıştır. İlk olarak elektrik yük talebini ve fotovoltaik (FV) çıkış gücünü tahmin etmek için farklı tahmin yöntemlerini kullandık. Türkiye'de Yaşar Üniversitesinde bulunan, binaya entegre fotovoltaik sistemin enerji üretimini ve aynı kampüste bulunan bir binanın elektrik yük tüketimini 24 saatlik zaman dilimi boyunca tahmin etmek için Doğrusal Regresyon, Mevsimsel Özbağlanımlı Tümleşik Kayan Ortalama ve Çok Katmanlı Algılayıcı (ÇKA) yöntemlerini uyguladık. Ardından üç farklı MÖK yaklaşımı tasarlayıp, bu yaklaşımların performanslarını karşılaştırdık: (i) gelecekteki yük ve FV üretimin noktasal tahminlerini alarak deterministik MÖK, (ii) geçmiş net yük dağılımını kullanarak rassal MÖK, (iii) deterministik ve rassal MÖK yöntemlerinin güçlü yönlerini birleştiren melez (hibrit) yöntem. Yük talebi ve yenilenebilir enerji üretiminin rassal yapısını ele almak için 'şans kısıtı' ve 'iki aşamalı (eklenmeli)' rassal programlama yöntemlerini MÖK yaklaşımı içinde kullanıyoruz. İki aşamalı yöntemde senaryoların sayısını azaltmak için, özgün bir Tekil Değer Ayrıştırma tabanlı model derecesi azaltma yöntemi uyguladık. Bu tezin özgün katkıları iki şekildedir: (i) gelecekteki zaman dilimleri için geçmiş verinin karakterini ve noktasal tahminleri birleştiren ve bu sayede tamamen deterministik veya rassal MÖK yaklaşımlarından daha iyi performans gösteren melez bir MÖK yaklaşımının geliştirilmesi ve (ii) iki aşamalı rassal programlamada senaryoların sayısını azaltmak için Tekil Değer Ayrıştırma tekniğinin uyarlanmasıdır.
Mobil nesnelerin interneti için makine öğrenimine dayalı enerji verimli iç mekanda konumlandırma
(2022) Saylam, Alper; Rodoplu, Volkan; Güzeliş, Cüneyt
Yapay Zekâ, mobil Nesnelerin İnterneti (IoT) cihazlarının konumlandırma doğruluğu ve enerji tüketimi ile ilgili zorlukların üstesinden gelmede iç mekan konumlandırma ve izleme sistemleri için umut verici bir çözümdür. Konumlandırma literatüründeki geçmiş çalışmaların çoğu, konumlandırma doğruluğunu artırmaya ve reaktif yaklaşımlar yoluyla iletim enerji tüketimi sorununu çözmeye odaklanmıştır. Bu geçmiş yaklaşımların aksine, yaklaşımımız bir mobil IoT cihazının gelecekteki yörüngesini tahmin etmek ve bu yörünge tahminlerine dayalı olarak konumlandırma aralığını belirlemektir. Yaklaşımımız, iç mekan konumlandırma ve izleme sistemlerinde bir mobil IoT cihazının iletim enerji tüketimini azaltmayı amaçlamaktadır. Bu tezde ilk olarak, enerji verimli iç mekan konumlandırma elde etmek için ``Karşılıklı Tahmin Hatasına Dayalı Dinamik Konumlandırma Aralığı (DPI-RFE)'' adlı bir algoritma geliştirilmiştir. Mevcut iç mekan konumlandırma algoritmalarının aksine, DPI-RFE, karşılıklı anlık tahmin hatasına dayalı olarak konumlandırma aralığını uyarlar, böylece iletim enerji tüketimini tahmin hatasına karşı dinamik olarak değiştirir. Toplam iletim enerji tüketimi ve ortalama tahmin hatası açısından DPI-RFE'nin performansı Sabit Konumlandırma Aralığı (CPI) ve Yer Değiştirme tabanlı Konumlandırma Aralığı (PID) ile karşılaştırılmaktadır. Sonuçlarımız, rekabetçi bir ortalama tahmin hatası performansı elde ederken, DPI-RFE'nin iletim enerji tüketimi açısından bu kıyaslama algoritmalarının her ikisinden de önemli ölçüde daha iyi performansa sahip olduğunu göstermektedir. İkincisi, mobil IoT cihazları için enerji verimliliğini daha da artırmak için ``Makine Öğrenimi Etkinleştirilmiş Uyku Süresi Tahmini (MLE-STE)' adlı yeni bir mimari geliştirilmiştir. MLE-STE mimarimiz, mobil cihazın yörüngesini tahmin eder ve hedef maksimum tahmin hatasına tabi olan tahmin pozisyonlarına göre mobil cihazın izin verilen maksimum uyku süresini tahmin eder. MLE-STE mimarimizin performansı, Yer Değiştirmeye Dayalı Konumlandırma Aralığı (PID) ve Karşılıklı Tahmin Hatasına Dayalı Dinamik Konumlandırma Aralığı (DPI-RFE) algoritmalarının performansıyla, iletim enerji tüketimi ve tahmin hatası açısından karşılaştırılmaktadır. Sonuçlarımız, MLE-STE mimarisinin hem PID hem de DPI-RFE'den daha iyi performansa verdiğini göstermektedir. Bu tez, mobil IoT cihazları için yüksek enerji verimliliği sağlayan makine öğrenimi tabanlı iç mekan konumlandırma ve izleme sistemlerinin geliştirilmesine giden yolu açmaktadır.
