مهمترین اختلاف میان روش­های نظارتی و غیر­نظارتی این است که به جای استفاده از مدل­های اتفاقی از قبل منتشر شده برای بروزرسانی احتمال فعالیت، الگوریتم­های نظارتی از یک ماتریس تجربیات مشاهده شده قبلی شان برای یادگیری پویای پارامترهای مدل­های فعالیت اتفاقی استفاده می­ کند.

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

روش دیگر بر مدل­سازی منطقی و استدلالی مبتنی است. این روش نمایش دانش منطقی برای فعالیت و مدل­سازی دادهحسگر به کار می­گیرد و برای استفاده از استدلال منطقی برای اجرای تشخیص فعالیت روال عمومی روش منطقی شامل:

1. 1. استفاده از یک ظاهر منطقی برای تعیین و توصیف صریح یک کتابخانه از مدل های فعالیت برای همه فعالیت­های ممکن در یک دامنه

1. 1. جمع­آوری و انتقال داده به عبارات و فرمول­های منطقی

1. 1. اجرای استدلال منطقی مانند استنتاج و…

از جمله الگوریتم های تشخیص فعالیت می­توان به موارد زیر اشاره نمود:
۲-۴-۴-۲-الگوریتم خوشه بندی K-nn^[17]
با ویژگی دسته بندی k-nn یک فضای ویژگی چندبعدی ساخته می­ شود که هر بعد با یک ویژگی متفاوت مطابق است. فضای ویژگی ابتدا به همه نقاط داده آموزشی منتشر می­ شود که هر کدام با یک فعالیت خاص مطابق است. پنجره­های ناشناخته داده حسگر در فضای ویژگی نمایش داده و k نزدیکترین نقاط (همسایگان) داده آموزشی شناسایی می­ شود. سپس دسته­بندی بوسیله اکثریت k نزدیکترین همسایگان تعیین می­ شود که با یک فعالیت داده شده مطابق است. مقدار k معمولا از ۱ تا کوچکترین درصد داده آموزشی متغیر است و بوسیله آزمون و خطا یا بطور ایدآل بوسیله روال­های
cross-validation انتخاب می­ شود.
۲-۴-۴-۳-الگوریتم خوشه بندیANN^[18]
یک ANN می ­تواند شبیه یک تابع ریاضی انعطاف­پذیر باشد که برای نمایش پیچیدگی ارتباط میان ورودی­ ها و
خروجی­هایش تنظیم شده است. ANN نمایش داده شده با یک مجموعه داده آموزشی و بعضی فرم­های پروسه
بهینه­سازی بکار گرفته شود برای امکان اینکه خروجی­های شناخته شده برای یک مجموعه از ورودی­ ها پیش ­بینی شود.
۲-۴-۴-۴-الگوریتم خوشه بندیSVM^[19]
SVM یک روش یادگیری ماشین معمولی تشکیل می­دهد که مبتنی بر پیدا کردن تصمیم­های جداگانه بهینه میان کلاس­ها با حداکثر حاشیه میان الگوهای هر کدام از کلاس­ها است. بعلاوه با بهره گرفتن از توابع so-called kernel ، آنها می­توانند به داده از فضای اصلی ویژگی که انها در آن قرار دارند به دیگر فضای بعد بالاتر، وجود خارجی بدهند. در این روش جداسازی خطی در فضای جدید با یک دسته­بندی غیرخطی در فضای اصلی معادل است. یک روش بهینه­سازی برای پیدا کردن جداسازی بهینه مورد استفاده است که دسته بندی­های مورد نیاز را انجام می­دهد.
۲-۴-۴-۵-الگوریتم خوشه بندی Baysian
بر تخمین احتمالات شرطی یا احتمال یا الگوی سیگنال قابل دسترس از هر کلاس فعالیت مبتنی است. با داشتن این احتمالات، امکان یک الگوی ناشناخته جدید خلق شده بوسیله یک فعالیت خاص می تواند به طور مستقیم تخمین زده شود.
