Kapalı Mekân Ortamında 1D-CNN Kullanarak Yapılan Doluluk Tespiti Sınıflandırması
Abstract
Derin Öğrenme modelleri kompleks deneyimlerden bilgi çıkarımına imkân sağlayan spesifik Makine Öğrenmesi yöntemleridir. Kapalı bir mekândaki bazı veri değerlerindeki değişiminin öğrenilmesi ile odada herhangi bir kişinin bulunup bulunmamasının tespit edilmesi bu deneyimlerden biridir. Bu çalışmanın amacı zaman serileri olarak oluşturulmuş ve zaman içinde ışık, sıcaklık, nem ve CO2 değerlerindeki değişimler ile kapalı bir mekânda doluluk tespiti probleminin Bir Boyutlu Evrişimli Sinir Ağı (1D-CNN) ile gerçekleştirilmesidir. Bir adet eğitim ve iki adet test veri seti kullanılarak model eğitilmiş ve daha önce tecrübe edilmeyen test veri setleri ile modelin başarısı gözlenmiştir. Keras uygulama programlama arayüzünde 1D-CNN modeli ile gerçekleştirilen testlerde doluluk tespiti sınıflandırmasının RF (Random Forest), GBM (Gradient Boosting Machines), CART (Classification and Regression Trees), LDA (Linear Discriminant Analysis) yöntemlerinden daha başarılı sonuçlar verdiği gözlenmiştir.
Keywords
Doluluk Tespiti, 1D-CNN, Zaman Serisi, Sınıflandırma, Derin Öğrenme
References
- Barino, F. O., Silva, V. N., López-Barbero, A. P., Honorio, L. D. M., & Dos Santos, A. B. (2020). Correlated time-series in multi-day-ahead streamflow forecasting using convolutional networks. IEEE Access, 8, 215748-215757.
- Billah, M. F. R. M., Saoda, N., Gao, J., & Campbell, B. (2021, May). BLE can see: a reinforcement learning approach for RF-based indoor occupancy detection. In Proceedings of the 20th International Conference on Information Processing in Sensor Networks (co-located with CPS-IoT Week 2021) (pp. 132-147).
- Candanedo, L. M., & Feldheim, V. (2016). Accurate occupancy detection of an office room from light, temperature, humidity and CO2 measurements using statistical learning models. Energy and Buildings, 112, 28-39.
- Esling, P., & Agon, C. (2012). Time-series data mining. ACM Computing Surveys (CSUR), 45(1), 1-34.
- Fukuoka, R., Suzuki, H., Kitajima, T., Kuwahara, A., & Yasuno, T. (2018). Wind speed prediction model using LSTM and 1D-CNN. Journal of Signal Processing, 22(4), 207-210.
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press.
- Hussain, D., Hussain, T., Khan, A. A., Naqvi, S. A. A., & Jamil, A. (2020). A deep learning approach for hydrological time-series prediction: A case study of Gilgit river basin. Earth Science Informatics, 13(3), 915-927.
- Junior, R. F. R., dos Santos Areias, I. A., Campos, M. M., Teixeira, C. E., da Silva, L. E. B., & Gomes, G. F. (2022). Fault detection and diagnosis in electric motors using 1d convolutional neural networks with multi-channel vibration signals. Measurement, 190, 110759.
- Kiranyaz, S., Avci, O., Abdeljaber, O., Ince, T., Gabbouj, M., & Inman, D. J. (2021). 1D convolutional neural networks and applications: A survey. Mechanical systems and signal processing, 151, 107398.
- Kuang, D. (2019). A 1d convolutional network for leaf and time series classification. arXiv preprint arXiv:1907.00069.
