چکیده:
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.
چکیده انگلیسی:
Nowadays, pervasive environment development has garnered lots of attentions. In such environments, user-object interactions along time are recorded via several sensors, and sensor events are processed as a stream of data. In this process, user’s activities are recognized, and accordingly, essential services are provided. In many activity recognition approaches, firstly the input data stream is segmented, then the activity pertaining to each segment is induced. In such approaches, sensor data stream segmentation is a predominant phase. In this paper, this problem is investigated and a novel method, based on a difference of convex programming problem, is proposed to solve it. In the proposed method a feature vector is calculated for each sensor event in the data stream using a Bayesian approach, and the sequence of such vectors is hired in a difference of convex cost function. The cost function and feature vectors has been calculated by considering heuristics adopting to smart environments. Data segments are extracted by minimizing the cost function. The segmentation purity and conditional entropy have been calculated to measure the performance. Evaluations show that the proposed method has an acceptable performance comparing to some existing approaches.
خبرنامه
برای ثبت نام در خبرنامه و دریافت خبرنامه ایمیل خود را وارد نمایید.
