雷竞技网页版研究与评论-国际期刊雷竞技苹果下载

国际计算机与通信工程创新研究杂志

菜单

在线刊号(2320-9801)印刷刊号(2320-9798)

所有提交的EM系统将被重定向到网上投稿系统．作者被要求将文章直接提交给网上投稿系统各自的日志。

基于传感器网络的智能房间机器学习系统

C.Sugitha1， Fleena Christy2, S.Chandrasekaran3.
  1. 普适学生计算印度蒂鲁奇拉帕里安娜大学CSE系技术
  2. 印度蒂鲁奇拉帕里安娜大学CSE系助理教授
  3. 印度Thanjavur, Kadhir Mohideen数学系副教授
有关文章载于Pubmed，谷歌学者

更多相关文章请访问国际计算机与通信工程创新研究杂志

摘要

微纳电子技术的发展为人类利用传感器的复杂生活铺平了道路。在智能环境中，人与计算系统的交互不是人工命令，系统通过传感器收集的数据来预测人的需求，从而使人享受自动化的复杂生活环境。通过传感器采集到的信息，对人的需求进行检测、分析和行动。特别是，只有认识到人类活动，才能预测需求。通过高效的机器学习系统，利用环境传感器收集的数据来识别人类活动，这些数据固定在所有日常可用的东西上，并由被监控的人佩戴的可穿戴传感器。创建这个原型的目的是开发自动化机器学习系统，不需要任何人工解释来进行决策。因此，所提出的机器学习系统基于可调模糊聚类(AFC)算法进行数据分组，以减轻分类系统的工作，基于模糊神经网络(FNN)支持增量学习。该系统类似于人类智能，即使在不确定的情况下也能做出准确的决策。该系统的实现表明，即使不同传感器的数据量大，识别人类活动的精度也较高。



关键字
机器学习，可调模糊聚类，模糊神经网络，人类智能，不确定性，智能环境。

介绍
嵌入式系统和电子器件制造技术的快速发展为微电子机械系统(MEMS)和纳电子机械系统(NEMS)的发展开辟了新的道路。由于这种增长，普适计算领域也正在发展。由于制造技术的发展，嵌入式设备非常小，具有很高的计算和速度，易于安装和非常便宜。这些吸引了人们使用无处不在的传感器在工业、工厂、公共场所、车辆、农业领域等许多应用，使工作变得容易，并用于监控[1]。
在基于传感器的应用中，创造智能环境是研究人员和需要精致奢华生活环境的人们最感兴趣和最具挑战性的领域[2]。智能环境的特点是人类周围的一切都是计算机化的，有传感器收集关于人的数据，特别是识别他的活动，根据他的活动，他的需求自动满足，无需人工干预计算和电子设备。因此，智能环境中最重要的工作是人类活动识别。
智能环境中使用传感器的活动检测对患者来说更加重要，身体残疾人士和老年人[5]需要医生的持续检查和分析，还需要有人吗?S帮助他们的基本生活[4]。因此出现了智能环境的观点。工程师和研究人员为智能环境采取了许多步骤，但面临的挑战是自动决策系统，它可以在没有人工解释的情况下单独学习。
因此，所提出的机器学习系统是基于可调模糊聚类(AFC)算法和模糊神经网络(FNN)。
使用基于人类活动识别的环境传感器的智能环境示例场景如下:在床上睡觉的人，当闹钟响起，他从床上醒来，穿上拖鞋，根据闹钟数据和拖鞋上的压力传感器来确认他醒了，浴室里的暖气会自动打开。他从浴室出来，使用梳妆台后，自动咖啡机准备咖啡，烤面包机准备面包。这些都是自动的，因为基于传感器数据的动作预测。

