پایان نامه آگاهی از انرژی بر اساس فعالیت فردی کاربر در تلفن همراه

word
110
4 MB
31034
1393
کارشناسی ارشد
قیمت: ۱۴,۳۰۰ تومان
دانلود فایل
  • خلاصه
  • فهرست و منابع
  • خلاصه پایان نامه آگاهی از انرژی بر اساس فعالیت فردی کاربر در تلفن همراه

     

    پایان­نامه برای دریافت درجه کارشناسی ارشد در رشته کامپیوتر (M.Sc)

    گرایش نرم­ افزار

    چکیده

    تلفن­ های هوشمند و دیگر دستگاه­ های سیار در حال تبدیل شدن به یک پلت­فرم ایده­آل برای سنجش مستمر
    فعالیت­های کاربر بوسیله تعداد زیادی از حسگر های تعبیه شده در آن می­باشد. به این ترتیب مصرف انرژی به
    مهم­ترین چالش دستگاه ­های تلفن همراه تبدیل شده است. تشخیص فعالیت­های فردی بر روی تلفن­های هوشمند هنوز هم با توجه به محدودیت منابع مانند طول عمر باتری، حجم کار محاسباتی یک چالش بنظر می­رسد. با در نظر گرفتن فعالیت کاربر و مدیریت آن می­توان مصرف پایین از انرژی را برای دستگاه­های تلفن همراه و دیگر
    دستگاه­های سیار به ارمغان آورد که این کارخود مستلزم یک برنامه­ربزی کامل و بی­نقص برای تشخیص فعالیت­ها و تنظیم مصرف انرژی دستگاه با توجه به کاربرد آنها در زمان و مکان مختلف می­باشد که البته با توسعه سریع
    برنامه­های کاربردی جدید و ابتکاری برای دستگاه­های تلفن همراه مانند تلفن­های هوشمند، پیشرفت در فن­آوری باتری با سرعت نگهداری انرژی همروند نمی­باشد. بدین منظور، ما سیستم مدیریت انرژی هوشمند بر اساس فعالیت کاربر برای گوشی­های هوشمند با استفاده از سیستم­عامل آندروید را در نظر گرفته­ایم. در نهایت این برنامه که هم برای توسعه­دهندگان دستگاه­های تلفن همراه و هم کاربران ضروری بنظر می­رسد، ذخیره 15% انرژی در تلفن همراه را بدنبال داشته است.

     

    کلمات کلیدی: تشخیص فعالیت­ های انسانی، حسگر های حرکتی، انرژی، اندروید

    فصل اول

    مقدمه

     

     

     

    تعریف

    انرژی کارآمد به انجام یک کار بطور موثر و بهینه چه بشکل پشتیبانی سرویس ­ها و چه بشکل پردازش یک وظیفه، با کمترین استفاده از منابع در دسترس انرژی اطلاق می­گردد[1] [2]. اهمیت موضوع درعلت مطرح شدن بحث انرژی کارآمد در دستگاه­های محاسباتی سیار اینست که اخیرا اینترنت بطور مستقیم تحت تاثیر دستگاه­های سیار (بالاخص در سال­های اخیر تلفن­های همراه) قرار گرفته است. رایانش ابری تکنولوژی که دورنمای آن پردازش­های موازی می­باشد را می­توان نمونه بارزی از نیاز به انرژی در دستگاه­های محاسباتی سیار به حساب آورد. بطور کلی محاسبات سیار یک تکنولوژی زنجیروار است که کاربردهای آن روز به روز گسترش یافته و باید بدنبال راهی برای صرفه­جویی در انرژی دستگاه­های مورد نظر بود. با تکنولوژی­هایی مانند4G ،3G ،CDMA ، Wi-Fi و WiMax پشتیبانی از تحرک به سرعت به موازات اینترنت برای ارائه سرویس­های مبتنی بر تحرک در حال پیشرفت می­باشد. در نتیجه در دستگاه­های سیار نیاز به انرژی کارآمد و یا توان کافی برای پشتیبانی کاربر برای دسترسی وی به سرویس­ها برای مدت زمان طولانی مطرح
    می­باشد. بطور کلی:

     ارائه سرویس به هر کاربری در هر مکانی و در هر زمانی یعنی پشتیبانی خواص دسترس­پذیری/قابلیت حمل در حین حرکت.