Citation - Scopus: 4
Multi Channel EEG Based Biometric System with a Custom Designed Convolutional Neural Network
(Springer Science and Business Media Deutschland GmbH, 2022) Kaan Bakırcıoglu; Musa Bindawa Tanimu; Nalan Ǒzkurt; Mustafa Seçmen; Cüneyt Güzeliş; Osman Yıldız; Tanimu, Musa Bindawa; Bakırcıoglu, Kaan; Güzeliş, Cüneyt; Yıldız, Osman; Seçmen, Mustafa; Özkurt, Nalan; M.N. Seyman
In this study a convolutional neural network (CNN) is designed to identify multi-channel raw electroencephalograph (EEG) signals obtained from different subjects. The dataset contains 14 channel EEG signals taken from 21 subjects with their eyes closed at a resting state for 120 s with 12 different stimuli. The resting state EEG waves were selected due to better performance in classification. For the classification a Convolutional Neural Network (CNN) was custom designed to offer the best performance. With the sliding window approach the signals were separated into overlapping 5 s windows for training CNN better. fivefold cross-validation was used to increase the generalization ability of the network. It has been observed that while the proposed CNN is found to give a correct classification rate (CCR) of 72.71% the CCR reached the level of average 83.51% by using 4 channels. Also this reduced the training time from 626 to 306 s. Therefore the results show that usage of specific channels increases the classification accuracy and reduces the time required for training. © 2022 Elsevier B.V. All rights reserved.
Citation - Scopus: 10
Multi-Channel Subset Iteration with Minimal Loss in Available Capacity (MC-SIMLAC) Algorithm for Joint Forecasting-Scheduling in the Internet of Things
(Innovative Information Science and Technology Research Group, 2022) Arif Kerem Dayı; Volkan Rodoplu; Mert Nakıp; Buse Pehlivan; Cüneyt Güzeliş; Dayı, Arif Kerem; Rodoplu, Volkan; Güzeliş, Cüneyt; Pehlivan, Buse; Nakip, Mert
The Massive Access Problem of the Internet of Things (IoT) refers to the problem of scheduling the uplink transmissions of a massive number of IoT devices in the coverage area of an IoT gateway. Joint Forecasting-Scheduling (JFS) is a recently developed methodology in which an IoT gateway forms predictions of the future uplink traffic generation pattern of each IoT device in its coverage area via machine learning algorithms and uses these predictions to schedule the uplink traffic of all of the IoT devices in advance. In this paper we develop a novel algorithm which we call “Multi-Channel Subset Iteration with Minimal Loss in Available Capacity” (MC-SIMLAC) for multi-channel joint forecasting-scheduling. Our multi-channel scheduling algorithm iterates over subsets of all of the bursts of IoT device traffic and selects channel-slot pairs by targeting the minimization of loss in total available capacity. In this regard our algorithm contrasts sharply with Multi-Channel Look Ahead Priority based on Average Load (MC-LAPAL) which is the best-performing heuristic that has been developed so far for multi-channel JFS. In the general case our algorithm outperforms MC-LAPAL especially when wireless links operate in the power-limited regime and the number of devices is large. For the special case of identical channels our algorithm achieves a performance that is closer than MC-LAPAL to that of the optimal scheduler. Furthermore we prove that the time complexity and the space complexity of MC-SIMLAC in the worst case are polynomial in each of the system parameters which indicates practical feasibility. These results pave the way to the widespread use of multi-channel joint forecasting-scheduling at IoT gateways in the near future. © 2022 Elsevier B.V. All rights reserved.
