شن

سیلت

رس

(دسی زیمنسمتر)

کل اشباع

کل(درصد)

(پی پی ام)

(پی پی ام)َ

(پی پی ام)

(میلی اکی والان درصد گرم)

(میلی اکی گرم درصد گرم)

(درصد)

(درصد)

(درصد)

(درصد)

۴۵/۰

۴۲/۷

۱۷۹/۰

۱/۳۵

۳/۴۷

۲/۴۸

۸/۴۷

۸/۲

۵۹/۱

۱۵

۵۲

۳۳

۳-۳- مشخصات طرح آزمایشی
به منظور تعیین بهترین تاریخ و بررسی اثر مالچ بر عملکرد و اجزای عملکرد گیاه لوبیا از آزمایش فاکتوریل با طرح پایه بلوک های کامل تصادفی در سه تکرار استفاده شد. فاکتور اول تاریخ کاشت در سه سطح و فاکتور دوم کاربرد مالچ در ۲ سطح شامل استفاده از مالچ و عدم استفاده از مالچ بود. تاریخ های کاشت لوبیا ۳، ۱۰، و ۱۷ اردیبهشت ماه در نظر گرفته شد. مالچ استفاده شده در این بررسی مالچ کاه و کلش بوده است. زمان مالچ گذاری بعد از ظاهر شدن اولین سه برگچه ای در هر تاریخ کاشت بود و در تاریخ های کاشت دوم و سوم تا قبل از مالچ گذاری علف های هرز از طریق مکانیکی با فوکا کنترل شد.
۳-۴- مراحل اجرای طرح آزمایشی
جهت اجرای طرح آزمایشی ابتدا زمین در اواخر اسفند ماه ۱۳۹۲ شخم زده شد. کرت بندی زمین در اوایل اردیبهشت ماه صورت گرفت. در هر بلوک شش کرت به ابعاد(۵/۱×۵/۳) ایجاد شد. بین هر کرت از یکدیگر ۴۰ سانتیمتر فاصله در نظر گرفته شد. بین هر تکرار نیز ۱ متر فاصله قرار داده شد. دانه های لوبیا در ردیفهایی به عرض ۴۰ سانتیمتر از یکدیگر کاشته شدند، روی ردیفهای کاشت نیز فاصله دو بوته از یکدیگر ۲۰ سانتیمتر در نظر گرفته شد. در طی دوران کاشت و رسیدگی کامل به دلیل وجود علف های هرز داخل کرت ها و حاشیه مزرعه عملیات وجین علف های هرز به صورت دستی در چهار نوبت انجام گرفت. در اواسط دوره رشد به دلیل زرد شدن رنگ برگ ها محلول پاشی نیترژون به مقدار ۲ در هزار صورت گرفت، همچنین محلول پاشی کلات آهن نیز به مقدار ۲ در هزار جهت برطرف کردن کمبود آهن انجام پذیرفت. برداشت کامل گیاه لوبیا پس از ۶۸ روز پس از کاشت برای کلیه تاریخ کاشت ها انجام شد.

(( 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. ))

۳-۵- خصوصیات مورد بررسی
به منظور بررسی صفات پس از رسیدگی کامل از هر کرت آزمایشی تعداد ۶ بوته به طور تصادفی از ۲ ردیف میانی برداشت و صفات مورد نظر اندازه گیری شد. جهت تعیین عملکرد از هر کرت آزمایشی ردیف های میانی به طول ۱ متر با حذف ۵/۰ متر اثر حاشیه محاسبه شد.
۳-۵-۱- تعداد غلاف سبز در هر بوته
برای این کار تعداد ۶ بوته به طور تصادفی انتخاب شدند، سپس تعداد غلاف ها در این ۶ بوته شمارش گردید و پس از آن میانگین تعداد غلاف ها در هر بوته محاسبه شد.
۳-۵-۲- تعداد دانه سبز در هر بوته
برای تعیین این صفت تعداد ۶ بوته به طور تصادفی انتخاب شدند و تعداد دانه در آنها شمارش گردید. سپس از آنها میانگین گرفته شد.
۳-۵-۳- تعداد دانه خشک در هر بوته
برای این کار تعداد ۶ بوته به طور تصادفی انتخاب شدند و تعداد دانه خشک آنها شمارش گردید. سپس از آنها میانگین گرفته شد و تعداد دانه خشک در هر بوته مشخص شد.
۳-۵-۴- تعداد گل در مرحله R₂
برای این کار تعداد ۶ بوته به طور تصادفی انتخاب شدند و تعداد گل آنها شمارش گردید. سپس از میانگین گلهای شمارش شده به عنوان تعداد گل هر بوته در مرحله R₂ استفاده شد.
۳-۵-۵- تعداد گره های ریشه در هر بوته

راهکار مبتنی بر معیار
راهکار مبتنی بر نمونه برداری
راهکار مبتنی بر معیار
در دسته بندی شایع ترین معیار ارزیابی کارایی دسته بند، معیار دقت دسته بندی است. در معیار دقت دسته بندی فرض بر یکسان بودن ارزش رکوردهای دسته های مختلف دسته بندی است. در راهکار مبتنی بر معیار بجای استفاده از معیار دقت دسته بندی از معیارهایی بهره برداری می شود که بتوان بالاتر بودن ارزش دسته های نادر و کمیاب را در آنها به نحوی نشان داد. بنابراین با لحاظ نمودن معیارهای گفته شده در فرایند یادگیری خواهیم توانست جهت یادگیری را به سمت نمونه های نادر هدایت نماییم. از جمله معیارهایی که برای حل مشکل عدم تعادل دسته ها بکار می روند عبارتند از Recall, Precession, F-Measure, AUC و چند معیار مشابه دیگر.

