Çatalbaş, BurakMorgül, ÖmerÇatalbaş, Bahadır2018-04-122018-04-122017-05http://hdl.handle.net/11693/37588Date of Conference: 15-18 May 2017Conference name: 25th Signal Processing and Communications Applications Conference (SIU) 2017İnsan 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.Human 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.TurkishArtificial neural networksClassifierClusteringHuman activity recognitionNeural networksPattern recognitionSignal processingConventional classifierFeature vectorsHuman activity recognitionInertia measuringUniversity of CaliforniaClassification (of information)Conference Paper10.1109/SIU.2017.7960559