LEE- Telekomünikasyon Mühendisliği-Yüksek Lisans

Bu koleksiyon için kalıcı URI

http://hdl.handle.net/11527/19469

Gözat

Yazar "Akgül, Tayfun" ile LEE- Telekomünikasyon Mühendisliği-Yüksek Lisans'a göz atma
  • Öge
    Deniz taşıtlarından yayılan gürültülerin negatif entropi kullanılarak çevrimsel izge analizi
    (Lisansüstü Eğitim Enstitüsü, 2024-06-13) Tunce, Kamil Uğur ; Akgül, Tayfun ; 504201325 ; Telekomünikasyon Mühendisligi
    Pervane gürültüsü, deniz taşıtlarının tespiti, takibi ve sınıflandırılmasında kullanılmaktadır. Pervane kavitasyonu, pervane ucu ve kanat yüzeylerindeki basınç farklarından dolayı hava baloncuklarının oluşup patlamasıyla meydana gelmektedir. Pervane kavitasyonu, 5 Hz ile 100 kHz frekans aralıklarında en önemli gürültü kaynağıdır. Hava kabarcıklarının oluşup patlamasıyla ayrık bileşen ton ve geniş bant gürültü meydana gelmektedir. Ton ve harmonik değerlerinin kullanımıyla gemi sınıflandırılması ve hız kestirimi yapılmaktadır. Pervane gürültüsünün ton ve geniş bant gürültüsü literatürde genlik modülasyonlu sinyal şeklinde modellenmekte ve geleneksel olarak zarf demodülatörü DEMON (Detection of Envelope Modulation on Noise) yöntemiyle analiz edilmektedir. DEMON yöntemindeki bant geçiren süzgeç seçimi analiz performansını sınırlandırmaktadır. Tonların tespiti için süzgeç aralığının kavitasyon nedeniyle oluşan gürültünün baskın bandında seçilmesi gerekmektedir, aksi durumda düşük SNR (Signal to Noise Ratio) değerleri için tonlar tespit edilmeyebilir. Bu durumun önüne geçmek için literatürde süzgeç bankası, EMD (Empirical Mode Decomposition) ve WPT (Wavelet Packet Transform) kullanılarak çok bantlı yöntemler önerilmiştir. Taşıyıcı, pervane gürültüsünün genlik modülasyonlu sinyal şeklinde modellenmesiyle geniş bant gürültünün frekans uzayında temsiline karşılık düşmektedir. Çok bantlı yöntemlerin kullanımıyla bant ağırlıklandırma, bant seçimi ve modülasyon izgeleri üretilerek taşıyıcının baskın bant kullanımı hedeflenmiştir. Son yıllarda pervane gürültüsünün genlik modülasyonlu sinyal modelinin öz ilinti fonksiyonunun periyodikliğinin gösterilmesiyle çevrimsel yöntemlerin pervane gürültü analizinde kullanımı mümkün kılınmıştır. Tez kapsamında hızlı kestirim sürelerinden dolayı CMS (Cyclic Modulation Spectrum) ve FSC (Fast Spectral Correlation) yöntemleri DEMON ve çok bant DEMON yöntemiyle karşılaştırılmıştır. Çok bantlı yöntemlerden üretilen izgeler incelendiğinde alt bant izgelerinin ortalaması alınarak zarf izgelerinin üretildiği gözlemlenmiştir. Ortalama işlemiyle taşıyıcının tüm izge boyunca eşit yayıldığı kabul edilmektedir fakat taşıyıcı, bazı bantlarda daha kuvvetli modülasyon yaptığı durumlarda çok bantlı yöntemlerin alt bantlarında modülasyon bilgisinin temsiline ihtiyaç duyulmaktadır. Literatürde modülasyon bilgisinin temsilinde kürtosis tabanlı yöntemler kullanılmaktadır. Negatif entropi, kürtosisin