۲-۴-۲-راهکار مبتنی بر نمونه برداری
نمونه برداری یکی از راهکارهای بسیار موثربرای مواجهه با مشکل دسته های نامتعادل است. ایده اصلی نمونه برداری آن است که توزیع نمونه ها را به گونه ای تغییر دهیم که دسته کمیاب به نحو پررنگ تری در مجموعه داده های آموزشی پدیدار شوند. سه روش برای این راهکار وجود دارد که عبارتند از:
الف- نمونه برداری تضعیفی:
در این روش نمونه برداری، توزیع نمونه های دسته های مساله به گونه ای تغییر می یابند که دسته شایع به شکلی تضعیف شود تا از نظرفراوانی با تعداد رکوردهای دسته نادر برابری کند. به این ترتیب هنگام اجرای الگوریتم یادگیری، الگوریتم ارزشی مساوی را برای دو نوع دسته نادر و شایع درنظر می گیرد.
ب- نمونه برداری تقویتی:
این روش درست برعکس نمونه برداری تضعیفی است. بدین معنی که نمونه های نادر کپی برداری شده و توزیع آنها با توزیع نمونه های شایع برابر می شود.
ج- نمونه برداری مرکب:
در این روش از هردو عملیات تضعیفی و تقویتی بصورت همزمان استفاده میشود تا توزیع مناسب بدست آید.
در این پژوهش با توجه به کمتر بودن نسبت نمونه نادر یعنی منجر به خسارت شده به نمونه شایع از روش نمونه برداری تضعیفی استفاده گردید که کل تعداد نمونه ها به حدود ۳ هزار رکورد تقلیل پیدا کرد و توزیع نمونه ها به نسبت مساوی بوده است. شایان ذکر است این نمونه برداری پس از انجام مرحله پاک سازی داده ها انجام شد که خود مرحله پاکسازی با عث تقلیل تعداد نمونه های اصلی نیز گردیده بود.
پیشینه تحقیق
سالهاست که محققان در زمینه بیمه و مسائل مرتبط با آن به تحقیق پرداخته اند و از جمله مسائلی که برای محققان بیشتر جذاب بوده است می توان به کشف تقلب اشاره کرد.
Brockett و همکاران ابتدا به کمک الگوریتم تحلیل مولفه های اصلی (PCA) به انتخاب ویژگی ها پرداختند و سپس با ترکیب الگوریتم های خوشه بندی و شبکه های عصبی به کشف تقلبات بیمه اتومبیل اقدام کردند. مزیت این کار ترکیب الگوریتمها و انتخاب ویژگی بوده که منجر به افزایش دقت خروجی بدست آمده گردید.
Phua و همکاران [ Phua et. al 2004] با ترکیب الگوریتم های شبکه های عصبی پس انتشاری ، بیزساده و درخت تصمیم c4.5 به کشف تقلب در بیمه های اتومبیل پرداختند.نقطه قوت این کار ترکیب الگوریتم ها بوده اما بدلیل عدم کاهش ویژگی ها و کاهش ابعاد مساله میزان دقت بدست آمده در حد اعلی نبوده است.
Allahyari Soeini و همکاران نیز یک متدلوژی با بهره گرفتن از روش های داده کاوی خوشه بندی ودرخت تصمیم برای مدیریت مشتریان ارائه دادند. از ایرادات این روش میتوان عدم استفاده از الگوریتم های دسته بندی و قوانین انجمنی را نام برد.
مورکی علی آباد ] مورکی علی‌آباد۱۳۹۰[ تحقیقی داشته است که اخیراً در زمینه بیمه صورت گرفته و درمورد طبقه‌بندی مشتریان صنعت بیمه با هدف شناسایی مشتریان بالقوه با بهره گرفتن از تکنیک‌های داده‌کاوی (مورد مطالعه: بیمه‌گذاران بیمه آتش‌سوزی شرکت بیمه کارآفرین (که هدف آن دسته بندی مشتریان صنعت بیمه بر اساس میزان وفاداری به شرکت، نوع بیمه نامه های خریداری شده، موقعیت جغرافیایی مکان های بیمه شده و میزان جذب به شرکت بیمه در بازه زمانی ۴ سال گذشته بوده است. روش آماری مورد استفاده از تکنیک های داده کاوی نظیر درخت تصمیم و دسته بندی بود. این تحقیق نیز چون نمونه آن قبلا انجام شده بوده از الگوریتم های متفاوت استفاده نکرده است. همچنین سعی بر بهبود تحقیق قبلی نیز نداشته است. وجه تمایز این تحقیق با نمونه قبلی استفاده از ویژگی های متفاوت بوده است.
عنبری ]عنبری ۱۳۸۹[ نیز پژوهشی در خصوص طبقه بندی ریسک بیمه گذاران در رشته بیمه بدنه اتومبیل با بهره گرفتن از داده کاوی داشته است که هدف استفاده از داده های مربوط به بیمه نامه بدنه از کل شرکتهای بیمه (بانک اطلاعاتی بیمه خودرو) بوده و سعی بر آن شده است تا بررسی شود که آیا میتوان بیمه گذاران بیمه بدنه اتومبیل را از نظر ریسک طبقه بندی کرد؟ و آیا درخت تصمیم برای طبقه بندی بیمه گذاران بهترین ابزار طبقه بندی می باشد؟ و آیا سن و جنسیت از موثرترین عوامل در ریسک بیمه گذار محسوب می شود؟ نتایج این طبقه بندی به صورت درخت تصمیم و قوانین نشان داده شده است. ونتایج حاصل از صحت مدل درخت تصمیم با نتایج الگوریتم های شبکه عصبی و رگرسیون لجستیک مورد مقایسه قرار گرفته است. از مزیت های این تحقیق استفاده از الگوریتم های متفاوت و مقایسه نتایج حاصله برای بدست آوردین بهترین الگوریتم ها بوده است.
رستخیز پایدار]رستخیز پایدار ۱۳۸۹[ تحقیقی دیگر در زمینه بخش بندی مشتریان بر اساس ریسک با بهره گرفتن از تکنیک داده کاوی (مورد مطالعه: بیمه بدنه اتومبیل بیمه ملت) داشته است. با بهره گرفتن از مفاهیم شبکه خود سازمانده بخش بندی بر روی مشتریان بیمه بدنه اتومبیل بر اساس ریسک صورت گرفت. در این تحقیق عوامل تأثیرگذار بر ریسک بیمه گذاران طی دو مرحله شناسایی گردید. در مرحله اول هیجده فاکتور ریسک در چهار گروه شامل مشخصات جمعیت شناختی، مشخصات اتومبیل، مشخصات بیمه نامه و سابقه راننده از بین مقالات علمی منتشر گردیده در ژورنال های معتبر در بازه سال های ۲۰۰۰ الی ۲۰۰۹ استخراج گردید و در مرحله دوم با بهره گرفتن از نظرسنجی از خبرگان فاکتورهای نهایی تعیین گردید. مشتریان بیمه بدنه اتومبیل در این تحقیق با بهره گرفتن از شبکه های عصبی خودسازمانده به چهار گروه مشتریان با ریسک های متفاوت بخش بندی گردیدند. مزیت این تحقیق استفاده از نظر خبرگان بیمه بوده و ایراد آن عدم استفاده از ویژگی های بیشتر و الگوریتم های انتخاب ویژگی بوده است.
