Anomaly detection from big data of motion sensors using deep learning
Derin öğrenme kullanılarak hareket sensörlerinin büyük verilerinden anomali tespiti
- Tez No: 865090
- Danışmanlar: DR. ÖĞR. ÜYESİ MUHAMMET ÇAKMAK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 79
Özet
Bu tezde, hareket sensörlerinden elde edilen büyük verilerdeki anormallik tespiti konusunu ele alınmaktadır. Hareket sensörlerinin çeşitli sektörlerde yaygın olarak kullanılması, özellikle insan hareketlerinin analizinden veri toplama süreçlerini önemli ölçüde dönüştürmüştür. Ancak bu geniş veri kümelerindeki anormallikleri doğru bir şekilde tespit etmek önemli bir sorun olarak devam etmektedir. Hareket sensörü verilerinde anormalliklerin doğru bir şekilde tespit edilmesi sağlık ve güvenlik alanları başta olmak üzere güvenlik tehlikelerinin önlenmesi, operasyonel verimliliğin artırılması ve karar verme süreçlerinin geliştirilmesine katkı sağlamaktadır. Bu çalışmada, insan hareketlerinden elde edilen büyük verilerdeki anormallik sorununun çözümü için İleri Beslemeli Sinir Ağı (FFNN) algoritması ve parçacık sürüsü optimizasyonu (PSO) kullanılarak derin öğrenme tabanlı bir model geliştirilmiştir. Bu tezde, akıllı ev ortamındaki insan faaliyetlerinin çoklu sensör verilerinden elde edilen bir veri seti kullanıldı. Önerilen (FFNN) algoritması ve parçacık sürüsü optimizasyonu (PSO) tabanlı hibrit model 0,016 ortalama mutlak hata (MAE) ve %97,95 doğruluk (accuracy) oranı elde etti. Elde edilen sonuçlar, hibrit FFNN ve PSO yaklaşımının, hareket sensörü girdisine dayanan çeşitli alanlarda anomali tespiti için kullanılabileceğini göstermektedir. Anahtar Kelimeler : Anomali Tespiti, İleri Beslemeli Sinir Ağları, Parçacık Sürü Optimizasyonu
Özet (Çeviri)
In this thesis, the issue of anomaly detection in big data obtained from motion sensors is discussed. The widespread use of motion sensors in various industries has significantly transformed data collection processes, especially in the analysis of human movements. However, accurately detecting anomalies in these large data sets remains a significant challenge. Accurately detecting anomalies in motion sensor data contributes to preventing security hazards, increasing operational efficiency, and improving decision-making processes, especially in the areas of health and safety. In this study, a deep learning-based model was developed using the Feed Forward Neural Network (FFNN) algorithm and particle swarm optimisation (PSO) to solve the anomaly problem in big data obtained from human movements. In this thesis, a dataset obtained from multi-sensor data of human activities in the smart home environment was used. The proposed (FFNN) algorithm and particle swarm optimization (PSO) based hybrid model achieved a mean absolute error (MAE) of 0.016 and an accuracy rate of 97.95%. The results show that the hybrid FFNN and PSO approach can be used for anomaly detection in various fields based on motion sensor input. Keywords : Anomaly Detection, Feedforward Neural Networks, Particle Swarm Optimization.
Benzer Tezler
- İklimlendirme sistemleri üzerinde makine öğrenmesi ile anomali tespiti
Anomaly detection with machine learning on air conditioning systems
REFİK KİBAR
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMED FATİH ADAK
DR. ÖĞR. ÜYESİ KEVSER OVAZ AKPINAR
- Makine öğrenmesi algoritmaları ve anomali tespiti
Machine learning algorithms and anomaly detection
MEHMET DENİZ TOPUZ
Yüksek Lisans
Türkçe
2014
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiMatematik Bölümü
DOÇ. DR. ATABEY KAYGUN
- Towards prediction of security attacks on software defined networks: A big data analytic approach
Başlık çevirisi yok
EMRE ÜNAL
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTexas Tech UniversityDR. RATTİKORN HEWETT
- Multilevel object tracking on big graph data using interval type-2 fuzzy systems in wireless multimedia sensor networks
Çoklu ortam duyarga ağlarında aralık tip-2 bulanık sistemler kullanarak büyük çizge verilerde çokkatmanlı nesne takibi
CİHAN KÜÇÜKKEÇECİ
Doktora
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADNAN YAZICI
- IoT ayrıtlarında büyük sağlık verilerinin etkin yönetimi için bir akıllı veri ön işleme yaklaşımı
A smart data pre-processing approach for effective management of healthcare big data on IoT edges
ŞÜKRÜ MUSTAFA KAYA
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ GÜNEŞ