2 results
Search Results
Now showing 1 - 2 of 2
Master Thesis İnsansız Hava Sistemleri için Milimetre Dalga Altimetrisine Doğru(2024) Awan, Maaz Alı; Dalveren, Yaserİnsansız hava sistemlerinin otonom inişi için doğru irtifa verileri kritik öneme sahiptir. Lazer sensörleri, barometrik altimetreler ve Küresel Konumlama Sistemi, yavaş güncelleme hızları ve sıcaklık hassasiyeti nedeniyle sınırlıdır. Ticari havacılıkta radar altimetreleri minimum operasyonel performans standartlarına göre tasarlanır; ancak, 5G ağlarının 4.2–4.4 GHz aralığındaki radar bandına müdahalesi yeni yaklaşımlara ihtiyaç doğurmaktadır. Milimetre dalga otomotiv radarları, üstün boyut, ağırlık ve güç ölçütleriyle insansız hava sistemleri için kullanılmamış bir potansiyel sunmaktadır. Bu çalışma, ticari havacılıktaki radar altimetre performans standartlarını insansız hava sistemleri için uyarlayarak bir otomotiv milimetre dalga frekans modülasyonlu sürekli dalga radarının dalga formu parametrelerini türetmeyi amaçlamaktadır. Tez, ara frekans filtre bant genişliği ve iletim gücü radar kısıtlamaları içinde performans ölçütlerini en üst düzeye çıkarmak için bir metodoloji önermektedir. İniş aşaması için dalga formu tasarımının ayrıntıları sunulmuştur. Çalışma, otonom iniş sırasında durumsal farkındalığı artırmak için gelişmiş varış açısı çözünürlüğü sağlama potansiyeline sahip Zaman Bölmeli Çoğullama ile Çoklu Giriş Çoklu Çıkış yöntemini incelemektedir. Son olarak, insansız hava sistemlerinin iniş aşamasındaki radyal hız belirsizliğini ele almayı ve olası çözüm yolları önermeyi hedeflemektedir.Master Thesis Radyo Frekansı (RF) Parmak İzi Kullanarak Cihaz Yetkilendirmesi(2024) İyiparlakoğlu, Raif; Dalveren, YaserWith the increasing usage areas of the Internet of Things (IoT), the importance of ensuring security in wireless networks has grown. Nevertheless, power-constrained devices cannot utilize intricate encryption techniques. Later on, Radio Frequency Fingerprinting (RFF) appeared, showcasing encouraging outcomes. A unique identity was derived from the distinct hardware variations during the production phases of IoT devices. This enabled device classification and verification functions, enhancing physical layer security. These applications were developed using deep learning (DL) techniques, resulting in highly accurate classification outcomes. Nevertheless, there is still room for enhancement when it comes to putting these DL models into practice. This thesis discusses decreasing inference latency through a lightweight 1D Convolutional Neural Network (CNN) model. A dataset containing 55 LoRa devices in an open-set was utilized. Preprocessing methods of Short Time Fourier Transform (STFT) and Fast Fourier Transform (FFT) were compared based on classification accuracy and inference latency. Furthermore, the model that was introduced was evaluated against the 2D CNN model. Even though the lightweight model offers a notable enhancement in inference speed, there are slight and tolerable reductions in its accuracy.
