قطعه بندی جریان داده حسگرها در محیط های هوشمند فراگیر

سال انتشار: 1397
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 396

فایل این مقاله در 17 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JEMSC-4-2_001

تاریخ نمایه سازی: 20 خرداد 1398

چکیده مقاله:

امروزه توسعه محیط­های هوشمند فراگیر به موضوعی جذاب برای محققین تبدیل شده است. در این محیط­ها، تعاملات کاربر با اشیاء مختلف محیطی در طول زمان، با استفاده از حسگرهایی ثبت شده، و رویدادهای حسگرها به صورت جریانی از داده­ها مورد پردازش قرار می­گیرند. در این پردازش، عمل کاربر بازشناسی شده، و بر حسب آن، خدماتی به او ارائه می­گردند. در بسیاری از رویکردهای بازشناسی اعمال، ابتدا جریان داده ورودی قطعه بندی شده، و سپس عمل مربوط به هر قطعه تشخیص داده می­شود. در این رویکردها یک گام اولیه بسیار مهم، قطعه بندی جریان داده­های حسگرها است. در این مقاله به این مساله پرداخته­ایم، و برای حل آن روش جدیدی را، بر مبنای یک مساله برنامه ریزی تفاضل محدب، پیشنهاد داده­ایم. در روش پیشنهادی، برای هر رویداد حسگر در جریان داده­ها، یک بردار ویژگی با استفاده از رویکردی بیزی محاسبه، و دنباله این بردارها در یک تابع هزینه تفاضل محدب به کار گرفته شده است. بردارهای ویژگی و تابع هزینه را با در نظر گرفتن مکاشفه­هایی که مطابق با شرایط محیط­های هوشمند فراگیر هستند، محاسبه کرده­ایم. قطعات داده­ با کمینه­سازی این تابع استخراج می­گردند. در ارزیابی­ها از یک شبیه­ساز خانه­های هوشمند برای تولید جریان داده­های حسگرها استفاده شده است. میزان خلوص قطعات، و آنتروپی شرطی قطعه­بندی برای سنجش میزان کارآیی روش پیشنهادی محاسبه گردیده­اند. ارزیابی­های نشان می­دهند که در مقایسه با تعدادی از رویکردهای موجود، روش پیشنهادی عملکرد قابل قبولی را از خود نشان می­دهد.

کلیدواژه ها:

نویسندگان

وحید قاسمی

گروه مهندسی کامپیوتر، دانشگاه صنعتی کرمانشاه، کرمانشاه،

محمد جوادیان

گروه مهندسی کامپیوتر، دانشگاه صنعتی کرمانشاه، کرمانشاه،

سجاد حیاتی

گروه مهندسی برق، دانشگاه صنعتی کرمانشاه، کرمانشاه،

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Bingham, E. (2010). Finding segmentations of sequences. In Inductive Databases ...
  • Data Mining (pp. 177-197). Springer, New York, NY. ...
  •  Cho, H., An, J., Hong, I., & Lee, Y. ...
  • Real-time Activity Prediction in Smart Spaces. In Proceedings of the ...
  • challenges in Mobile and Industrial Systems (pp. 13-18). ACM. ...
  •  Cohen, C. J., Scott, K. A., Huber, M. J., ...
  • recognition architecture for surveillance applications. In 2008 37th IEEE Applied ...
  • Pattern Recognition Workshop (pp. 1-8). IEEE. ...
  •  Fahad, L. G., Khan, A., & Rajarajan, M. (2015). ...
  • verification of assignments. Neurocomputing, 149, 1286-1298. ...
  •  Hagras, H., Callaghan, V., Colley, M., Clarke, G., Pounds-Cornish, ...
  • an ambient-intelligence environment using embedded agents. IEEE Intelligent Systems, 19(6), ...
  •  Hong, X., & Nugent, C. D. (2013). Segmenting sensor ...
  • environments. Personal and ubiquitous computing, 17(3), 545-559. ...
  •  Koskimaki, H., Huikari, V., Siirtola, P., Laurinen, P., & ...
  • using a wrist-worn inertial measurement unit: A case study for ...
  • th Mediterranean Conference on Control and Automation (pp. 401-405). IEEE. ...
  •  Krishnan, N. C., & Cook, D. J. (2014). Activity ...
  • mobile computing, 10, 138-154. ...
  •  Liao, J., Bi, Y., & Nugent, C. (2010, July). ...
  • theory of Evidence based on a revised lattice structure. In ...
  • Conference on Intelligent Environments (pp. 46-51). IEEE. ...
  •  Liao, J., Bi, Y., & Nugent, C. (2011). Using ...
  • lattice structure for activity recognition. IEEE Transactions on Information Technology ...
  • Biomedicine, 15(1), 74-82 ...
  •  Lipp, T., & Boyd, S. (2016). Variations and extension ...
  • and Engineering, 17(2), 263-287. ...
  •  Manning, C., Raghavan, P., & Schütze, H. (2010). Introduction ...
  • Language Engineering, 16(1), 100-103. ...
  •  Mendez-Vazquez, A., Helal, A., & Cook, D. (2009, April). ...
  • for pervasive spaces. In Workshop on Developing Shared Home Behavior ...
  • HCI and Ubiquitous Computing Research. Citeseer. ...
  •  Okeyo, G., Chen, L., Wang, H., & Sterritt, R. ...
  • knowledge-driven activity recognition. Pervasive and Mobile Computing, 10, 155-172. ...
  •  Singla, G., Cook, D. J., & Schmitter-Edgecombe, M. (2010). ...
  • activities among multiple residents in smart environments. Journal of ambient ...
  • humanized computing, 1(1), 57-63. ...
  •  van Kasteren, T. L., Englebienne, G., & Kröse, B. ...
  • sensor network data: Benchmark and software. In Activity recognition in ...
  • environments (pp. 165-186). Atlantis Press. ...
  •  Wan, J., O grady, M. J., & O hare, ...
  • activity recognition in a smart home context. Personal and Ubiquitous ...
  •  Wang, L., Gu, T., Tao, X., Chen, H., & ...
  • sensors in a smart home. Pervasive and Mobile Computing, 7(3), ...
  •  Weiser, M. (1991). The Computer for the 21 st ...
  •  Yala, N., Fergani, B., & Fleury, A. (2017). Towards ...
  • activity recognition on streaming data. Journal of Ambient Intelligence and ...
  • Computing, 8(2), 177-189 ...
  • نمایش کامل مراجع