Geri Dön

Hybrıd self-supervısed adaptatıon frameworks wıth sımulated annealıng and bayesıan optımızatıon for human actıvıty recognıtıon ın ıot

Iot'de insan aktivitesi tanıma için simüle tavlama ve bayesyen optimizasyon ile hibrit kendi kendine denetimli adaptasyon çerçeveleri

PDF İndir

  1. Tez No: 998303
  2. Yazar: MOHAMMED MAJID ABDULRAZZAQ
  3. Danışmanlar: DR. ÖĞR. ÜYESİ NEHAD T.A RAMAHA
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: İnsan Aktivitesi Tanıma (HAR), Nesnelerin İnterneti (IoT), Kendi Kendini Denetleyen Öğrenme (SSA), Simüle Edilmiş Tavlama (SA), Bayes Optimizasyonu (BO), Hiperparametre Optimizasyonu, Derin Öğrenme, Human Activity Recognition (HAR), Internet of Things (IoT), Self-Supervised Learning (SSA), Simulated Annealing (SA), Bayesian Optimization (BO), Hyperparameter Optimization, Deep Learning. Since code :92431
  7. Yıl: 2026
  8. Dil: İngilizce
  9. Üniversite: Karabük Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

İnsan Etkinliği Tanıma (HAR), Nesnelerin İnterneti (IoT) ekosisteminde kritik bir rol oynayarak, akıllı sistemlerin insan davranışlarını anlamasını ve sağlık izleme, akıllı evler ve ortam destekli yaşam gibi uygulamaları desteklemesini sağlar. Ancak, etiketli verilerin kıtlığı, sensör sinyallerinin heterojenliği ve derin öğrenme modellerinde geleneksel hiperparametre optimizasyon yöntemlerinin verimsizliği nedeniyle, sağlam HAR sistemleri geliştirmek hala zorlu bir görevdir. Bu zorlukları aşmak için, bu araştırma, IoT tabanlı HAR'da öğrenme verimliliğini, sağlamlığı ve uyarlanabilirliği artırmak için tasarlanmış iki yeni hibrit çerçeve olan Simüle Edilmiş Tavlama ile Kendi Kendini Denetleyen Uyarlama (SSA–SA) ve Bayes Optimizasyonu ile Kendi Kendini Denetleyen Uyarlama (SSA–BO) sunmaktadır. Her iki çerçeve de, gürültü giderme, maskeleme ve kontrastlı yeniden yapılandırma gibi ön görevler aracılığıyla büyük hacimli etiketlenmemiş IoT sensör verilerinden ayırt edici özellik temsillerini çıkarmak için Self-Supervised Learning (SSA) kullanır. Bu temsiller daha sonra, minimum etiketli örnekler kullanılarak aşağı akış HAR görevleri için ince ayarlanır. SSA–SA modeli, öğrenme hızı, parti boyutu ve gürültü enjeksiyon varyansı gibi temel hiperparametreleri optimize etmek için olasılıksal Simüle Edilmiş Tavlama (SA) metaheuristiklerini entegre ederek keşif ve kullanım arasında bir denge sağlar. Buna karşılık, SSA–BO, Bayes Optimizasyonu (BO) kullanarak, optimum konfigürasyonların aranmasını uyarlanabilir bir şekilde yönlendiren ve doğruluğu korurken hesaplama maliyetini azaltan bir vekil model oluşturur. Deneysel doğrulama, yaygın olarak tanınan iki HAR benchmark veri seti olan UCI HAR ve MHEALTH üzerinde gerçekleştirilmiştir. Sonuçlar, SSA–SA'nın UCI HAR'da %96,00 doğruluk ve %96,01 F1 puanı, MHEALTH'te ise %97,33 doğruluk ve %97,33 F1 puanı elde ettiğini göstermektedir. SSA–BO ise UCI HAR üzerinde %95,42 doğruluk (F1: %95,47) ve MHEALTH üzerinde %96,82 doğruluk (F1: %96,91) elde etmiştir. Bu sonuçlar SSA–SA'nın biraz altında olmakla birlikte, hiperparametre ayarlaması sırasında hesaplama maliyeti %18 daha düşüktür. İstatistiksel analiz, her iki çerçevenin de gürültüye karşı dayanıklılık, yakınsama kararlılığı ve etiket verimliliği açısından temel SSA ve denetimli HAR modellerinden önemli ölçüde daha iyi performans gösterdiğini doğruladı. Sonuçlar, SSA–SA'nın stokastik arama mekanizması sayesinde karmaşık veya gürültülü koşullarda üstün performans sunduğunu, SSA–BO'nun ise ölçeklenebilir IoT dağıtımları için hesaplama açısından daha ekonomik bir alternatif sağladığını ortaya koymaktadır. Bu iki çerçeve birlikte, yeni nesil IoT sistemlerinde uyarlanabilir, kaynak verimli ve etiket verimli HAR için güçlü bir temel oluşturmaktadır.