    1-2-محدویت­ پژوهش

     با توجه به اینکه دستگاه تلفن همراه بر اساس سنجشی انسان محور می­تواند اطلاعاتی از موقعیت کاربر بر اساس اطلاعات جمع­آوری شده از حسگرها تولید کند، برای تشخیص و تمیز دادن هر موقعیت کاربر پس از طبقه­بندی
    فعالیت­های وی، به طور مداوم نیاز به تعامل با تمام حسگرهای موجود در یک دستگاه تلفن همراه داریم. با این حال، بکارگیری مداوم حسگرها تخلیه باتری دستگاه تلفن همراه به دنبال خواهد داشت. بنابراین، ایجاد یک چارچوب برای استفاده از حسگر برای تشخیص بسیار دقیق موقعیت­های کاربر با مصرف انرژی کمتر و مدیریت انرژی مصرفی با تغییر پروفایل­های مختلف با توجه به نیاز کاربر ضروری بنظر می­رسد. در این گزارش برخی از استراتژی­ها برای اصلاح این محدودیت­ها پیشنهاد شده است.

    1-3-اهمیت موضوع

    دستگاه­های تلفن همراه بیشترین محبوبیت و میزان استفاده را در میان وسایل ارتباطی داشته که ما را به تحقیق برای کاهش مصرف انرژی در آن ترغیب می­کند. امروزه تشخیص فعالیت کاربر در دستگاه­های سیار توسط حسگرهای تعبیه شده امکان­پذیر است که می­توان از این مزیت برای مدیریت انرژی در دستگاه­های سیار با پیش­بینی فعالیت کاربر سود جست. که برای محقق ساختن این هدف ذخیره ویژگی­های فعالیت­ها و کلاس­بندی آن­ها و نگاشت آن­ها بر روی الگوریتم یادگیری مورد بررسی قرار گرفته شده است.

    1-4-هدف تحقیق

    تحقیق ما معرفی روشی برای تشخیص فعالیت با استفاده از اهرم رفتارهای قابل پیش­بینی انسان برای حفظ انرژی با انتخاب حسگر به صورت پویا و از کار انداختن حسگرها و ارتباطات پر­هزینه غیر­ضروری (از لحاظ مصرف انرژی باتری) می­باشد، که با توجه به محدودیت انرژی در تلفن همراه کمک شایانی به نگهداری طولانی مدت انرژی خواهد کرد.

    1-5-روش تحقیق

    همانطورکه در مباحث قبل ذکر شد مرحله ابتدایی کار، تشخیص فعالیت )آشکارسازی فعالیت (در دستگاه تلفن همراه
    می­باشد که این امر با بکارگیری حسگرها با تبعیت از برنامه­نویسی اندروید محقق خواهد شد.

    1-5-1- مراحل دستیابی به تشخیص فعالیت در اندروید

    آشنایی با نحوه کار حسگرها در اندروید

    تشخیص حرکت و موقعیت در اندروید

    مکانیابی در اندروید

    ذخیره داده­های جمع­آوری شده خروجی فاز اولیه برنامه اندروید در دیتابیس ساده SQLITE  