Nesnelerin interneti için altuzay tabanlı uygulamaya özgü hata metriği öykünmesi ile bütünleşik tahminleme-çizelgeleme
(2021) Helva, Alperen; Rodoplu, Volkan; Güzeliş, Cüneyt
The massive access problem refers to the challenge posed in uplink wireless communication from a massive number of Internet of Things (IoT) devices to an IoT gateway, base station or access point. In this thesis, first, we present an Application-Specific Error Function (ASEF), which measures the impact of the forecasting error on network performance for Joint Forecasting-Scheduling (JFS). Second, we propose a Neural Network (NN)-based emulation of ASEF on a subspace of forecasting errors, which we call ``Emulation of ASEF'' (E-ASEF), and develop a novel algorithm, ``Motion On a Subspace under Adaptive Learning rate'' (MOSAL), which moves on this subspace of forecasting errors while minimizing the application-specific error metric at the output of MAC-layer scheduling. Our results show that MOSAL improves the performance of the JFS system while achieving a low execution time. This work paves the way to achieving high network performance at an IoT Gateway that has a massive number of IoT devices in its coverage area.
Nesnelerin interneti için anomali tahminlemesi
(2022) Çıkmazel, Rıfat Orhan; Rodoplu, Volkan; Güzeliş, Cüneyt
Anomali tahminlemesi, anomalilerin geçmişte meydana gelmesine bağlı olarak gelecekte meydana gelecek anomalilerin tahmin edilmesi problemini ifade eder. Bu tez çalışmasında, akıllı şehirlerin IoT verilerinde meydana gelen anomalileri tahmin etmek için ``Çok Çözünürlüklü Seviyeler Arası İyileştirme (MR-ILR)'' adlı yeni bir mimari geliştirdik. Anomali tahminlemesi problemine yönelik mevcut yaklaşımların aksine, mimarimiz IoT zaman serisi verilerini birden çok zaman çözünürlüğünde işleyerek tahminler yapar ve bu tahminleri iyileştirmek için ardışık çözünürlüklerdeki tahminleri birleştirir. Mimarimiz üç modülden oluşmaktadır: Birincisi, ``Seviyeler Arası VEYA'' modülü, IoT verilerindeki geçmiş anomalileri temsil eden vektörün mantıksal VEYA'sını alır ve giderek daha kaba çözünürlüklerde bir anomalinin oluşumunu temsil eder. İkincisi, bir Çok Katmanlı Algılayıcı (MLP), herhangi bir belirli çözünürlükte anomalinin oluşumunu tahmin eder. Üçüncüsü, ardışık çözünürlüklerdeki anomali tahminleri, daha doğru anomali tahminleri üretmek için ``İyileştirici'' modüllerinde birleştirilir. Mimarimiz, farklı zamansal çözünürlüklerde anomali tahminleri üretme esnekliğini sağlamaktadır. Mimarimizin performansını değerlendirmek için MR-ILR mimarimizin performansı MLP ve Uzun Kısa Süreli Bellek (LSTM) kıyaslama modelleriyle karşılaştırılmaktadır. Sonuçlar, mimarimizin F1 puanına göre bu iki kıyaslama modelinden önemli ölçüde daha iyi performans sergilediğini göstermektedir. Bu tez çalışmasında tasarladığımız mimari, IoT verilerindeki zorlu bir problem olan anomali tahminlemesinin çözümünde önemli bir ilerlemeyi temsil etmektedir ve çok daha geniş alanlardaki anomali tahminlemesinin hedeflendiği problemlerde uygulanma potansiyeline sahiptir.
