Serpil Ustebay

Serpil Ustebay

Auto-generated profile, based on publicly available information

Serpil Ustebay

Istanbul University

Research Focus & Metrics

Academic Career Length

10Years (2017-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
30 May 2017
Verified
Book Chapter
Closed access
PDF file
SUSerpil Ustebay
Serpil Ustebay
MAMuhammed Ali AYDIN
Muhammed Ali AYDIN
ASAhmet Sertbas
Ahmet Sertbas
TATulin Atmaca
Tulin Atmaca

30 May 2017 in Communications in Computer and Information Science
Verified
Book Chapter
Closed access
PDF file
SUSerpil Ustebay
Serpil Ustebay
ZYZuleyha Yiner
Zuleyha Yiner
MAMuhammed Ali AYDIN
Muhammed Ali AYDIN
ATAhmet Sertbas Ttt
Ahmet Sertbas Ttt
TATulin Atmaca
Tulin Atmaca

8 December 2017 in Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi
Verified
Journal Article
Closed access
PDF file
SÜSerpil Üstebay
Serpil Üstebay
EGERGUN GUMUS
ERGUN GUMUS
MAMuhammed Ali AYDIN
Muhammed Ali AYDIN
ATAhmet Sertbas Ttt
Ahmet Sertbas Ttt
İç mekân konum tespitinde farklı yaklaşımlar geliştirilmiş olsa da mekânın “parmak izi” adı verilen sinyal haritasını kullanan yöntemler popülerliğini korumaktadır. Bu yöntemlerin; ekstra bir maliyet gerektirmemesi ve hali hazırda kurulmuş olan Kablosuz Erişim Noktalarını (KEN) kullanması en önemli avantajlarından biridir. Bu sistemlerde konum tespiti: (i) sinyal haritasının oluşturulması ve (ii) bu harita üzerinden kişinin konum tespitinin yapılması şeklinde iki aşamadan oluşmaktadır. Sinyal haritasını oluşturmak için kullanılan KEN sayısı ve konumu; sistemin maliyetini, konumlandırma doğruluğunu ve çalışma hızını etkileyen önemli faktörlerdir. Bu çalışma ile konumlandırma doğruluğundan ödün vermeden, daha düşük maliyetli ve daha hızlı bir sistemin oluşturulması için etkisiz KEN’leri eleyen bir küçültme yöntemi önerilmektedir. Bu amaçla başarılı bir boyut azaltım yöntemi olan Temel Bileşen Analizi (TBA) yöntemine başvurulmuştur. Önerilen yaklaşım, küçültülmüş sinyal haritası ve kullanıcının seçtiği üç farklı makine öğrenme yöntemini (K-En Yakın Komşuluk, Destek Vektör Makineleri, Doğrusal Ayırtaç Analizi) kullanan bir konumlandırma modelinden oluşmaktadır. Uygulama sonucunda, KEN sayısı %70 azaltılmış modelin, K-En Yakın Komşuluk yöntemi kullanıldığında %91 doğrulukla ve sinyal haritası küçültmesi yapılmamış modele göre ortalama %75 (test süresi üzerinden) daha hızlı bir şekilde kişinin konumunu tespit edebildiği görülmüştür.