sinyalde ya da izgede hesabının logaritmik skalada ifadesiyle elde edilmektedir. Negatif entropinin izgedeki hesabı, izgesel negatif entropi olarak isimlendirilmektedir. FSC, SSC (Scanning Spectral Correlation) değerlerinin toplanmasıyla elde edildiğinden ve SSC yönteminin bir uzayı çevrimsel frekans, bir uzayı da taşıyıcı frekans değerlerini içerdiğinden FSC yönteminde alt bant ağırlıklandırmada frekans uzayında hesaplanan yöntemler kullanılmalıdır. Bu nedenle tez kapsamında alt bantlarda ton bilgisinin temsilinde izgesel negatif entropi kullanımı tercih edilmiştir. Negatif entropi ile çok bantlı yöntemlerde modülasyon izgesi üretilmiş, taşıyıcı frekans aralığı gözlemleme ve alt bant ağırlıklandırma işlemleri yapılmıştır. Alt bant ağırlıklandırma sonucu üretilen negatif entropili zarf izgeleri, ortalama işlemiyle üretilen zarf izgeleriyle benzetim ve gerçek veri için sınanmıştır. Benzetim verilerinde zayıf, orta ve kuvvetli modülasyon gücünde, beyaz arka plan gürültüsü altında, taşıyıcının baskın frekans etkisi taşıyıcıya bant geçiren süzgeç uygulayarak elde edilen sinyaller, 1000 adet deneme için ele alınan yöntemlerin tespit olasılığı ($P_d$), tespit SNR (TSNR), hatalı alarm olasılığı ($P_{fa}$) performansları sınanmıştır. $P_d$-SNR testlerinde negatif entropili versiyonlar ortalama kullanımına göre 0.25 dB kazanç sağlamıştır. DEMON'a karşı negatif entropili FSC 3.5 dB, çok bant DEMON (MBDEMON) 1 dB kazanç sağlarken DEMON en kötü $P_d$ performansı sergilemiştir. TSNR testlerindeyse çevrimsel yöntemler orta ve kuvvetli modülasyon gücü için en yüksek performansı sergilerken düşük modülasyon gücünde DEMON yöntemi, çok bantlı yöntemlerden daha iyi performans sergilemiştir. Çevrimsel yöntemlerde negatif entropi kullanımı TSNR performansını 25\% oranında arttırmıştır. MBDEMON yöntemi en kötü TSNR performansını sergilemiştir. $P_{fa}$ testlerindeyse çok bantlı yöntemler DEMON'dan daha iyi performans göstermiştir. Çok bantlı yöntemlerden FSC en iyi performansı sergilerken MBDEMON en kötü performansı sergilemiştir. Gerçek veri sınamalarındaysa DeepShip veri setinden alınan ticari gemi kayıtları tüm bant ortalama, tüm bant negatif entropi ve sadece baskın banttan üretilen zarf izgeleri için sınanmıştır. Tüm bant negatif entropi 1 dB, sadece baskın bant kullanılan durum 2-3 dB arasında tüm bant ortalamaya göre kazanç sağladığı gözlemlenmiştir. Bunun yanında, modülasyon izgesinin şelale gösterimi üretilerek gerçek verilerde baskın bant analizi kolaylaştırılmıştır. Sonuç olarak negatif entropi kullanımı çok bantlı yöntemlerde alt bant ağırlıklandırmak için uygun bir araçtır. Hem benzetim hem de gerçek veri için yöntemlerin performansları tez kapsamında verilmiştir. İlerleyen çalışmalarda modülasyon izgesi şelale gösteriminden görsel olarak baskın bant seçimi yerine otomatik baskın bant seçimi ve otomatik pervane gürültü analizi önerilmektedir.