Nesnelerin interneti için bütünleşik tahmin çizelgelemede yapay sinir ağı tabanlı dinamik tahminleyici seçimi
(2022) Çakan, Erdem; Rodoplu, Volkan; Güzeliş, Cüneyt
Nesnelerin İnterneti'nin (IoT) Devasa Erişim Sorunu, çok sayıda IoT cihazı verilerini bir IoT ağ geçidine aktarmaya çalıştığında, yukarı bağlantı Orta Erişim Kontrolü (MAC) katmanında ortaya çıkar. Yakın zamanda önerilen, yukarı bağlantı trafiğini IoT cihaz trafiği tahminlerine dayalı olarak planlayan tahmine dayalı erişim çözümleri yüksek ağ performansı elde etse de, bu çözümler büyük ölçüde tahmincilerin performansına bağlıdır. Bu nedenle, tahmin şemalarının tasarımı ve seçimi, bu tür tahmine dayalı erişim çözümlerine kitlesel erişim sağlamanın anahtar noktasıdır. Bu amaçla, bu tezde ilk olarak, bir IoT ağ geçidinin kapsama alanındaki IoT cihaz sınıfı kompozisyonu ile bir Yapay Sinir Ağı (YSA) sayesinde elde edilen ağ performansı arasındaki ilişkiyi öykünen bir yapı geliştirdik. Önerilen yapı, devasa erişim sorununa odaklanan önceki yaklaşımların aksine, bir IoT ağ geçidinin kapsama alanındaki olası cihaz popülasyonu için ağ performansını belirtmek için Bütünleşik Tahminleme-Çizelgeleme (JFS) sistemini öykünebilmektedir. İkinci olarak, bu yapıya dayalı olarak, özellikle JFS için tahmine dayalı erişim için en iyi performans gösteren tahmin şemasını seçen bir Dinamik Otomatik Tahminci Seçimi (DAFS) yöntemi geliştirdik. Önerilen yöntem, kapsama alanındaki her cihaz sınıfında değişen sayıda IoT cihazına dinamik olarak uyum sağlayacak şekilde çalışmaktadır. IoT cihazlarını trafik oluşturma modellerine göre dört türe ayırdık: Sabit Bit Periyodik (FBP), Değişken Bit Periyodik (VBP), Sabit Bit Aperiyodik (FBA) ve Değişken Bit Periyodik (VBA). Her bir cihaz sınıfındaki cihaz sayısını DAFS yöntemine besledik. DAFS'nin performansını simülasyonlar aracılığıyla değerlendirdik ve ağ akış verimi ve enerji tüketimi için emülasyon sonuçlarını Hizmet Kalitesi (QoS) metrikleri olarak sunduk. Sonuçlarımız, dinamik olarak değişen bir IoT cihazları bileşimi altında devasa erişim sağlamak için DAFS'nin IoT ağ geçitlerinde pratik uygulama potansiyeline sahip olduğunu göstermektedir. Üçüncü olarak, Devasa Erişim Sorunu için çoklu sinir ağları aracılığıyla bir Veri Füzyon Entegre Ağ Tahmin Şeması Sınıflandırıcı (DFI-NFSC) geliştirdik. Her bir aygıt sınıfı tarafından 24 saatlik bir pencerede üretilen toplam bit sayısı üzerinden ortalama ve standart sapma verileri ile yeni öznitelikler ekleyerek DAFS'nin performansını iyileştirdik. Ayrıca, entegre bir öykünme ve sınıflandırma elde etmek için kademeli sinir ağlarına sahip bir hibrit yapı geliştirdik. Buna ek, modelin kendisini eğiterek verileri analiz etmesi ve çoklu özniteliklerden gerekli bilgileri kullanması için veri füzyonlama/kaynaştırma hedefledik. JFS sisteminin tek bir IoT Ağ Geçidinde öykünmesi ve sonrasında sistemin ARIMA, LSTM ve MLP tahminleyicileri arasında sınıflandırma yoluyla seçilmesini, kendi tasarımımız olan özel bir hata metriğini temel alan ağ akış verimi ve enerji tüketimi sonuçları ile sunduk. Sonuçlar, NFCS yöntemimizin, bir IoT ağ geçidinin kapsama alanındaki dinamik olarak değişen cihaz türlerinin neden olduğu sorunları hafiflettiğini göstermektedir.
