Ses dalgalarını kullanarak cismin boyut, uzaklık, yön ve diğer özelliklerinin tespit edilmesi için kullanılan sonar; denizaltı maden, petrol aramalarında, denizaltı haritalamasında, balık sürülerinin takibinde ve mayın tespitlerinde yaygın olarak kullanılmaktadır. Denizaltında mayınların yanı sıra mayınlara şekil ve yapı olarak çok benzeyen başka nesneler de gözlemlenebilmektedir. Sonar sinyallerinin tanımlanması ve sınıflandırılması için kullanılması gereken öznitelik çıkarımı, öznitelik seçimi, en uygun algoritmaların seçilmesi ve bu algoritmaların hiperparametre en iyilemesi çalışmaları, üzerinde uzun yıllardan beri çalışılan bilimsel problemler olarak karşımıza çıkmaktadır. Bu çalışmada, yenilikçi bir yaklaşımla üç farklı matematiksel dönüşüm kullanılarak verinin farklı bir formatta sayısal temsili önerilmekte ve derin öğrenme yöntemlerinin bu problem özelinde başarımlarının klasik makine öğrenmesi ve istatistiksel örüntü tanıma yöntemleri ile karşılaştırılması yapılmaktadır. Önerilen yenilikçi yöntem kapsamında, Markov Dönüşüm Alanı (MDA), Gramian Açısal Alanı (GAA, GATA, GAFA) ve Tekrarlanma Grafiği (TG) matematiksel dönüşümleri verinin zaman serisi türünden görüntü formatında ifade edilebilmesi için kullanılmıştır. Bu yaklaşım sonucunda elde edilen yeni tipteki verilerin kullanılmasıyla, derin öğrenme algoritmalarının çapraz doğrulama (cross validation) metodu ile eğitilmesi sağlanarak, üretilen modellerin performans sonuçları ve klasik algoritmalar ile elde edilen sonuçlar iyi bilinen metrikler kullanılarak karşılaştırılmıştır. Bu sonuçlar ışığında, önerilen zaman serisi verisinin görüntüye dönüştürülmesi yaklaşımlarının, problem çözümünde öznitelik çıkarma gereksinimini ortadan kaldırdığı ve bugüne kadar literatürde tespit edilen en iyi sonuçları verdiği belirlenmiştir. Önerilen yeni yaklaşımın, sadece zaman serisi tabanlı sınıflandırma problemleri için değil, farklı araştırma alanlarında da uygulanabileceği ve verinin sayısal olarak temsili amacıyla önerilen matematiksel dönüşümler ile makine öğrenmesi algoritmalarının başarımının arttırılması için önemli katkılar sağlayacağı değerlendirilmektedir.
Primary Language | Turkish |
---|---|
Subjects | Engineering |
Journal Section | Makaleler |
Authors | |
Publication Date | May 24, 2021 |
Submission Date | November 16, 2020 |
Acceptance Date | February 6, 2021 |
Published in Issue | Year 2021 Volume: 36 Issue: 3 |