۲-۴-۴-۶-الگوریتم خوشه بندی Naïve Bayes
با داشتن Naïve Bayes ویژگی­های ورودی به طور فرضی از یکدیگر مستقل هستند. با این فرض ممکن است تابع احتمال برای هر فعالیت به عنوان محصول n تابع چگالی احتمال ساده بیان شود که n تعداد ویژگی­ها می­باشد. طبق قانون Bayes احتمال یک فعالیت a با یک بردار ویژگی می تواند به شکل زیر محاسبه شود:
در این معادله به احتمال اولویت فعالیت a اشاره دارد.
۲-۴-۴-۷-الگوریتم خوشه­بندی Markov chain
برای مشکلات خاص دسته بندی بعضی احتمال انتقال میان فعالیت­ها نسبت به بقیه خیلی بیشتر می­باشد. برای مثال ممکن است فرد پس از پایین آمدن از پله بنشیند ولی ممکن نیست شروع به دویدن کند. Markov chain
یک پروسه انتقالی زمان مجزا است که در آن هر فعالیت به عنوان یک حالت متفاوت نمایش داده شده است.
markov chain می ­تواند برای نمایش احتمال انتقال میان فعالیت­های مختلف مورد استفاده باشد.
۲-۴-۴-۸-الگوریتم خوشه­بندی ^[۲۰] HMM
یک HMM مشابه markov chain است اما با این تفاوت که حالت مدل در هر زمان داده شده ناشناخته (مخفی) است و فقط می ­تواند از پارامترهای معلوم که مبتنی بر حالت هستند، مشخص شود. بر­خلاف markov chain این مدل می ­تواند مستقیما برای مشکلات دسته بندی فعالیت مورد استفاده باشد. پارامترهای معلوم ویژگی­های مشتق شده از داده حسگرهای پوشیدنی با حالت­های مربوطه به فعالیت­های متفاوت هستند و می ­تواند با بیش از یک فعالیت مطابق باشد. HMM بوسیله تشخیص انتقال­های حالت در طول احتمالاتی مجهز شده که هر مجموعه ممکن از معلومات (ویژگی­ها) برای هر حالت داده قابل مشاهده است.
۲-۴-۴-۹-الگوریتم خوشه­بندی Fuzzy Logic
این روش بر تئوری فازی مبتنی است. تئوری استفاده استدلالی که تقریبی به جای تعیین خاص است. fuzzy logic روشی برای ویژگی­سازی از یک مجموعه ورودی برای یک یا چند خروجی با بهره گرفتن از یک مجموعه ساده از تکرارهای
if-then که قواعد نامیده می­شوند، ارائه می­ کند. خروجی­ها درستی­های فازی هستند که مطابق با هر کلاس فعالیت­ها
می­باشند. جریان اطلاعات از میان سیستم فازی از طریق یک تعدادی گام اتفاق می­افتد. ابتدا ورودی­ ها یا ویژگی­ها اختصاص می­یابند. مجموعه فازی قوائد می ­تواند برای خلق یک خروجی مطابقی بکاربروند. خروجی یک مقدار عضو می­باشد یا درستی فازی که رنجی از ۰ تا ۱ برای هر کلاس فعالیت دارد.
HMM یک مدل مولد احتمال است که برای تولید حالت­های مخفی برای داده معلوم مورد استفاده قرار می­گیرد. خصوصا هدف اصلی این مدل تعیین توالی حالت مخفی (y1,y2,..,yt) است که مطابق است با توالی خروجی مشاهده شده(x1,x2,…,xt) و هدف مهم دیگر یادگیری پارامترهای مدل قابل اطمینان از تاریخچه توالی­های خروجی مشاهده شده می­باشد.
X5
X4
X3
X2
X1
هنگامی که دریک تشخیص فعالیت HMM مورد استفاده است، فعالیت­ها همان حالت­های مخفی و داده حسگر، خروجی معلوم می­باشند.
نوشیدن
برداشتن
غذا
داشتن سوپ
بریدن گوشت
فنجان