Nesnelerin interneti için makine öğrenmesi tabanlı çok ölçekli bütünleşik tahminleme-çizelgeleme
(2020) Nakıp, Mert; Rodoplu, Volkan; Güzeliş, Cüneyt
Nesnelerin İnternetinin (IoT) Devasa Erişim Problemi, çok sayıda IoT cihazının kablosuz erişimini, kablolu altyapıya sağlama sorunudur. Bu tez çalışmasında, Orta Erişim Kontrol katmanındaki Devasa Erişim Problemini çözmek için atanmış bir IoT ağ geçidinde ortak tahmin-çizelgeleme için Çok Ölçekli Algoritma geliştirmekteyiz. IoT veri akışının rastgele olduğunu kabul eden Devasa Erişim Problemine yönelik mevcut yaklaşımların aksine, algoritmamız, Çok Katmanlı Algılayıcı mimarisini kullanarak IoT cihazlarının yaklaşan trafiğini tahmin eder ve bu tahminlere göre yer-uydu bağı (uplink) kablosuz kanalını önceden tahsis eder. Öngörülü kaynak tahsisi algoritmalarının Devasa Erişim Problemini çözmek için pratikte uygulanabileceğini göstermek amacıyla, önce bağımsız bir IoT cihazının trafik oluşturma modelinin öngörülebilirliğini saptadık. Bunun için, Makineden Makineye iletişimdeki bağımsız IoT cihazlarının trafik üretim modellerini tahmin etme problemi üzerine Özyineli Tümlevli Kayan Ortalama, Çok Katmanlı Algılayıcı, 1 Boyutlu Evrişimsel Sinir Ağı ve Uzun-Kısa Süreli Bellek modellerinin karşılaştırma çalışmasını sunmaktayız. Tahmin modellerinin performansını karşılaştırmak için simetrik Ortalama Mutlak Yüzde Hatasını ölçmekteyiz. IoT trafiğini dört sınıfa ayırmaktayız: Sabit Bit Periyodik (FBP), Değişken Bit Periyodik (VBP), Sabit Bit Aperiyodik (FBA) ve Değişken Bit Aperiyodik (VBA). Simülasyon sonuçlarımızda, Uzun-Kısa Süreli Bellek modelinin VBP sınıfındaki cihazlar için diğer tüm modellerden önemli ölçüde daha başarılı olduğunu göstermekteyiz. Ek olarak, Uzun-Kısa Süreli Bellek modelinin Çok Katmanlı Algılayıcı ve 1 Boyutlu Evrişimsel Sinir Ağı ile FBA sınıfı için simetrik Ortalama Mutlak Yüzde Hatasında neredeyse aynı performansa sahip olduğunu göstermekteyiz. IoT cihazı başına eğitim süresi, Uzun-Kısa Süreli Bellek için en yüksek olmakla birlikte, tüm öngörme modellerinin pratik uygulama için makul eğitim süreleri vardır. Tahminleme sonuçlarımız, IoT verilerinin oldukça öngörülebilir olduğunu gösterdiğinden, IoT'nin Devasa Erişim Problemini hafifletmek için Orta Erişim Kontrol katmanı için öngörülü bir kaynak ayırma algoritması olan Bütünleşik Tahminleme-Çizelgeleme sistemini önermekteyiz. Bütünleşik Tahminleme-Çizelgeleme sistemimiz, her bir IoT cihazının trafik üretim örüntüsünü tahmin eder ve bu cihazların iletimini önceden çizelgeler. Bütünleşik Tahminleme-Çizelgeleme sisteminin en yüksek ağ çıktısını elde ettiği yerel optimal tahminleme modelini seçmek için Özyineli Tümlevli Kayan Ortalama, Çok Katmanlı Algılayıcı ve Uzun-Kısa Süreli Bellek modellerini karşılaştırmaktayız. Bu tahminleme modelleri altındaki ağ veriminin karşılaştırılması, Bütünleşik Tahminleme-Çizelgeleme sistemi için tahminleme modelinin optimum seçiminin büyük ölçüde ağda bulunan farklı IoT cihazı sınıflarının oranlarına bağlı olduğunu ortaya koymaktadır. Ağ simülasyonlarımız, Bütünleşik Tahminleme-Çizelgeleme sisteminin tahminleme-çizelgeleme pencere boyutu 1800 saniye olarak ölçeklenirken, 1 saniyenin altındaki bir toplam yürütme süresi ile 1000 cihaza kadar destekleyebildiğini göstermektedir. Bütünleşik Tahminleme-Çizelgeleme sistemini, daha uzun tahminleme-çizelgeleme pencere boyutuna sahip çok daha fazla sayıda cihazı destekleyecek şekilde ölçeklendirmek için, IoT uygulamalarının gecikme kısıtları ve IoT cihazlarının asgari trafik oluşturma aralıkları olarak belirlenen birden çok zaman ölçeğinde çalışan Çok Ölçekli Algoritmayı önermekteyiz. Algoritmamızın çok ölçekli yapısı, simülasyonlarımızda 6650'ye kadar IoT cihazını desteklemek için ölçeklenebilir zaman ve alan karmaşıklığı sağlamaktadır. Çok Ölçekli Algoritmanın verimliliği ve enerji tüketimi Rezervasyon Tabanlı Erişim Engelleme, Ortalama Yüke dayalı Öncelik ve Gelişmiş Öngörülü Sürüm Veri Bloğu Odaklı protokollerle karşılaştırılmaktadır ve Çok Ölçekli Algoritmanın 3000 üzerindeki cihaz sayısı için bu algoritmalardan önemli ölçüde daha iyi çalıştığını göstermekteyiz. Ayrıca, Çok Ölçekli Algoritmanın yüzde kontrol ek yükünün % 1.5'in altında kaldığını göstermekteyiz. Bu tezde, sonuçlarımız IoT Ağ Geçitlerinde çok sayıda IoT cihazını işlemek için ölçeklenebilir bütünleşik tahminleme-çizelgeleme sistemleri oluşturmanın yolunu açmaktadır.