  • Öge
    Finansal yatırım piyasalarında fiyat tahminleme: Kripto para piyasasında yapay sinir ağları uygulaması
    ( 2024-12-26) Ulucan, Eren ; Akgül, Tayfun ; Koy, Ayben ; 504201319 ; Telekomünikasyon Mühendisliği
    Günümüzde bireylerin daha yüksek kazanç ve refah amacıyla finansal yatırım piyasalarına yöneldiği bilinmektedir. Bu piyasalar, sermaye sahibi kişi ve kuruluşların çeşitli ürünleri alıp sattığı yerler olarak tanımlanmaktadır. Teknolojinin gelişmesiyle birlikte, yatırımcılar için bilgiye erişim kolaylaşmış ve piyasalara olan ilgi artmıştır. Ancak yoğun veri akışı, özellikle yeni yatırımcılar için kafa karıştırıcı olabilmektedir. Bu karışıklığın önüne geçebilmek için yatırım karar sürecinin iyi anlaşılması gerekmektedir. Yatırım karar süreci, sermaye temini, veri toplama, değerlendirme ve karar uygulama aşamalarından oluşmaktadır. Bu doğrultuda, yatırımcıların doğru karar verebilmeleri için temel ve teknik analiz yöntemlerini kullanmaları önem taşımaktadır. Temel analiz, bir varlığın içsel değerini belirlemeye çalışırken, teknik analiz geçmiş fiyat hareketlerini inceleyerek birtakım teknik indikatörler yardımıyla geleceği tahmin etmek amacıyla kullanılmaktadır. Son yıllarda, bu analiz yöntemlerinin yetersiz kaldığı anlaşıldıkça yapay zekâ ve özellikle yapay sinir ağları piyasa analizlerinde ve kapanış fiyatlarının tahminlenmesinde kullanılmaya başlanmıştır. İnsan beyninin çalışma biçiminden esinlenerek oluşturulmuş, karmaşık ilişkileri tespit etme yeteneğine sahip olan bu teknolojiler, büyük veri setlerini işleyerek daha tutarlı ve gerçeğe yakın tahminler yapma imkânı sunmaktadır. Bu çalışmada da finansal yatırım araçlarının yapay sinir ağları ile tahminlenmesi amaçlanmış, yatırım aracı olarak ise son dönemde popülerliği daha da artan kripto para piyasaları tercih edilmiştir. Çalışmada kripto para piyasalarında işlem hacmi en yüksek olan para birimleri BitCoin, Ethereum ve LiteCoin kullanılmış, çalışmanın veri seti ise her bir kripto para birimi için 15'er, 30'ar ve 60'ar dakikalık periyotlardaki kapanış fiyatları ile SMA, EMA, RSI, MACD ve BBand indikatör değerleri kullanılarak hazırlanmıştır. Kurulan ağ modeli eğitilip test edildikten sonra, 01 Ocak – 31 Aralık 2022 yılı kapanış verileri girdi olarak modele eklenmiş ve modelin 2023 kapanış verilerini tahminlemesi beklenmiştir. Yapılan tahminleme sonucunda her bir veri setinin hata farkı ortalama yüzdesi (MAPE) değeri hesaplanmıştır. BTC15 için 0.0088, BTC30 için 0.0021, BTC60 için 0.0375, ETH15 için 0.000030205, ETH30 için 0.00022303, ETH60 için 0.00020702, LTC15 için 0.00070347, LTC30 için 0.0053 ve LTC60 için 0.00063393 şeklinde bulunan MAPE değerleri modelin ne kadar tutarlı tahminlemeler yaptığını ortaya koymuştur. Ayrıca tahminlenen ve gerçekleşen verilerin yer aldığı grafik de neredeyse birbiriyle tamamen örtüşmüştür. Bu sonuçlar yapay sinir ağı modellerinin kripto para piyasalarında tahminleme için kullanılabileceğini kanıtlamaktadır. Çalışmanın ayrıca; daha ileriki safhada, bu modellerin yardımıyla düzenli gelen veriyi işledikçe nihai kullanıcıya al-sat sinyali gönderebilecek bir robot uygulamanın geliştirilmesi için de bir kılavuz niteliği taşıyacağı da düşünülmektedir.