Tez No	İndirme	Tez Künye	Durumu
772210		Design of frequency selective surface based on reflection coefficients in C and X bands using nested convolutional neural network / İçiçe evrişimli sinir ağları kullnarak C ve X bantlarında yansıma katsayısı temelli frekans seçici yüzey tasarımı Yazar:ERKAN KIYMIK Danışman: PROF. DR. ERGUN ERÇELEBİ Yer Bilgisi: Gaziantep Üniversitesi / Fen Bilimleri Enstitüsü / Elektrik-Elektronik Mühendisliği Ana Bilim Dalı / Devreler ve Sistemler Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Elektrik ve Elektronik Mühendisliği = Electrical and Electronics Engineering Dizin:Frekans seçen yüzeyler = Frequency selective surfaces ; Karar ağacı = Decision tree	Onaylandı Doktora İngilizce 2022 179 s.
Frekans seçici yüzeyler (FSY), elektromanyetik dalgaları yansıtmak, iletmek ve soğurmak için kullanılan periyodik olarak yerleştirilmiş şekillerden oluşan yüzeylerdir. FSY'nin anten performansını arttırmak, radar kesitini düşürmek, filtrelemek, fotovoltaik hücre performansını arttırmak gibi birçok kullanım alanları bulunmaktadır. FSY'nin farklı alanlarda kullanılmasından dolayı araştırmacıların dikkatini çekmiş ve bu alanda çalışmalar yapılmasına neden olmuştur. Yapılan çalışmalar genel olarak optimizasyon algoritmaları ve yöntemleri ile FSY yüzeyinin elde edilmesine yöneliktir. Bu amaç doğrultusunda istenilen yansıma katsayısı (S11) iterasyon ile elde edilmektedir. Son yıllarda hesaplama gücünün önemli derecede artması ile Makine öğrenmesi algoritmalarının kullanımı daha da yaygınlaşmış olup sınıflandırma ve regresyon problemlerinde başarılı sonuçlar alınmıştır. Bu tezde, makine öğrenmesi algoritmalarından Karar ağaçları, K-en yakın komşu, Derin öğrenme ve hibrit derin öğrenme algoritmaları ile istenilen S11'e karşılık gelen FSY'yi elde etmek için çalışmalar yapılmıştır. Makine öğrenme algoritmalarının eğitim sürecinde, 6-14 GHz arasındaki yansıma katsayıları girdi olarak kullanılırken 50x50 boyutundaki FSY resimleri hedef olarak kullanılmıştır. Toplam olarak 29722 adet yansıma katsayıları kullanılarak makine öğrenmesi modelleri eğitilmiştir. Yapılan benzetim çalışmaları sonucunda en başarılı sonuç, hibrit bir model olan iç içe evrişimli sinir ağları modeli ile elde edilmiştir. İç içe evrişimli sinir ağları modelinin ortalama mutlak hata değeri 0.69, R2 değeri ise 0.9 olarak elde edilmiştir.
Frequency selective surfaces (FSS) are surfaces consisting of periodically placed shapes used to reflect, transmit and absorb electromagnetic waves. FSS has many uses such as increasing the antenna performance, reducing the radar cross section, filtering, and increasing the photovoltaic cell performance. Due to the use of FSS in many fields, it has attracted the attention of researchers and has led to studies in this field. The studies are generally aimed at obtaining the FSS surface with optimization algorithms and methods. For this purpose, the desired reflection coefficients (S11) are obtained by iteration. With the significant increase in computational power in recent years, the use of machine learning algorithms has become more widespread and successful results have been obtained in classification and regression problems. In this thesis, studies were carried out to obtain the FSS corresponding to the desired S11 with Decision trees, K-nearest neighbor, Deep learning and hybrid deep learning algorithms from machine learning algorithms. In the training process of machine learning algorithms, reflection coefficients between 6-14 GHz were used as input, while 50x50 FSS images were used as targets. Machine learning models were trained using 29722 reflection coefficients in total. As a result of the training process, the most successful result was obtained with the nested convolutional neural network model, which is a hybrid model. The mean absolute error value of the nested convolutional neural network model was 0.69, and the R2 value was 0.9.