Nesnelerin İnternetinde (IoT) Devasa Erişim İçin Makine Öğrenmesine Dayalı Bütünleşik Tahmin-Çizelgeleme Yönteminin Geliştirilmesi
(2022) Güzeliş, Cüneyt; Rodoplu, Volkan
Nesnelerin İnternetinin (IoT) Devasa Erişim Sorunu, çok sayıda IoT cihazının kablolu altyapıya kablosuz erişimini yüksek verimlilik ve düşük güç tüketimi ölçütlerini gözeterek sağlama sorunudur. Bu projenin ana katkısı, IoT'nin Devasa Erişim Sorununu çözmeyi hedefleyen bir metodoloji olarak Bütünleşik Tahmin-Çizelgelemenin (JFS) geliştirilmesidir. Bu amaçla, ilk olarak, bir IoT ağ geçidinde koşturulacak olan JFS için çok ölçekli bir algoritma (multi-scale algorithm: MSA) geliştirilmiştir. Orta Erişim Kontrolü (MAC) katmanında IoT veri trafiği için rastgele varışlar olduğunu varsayan, Devasa Erişim Sorununa yönelik mevcut yaklaşımların aksine, MSA, IoT cihazlarının yaklaşan trafiğini tahmin eder ve bu tahminlere dayalı olarak uplink kablosuz kaynaklarını önceden tahsis eder. İkinci olarak, JFS'de yüksek tahmin doğruluğu elde etmek için Uyarlanabilir Öğrenme Hızıyla bir Alt Uzayda Hareket (MOSAL) adlı bir algoritma geliştirilmiştir. Algoritmamız, tahmin hatalarının bir alt uzayına yakın kalırken Yapay Sinir Ağı aracılığıyla Uygulamaya Özgü Hata İşlevinin öykünmesine dayalı performans kaybını en aza indirerek bir JFS sisteminde tahmincileri eğitir. Üçüncü olarak, kapsama alanındaki her cihaz sınıfında değişen sayıda IoT cihazına dinamik olarak uyum sağlayacak şekilde JFS için en iyi performans gösteren tahmin şemasını seçen Dinamik Otomatik Tahminci Seçimi (DAFS) yöntemi geliştirilmiştir. Dördüncüsü, çok kanallı JFS için Minimal Kapasitede Minimum Kayıp ile Çok Kanallı Alt Küme Yineleme (MC-SIMLAC) adlı bir algoritma geliştirilmiştir. Algoritmamız, tüm IoT cihaz trafiği veri bloklarının alt kümeleri üzerinde yinelenir ve toplam kullanılabilir kapasitedeki kaybın en aza indirilmesini hedefleyerek kanal-yuva çiftlerini seçer. Bu projede elde edilen sonuçlar, yeni nesil kablosuz ağlarda çok sayıda IoT cihazını yönetmek için ölçeklenebilir JFS motorları oluşturmanın yolunu açmaktadır.
