یادگیری فعالیت مبتنی بر یادگیری ماشین برای زمینه های رفتاری در اینترنت اشیا (IoT)
| عنوان | یادگیری فعالیت مبتنی بر یادگیری ماشین برای زمینه های رفتاری در اینترنت اشیا (IoT) |
|---|---|
| نویسنده | صفیان، م، سرور، س، القیوم، ز، اقبال، م، لی، س.ج، کاشف، محمد |
| تاریخ انتشار: | 2020-12 |
| محل انتشار | - Springer Nature |
| نوع | دوره ای |
| زبان | انگلیسی |
| دیجیتال | بله |
| نسخه خطی | خیر |
| کتابخانه: | دانشگاه اوزیغین |
| شناسه دارایی کتابخانه | 0361-7688 |
| شماره ثبت | 9eb56e69-1552-49f1-9d96-721a62e1a35c |
| تاریخ | 2020-12 |
| متن نمونه | مدلهای یادگیری فعالیت مبتنی بر هستیشناسی نقشی حیاتی در زمینههای متنوع اینترنت اشیا (IoT) مانند خانههای هوشمند، بیمارستانهای هوشمند یا جوامع هوشمند و غیره بازی میکنند. چالشهای رایج با مدلهای هستیشناختی ماهیت ایستا و ناتوانی در تکامل خود است. مدل ها را نمی توان یکباره تکمیل کرد و ساکنان خانه های هوشمند را نمی توان محدود کرد تا فعالیت های خود را محدود کنند. همچنین، ساکنان در طبیعت قابل پیش بینی نیستند و ممکن است "فعالیت های زندگی روزانه (ADL)" را انجام دهند که در مدل هستی شناسی فهرست نشده است. این امر نیاز به توسعه یک چارچوب یکپارچه مبتنی بر ستون فقرات مفهومی یکپارچه (یعنی هستیشناسیهای فعالیت)، پرداختن به چرخه حیات تشخیص فعالیت و تولید مدلهای رفتاری بر اساس روال ساکنان را افزایش میدهد. در این مقاله، یک فرآیند تکامل هستی شناسی پیشنهاد شده است که فعالیت های خاصی را از مجموعه فعالیت های موجود در زندگی روزمره (ADL) یاد می گیرد. فعالیتهای جدیدی را که توسط مدل شناسایی شناسایی نشدهاند، یاد میگیرد، ویژگیهای جدیدی را به فعالیتهای موجود اضافه میکند و جدیدترین رفتار ساکنان در انجام فعالیتها را از طریق شبکه عصبی مصنوعی (ANN) یاد میگیرد. درجه بهتر از مثبت بودن واقعی شواهدی از تشخیص فعالیت با تشخیص داده های حسگر نویزدار است. اثربخشی رویکرد پیشنهادی از نرخ بهبود یافته یادگیری فعالیت، تشخیص فعالیت و تکامل هستیشناسی مشهود است. |
| DOI | 10.1134/S0361768820080204 |
| Cilt | 46 |
