Tez No	İndirme	Tez Künye	Durumu
770459		Endüstriyel nesnelerin internetinde derin öğrenme ve dempster shafer teorisine dayalı karar verme / Deep learning and dempster shafer theory based decision-making in the industrial internet of things Yazar:NADER EBRAHIMPOUR Danışman: DOÇ. DR. TUĞRUL ÇAVDAR Yer Bilgisi: Karadeniz Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora Türkçe 2022 102 s.
IIoT'nin ana hedeflerinden biri, endüstriyel ortamlardaki olayları, beklenmedik değişiklikleri ve anomalileri izlemek ve otomatik olarak tespit etmek için endüstriyel ortamlardan veri toplamaktır. Endüstriyel ortamlarda toplanan hacimli verilerin işlenmesine yönelik DL gibi verimli ML yöntemlerinin kullanılması gereklidir. Sensör teknolojisinin gelişmesine paralel olarak farklı sensör kaynaklarından elde edilen veriler kullanılarak amaca uygun çıkarımlar yapılabilir. Bu da tek ve güvenilir bir karar elde etmek için ortaya çıkan alt kararların birleştirilmesini gerektirir. Birçok kararı birleştirmek için çok kullanılan yöntemlerden biri DS'in birleştirme teorisidir. Bu nedenle, bu tezde IIoT anomalileri hakkında karar vermek için iki yöntem önerilmiştir. Birinci yöntem sınıflandırma için Yapay Sinir Ağları (Artificial Neural Network, ANN), Destek Vektör Makinesi (Support Vector Machine, SVM) ve kararları birleştirmek için DS teorisini kullanır. Bu yöntem nispeten az miktarda veriye sahip küçük ve orta ölçekli endüstriyel birimler için uygundur. Önerilen ikinci yöntemde, bilgi sınıflandırması için Tek Boyutlu Evrişimli Sinir Ağları (One Dimensional Convolutional Neural Network, 1DCNN) ve kararları birleştirmek için DS birleştirme teorisi kullanılır. Bu yöntem, DL ağlarının devasa verileri işleme gücü nedeniyle büyük endüstriyel birimlerde kullanıma uygundur.
One of the main goals of IIoT is to collect data from industrial environments to monitor and automatically detect events and unexpected changes and anomalies in industrial environments. Because the data collected in industrial environments is voluminous, it is needed to use efficient machine learning methods such as deep learning (DL) to analyze this voluminous data. According to the development of sensor technology, different sensor sources can be used by IIoT to obtain proper inference, which requires combining the resulting decisions to get a single and reliable decision. One of the most used methods for the fusion of many decisions is Dempster Shafer's (DS) combining theory. Therefore, two methods are proposed in this thesis to make decisions about IIoT anomalies. The first uses artificial neural networks (ANN) and support vector machine (SVM) for classification and DS theory to combine decisions. This method is suitable for small and medium-sized industrial units with relatively small data. The second proposed method uses one-dimensional convolutional neural networks (1DCNNs) for information classification and DS combination theory to combine decisions. This method is suitable for large industrial units due to the massive data processing power of deep learning networks.