Citation - WoS: 14
Citation - Scopus: 17
New CNN and hybrid CNN-LSTM models for learning object manipulation of humanoid robots from demonstration
(SPRINGER, 2022) Simge Nur Aslan; Recep Ozalp; Aysegul Ucar; Cuneyt Guzelis; Güzeliş, Cüneyt; Uçar, Ayşegül; Özalp, Recep; Aslan, Simge Nur
As the environments that human live are complex and uncontrolled the object manipulation with humanoid robots is regarded as one of the most challenging tasks. Learning a manipulation skill from human Demonstration (LfD) is one of the popular methods in the artificial intelligence and robotics community. This paper introduces a deep learning based teleoperation system for humanoid robots that imitate the human operator's object manipulation behavior. One of the fundamental problems in LfD is to approximate the robot trajectories obtained by means of human demonstrations with high accuracy. The work introduces novel models based on Convolutional Neural Networks (CNNs) CNNs-Long Short-Term Memory (LSTM) models combining the CNN LSTM models and their scaled variants for object manipulation with humanoid robots by using LfD. In the proposed LfD system six models are employed to estimate the shoulder roll position of the humanoid robot. The data are first collected in terms of teleoperation of a real Robotis-Op3 humanoid robot and the models are trained. The trajectory estimation is then carried out by the trained CNNs and CNN-LSTM models on the humanoid robot in an autonomous way. All trajectories relating the joint positions are finally generated by the model outputs. The results relating to the six models are compared to each other and the real ones in terms of the training and validation loss the parameter number and the training and testing time. Extensive experimental results show that the proposed CNN models are well learned the joint positions and especially the hybrid CNN-LSTM models in the proposed teleoperation system exhibit a more accuracy and stable results.
Citation - Scopus: 4
New convolutional neural network models for efficient object recognition with humanoid robots
(Taylor and Francis Ltd., 2022) Simge Nur Aslan; Ayşegül Uçar; Cüneyt Güzeliş; Güzeliş, Cüneyt; Uçar, Ayşegül; Aslan, Simge Nur
Humanoid robots are expected to manipulate the objects they have not previously seen in real-life environments. Hence it is important that the robots have the object recognition capability. However object recognition is still a challenging problem at different locations and different object positions in real time. The current paper presents four novel models with small structure based on Convolutional Neural Networks (CNNs) for object recognition with humanoid robots. In the proposed models a few combinations of convolutions are used to recognize the class labels. The MNIST and CIFAR-10 benchmark datasets are first tested on our models. The performance of the proposed models is shown by comparisons to that of the best state-of-the-art models. The models are then applied on the Robotis-Op3 humanoid robot to recognize the objects of different shapes. The results of the models are compared to those of the models such as VGG-16 and Residual Network-20 (ResNet-20) in terms of training and validation accuracy and loss parameter number and training time. The experimental results show that the proposed model exhibits high accurate recognition by the lower parameter number and smaller training time than complex models. Consequently the proposed models can be considered promising powerful models for object recognition with humanoid robots. © 2022 Elsevier B.V. All rights reserved.
Citation - Scopus: 3
Online learning of stable robust adaptive controllers design based on data-dependent feedback linearization with application to rotary inverted pendulum
(Springer Science and Business Media Deutschland GmbH, 2024) Mehmet Uğur Soydemir; Savaş Şahin; Aykut Kocaoǧlu; Parvin Bulucu; Cüneyt Güzeliş; Kocaoğlu, Aykut; Bulucu, Parvin; Soydemir, Mehmet Uğur; Güzeliş, Cüneyt; Şahin, Savaş
This study introduces an online (supervised) learning method to design nonlinear auto-regressive moving average (NARMA) controllers for feedback-linearized nonlinear single-input single-output (SISO) systems. The algorithm ensures Schur stability of the overall closed-loop system and provides adaptiveness and robustness for the NARMA controllers. The first stage of the method derives in a data-dependent way a feedback-linearized model of the nonlinear plant by using its input and output sample pairs. The method’s second stage which constitutes the novel part of the presented study builds up an online learning scheme for the linear auto-regressive moving average (ARMA) controller based on an already learned feedback-linearized model of the nonlinear plant. During online supervised learning ARMA parameters of the feedback-linearized SISO plant model and the closed-loop ARMA model are computed by minimizing the plant identification and the closed-loop system tracking errors. Both errors are defined as ℓ1ε namely ε-insensitive loss functions that provide NARMA controller the robustness against noise and outliers. The proposed online learning control algorithm is applied to a rotary inverted pendulum model and to a real rotary inverted pendulum setup. The tracking performance of the developed controller is compared with those of the linear quadratic regulator and coupled sliding mode controller in terms of mean square error. © 2024 Elsevier B.V. All rights reserved.