Farklı yapay sinir ağı temelli sınıflandırıcılar ile insan hareketi tanımlama

Simple item page
dc.contributor.authorÇatalbaş, Buraken_US
dc.contributor.authorMorgül, Ömeren_US
dc.contributor.authorÇatalbaş, Bahadıren_US
dc.coverage.spatialAntalya, Turkey
dc.date.accessioned2018-04-12T11:44:45Z
dc.date.available2018-04-12T11:44:45Z
dc.date.issued2017-05en_US
dc.departmentDepartment of Electrical and Electronics Engineeringen_US
dc.descriptionDate of Conference: 15-18 May 2017
dc.descriptionConference name: 25th Signal Processing and Communications Applications Conference (SIU) 2017
dc.description.abstractİnsan Hareketi Tanımlanması, taşıdığı önem ve sınırlı öznitelik vektörü ile yüksek sınıflandırma oranlarına ulaşmasında karşılaşılan zorluk nedeniyle popüler bir araştırma konusudur. Bireylerin hareket ölçülebilirliginin akıllı telefonların içinde gömülü bulunan atalet ölçüm birimleri sayesinde artması ile birlikte, bu alanda toplanan veri miktarı artmakta ve daha başarılı sınıflandırıcıların tasarlanabilmesine imkan saglanmaktadır. Yapay sinir ağları, konvansiyonel sınıflandırıcılara göre sınıflandırma sorunlarında daha iyi performans sergileyebilmektedir. Bu çalışmada, Irvine Kaliforniya Üniversitesi (UCI) veri setine yapay sinir ağı temelli bir sınıflandırıcı önermek için çeşitli yapay sinir ağı yapıları denenmiş olup, bu sınıflandırıcılar ile elde edilen başarı oranları literatürdeki aynı veri kümesi için bulunan sonuçlarla karşılaştırılmıştır.
dc.description.abstractHuman Activity Recognition is a popular topic of research, with the importance it carries and its limited feature vector, to reach high success rates because of the difficulty faced in classification. With the increase of movement measurability for individuals via inertia measuring units embedded inside the smartphones, the data amount increases which lets new classifiers to be designed with higher success in this field. Artificial neural networks can perform better at such classification problems in comparison to conventional classifiers. In this work, various artificial neural networks have been tried to form a classifier for the University of California (UCI) Human Activity Recognition dataset and resulting success rates for those classifiers are compared with existing results for same dataset in the literature. © 2017 IEEE.
dc.description.provenanceMade available in DSpace on 2018-04-12T11:44:45Z (GMT). No. of bitstreams: 1 bilkent-research-paper.pdf: 179475 bytes, checksum: ea0bedeb05ac9ccfb983c327e155f0c2 (MD5) Previous issue date: 2017en
dc.identifier.doi10.1109/SIU.2017.7960559en_US
dc.identifier.urihttp://hdl.handle.net/11693/37588
dc.language.isoTurkishen_US
dc.publisherIEEEen_US
dc.relation.isversionofhttp://dx.doi.org/10.1109/SIU.2017.7960559en_US
dc.source.title25th Signal Processing and Communications Applications Conference, SIU 2017en_US
dc.subjectArtificial neural networksen_US
dc.subjectClassifieren_US
dc.subjectClusteringen_US
dc.subjectHuman activity recognitionen_US
dc.subjectNeural networksen_US
dc.subjectPattern recognitionen_US
dc.subjectSignal processingen_US
dc.subjectConventional classifieren_US
dc.subjectFeature vectorsen_US
dc.subjectHuman activity recognitionen_US
dc.subjectInertia measuringen_US
dc.subjectUniversity of Californiaen_US
dc.subjectClassification (of information)en_US
dc.titleFarklı yapay sinir ağı temelli sınıflandırıcılar ile insan hareketi tanımlamaen_US
dc.title.alternativeHuman activity recognition with different artificial neural network based classifiersen_US
dc.typeConference Paperen_US

Files

Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
Human Activity Recognition with Different Artificial.pdf
Size:
420.89 KB
Format:
Adobe Portable Document Format
Description:
Full Printable Version
Download

Collections

Scholarly Publications - Computer Engineering
Scholarly Publications - Electrical and Electronics Engineering