HABERLEŞME AĞLARINDA UÇ MAKİNE ÖĞRENMESİNİN AVANTAJLARI VE ROBOTİK EL AĞINDA TUTMA TAHMİNİ UYGULAMASI
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, ELEKTRONİK VE HABERLEŞME MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2022
Tezin Dili: Türkçe
Öğrenci: EMRE BACANLI
Danışman: Hacı İlhan
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Günümüzde ve gelecekte 5G teknolojisi ile birçok alanda kullanılabilecek nesnelerin interneti (Internet of Things, IoT) teknoloji ile birçok cihaz internete bağlanma yeteneğine sahip olmuştur. Bu cihazların en temel özelliği ağ üzerinden veri alma ve gönderme fonksiyonlarıdır. Bu sayede dünyanın dört bir yanından cihazlardan milyonlarca veri toplama kabiliyetine erişilecektir. Toplanılan bu veriler çoğunlukla makine öğrenmesi (Machine Learning, ML) algoritmaları kullanılarak anlamlandırılabiliyor. Ancak bu kadar fazla cihaz ve sunucuda oluşan veri trafiği haberleşme ağlarında çözülmesi gereken problemleri de beraberinde getirmektedir. Bunlardan en temel gereksinimler bant genişliği kullanımı, veri güvenliği ve gecikme sorunudur. Bu çalışmada ağ üzerinden veri transferini ML algoritmaları ile yapan cihazların ağ gerekmişlerinin Uç makine Öğrenmesi (Edge Machine Learning, Edge ML) algoritması kullanıldığında nasıl iyileştirebileceği açıklanmıştır. Üç parmaklı ve her parmağında üç ekleme sahip bir robot el yapısı referans IoT cihazı olarak kullanılmıştır. Birçok robot elin bir araya gelerek oluşturduğu ağda bu robot ellerin nesneyi kavrama tahmini simülasyon ortamında üretilmiş data seti kullanılarak merkezi olmayan uç ML algoritmalarından olan birleşik ortalama algoritması (Federated Averaging, Federated AVG) ve merkezi öğrenme olan ML algoritmaları kullanılarak sonuçları gösterilmiş ve kıyaslanmıştır. Federated AVG algoritması çok katmanlı algılayıcı (Multi Layer Perceptron, MLP) algoritması kullanılarak tasarlanmıştır. Bu tasarım farklı uç cihaz olduğu durumlar için sonuçları gösterilmiştir. Mevcut veri seti her durum için kullanıcı sayı oranınca eşit olarak bölünerek dağıtılmıştır. Cihaz sayısının yanı sıra global model değişimi için farklı iterasyon değerleri için sonuçlar elde edilmiştir ve karşılaştırılmıştır. Federated MLP algoritmasının sonuçlarını ML ile karşılaştırmak için, lojistik regresyon gradyan artırma makinesi (Gradient Boosting Machine GBM) hafif GBM (Light GBM) ve K-en yakın komşu (K-Nearest Neighbors, KNN) gibi sınıflandırma algoritmalarını veri setinden sağlamış olduğu başarı oranları elde edilmiştir.