اختيار الميزات لتصميم المنزل الذكي باستخدام التعلم الآلي

الباحث

منار مزاحم علاوي الشاهري

المشرف

محمد زكي حسن

الجامعة

جامعة الموصل

الكلية / القسم

كلية علوم الحاسوب والرياضيات / البرمجيات

الشهادة

ماجستير

السنة

2023

لغة الرسالة

انكليزي

الكلمات المفتاحية

Feature Selection ; Smart Home ; Internet of Things ; Machine Learning

يتم استخدام إنترنت الأشياء (101) للتطبيقات ال يتم استخدام إنترنت الأشياء (101) للتطبيقات البيئية مثل المنازل الذكية والحرم الجامعي والمدن وأنظمة الرعاية الصحية لتوصيل العديد من الأجهزة اللاسلكية. على الرغم من استخدام نفس الأجهزة ، فإن إعادة استخدام هذه التطبيقات تمكن المطورين ومهندسي البرمجيات من إجراء تحسينات على عملية التطوير Udy لمتطلبات المستخدمين النهائيين. ومع ذلك ٠ فإن العدد الكبير من الاختلافات في تقنيات إنترنت الأشياء يجعل من الصعب على المطورين أو مهندسي البرامج تحديد الميزات الافتراضية في كل تطبيق بسبب مشكلات التوافق بين الأجهزة. في هذه الرسالة ، تم اقتراح نهج لتصميم وإدارة المتغيرات والقواسم المشتركة بين تطبيقات المنزل الذكي. تم اقتراح آلية اختيار الميزة لتصنيف الخدمات عن طريق اختيار ميزات المجموعة الفرعية المثلى. يتم إنشاء مجموعة البيانات باستخدام محاكي المنزل الذكي المفتوح (Open SHS) للأنشطة اليومية داخل البيئة الافتراضية. يتم تقييم المجموعة الفرعية من الميزات من خلال مستوى الاتساق في كل خدمة. تستخدم أداة استخراج البيانات Weka للعثور على المصنف من Gus خوارزميات Bayes Jrip , Naive Bayes , OneR , ZeroR , Net وجدول القرار. وخوارزميات تحديد الميزات القائمة على الارتباط (CFS) وتقييم مجموعة التفاف فرعية للعثور على أفضل الميزات. وجد أن خوارزمية شبكة Bayesian وجدول القرار يحققان أفضل Ada في مجموعة البيانات التي تم الحصول عليها من أجل دعم الخدمات للمقيمين في تطبيقات المنزل الذكي. يعتمد النهج المعتمد على de gene من مقاييس clo) المحددة مسبقًا ، مثل معدل TP ¢ ومعدل PP ، والدقة ، والاستدعاء ، وقياس F ومقارنة نتائج كل مصنف من حيث قدرته على تصنيف الخدمات. وجد ان شبكة Bayes تحقق دقة * LAE, وجدول القرار دقة ZAY,* و OneRs /٠,5ا/9ةقد ZeroR دقة كلالار١ء 5% Naive Bayes دقة AV ,+ /و rip دقة ١,454 , ### file اقرارات المشرف .pdf PAGES=4 BODY ar=765 en=869

Internet of Things (IoT) for environmental applications such as smart homes, campuses, cities, and health care systems are used to connect various wireless devices. Despite the use of the same devices, the reusability of these applications enables developers and software engineers to make enhancements to the development process according to the requirements of end users. However, the large number of variations in IoT technologies makes it hard for the developers or software engineers to select the default features in each application because of compatibility issues among devices. In this thesis, approach is proposed to design and manage the variabilities and commonalities among smart home applications. A feature selection mechanism is proposed to classify the services by selecting the optimal subset features. The dataset is generated using open smart home simulator (Open SHS) for daily activities within the virtual environment. The subset of features is evaluated by the level of consistency in each service. Weka data mining tool is used to find classifier in terms of Bayes Net, ZeroR, OneR, Naive Bayes, Jrip algorithms. and Decision Table. and Correlation based Feature Selection (CFS) algorithms, Wrapper Subset Eval to find the best features. It was found that the Bayesian network algorithm and the Decision Table achieve the best accuracy in the data set obtained in order to support services for residents in smart home applications. The approach adopted is based on a set of predefined performance metrics, such as TP rate, FP rate, accuracy, recall, and F-measurement. And compare the results for each classifier in terms of its ability to rate services. It was found that the Bayes network achieves an accuracy of 84.0% while the decision table achieves an accuracy of 83.0%. while the ZeroR achieves an accuracy of 0.579 %. while the OneR achieves an accuracy of 0.776%. while the NaiveBayes achieves an accuracy of 0.835%. while the Jrip achieves an accuracy of 0.84%. on a set of predefined performance metrics, such as TP rate, FP rate, accuracy, recall, and F-measurement. And compare the results for each classifier in terms of its ability to rate services. It was found that the Bayes network achieves an accuracy of 84.0% while the decision table achieves an accuracy of 83.0%. while the ZeroR achieves an accuracy of 0.579 %. while the OneR achieves an accuracy of 0.776%. while the NaiveBayes achieves an accuracy of 0.835%. while the Jrip achieves an accuracy of 0.84%.

طلب نسخة من الملف

الملفات غير منشورة على الموقع. اترك بياناتك وسيتواصل معك موظفو قسم الشؤون الثقافية والفنون لإرسال النسخة مجاناً.

الاسم

رقم الهاتف

البريد الإلكتروني

الغرض من الطلب (اختياري)

إرسال الطلب