ایزدپرست ]ایزدپرست۱۳۸۹[ همچنین تحقیقی در مورد ارائه چارچوبی برای پیش بینی خسارت مشتریان بیمه بدنه اتومبیل با بهره گرفتن از راهکار داده کاوی انجام داده است که چارچوبی برای شناسایی مشتریان بیمه بدنه اتومبیل ارائه می‌گردد که طی آن میزان خطرپذیری مشتریان پیش‌بینی شده و مشتریان بر اساس آن رده‌بندی می‌گردند. در نتیجه با بهره گرفتن از این معیار (سطح خطرپذیری) و نوع بیمه‌نامه مشتریان، میتوان میزان خسارت آنان را پیش‌بینی کرده و تعرفه بیمه‌نامه متناسب با ریسک آنان تعریف نمود. که این مطلب می‌تواند کمک شایانی برای شناسایی مشتریان و سیاستگذاری‌های تعرفه بیمه نامه باشد. در این تحقیق از دو روش خوشه‌بندی و درخت‌تصمیم استفاده می‌گردد. در روش خوشه‌بندی مشتریان بر اساس ویژگی هایشان در خوشه هایی تفکیک شده، سپس میانگین سطح خسارت در هر یک از این خوشه‌ها را محاسبه میکند. حال مشتریان آتی با توجه به اینکه به کدامیک از این خوشه‌ها شبیه تر هستند در یکی از آنها قرار می‌گیرند تا سطح خسارتشان مشخص گردد. در روش درخت‌تصمیم با بهره گرفتن از داده‌های مشتریان، درختی را بر اساس مجموعه‌ای از قوانین که بصورت “اگر-آنگاه” می‌باشد ایجاد کرده و سپس مشتریان جدید با بهره گرفتن از این درخت رده‌بندی می‌گردند. در نهایت هر دو این مدلها مورد ارزیابی قرار می‌گیرد. ایراد این روش در عدم استفاده از دسته بند ها بوده است. چون ماهیت تحقیق پیش بینی بوده است استفاده از دسته بند ها کمک شایانی به محقق در تولبد خروجی های حذاب تر می کرد.
خلاصه فصل
عمده پژوهشهایی که درخصوص داده های بیمه ای صورت گرفته کمتر به سمت پیش بینی سود و زیان شرکتهای بیمه بوده است. در موارد مشابه نیزپیش بینی خسارت مشتریان انجام شده که هدف دسته بندی مشتریان بوده است. موضوع این پژوهش اگرچه از نوع همسان با تحقیقات گفته شده است اما در جزئیات بیمه شخص ثالث را پوشش می دهد که درکشور ما یک بیمه اجباری تلقی می شود. همچنین تعداد خصیصه هایی که در صدور یا خسارت این بیمه نامه دخالت دارند نسبت به سایر بیمه های دیگر بیشتر بوده ضمن اینکه بررسی سود یا زیان بیمه شخص ثالث با بهره گرفتن از دانش نوین داده کاوی کارتقریبا جدیدی محسوب می شود.
فصل سوم
شرح پژوهش
در این فصل هدف بیان مراحل انجام این پژوهش و تحلیل خروجی های بدست آمده می باشد.
انتخاب نرم افزار
در اولین دهه آغاز به کار داده کاوی و در ابتدای امر، هنوز ابزار خاصی برای عملیات کاوش وجود نداشت و تقریبا نیاز بود تا تمامی تحلیل گران، الگوریتمهای موردنظر داده کاوی و یادگیری ماشین را با زبان های برنامه نویسی مانند c یا java یا ترکیبی از چند زبان پیاده سازی کنند. اما امروزه محیط های امکان پذیر برای این امر، با امکانات مناسب و قابلیت محاوره گرافیکی زیادی را می توان یافت]صنیعی آباده ۱۳۹۱[.
Rapidminer
این نرم افزار یک ابزار داده کاوی متن باز است که به زبان جاوا نوشته شده و از سال ۲۰۰۱ میلادی تا به حال توسعه داده شده است. در این نرم افزار سعی تیم توسعه دهنده بر این بوده است که تا حد امکان تمامی الگوریتم های رایج داده کاوی و همچنین یادگیری ماشین پوشش داده شوند. بطوری که حتی این امکان برای نرم افزار فراهم شده است تا بتوان سایر ابزارهای متن باز داده کاوی را نیز به آن الحاق نمود. رابط گرافیکی شکیل و کاربر پسند نرم افزار نیز آن را یک سرو گردن بالاتر از سایر ابزارهای رقیب قرار میدهد]صنیعی آباده ۱۳۹۱[.
مقایسه RapidMiner با سایر نرم افزار های مشابه
در اینجا دو نرم افزار مشهور متن باز را با RapidMiner مقایسه خواهیم کرد و معایب و مزایای آنها را بررسی می کنیم.
الف-R
یک زبان برنامه نویسی و یک پکیج داده کاوی به همراه توابع آماری است و بر پایه زبان های s و scheme پیاده سازی شده است. این نرم افزار متن باز، حاوی تکنیک های آماری مانند: مدل سازی خطی و غیرخطی، آزمون های کلاسیک آماری، تحلیل سری های زمانی، دسته بندی، خوشه بندی، و همچنین برخی قابلیت های گرافیکی است. R را می توان در محاسبات ماتریسی نیز بکار برد که این امر منجر به استفاده از آن در علم داده کاوی نیز می شود.
-مزایا:
شامل توابع آماری بسیار گسترده است.
بصورت بسیارمختصر قادر به حل مسائل آماری است.
دربرابر سایر نرم افزار های مرسوم کار با آرایه مانند Mathematica, PL, MATLAB, LISP/Scheme قدرت مند تر است.
با بهره گرفتن از ویژگی Pipeline قابلیت ترکیب بالایی را با سایر ابزارها و نرم افزارها دارد.
توابع نمودار مناسبی دارد.
–معایب:
فقدان واسط کاربری گرافیک
فقدان سفارشی سازی لزم جهت داده کاوی
ساختار زبانی کاملا متفاوت نسبت به زبان های برنامه نویسی مرسوم مانندc, PHP, java, vb, c#.
نیاز به آشنایی با زبانهای آرایه ای
قدیمی بودن این زبان نسبت به رقبا. این زبان در ۱۹۹۰ ساخته شده است.
ب– Scipy
یک مجموعه از کتابخانه های عددی متن باز برای برنامه نویسی به زبان پایتون^[۲۰] است که برخی از الگوریتم های داده کاوی را نیز پوشش می دهد.
–مزایا
برای کاربردهای ریاضی مناسب است.
عملیات داده کاوی در این نرم افزار چون به زبان پایتون است راحت انجام می شود.

