Tez No	İndirme	Tez Künye	Durumu
510562		Nesnelerin interneti için hareketlilik yönetimi / Mobility management for internet of things Yazar:ZEYNEP TURGUT Danışman: PROF. DR. AHMET SERTBAŞ ; DR. ÖĞR. ÜYESİ GÜLSÜM ZEYNEP GÜRKAŞ AYDIN Yer Bilgisi: İstanbul Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı / Bilgisayar Mühendisliği Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Bilgisayar ağları = Computer networks ; Bina içi haberleşme = Indoor communication	Onaylandı Doktora Türkçe 2018 151 s.
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
Indoor networks do not have a generally accepted localization method such as GPS technology inconstrast to outdoor networks. In order to propose an efficient method by using multiple technologies, an Internet of Things ecosystem which consists smartphones, beacon devices, and access points has been established in T.C. Halic University Sütlüce Campus. In the established ecosystem, a signal map is extracted by using fingerprinting method. The corresponding signal map includes WiFi, Bluetooth Low Energy (BLE), Earth's Magnetic Field (EMF), and the Earth's Calibrated Magnetic Field (ECMF) data which allows a location detection of 〖4m〗^2 precision. Because of the fact that the signal map which is called HALICDB contains a hybrid dataset and properities of the hybrid data, which were collected at the same time from same reference points, is unique and an original signal map. In the pre-processing phase, the amount of noise contained in the signals is reduced by using three different filtering methods, namely Kalman filter, particle filter and a hybrid filter of Kalman and particle filters. deep learning method is proposed to classify the noise-free signals and to stabilize the signal map. The proposed method compares the positioning accuracy and time requirements of indoor networks with eight different classification methods. Each classification method has been tested using three different pre-processing stages: Kalman filter, particle filter and hybrid filtering where Kalman and particle filters are used together. It has been observed that the highest classification accuracy is reached by using the particle filter in the pre-processing phase, and by using deep learning in the classification phase. At the same time, deep learning differs from other classifiers in achieving accceptable level of positioning accuracy compared to other classifiers, even when 10% of the data set is used during the offline training phase. It has been calculated, using algorithm analyses, that the particle filter consumes the highest amount of time in comparison to other filters. For this reason, by applying particle filter on the Earth's Magnetic Field data and the Earth's Calibrated Magnetic Field data, which have the widest range of values in the study, and by applying the Kalman filter to the WiFi (RSSI) and BLE (RSSI) data, the noise ratio is reduced in the pre-processing phase. After pre-processing phase, deep learning is used for classification of data. The online phase is tested on HALICDB and RFKON_HIBRID datasets. RFKON_HIBRID is created by using similar datasets with HALICDB which is called RFKONDB. After test it was found that the highest localization accuracy in consideration of time is achieved by using particle filter in the pre-processing phase and by using deep learning in classification phase.