    تشخیص فعالیت در اندروید

    مدیریت انرژی در اندروید

    1-5-2- علت انتخاب برنامه­نویسی اندروید برای تشخیص فعالیت در موبایل

    از زمانی که استفاده از حسگرهای مختلف الکترونیکی در سخت افزارهای کامپیوتری رواج پیدا کرد، روح تازه­ای در ظاهر و نحوه استفاده از برنامه­های کاربردی و تفریحی دمیده شد. استفاده از این حسگرها در ابتدا به دلیل نیازهای مختلف دستگاه­های بازی کامپیوتری و سپس جهت آسانتر نمودن نحوه استفاده از دستگاه بکار برده شد. سیستم­عامل اندروید قابلیت استفاده از انواع این حسگرها را در برنامه گنجانده است و بسادگی میتوان از این حسگرها در جهت بهبود کیفیت ارتباط با کاربر[1] استفاده نمود در اینجا به بررسی نحوه عملکرد حسگرهای مختلف یک سیستم اندروید و نحوه کار با آن، به همراه مثالهای عملی می­پردازیم. توجه داشته باشید که محیط برنامه­نویسی مورد استفاده در اینجا Eclipse است و برنامه­ها بر اساس اندروید نسخه 2.3 به بالا نوشته خواهند شد. این قسمت از تحقیق سعی دارد به ساده­ترین روش و سریعترین حالت به بررسی حسگرها و نوشتن یک برنامه کاربردی ساده برای آن بپردازد.  

    1-6-مراحل تحقیق

    مروری بر تامین انرژی در حسگر

    مروری بر مکانیسم تشخیص (آشکارسازی) فعالیت کاربر در دستگاه­های محاسباتی

    تشخیص فعالیت در اندروید

    گردآوری سابقه پژوهش تشخیص فعالیت در دستگاه­های تلفن همراه

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

    معرفی حسگرهای تعبیه شده در گوشی­های هوشمند

    جمع آوری Dataset موردنظر برای این گزارش

    پیاده­سازی ایده محقق

    1-7-ساختار پایان نامه

    در فصل 1 به مرور کلی بر برداشت انرژی در حسگر از محیط که همروند با مدیریت انرژی برای تامین انرژی
    گوشی­های موبایل در رفع چالش بزرگ پشتیبانی از تحرک در دستگاه­های محاسباتی سیار می­تواند موثر باشد، داشتیم. در فصل 2 سابقه پژوهش کلی در زمینه تشخیص فعالیت انسانی بوسیله حسگرها، سابقه پژوهش تشخیص فعالیت در دستگاه­های تلفن همراه و سابقه پژوهش در آگاهی از انرژی بر اساس فعالیت فردی کاربر در دستگاه­های تلفن همراه ارائه داده شده است و فصل 3 مروری بر مکانیسم تشخیص (آشکار­سازی) فعالیت کاربر در دستگاه­های محاسباتی و ابزار محقق ساختن این هدف خواهد داشت،در فصل 4به تجزیه و تحلیل داده­ها اشاره شده است و فصل 5 به جمع بندی تحلیل و ارزیابی برنامه طراحی شده پرداخته­ایم و نهایتا بخش پایانی این فصل ایده محقق را دربرگرفته است.

     

     

    فصل دوم

    سابقه پژوهش

    با توجه به ملزومات پژوهش، سابقه پژوهش در این گزارش شامل 4 قسمت می­باشد که به ترتیب به آن خواهیم پرداخت:

    سابقه پژوهش برداشت انرژی از محیط برای تامین انرژی دستگاه­­های سیار

    سابقه پژوهش در آشنایی با حسگرها  و گوشی­های هوشمند تلفن همراه

    سابقه پژوهش تشخیص فعالیت در دستگاه­های تلفن همراه

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

    2-1-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 می­شود. به عنوان نمونه راه رفتن، بالا رفتن از پله­ها و انتقال وضعیت حالت­ها (تغییرحالت نشستن به ایستادن) [3].

    نتایج به دست آمده در مجموعه­داده جمع­آوری شده توسط  SmartLab[4] نشان می­دهد که حسگر شتاب­سنج به تنهابب می­تواند برای تشخیص دقیق فعالیت فیزیکی و استراتژی پیاده­سازی الگوریتم­های طبقه­بندی فعالیت در محیط­های
    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 برنامه­های 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 [4].

    نمونه کاربردی این سیستم ­ها، ارائه دهندگان برنامه­های کاربردی در دنیای واقعی در مقوله مراقبت­های بهداشتی و نظارت بر تناسب اندام می­باشند. در دستاورد مطالعات نویسنده مقاله [5] 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 50 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 برنامه­ها و سایر برنامه­های کاربردی دستگاه­های تلفن همراه ضروری بنظر
    می­رسد.