(جدول ۳-۱۶) فاکتور طراحی مکانیکی

فاکتور تجربی (EXF )

این گزینه جهت در نظر گرفتن تجارب و مسائل مربوط به احتمال مکانیسم آسیب در تجهیزات و سیستم های لوله کشی(Piping ) می باشد. شما می بایست زمانی از این گزینه استفاده نمایید که بر اساس سوابق و دیدگاه های گذشته، تصمیم به افزایش LOF ارزیابی شده به سطوح بالاتر دارید. مقدارEXF بین ۱ تا ۱۰ متغیر می باشد.

۲۹

بنابراین بین ۱ تا ۱۰ یک عدد را انتخاب نمایید.

(( 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. ))

تعیین دسته بندی احتمال
۳۰

مرحله اول
فاکتور احتمال برابر است با مجموع سطر های ۱،۱۳، ۱۷،۲۱ ،۲۵ ،۲۸ و ۲۹ .

مرحله دوم
دسته بندی احتمال از طریق فاکتور احتمال ( سطر ۳۰ ) و با بهره گرفتن از منطق های ذیل تعیین می گردد:

• • اگر فاکتور احتمال بین ۰ تا ۱۵ باشد ß دسته بندی احتمال = ۱

• • اگر فاکتور احتمال بین ۱۶ تا ۲۵ باشد ß دسته بندی احتمال =۲

• • اگر فاکتور احتمال بین ۲۶ تا ۳۵ باشد ß دسته بندی احتمال =۳

• • اگر فاکتور احتمال بین ۳۶ تا ۵۰ باشد ß دسته بندی احتمال =۴

• • اگر فاکتور احتمال بین ۵۱ تا ۷۵ باشد ß دسته بندی احتمال =۵

(جدول ۳-۱۷) فاکتور تجربی
۲٫۲- بازرسی بر مبنای ریسک برای سیستم لوله کشی
تمامی فعالیت ها برای ارزیابی بازرسی بر مبنای ریسک برای سیستم لوله کشی همانند تجهیزات می باشند، به استثنای این نکته که در اینجا به جای تجهیز، ارزیابی لوپ سیستم لوله کشی مورد نیاز می باشد. دستورالعمل تعیین لوپ در سیستم لوله کشی به صورت زیر می باشد.
برای مهیا کردن یک سیستم لوپ بندی سودمند و یکپارچه، طبقه بندی کلیه سیستم های لوله کشی به لوپ های مجزا الزامی می باشد:که نحوه تعیین این لوپ ها در سیسستم لوله کشی به قرار ذیل می باشد :

• • لوپ باید به یک سرویس مجزا اختصاص داده شود.

• • نقاط پایانی لوپ بایستی میان تجهیزات یا نقاط اتصال با سرویس های دیگر محدود شود .

• • هیچ تغییری در شرایط فرایند( دما، فشار، سیال و غیره) و شرایط طراحی ( متریال، کد طراحی و غیره)در لوپ وجود ندارد. به عبارت دیگر هر تغییری در این پارامترها منجر به تغییر لوپ می گردد.

• • شیر های جداکننده از محدودکننده های نقاط پایانی هر لوپ به شمار می روند.

۳-۳-۲-۴ مرحله چهارم: رتبه بندی تجهیزات بر اساس میزان ریسک (Risk Ranking)
با بهره گرفتن از ماتریس ریسک API 581)) می توانیم سطح ریسک تجهیز را شناسایی کرده که این سطوح در ۵ سطح شامل ریسک ِناچیز، کم، متوسط، زیاد و خیلی زیاد تقسیم بندی می شود.

(الف)

(ب)

شکل ۴-۷٫ نمودار الزامات لازمِ یک معیار شباهت مناسب برای این مسئله. طبق (الف) معیار باید حساس به شیفت و طبق (ب) معیار نباید تطابق جزئی انجام دهد تا بتواند پترهای ۱و۲و۳و۴ را در context های مجزا قرار دهد.

