3 results
Search Results
Now showing 1 - 3 of 3
Article 868 MHz Frekansında Açık Alan Ortamlarında Kısa Menzilli IoT Uygulamaları için XBee P2P Bağlantılarının Yayılım Çalışması(2025) Dalveren, Yaser; Cerci, EmreBu çalışma, dış ortamlarda 868 MHz'de çalışan XBee modüllerini kullanan kısa menzilli noktadan noktaya (P2P) kablosuz iletişim için bir ön yayılma analizi sunmaktadır. Kısa menzilli Nesnelerin İnterneti (IoT) uygulamaları bağlamında XBee P2P bağlantılarının doğrudan planlanmasını ve dağıtımını kolaylaştırmak için kentsel, banliyö ve kırsal ortamlarda görüş hattı (LOS) koşulları altında ampirik ölçümler yapılmıştır. Serbest Uzay Yol Kaybı (FSPL), İki Işınlı Zemin Yansıması, Log-mesafe, Hata-Okumura ve Cost231-Hata dahil olmak üzere beş iyi bilinen ampirik yol kaybı modelinin performansı, Alınan Sinyal Gücü Göstergesi (RSSI) verilerine dayanarak değerlendirilmiştir. Bulgular, FSPL modelinin kırsal alanlarda en yüksek doğruluk seviyesini gösterirken, Log-distance modelinin kentsel ve banliyö bağlamlarında daha iyi performans sergilediğini göstermektedir. Buna karşılık, Two-Ray ve Cost231-Hata modelleri tüm ortamlarda ölçülen verilerle nispeten sınırlı derecede uyum göstermektedir. Bu bulguların, dış mekan IoT ortamlarında enerji tasarruflu ve uygun maliyetli XBee tabanlı P2P ağlarının basit bir şekilde konuşlandırılması için değerli bilgiler sunması beklenmektedir.Article Otonom Araç Radarları için 79 GHz Fazlı Mikroşerit Anten Dizisinin Besleme Analizi(2025) Dalveren, Yaser; Kara, Ali; Yılmaz, SelenOtomotiv radarı, güvenilirliği nedeniyle otonom araçlarda umut vadeden bir algılama teknolojisi olarak bilinmektedir. Günümüz otonom araçlarında, 77 – 81 GHz frekans bandı otomotiv radarları için ana çalışma bandıdır. Otomotiv radarlarının verimli çalışabilmesi için radar anteninin son derece hassas olması gerekir. Ancak, yüksek çalışma frekansları, yüksek kazanç, geniş bant genişliği ve düşük yan lob seviyeleri (SLL) gerektiren radar anteni tasarımında zorluklar ortaya çıkarabilmektedir. Bu sorunu ele almak için, bu çalışmada, eş düzlemli boşluk kaynak portu, dikey toprak köprüsü ve dalga portu dahil olmak üzere üç farklı topraklanmış eş düzlemli dalga kılavuzu (GCPW) besleme konfigürasyonu kullanılarak düzlemsel seri beslemeli doğrusal bir anten dizisinin 79 GHz otomotiv radar uygulamalarına uyarlaması amaçlanmaktadır. Antenin besleme yapılandırmalarıyla performansını değerlendirmek için benzetimler yürütülmüştür. Elde edilen sonuçlara göre, dalga portu beslemeli antenin en iyi empedans bant genişliğini (>3 GHz) elde ettiği, eş düzlemli boşluk kaynak portu veya dikey toprak köprüsü konfigürasyonları beslemeli antenin ise daha iyi ana lob faz merkezlemesi ve daha yüksek bir kazanç (>18,4 dBi) sergilediği, yan lob seviyelerinin (SLL) -16,28 dB’nin altında olduğu gösterilmiştir. Bu bulguların, yeni nesil otonom araçlar için yüksek performanslı radar antenlerinin geliştirilmesine katkıda bulunabileceği düşünülmektedir.Conference Object Citation - WoS: 1Citation - Scopus: 1Optimizing Radio Frequency Fingerprinting for Device Classification: a Study Towards Lightweight Dl Models(IEEE, 2024) Iyiparlakoglu, Raif; Awan, Maaz Ali; Dalveren, Yaser; Kara, AliAs the Internet of Things (IoT) permeates diverse application domains, ensuring the security of wireless networks has become increasingly critical. However, the constraints of resource-limited IoT devices render complex encryption impractical. Consequently, Radio Frequency Fingerprinting (RFF) has emerged as a promising avenue, leveraging unique device characteristics resulting from manufacturing nonlinearities. RFF enhances physical layer security by enabling device classification and authentication at IoT gateways. While deep learning (DL) aided RFF systems offer exceptional classification accuracy, their deployment on edge devices remains challenging to this end. Accordingly, there is a gap in the literature for efficient model exploration and implementation. This study proposes a lightweight Convolutional Neural Network (CNN) model using 1D convolutional filters to reduce inference latency. The model was applied to an open-source dataset comprising 30 LoRa devices. An evaluation was conducted to compare classification accuracy and inference latency using Short Time Fourier Transform (STFT) and Fast Fourier Transform (FFT) for preprocessing. Additionally, the performance of the proposed model was compared against a CNN model utilizing 2D convolutional filters. The model exhibited a significant reduction in inference latency with miniscule degradation in classification accuracy, addressing the identified gap, and propelling the academic discourse towards RFF for edge devices.
