Akademik Veri Yönetim Sistemi
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: İstanbul Üniversitesi-Cerrahpaşa, Mühendislik Fakültesi, Bilgisayar Mühendisliği Bölümü, Türkiye
Tezin Onay Tarihi: 2018
Tezin Dili: Türkçe
Öğrenci: Zeynep Turgut
Eş Danışman: Gülsüm Zeynep Gürkaş Aydın
Danışman: Ahmet Sertbaş
Özet:
İç mekân ağlarda konum belirleme amacıyla dış mekân ağlarda kullanılan GPS teknolojisi gibi genel kabul görmüş bir yöntem bulunmamaktadır. Birden fazla teknolojinin birbiri ile haberleşmesini sağlayarak iç mekân ağlarda etkin bir konum belirleme yöntemi önerebilmek için T.C. Haliç Üniversitesi Sütlüce Kampüsü içerisinde akıllı telefonlar, beacon cihazları ve erişim noktalarından oluşan Nesnelerin İnterneti ekosistemi oluşturulmuştur. Oluşturulan ekosistem içerisinde parmak izi yöntemi kullanılarak ortama ait sinyal haritası çıkarılmıştır. İlgili sinyal haritası WiFi, Bluetooth Düşük Enerji (BLE), Dünya'nın Manyetik Alan (DMA) verileri ve Dünya'nın Düzenlenmiş Manyetik Alan (DDMA) verilerini içermekte; 〖4m〗^2 hassasiyetle konum tespiti yapmaya imkân vermektedir. HALICDB olarak adlandırılan sinyal haritası hibrid veri kümesi içermesi; içerdiği hibrid veri kümesinin niteliği, konum belirleme hassasiyeti ve hibrid veri kümesinin aynı zaman diliminde toplanması ile ilk olma özelliğini taşımaktadır. Ön işlem aşamasında Kalman filtresi, parçacık filtresi ve Kalman filtresi ile parçacık filtresinin birlikte kullanıldığı hibrid filtreleme olmak üzere üç farklı filtreleme yöntemi aracılığıyla sinyallerin gürültüsü azaltılmıştır. Gürültüden arındırılmış sinyallerin sınıflandırılarak sinyal haritasının kararlı hale getirilmesi amacıyla derin öğrenme yöntemi önerilmiştir. Önerilen sınıflandırma yönteminin iç mekân ağlarda sağladığı konum tespit doğruluğu ve zaman isteri sekiz farklı sınıflandırma yöntemi ile karşılaştırılmıştır. Her bir sınıflandırma yöntemi Kalman filtresi, parçacık filtresi ve Kalman filtresi ile parçacık filtresinin birlikte kullanıldığı üç farklı ön işlem aşaması kullanılarak test edilmiştir. En yüksek sınıflandırma doğruluğuna ön işlem aşamasında parçacık filtresinin, sınıflandırma aşamasında ise derin öğrenmenin kullandığı durumda erişildiği görülmüştür. Aynı zamanda derin öğrenme yöntemi diğer sınıflandırıcılardan farklı olarak çevrimdışı eğitim safhasında veri kümesinin %10'luk kısmının kullanıldığı durumda dahi çevrimiçi konumlandırma safhasını temsil eden test aşamasında, diğer sınıflandırıcılardan daha yüksek oranda konum tespit doğruluğu elde edilmesini sağlamıştır. Gerçekleştirilen algoritma analizlerinde ve testlerde en yüksek zaman tüketimine sahip olan filtrenin parçacık filtresi olduğu görülmüştür. Bu nedenle çalışma içerisinde en geniş değer aralığına sahip olan Dünya'nın Manyetik Alan verileri ile Dünya'nın Düzenlenmiş Manyetik Alan verilerine parçacık filtresi, WiFi (RSSI) ve BLE (RSSI) verilerine ise Kalman filtresi uygulanarak ön işlem aşamasına ait zaman isteri azaltılmıştır. Gürültüden arındırılmış veriler üzerinde derin öğrenme kullanılarak sinyal haritası oluşturulmuştur. Çevrimiçi aşaması HALICDB ve benzer veri kümeleri içeren RFKONDB kullanılarak RFKON_HIBRID oluşturulmuştur. Gerçekleştirilen testler sonrası en az veri ile en yüksek konum belirleme doğruluğuna, zaman isteri göz önünde bulundurularak, ön işlem aşamasında Kalman filtresi ve parçacık filtresinin birlikte sınıflandırma aşamasında ise derin öğrenmenin kullanıldığı durumda erişildiği görülmüştür