از طرف دیگر (۲) معیار اعمالی نباید تطابق جزئی^[۱۷۰] انجام دهد. دلیل اصلی آن، این است که محدوده‌ی تغییرات نرخ ترافیک هر خیابان، رنجِ مشخصی دارد که حتی در زمان اوج ترافیک با ضریب معینی افزایش می‌یابد. برای وضوح بیشتر نمودار (ب) در شکل (۴-۷)، دو پترن را نشان می­دهد که نباید توسط معیار اعمالی در یک contex یکسان قرار گیرد.
از آنجا که زمان مربوط به داده ­های آزمایشی مشخص نیست ، به منظور مقایسه‌ی معیارهای سنجش فاصله مختلف ، آزمایشاتی روی داده ­های آموزشی که زمان رخداد آن­ها در طول سایکل مشخص است، انجام شد و تعیین شد که هر کدام از معیارها تا چه حد می­توانند زمان مربوط به رخداد مشاهدات را درست تعیین کنند و مشاهدات را در context درست دسته­بندی کنند. از میان آن­ها، دو معیار اقلیدسی^[۱۷۱] و همچنین Kullback–Leibler divergence، بهتر از دیگر معیارها عمل کردند که نتایج مربوطه را دفصل بعد خواهیم دید.
همانطور که می‌دانیم، معیار اقلیدسی، فاصله‌ی دو مشاهده‌ی Y و X با طول n را بصورت فرمول (۴-۷) محاسبه می­ کنند:

(۴-۷)

که در این فرمول i نشان دهنده iاَمین مقدار از بردارهای مشاهدات ترافیکی است.
در دیگر تحقیقات [۴۵] و [۴۶] نیز همین نتیجه گیری تأیید شد که برای تعیین شباهت مشاهدات، معیارهای دیگر بهبود قابل ملاحظه­ای در مقایسه با معیار اقلیدسی ایجاد نمی‌کنند. در واقع، همانطور که توضیح دادیم، دلیل اصلی این است که معیار اقلیدسی از جمله معیارهایی است که نسبت به هرگونه تغییرات در مقیاس^[۱۷۲] و شیفتِ مسئله، حساس هست. اما این خصوصیت از جمله ویژگی­های مطلوب یک معیار کاربردی در زمینه‌ی جداسازی مشاهدات ترافیکی بحساب می‌آید. در کنار معیار اقلیدسی، معیار مناسب دیگر Kullback–Leibler divergence هست که تفاوت بین دو توزیع اجتماعی Q,P را بصورت فرمول (۴-۸) محاسبه می‌کند:

(۴-۸)

که i نشان دهنده iاُمین مقدار از بردار مشاهدات است. در راستای اعمال این معیار به مسئله‌ی مورد نظر، مشاهدات ترافیکی باید به برداری از احتمال نرخ ترافیک در خیابان­ها، تبدیل می‌شدند. در نهایت و با توجه به نتایج فصل بعد، می‌توان گفت که از این دو معیار می‌توان در کنار هم، در جهت گروه بندی و تشخیص context مربوط به مشاهدات ترافیکی استفاده کرد. با اعمال معیار فاصله اقلیدسی، دوcontext حاصل بصورت نمودارهای شکل (۴-۸) بدست می‌آیند.

(الف)

(ب)

شکل ۴-۸٫ جریان­های ترافیکی مشاهده شده‌ی۲۰ مسیر، تقسیم شده به دو context (الف) جریان­های مربوط به پریودهای اوج و (ب)پریودهای غیر اوج. غالب مشاهدات مربوط به contextِ پیک، رفتار بسیار مشابهی دارند. رنگ‌های مختلف در شکل بیانگر مشاهدات مختلف است.

نمودار الف در شکل (۴-۸) مربوط به گروهی است که مشاهدات مربوط به پریود اوج ترافیکی(peack context) را در بر می گیرد و نمودار ب در شکل (۴-۸)، مشاهدات مربوط به پریودهای غیرپیک non-pank context را شامل می­ شود. در این نمودارها، هرکدام از توزیع‌های رنگی، نمایانگر یک مشاهده -شامل نرخ ترافیکی ۲۰ مسیر- است. همان طور که در نمودار الف از شکل (۴-۸) می­بینید، مشاهداتِ مربوط به گروه پیک، رفتار بسیار مشابهی دارند، بطوریکه تقریباً منحنی ۱۰۰ مشاهده‌ی موجود در این گروه، روی هم قرار گرفته اند. این موضوع بیانگر این است که در پریود زمانی اوج ترافیک، نرخ ترافیکی مربوط به هرکدام از خیابان­ها رنج محدود و مشخصی دارد. هرچند رفتارهای متفاوتی در میان مشاهدات مربوط به گروه غیرپیک در نمودار ب شکل (۴-۸) دیده می­ شود. بطور مثال، خیابان ۳ در هر دو گروه را در نظر بگیرید، در گروه پیک، رنجِ نرخ ترافیک مربوط به مشاهدات مختلف ، بسیار محدود (۲۴-۱۹) است. هرچند، در دسته‌ی غیرپیک، همین خیابان نرخِ ترافیکی مختلفی را تجربه می­ کند که در رنج محدودی ومعینی قرار نمی­گیرد. این رفتار در مورد دیگر خیابان‌ها نیز صدق می‌کند. برهمین اساس و با توجه به تفاوت­های قابل ملاحظه‌ی این دو گروه، پیشنهاد می‌شود که مشاهدات مربوط به پریودهای زمان اوج پیک از دیگر مشاهدات متمایز و تفکیک شده و بصورت جداگانه آموزش داده شوند. با این کار مشاهدات شبیه هم در یک گروه قرار گرفته و سپس با هم آموزش داده می­شوند. علاوه بر این، از تأثیر مشاهدات غیر مرتبط با آن پریود زمانی، بر روی پروسه‌ی یادگیری کاسته می­ شود.
بدین ترتیب، با مشخص شدن گروه‌ها، مدل آموزشی هنگام یادگیری، از context مجموعه‌ی آموزشی خود باخبر بوده و در نتیجه مدل­سازی با دقت بالاتری صورت خواهد گرفت.