理论基础
A.可调模糊聚类(afc)算法:
AFC算法是对输入数据进行聚类，使分类系统[17]满意。设Ω表示一组训练样本。首先，AFC进行FCM，将Ω划分为H个簇。令第h (h = 1)的中心向量，…， H)集群用νh[12]表示。第二，对于每个ω∈Ω，一个“脱颗粒”样品??计算方法为
图像
计算第h类的重构误差
图像
其中Ωh = {ω| h = argi min {ω−νi_}，ω∈Ω}。第三，AFC对聚类进行划分和组合机制，以获得中心向量的最大精度，其中ε是一个预定义的阈值，表示最大重建误差[15]。
1)分簇:分簇机制可以将一个集群分割成两个更小的集群，以降低重构误差。对两个新的中心向量ν new i (i = 1,2)进行迭代计算
图像
图像
(3)和(4)的详细推导可以在[14]中找到。然后，AFC重新计算H + 1聚类的重构误差。如果max {Vh} < ε，则簇划分终止。否则，重复。
2)组合:可以将两个集群组合成一个更大的集群，以减少相似集群的数量。新的中心向量ν new由
图像
(5)的详细推导见[14]。然后，AFC重新计算H−1聚类的重构误差。如果max {Vh} > ε， AFC终止集群合并。否则，重复。
通过对聚类的划分和组合，得到了最优聚类数量，并将重构误差限制在预定义的阈值ε以下。这些聚类的中心向量用于训练FNN，而不是原始输入样本[15]。
B.模糊神经网络(fnn):
FNN是一种计算量大、效率高的学习系统，更适合于对类似于人类决策能力的人类活动进行分类，即使是在不确定性[6]中。
FNN有四层:模式层、最大层、最小层和竞争层。
1)模式层:第一层是输入层，接受模式进入网络。神经元表示为INPUT-FN (Fuzzy Neuron)。第一层的第(i, j)个INPUT-FN(作为二维输入)的算法为
图像
图像
在哪里? ?输入模式的第(i, j)个向量(??????≥0)和??????????是所有输入模式中的最大向量。这一层的目的是通过权重函数w [m, k]来模糊输入模式，其中σ是用于归一化的平滑参数。
图像
2) Max Layer:使用最小值函数作为FN的聚合函数。这一层的(p, q)个MAX-FN的状态为
图像
在哪里图像第一层的(i, j)th INPUT-FN与(p,q)th MAX-FN和????????之间的权重是多少2是第二层的MTH输出。
3) Min Layer:我们在第三层使用Min - fn。第三层中的每个MIN-FN代表一个学习到的模式。所以MIN-FN是多少?s在第三层，M只有在学习过程结束后才能确定。第三层第m个MIN-FN的输出为:
图像
在哪里? ?3表示第三层第m个MIN-FN的状态。
4)竞争层:第四层是输出层。我们在这一层中使用comp - fn，每一个用于M个学习模式，以提供非模糊输出。如果一个输入模式与第m个学习到的模式最相似，则第4层第m个COMP-FN的输出为1，其他输出为0。
输出层中COMP-FN的个数等于m，第四层中第m个COMP-FN的算法为:
图像
图像
图像
其中T为第四层中所有comp - fn的激活阈值。

智能环境传感器
智能环境工作基于传感器数据。不同的传感器参与单一的智能环境场景。传感器部署的位置和位置对于人体活动识别非常重要。对于这种场景，有三种类型的传感器部署，它们是身体或可穿戴传感器，放置在智能房间的物体或事物上的传感器和环境传感器[3]和[8]。在传感器的描述表如下表I;可穿戴传感器标记为“B?”，物体传感器为“O?”环境或环境传感器称为“E?”
A.智能环境传播模式:
智能环境由传感器、数据采集设备、集中计算设备、智能房间中的电气和电子设备、智能手机或笔记本电脑和目标通信点[10]组成。在此，我们将智能环境计算系统分为三个层次。
1) 1级:这是非常基础和重要的级别，重点是通过传感器和数据采集单元(DAU)进行数据收集和采集。可穿戴传感器的DAU总是固定在用户传感器套上，对于物体和环境传感器，DAU是常见的，可以部署在智能房间[11]的任何地方。
2) Level 2:计算级别，有Central Computing Unit (CCU)。活动识别是基于AFC和FNN机器学习系统进行的。在这一层次上进行决策，根据用户需求在智能环境中选择合适的动作。
3)第三级:最后是通信级，CCU与执行器和目标通信系统通过具有互联网设施的手机或笔记本进行通信。
B.中央分类单元(ccu):
中央分类单元(CCU)是机器学习系统。这有以下几个模块;首先，从DAU[9]中收集输入数据。其次，基于可调模糊聚类算法的数据聚类，简化了分类系统的工作，减少了输入数据的冗余，提高了识别的准确性。第三，基于模糊神经网络的分类系统，分为两个阶段;训练阶段创建活动模型，并在测试阶段识别活动。第四，在决策模块[13]中根据活动选择动作。

讨论
利用Matlab神经网络工具箱对系统进行了测试和验证。利用利用传感器的智能环境的机遇UCI人类活动识别数据集，成功地评估了所提出的AFC和FNN。MATLAB神经网络工具箱的仿真结果表明，模糊神经网络输出层的误差率非常低。仿真结果为该系统的进一步开发提供了依据。

结论
利用MATLAB仿真工具创建智能环境的尝试是成功的，结果令人满意。采用可调模糊聚类算法和模糊神经网络分别解决了输入数据量大带来的局部极小值问题和过度学习带来的过拟合问题。本文提出的基于FNN机器学习系统的智能环境的实时实现，对于慢性疾病患者、老年人以及渴望精致生活环境的人群一定会有帮助。这个提议的场景也更适合用于安全目的，即在机密区域通过身份验证访问人员。增强成功的智能环境，我们提出的人类智能机器学习系统在基于人类需求预测行为方面具有更高的准确性。

表格一览
表的图标
表1

数字一览
图1 图2 图3
图1 图2 图3

参考文献















全球科技峰会