GCRIS

Hücresel ağlarda popüler dosyaların cihazlarda önbelleklenmesi ile, cihazlar arası etkileşim baz istasyonu (Bİ) üzerine düşen iletişim yükünü oldukça azaltmaktadır. Dağıtık veri önbellekleme işlemi popüler bir dosyanın parçalarının kodlanmamış orijinal haliyle ya da herhangi bir silinti kodu kullanılarak kodlanmış halinin mobil cihazlar içerisinde dağıtık bir şekilde depolanması yardımıyla gerçekleştirilir. Dosyanın herhangi bir parçası, komşu mobil cihazlardan ya da mümkün değilse, doğrudan Bİ?lerden, yüksek bir iletişim maliyeti pahasına indirilebilir. Bir hücresel ağda, rastgele zamanlarda bazı düğümlerin hücreye katıldığı ve bazılarının ayrıldığı göz önüne alındığında, performans için Bİ ile iletişimin minimum düzeyde olmasını sağlayacak akıllı veri onarım yöntemlerine ihtiyaç duyulacaktır. Tek bir veya birden fazla Bİ?nin sisteme katılımı, önceki onarım paradigmalarına, özellikle de işbirlikçi düğüm onarım süreçlerine farklı bir boyut eklemektedir. Bunun nedeni, çalışma protokolü kurallarının yanı sıra iletişim kısıtlamalarının da değişmesidir. Literatür, bu durum için temel bant genişliği/depolama ödünleşim uzayını inceleyen bir çalışma içermemektedir. Yeni hücre mimarileri buna göre, yeni silinti kod yapılarını, verimli protokol tasarımlarını, veri erişim gecikmesi, gerçekçi kuyruk modelleri ve gerçekçi benzetim platformları dahil ancak bunlarla sınırlı olmamak üzere farklı tasarım değerlendirmelerini gerektirmektedir. Bu projede ilk olarak, daha önceki hiçbir çalışmada düşünülmemiş işbirliği yapan Bİ?lerin cihaz ayrılışlarında yaşanan kayıp verinin onarımı için bant genişliği ve depolama kapasitesinin iyileştirilmiş teorik sınırlarının veri akış diyagramları kullanılarak elde edilmesi amaçlanmıştır. Bununla beraber, bant genişliği ve depolama alanını en iyi kullanan kod yapılarından esinlenerek, veri önbellekleme işlemini optimale yakın bir maliyetle gerçekleştirecek tamamen özgün çizge tabanlı kod yapıları ve bu yeni kodlar için daha önce düğüm onarım problemine uygulanmamış genetik algoritma, optimize edilmiş artık veri dağıtımı gibi yeni yaklaşımlar kullanılarak önceden düşünülmemiş düğüm onarım algoritmaları önerilecektir. Ayrıca, düğümlerin hücreye katılma ve ayrılma süreçleri için, bant genişliği ve veri depolaması gereksinimlerini en aza indirmeye yardımcı olacak enerji tüketimi odaklı son derece özgün protokoller önerilecektir. Bu protokoller, düğümlerin bir hücreden diğerine geçiş yapabileceği ve hücre içi kaynakların etkin kullanılmasına yardımcı olmak için Bİ?lerin işbirliği yapmasını sağlayan geçiş senaryoları ile güçlendirilecektir. Bu durum, iki onarım işlemi arasındaki sürenin ayarlanması, veri erişim maliyetlerinin azaltılması, hücreye katılan düğüm içeriğinin kullanımı, artık veri kullanımı v.s. gibi yenilikleri içerecektir. Son olarak, önerilen kod yapıları ve protokol mimarisinin performansını analitik olarak türetmek için bilinen çeşitli ve daha gerçekçi kuyruklama modelleri değerlendirilecektir. Analitik sonuçlarımızı doğrulamak için daha sonra hücresel ağ tabanlı büyük ölçekli benzetimler yapılıp sayısal yöntemler ile toplam iletişim ve dosya onarım işlemlerinin maliyet hesaplamaları ve karşılaştırmaları yapılacaktır. MEF Üniversitesi öğretim üyesi Dr. Şuayb Arslan?ın yürütücüsü olduğu ve 36 ay sürecek projede, Pamukkale üniversitesi Bilgisayar Mühendisliği Bölümü öğretim üyesi Dr. Elif Haytaoğlu araştırmacı olarak görev alacaktır. Projede, iki doktora, iki yüksek lisans ve son iki senemizde iki lisans öğrencisi bursiyer olarak görev alacaktır.

In this study, the main scope was to develop a brain-computer interface (BCI) with the use of PiCar and EEG/ERP devices. Thus, it is aimed to facilitate the lives of people with certain diseases and disabilities. The ultimate goal of this project has been to direct and control a BCI-based PiCar concerning the signals captured via the EEG/ERP device. With the EEG headset, the EMG signals of the gestures (facial expressions) of the participant were captured. With the collected data, filtering and other preprocessing methods were applied to have noise-free signals. In the preprocessing, the detrending method was used to clean the data set which showed a constantly increasing trend, to a certain range, and zero trends. The denoising (Wavelet Denoising) and outlier detection/elimination methods (OneClassSVM) were used for noise elimination. The SMOTE oversampling method was used for data augmentation. Welch's method was used to get band powers from the signals. With the use of augmented data, several machine learning algorithms were applied such as Support Vector Machine, Logistic Regression, Linear Discriminant Analysis, Random forest Classifier, Gradient Boosting Classifier, Multinomial Naive Bayes, Decision tree, K-Nearest Neighbor, and voting classifier. The developed models were used to predict the direction that is passed as an input to PiCar's API. After that, PiCar was controlled concerning the predicted direction with HTTP GET requests. In this project, the OpenBCI headset and the Brainflow library for EEG/EMG signal obtaining and processing were used. Also, the Tkinter library was used for the Graphical user interface and Django for establishing a server on PiCar's brain which is RaspberryPi. © 2022 IEEE.

Bilgisayar Mühendisliği Bölümü Koleksiyonu

Browse

Filters

Settings

Sort By

Results per page

Search Results