مرحله یادگیری با Context-Aware Random Forest

در این مرحله، ابتدا گروه ­های متمایز شده از داده ­های آموزشی، بطور جداگانه با بهره گرفتن از الگوریتم RF آموزش داده می­شوند و دو مدل RF₂ , RF₁ که متعلق به پریودهای زمانی پیک و غیرپیک هست، ساخته می­شوند.

• سابقه پژوهش تشخیص فعالیت در دستگاه­های تلفن همراه

• سابقه پژوهش آگاهی از انرژی بر اساس فعالیت فردی کاربر در دستگاه­های تلفن همراه

۲-۱-هدف
رویکرد تشخیص فعالیت مبتنی بر آستانه اجرا، قادر به افتراق بین فعالیت­های ایستا و پویا می­باشد. فعالیت­های استاتیک به شرایطی ارجاع می­گردد که کاربر در حالت ساکن باشد به عنوان نمونه ایستادن، نشستن و یا دراز کشیدن. فعالیت­های پویا به فعالیت­هایی که شامل حرکت کاربر باشد ارجاع داده می­ شود. به عنوان نمونه راه رفتن، بالا رفتن از پله­ها و انتقال وضعیت حالت­ها (تغییرحالت نشستن به ایستادن) [۳].
نتایج به دست آمده در مجموعه­داده جمع­آوری شده توسط SmartLab[4] نشان می­دهد که حسگر شتاب­سنج به تنهابب می ­تواند برای تشخیص دقیق فعالیت فیزیکی و استراتژی پیاده­سازی الگوریتم­های طبقه ­بندی فعالیت در محیط­های

(( 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. ))

نرم­افزاری استفاده شود. در ادامه این مقاله به این موضوع اشاره شده است که شناخت فعالیت­های انسانی به وسیله حسگرهای همراه بدن به یک موضوع مهم پژوهشی با هدف ایجاد و یا بهبود برنامه ­های ابتکاری که ارائه­دهنده نظارت بر فعالیت کاربر می­باشد تبدیل شده است. امروزه با توجه به توانایی ضبط و تشخیص فعالیت­های فردی روزانه، تعیین درجه کارآیی و سطح عمومی فعالیت یک کاربر ضروری بنظر می­رسد [۴].
نمونه کاربردی این سیستم­ها، ارائه دهندگان برنامه ­های کاربردی در دنیای واقعی در مقوله مراقبت­های بهداشتی و نظارت بر تناسب اندام می­باشند. در دستاورد مطالعات نویسنده مقاله [۵] اثرات مثبت فعالیت بدنی بر تمام عملکردهای بدن ثابت شده است و این مطالعات نشان داد که خطر ابتلا به بیماری های قلبی و عروقی در افراد فعال فیزیکی تا ۵۰ درصد
پایین­تر است. با در نظر داشتن این موضوع، با پیر شدن تدریجی جمعیت و بودجه محدود برای مراقبت­های بهداشتی عمومی، نظارت بر فعالیت­های روزانه توجه بیشتری را می­طلبد که باعث بهبود توانایی برای کمک به بیماران و کمک به آنها برای مراقبت از خود و در نهایت کاهش مراقبت­های بهداشتی معمولی می­باشد. در این میان بحث مدیریت انرژی در این دستگاه­ها برای دسترسی دائم به این برنامه­ ها و سایر برنامه ­های کاربردی دستگاه­های تلفن همراه ضروری بنظر
می­رسد.
در مقاله بالایک سیستم کنترلی که می ­تواند به افراد در ردیابی فعالیت بدنی خود کمک کند و به مراقبان سالمندان برای کمک به آنها یاری رساند پیاده­سازی شده است. هدف از این پایان نامه بررسی روشی برای نظارت بر فعالیت با بکارگیری تکنیک­های ماشین­های یادگیری است که با بهره گرفتن از مجموعه داده ­های ذخیره شده حاصل از فعالیت­های روزمره زندگی قادر به اجرا شدن در گوشی­های هوشمند می­باشد که ما با مطالعه این مقاله و مقالات نظیر آن بدنبال شناخت فعالیت کاربر و به دنبال آن مدیریت انرژی در دستگاه تلفن همراه با پشتیبانی تشخیص فعالیت می­باشد. این پروژه به دو زمینه اصلی تحقیقی تقسیم می­ شود: قسمت اول آن قبل از پردازش و روش­های طبقه ­بندی با بهره گرفتن از مجموعه داده ­های بدست آمده از فعالیت­هایی مانند (ایستادن، نشستن، دراز کشیدن، راه رفتن، دوچرخه سواری، رانندگی) با داشتن تعداد زیادی نمونه برای هر فعالیت بوده و در مرحله بعد ارائه نتایج که منوط به طبقه ­بندی فعالیت­ها می­باشد.
۲-۲-برداشت انرژی از محیط برای تامین انرژی دستگاه­­های سیار
۲-۲-۱-مرور اجمالی بر، برداشت انرژی در سیستم­های سیار
در مقاله [۶] شبکه ­های حسگر بدنی بشکل اختیاری شامل حسگرهای سیار یا یک شبکه بدنی ^[۲]بی­سیم می­باشند که به یک کامپیوتر خانگی و یا به یک کامپیوتر راه دور از طریق دستگاه­های اتصال از راه دوراز جمله دستگاه دیجیتال شخصی یا تلفن همراه متصل می­شوند اشاره مفصلی شده است. در حالی که انتقال داده ­ها از راه دور به طور معمول تنها با بهره گرفتن از باتری به عنوان یک منبع تغذیه انجام می­پذیرد، انرژی حسگرهایی با لینک­های بی­سیم در مسافت­های کوتاه را بطور اتوماتیک می­توان تامین کرد. این ایده تامین انرژی از خود دستگاه جدید نیست در واقع برای قرن­ها بر روی آن کار شده است. اولین دستگاه سیار با این خاصیت یک ساعت مچی بود که در سال ۱۷۷۰ اختراع شد. به هر حال، به طور معمول میزان انرژی قابل برداشت یک دستگاه کوچک زیاد نیست به طوری که از این دیدگاه استفاده از یک باتری بشکل نو و یا قابل شارژ، از نقطه نظر عملی کافی است.
اهمیت موضوع را در قالب این جمله در­می­یابیم که در سراسر جهان تلاش مداومی در توسعه استفاده از ریز ژنراتورها وجود دارد که باید ضرورت از بین بردن سیم­کشی و باتری را دستگاه­های خود مختار و مستقل و یا دستگاه­هایی که دسترسی به آنها دشوار است مد نظر قرار گیرد. توسعه گسترش برداشت انرژی در راستای هدف مذکور در سطحی بالا قرار گرفته است. دستگاه برداشت انرژی (که روبنده انرژی نیز نامیده می­ شود) ژنراتور برق نسبتا کوچکی است که به سوخت فسیلی نیاز ندارد. در عوض، آن با بهره گرفتن از انرژی­های موجود در محیط، مانند انرژی الکترومغناطیسی، ارتعاش، باد، یک جریان آب، و انرژی گرمایی بدست می ­آورد.
این منابع به عنوان منابع تامین انرژی قدرت هستند که برای تأمین انرژی خانه­ها در مکان­های دور، برج­های نور، فضاپیما و در حمل و نقل (به جز مواردی که بر اساس سوخت­های فسیلی کار می­ کنند (بکار گرفته می­شوند. به طور معمول برداشت انرژی توسط یک Microplant Power با اندازه یک تاچند سانتی­متری که هر انرژی اولیه که در محیط در دسترس است را به الکتریسیته تبدیل می­ کند، انجام می­گیرد. دلیلی که به آنها “دروگرها” یا “جاذب” می­گویند سطح
نرم­افزاری جدید آنهاست. آنها برای تأمین انرژی دستگاه­های کوچک، مانند حسگرها و یا گره­های حسگر استفاده
می­شوند به این ترتیب نیاز به تأمین انرژی آنها را حذف شده و احتیاجی به شارژ مجدد و یا تعویض باتری­ها نیست. همچنین وسیله برداشت انرژی می ­تواند با یک باتری ترکیب شود و بعنوان یک منبع مکمل قدرت برای بهبود استقلال انرژی دستگاه در اندازه محدود از باتری ارائه شود.
از سه نوع منبع انرژی می­توان برای برداشت انرژی در دستگاه­های سیار استفاده کرد.