Özet (Çeviri)

Human Activity Recognition (HAR) plays a critical role in the Internet of Things (IoT) ecosystem, enabling intelligent systems to understand human behaviors and support applications such as healthcare monitoring, smart homes, and ambient assisted living. However, developing robust HAR systems remains challenging due to the scarcity of labeled data, the heterogeneity of sensor signals, and the inefficiency of conventional hyperparameter optimization methods in deep learning models. To address these challenges, this research introduces two novel hybrid frameworks Self-Supervised Adaptation with Simulated Annealing (SSA–SA) and Self-Supervised Adaptation with Bayesian Optimization (SSA–BO) designed to enhance learning efficiency, robustness, and adaptability in IoT-based HAR. Both frameworks employ Self-Supervised Learning (SSA) to extract discriminative feature representations from large volumes of unlabeled IoT sensor data through pretext tasks such as denoising, masking, and contrastive reconstruction. These representations are then fine-tuned for downstream HAR tasks using minimal labeled samples. The SSA–SA model integrates a probabilistic Simulated Annealing (SA) metaheuristic to optimize key hyperparameters including learning rate, batch size, and noise injection variance, achieving a balance between exploration and exploitation. In contrast, SSA–BO employs Bayesian Optimization (BO) to construct a surrogate model that adaptively guides the search for optimal configurations, reducing computational cost while maintaining accuracy. Experimental validation was conducted on two widely recognized HAR benchmark datasets UCI HAR and MHEALTH. Results demonstrate that SSA–SA achieved an accuracy of 96.00% and an F1-score of 96.01% on UCI HAR, and 97.33% accuracy and 97.33% F1-score on MHEALTH. Meanwhile, SSA–BO achieved 95.42% accuracy (F1: 95.47%) on UCI HAR and 96.82% accuracy (F1: 96.91%) on MHEALTH, slightly below SSA–SA but with 18% lower computational cost during hyperparameter tuning. Statistical analysis confirmed that both frameworks significantly outperformed baseline SSA and supervised HAR models in terms of robustness to noise, convergence stability, and label efficiency. The results highlight that SSA–SA offers superior performance under complex or noisy conditions due to its stochastic search mechanism, while SSA–BO provides a more computationally economical alternative for scalable IoT deployments. Together, the two frameworks establish a powerful foundation for adaptive, resource-efficient, and label-efficient HAR in next-generation IoT systems.

Benzer Tezler

  1. Tez No

    692422

    Hybridization of probabilistic graphical models and metaheuristics for handling dynamism and uncertainty

    Değişimin ve belirsizliğin ele alınması için olasılıksal çizgesel biçelerin ve sezgi-üstlerinin melezleştirilmesi

    GÖNÜL ULUDAĞ

    Doktora

    İngilizce

    İngilizce

    2021

    Nörolojiİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. AYŞE ŞİMA UYAR

  2. Tez No

    892819

    Öz bilgi destekli derin öğrenme yaklaşımları ile hsg gürültü giderme

    Self-ınformation empowered deep learning approaches for hsı denoising

    ORHAN TORUN

    Doktora

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiHacettepe Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SENİHA ESEN YÜKSEL ERDEM

    PROF. DR. MEHMET ERKUT ERDEM

  3. Tez No

    123037

    The ideology of Islamism in tthe Ottoman-Turkish modernization adventure

    Osmanlı-Türk modernleşme serüveninde İslamcılık ideolojisi

    FUAT GÜLLÜPINAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2002

    SosyolojiOrta Doğu Teknik Üniversitesi

    Sosyoloji Ana Bilim Dalı

    DOÇ. DR. MEHMET CİHAN ECEVİT

  4. Tez No

    1005149

    Image-based malware detection: Hybrid deep learning and entropy-aware self-supervised learning approaches

    Görüntü tabanlı zararlı yazılım tespiti: Hibrit derin öğrenme ve entropi duyarlı öz-denetimli öğrenme yaklaşımları

    ESRA EROĞLU DEMİRKAN

    Doktora

    İngilizce

    İngilizce

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MURAT AYDOS

    DOÇ. DR. ADEM TEKEREK

  5. Tez No

    998192

    A new monocular depth estimation model using hybrid architecture

    Hibrit mimari kullanarak yeni bir monoküler derinlik tahmini modeli

    HAMİDULLAH TÜRKMEN

    Doktora

    İngilizce

    İngilizce

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. DEVRİM AKGÜN

Geri Dön