• انرژی مکانیکی افراد حاصل از حرکت یا شتاب خود آنها در زمان جابجایی.

• انرژی الکترومغناطیسی است که انرژی عمدتا به نور وابسته است.

• جریان گرما ناشی از تفاوت در درجه حرارت بین بدن انسان و محیط.

یک تفاوت بین برداشت کننده­ های انرژی حساب شده مانند سلولهای فتوولتائی و ژنراتورهای Driven Micro Power وجود دارد. یک نمونه برای دومی یک چراغ قوه است که با تکان دادن و یا با بهره گرفتن از یک دینام از پیش تعبیه شده کار می­ کند. میزان قدرت بر حسب وات می­باشد که می ­تواند در چنین ژنراتورهای کوچک^[۳] حرکت محور به دست آمده باشد. با این حال، این راه تأمین انرژی بشکل یک شبکه بدنی یا حسگرهای سیار را باید در بعضی محیط­ها مانند
محیط­های پزشکی رد کرد زیرا مراقبت­های اضافی مورد نیاز در سمت بیمار بوجود می ­آید. بدترین سناریو برای برداشت انرژی اینست که میزان نور در خانه کم باشد یا بیمار در تخت خود ساکن بماند. پس­ عملا انرژی مکانیکی برای برداشت وجود ندارد در اینجا جریان گرما به حداقل می­رسد زیرا سرعت سوخت و ساز به خصوص در افراد مسن پایین است. بنابراین تنها بخشی از سر و گاهی اوقات مچ دست فرد تنها منطقه نسبتا کوچکی است که در آن برداشت انرژی حرارتی و یا نور می ­تواند در این بیماران انجام گیرد.با اینکه انرژی در دسترس کم است، همچنین نور در داخل اتاق در سطحی پایین است ولی با این حال حتی در چنین مواردی تأمین انرژی به عنوان مثالدرحسگر ناظر بر سلامت فرد با بهره گرفتن از برداشت انرژی امکان­ پذیر است.
همانطور که در بالا اشاره شد مراقبت­های بهداشتی پیشگیرانه به عنوان راهی برای کاهش هزینه بهداشت و درمان در نظر گرفته شده است که به طور پیوسته در یک روند رو به رشد قرار دارد و یکی از استراتژی­ها نظارت بر سلامت و مدیریت در خارج از مراکز درمانی گران برای پزشکان و حتی خانواده­ها، در خود خانه می­باشد. به عنوان مثال، نظارت بر بیماری­های مزمن در حالی که ارائه اطلاعات در زمان واقعی به بیمار در هر کجا و درهر زمان ممکن است پتانسیل
قابل­توجهی برای کاهش هزینه­ها هم در مرحله نظارت درمانی و هم در بحث مقرون به صرفه بودن داشته باشد. از سیستم­های مراقبت­های بهداشتی بی­سیم که می ­تواند بخش مهمی از شبکه ­های به اصطلاح سلامت الکترونیک باشند انتظار می­رود با تمرکز بر مراقبت­های پیشگیرانه و ارائه موثر درمان مداوم به بیماران، به ویژه به کسانی که در مکان­های راه دور زندگی می­ کنند و سالمندان تاثیر بسزایی در بحث سلامت جوامع بشری داشته باشند. نظارت در زمان واقعی علائم حیاتی بیمار و اطلاعات درباره سطح سلامت بیمار نیاز به استفاده از حسگرهای سیار و دستگاه­های تلفن همراه دارد. این امر می ­تواند خوب باشد اگر چنین دستگاه­ها کوچک، حساب شده بوده و قابلیت تعمیر و نگهداری راحت برای کل زمان حیات خود راداشته باشند.
۲-۲-۲-اصول برداشت از انرژی با بهره گرفتن از گرمای بدن انسان
موجودات خونگرم از جمله انسان به طور مداوم به عنوان یک اثر جانبی مفید بر اثر سوخت و ساز بدن گرما تولید
می­ کنند.با این حال، تنها بخشی از این گرما تحت تاثیر اشعه مادون قرمز در محیط به عنوان یک جریان گرما از بین
می­رود و مابقی آن به فرم بخار آب تبدیل می­ شود. علاوه بر این، بخش کوچکی از این جریان حرارتی می ­تواند تنها در یک حالت مورد استفاده قرار گیرد، که آن با بکارگیری یک روبنده انرژی بشکل یک وسیله سیار امکان­ پذیر است. برای مثال، هیچ کس دوست ندارد یک دستگاه را بشکل دائم بپوشید و یا آن را روی صورت خود قرار دهد. بنابراین، برای استفاده از جریان گرما از چهره نمی­ توان استفاده کرد. جریان حرارتی را می­توان با بهره گرفتن از یک ژنراتورحرارتی، که قلب پیل گرماسنج است و ^[۴]TEGنام دارد به برق تبدیل کرد [۷]. مطالعات بر اساس ترمودینامیک­ها بیانگر این مطلب است که جریان گرما تولید شده بر روی پوست انسان نمی­تواند به طور موثر به برق تبدیل شود، اگر چه بدن هر انسان به طور متوسط بیش از W100گرما تولید کند، با فرض این که حدود ٪۲-۱ از این گرما بتواند مورد استفاده قرار گیرد نیروی الکتریکی در حدود چندین میلی وات توسط ژنراتور حرارتی یک فرد حاصل می­ شود. می­دانیم که مصرف یک ساعت حدود ۱،۰۰۰ بار کمتر از این نیرو می­باشد، پس نیروی نسبتا خوبی است. بدن هر انسان یک منبع حرارتی مناسب برای TEG سیار نیست.
در شرایط معمولی در یک محیط داخلی، جریان گرما در یک فرد بستگی به موقعیت بدن داشته و به طور عمده در بازه ۱-۱۰ mW/cm2 باقی می­ماند. در کل پیشانی تولید جریان گرما بیشتری نسبت به منطقه تحت پوشش توسط لباس
می­ کند. با توجه به لباس بعنوان عایق حرارتی، حرارت خیلی زیادی از روی پوست از بین نمی­رود و به طور متوسط در داخل خانه تنها در حدود۳-۶mW/cm2 مشاهده شده است. در فعالیت­هایی با سرعت کم سوخت و ساز دمای مرکزی بدن حفظ می­ شود و زمانی که درجه حرارت بدن به دلیل افزایش فعالیت فیزیکی بالا می­رود اتلاف انرژی داریم. باید در نظر داشته باشیم که هوای محیط دارای مقاومت حرارتی بالا می­باشد و در داخل خانه، می­توان آن را با بهره گرفتن از تئوری حرارت همرفت طبیعی مورد بررسی قراردادTEG . در رابط بین اشیاء با مقاومت حرارتی بالابه عنوان مثال بدن و هوا قرار می­گیرد.

[۷]TEG شکل۲- ۱-ساختار ظاهری
۲-۲-۳- استفاده از بدن انسان بعنوان یک منبع حرارتی برای حسگرهای سیار
با توجه به [۸] مطالعات پزشکی زیادی بر روی خواص پوست یک انسان، به طور خاص جریان گرما و هدایت حرارتی آن که به طور معمول در بدن انسان و یا در قسمتهای خاص از آن مانند سر، بازو، دست و یا تنه انجام شده است. همچنین نویسندگان این مقاله به طور عمده تحقیقات خود را بر روی سطح پوست برهنه انجام داده­اند.
به طور کلی در مطالعات بالا جریان گرمای بدن انسان را الگوی خود قرار داده­اند. لباس­ها اثر فوق العاده­اییبر انتقال حرارت از بدن در دمای محیط کمتر از ۲۵-۲۸^oCدارند. هر سه کانال اصلی انتقال گرما یعنی، همرفت، تابش وتبخیر از سطح پوست تحت تاثیر لباس قرار می­گیرند. پایین­تر از دمای محیط، بیشترین درصد از گرمای تلف شده از مناطق باز پوست، به عنوان مثال از صورت می­باشد. تنه دارای دمای بسیار با ثبات­تر در شرایط محیطی مختلف (گرما، باد، و نور خورشید) نسبت به سر و سایر اندام می­باشد. به همین دلیل است که مردم در انتخاب لباس مناسب بسته به نوع شرایط آب و هوایی عمل می­ کنند. با این حال، حتی در داخل خانه، در درجه حرارت ^oC20-25، برخی تغییرات درجه حرارتپوست در مقیاس سانتی­متر مشاهده می­ شود.
در مثال زیرکه نقشه دمای مچ دست و دست در شکل نشان داده شده است قسمت a مشخصات دما در اطراف مچ دست است که در شکل نشان داده شده است. قسمت b تفکیک منطقه­ای مچ دست برحسب میزان دما در محیط داخل می­باشد. حداکثر درجه حرارت نزدیک به Radial و کمترین آن نزدیک به Ulnar می­باشد. جریان حرارت نیز از جایی به جای دیگر تغییر می­ کند.
شکل۲- ۱-نقشه دمای دست[۸]
توضیح تصویر بالا:
(الف) نقشه دمای دست (مشاهده کف دست).) تصویر مادون قرمز گرفته شده است با دوربین­های رادیومتری در محدوده طیفی ۸-۱۲ میلی متر کالیبره شده).(ب) پروفایل دما در اطراف مچ دست در دو دمای محیط، ^oC27و ^oC 22.3، در داخل خانه­ اندازه ­گیری شده است.

شکل۲- ۲-بهترین محل قرارگیری TEG روی مچ دست[۸]