    در مقاله بالایک سیستم کنترلی که می­تواند 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 استفاده از مجموعه داده­های 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 می­شود: قسمت اول آن قبل از پردازش و روش­های طبقه­بندی با استفاده از مجموعه داده­های 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 طبقه­بندی فعالیت­ها می­باشد.

    2-2-برداشت انرژی از محیط برای تامین انرژی دستگاه­­های سیار

    2-2-1-مرور اجمالی بر، برداشت انرژی در سیستم­های سیار

    در مقاله [6] شبکه­های حسگر بدنی بشکل اختیاری شامل حسگرهای سیار یا یک شبکه بدنی [2]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 داده­ها از راه دور به طور معمول تنها با استفاده 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 1770 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 می­شود) ژنراتور برق نسبتا کوچکی است که به سوخت فسیلی نیاز ندارد. در عوض، آن با استفاده از انرژی­های موجود در محیط، مانند انرژی الکترومغناطیسی، ارتعاش، باد، یک جریان آب، و انرژی گرمایی بدست می­آورد.

    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 می­کنند (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 می­کند، 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 می­تواند 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 استفاده از یک دینام از پیش تعبیه شده کار می­کند. میزان قدرت بر حسب وات می­باشد که می­تواند در چنین ژنراتورهای کوچک[3] 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
    محیط ­های پزشکی رد کرد زیرا مراقبت­های اضافی مورد نیاز در سمت بیمار بوجود می­آید. 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 می­تواند 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 استفاده از برداشت انرژی امکان­پذیر است.

    A wareness of energy based on human activity on mobile

    Abstract
    Smart phones and other mobile machines are becoming an ideal plat form for the continuous measurement of the user's activities by a large number of sensors embedded init.
    Thus, the energy consumption of mobile devices has become amajor challenge. Detection of individual activity on smartphones is still due to resource constraints such as battery life, computational work load seems to bea challenge.

     This requires a program toi dentify and Rbzy perfects etting applianceenergy consumption with regard totheir useoftime and spaceis different.However,with therapid development ofnew and innovativeapplicationsformobile devicessuch assmart phones,advancesinbattery technology and energy storagerateis not concurrent.With regard touser activityand its managementcanlowerenergyconsumptionformobile devicesand othermobiledevicesto be achieved.Forthis purpose, smart energy management system based onuser activityfor a smart phone using Android operating system have been considered. It's finally thetime for developersof mobile devicesand theuserssave15% of energynecessary tocausethemobile.

    Keywords: human activity recognition, motion sensors, energy, android

     

  • فهرست و منابع پایان نامه آگاهی از انرژی بر اساس فعالیت فردی کاربر در تلفن همراه

    فهرست:

    چکیده. 1

    فصل اول: کلیات تحقیق

    1-1-تعریف... 3

    1-2-محدویت پژوهش.... 3

    1-3-اهمیت موضوع. 4

    1-4-هدف تحقیق.. 4

    1-5-روش تحقیق.. 4

    1-5-1- مراحل دستیابی به تشخیص فعالیت در اندروید.. 4

    1-5-2- علت انتخاب برنامه­نویسی اندروید برای تشخیص فعالیت در موبایل.. 4

    1-6-مراحل تحقیق.. 5

    1-7-ساختار پایان نامه. 5

    فصل دوم: مروری بر ادبیات تحقبق و پیشینه تحقیق

    2-1-هدف... 8

    2-2-برداشت انرژی از محیط برای تامین انرژی دستگاه­های سیار. 9

    2-2-1-مرور اجمالی بر، برداشت انرژی در سیستم­های سیار. 9

    2-2-2-اصول برداشت از انرژی با استفاده از گرمای بدن انسان. 11

    2-2-3- استفاده از بدن انسان بعنوان یک منبع حرارتی برای حسگرهای سیار. 12

    2-2-4-بکارگیریTEGهادر دستگاه­های سیار. 14

    2-3-سابقه پژوهش در آشنایی با حسگرها و گوشی­های هوشمند تلفن همراه. 15

    2-3-1-حسگرها 15

    2-3-2-گوشی­های هوشمند.. 18

    2-4- سابقه پژوهش تشخیص فعالیت انسانی بوسیله حسگرها 19

    2-4-1-تعریف و طبقه­بندی فعالیتهای انسان. 20

    2-4-2-رویکردهای تشخیص فعالیت انسان. 24

    2-4-2-1-رویکرد مبتنی بر ویدئو. 24

    2-4-2-2-رویکرد مبتنی بر محیط حسگر. 24

    2-4-2-3-رویکرد مبتنی بر حسگرهای پوشیدنی.. 24

    2-4-3-رویکردهای مدل سازی فعالیت انسان. 25

    2-4-3-1–رویکرد استخراج ویژگی.. 25

    2-4-3-2-داده استاندارد وکاهش ابعاد ویژگی.. 26

    2-4-4-الگوریتم­های تشخیص فعالیت... 26

    2-4-4-1-الگوریتم­های خوشه­بندی.. 28

    2-4-4-2-الگوریتم خوشه بندی K-nn. 29

    2-4-4-3-الگوریتم خوشه بندیANN.. 29

    2-4-4-4-الگوریتم خوشه بندیSVM... 29

    2-4-4-5-الگوریتم خوشه بندی  Baysian. 30

    2-4-4-6-الگوریتم خوشه بندی  Naïve Bayes. 30

    2-4-4-7-الگوریتم خوشه بندی  Markov chain. 30

    2-4-4-8-الگوریتم خوشه بندی  HMM... 30

    2-4-4-9-الگوریتم خوشه بندی  Fuzzy Logic. 31

    2-4-5-چالش­ها 32

    2-4-5-1-پیچیدگی فعالیت­ها 32

    2-4-5-2-تعداد فعالیت­ها 32

    2-4-5-3-نوع فعالیت... 32

    2-4-5-4-نیازمندی­های داده آموزشی.. 33

    2-4-5-5-نیاز به دقت... 33

    2-4-5-6-فعالیت طولانی مدت و سطح بالا.. 33

    2-4-6-نیازمندی­های حسگر. 34

    2-4-7-مکان حسگرها 34

    2-4-8-تشخیص بلادرنگ... 34

    2-4-9-الگوی فعالیت انسان. 35

    2-4-10- یک نمونه ساده کار بر روی تشخیص فعالیت­های انسانی.. 37

    2-5- سابقه پژوهش تشخیص فعالیت در دستگاه­های تلفن همراه. 38

    2-6-جمع بندی.. 51

    فصل سوم. 57

    ابزار تحقیق.. 57

    مکانیسم تشخیص (آشکارسازی) فعالیت کاربر در دستگاه­های محاسباتی.. 57

     فصل سوم: روش اجرای تحقیق

    3-1-مقدمه. 58

    3-2- مقدمه­ای بر، برنامه­نویسی اندروید.. 58

    3-2-1-مشکلات... 59

    3-2-2-کاربردها 59

    3-2-3-مثالی ساده از آشکارسازی فعالیت­های انسان در محیط خانه. 60

    3-3-سلسله مراتب نمایش.... 61

    3-4-آشکارسازی فیلم.. 62

    3-5-رخدادهای صوتی.. 62

    3-6-خصوصیات شکل و رنگ... 62

    3-7-آشکارسازی IE.. 63

    3-8-آشکارسازی GF و GE.. 63

    3-9-آشکارسازی فعالیت­های انسان از پشت موانع با استفاده از پویانمایی سیگنال­های رادار دوپلر  63

    3-10-آشکارسازی از طریق RFID.. 64

    3-11-تشخیص فعالیت در اندروید.. 65

    3-12-تشخیص فعالیت کاربر در موبایل(دستاوردها، چالش­ها، توصیه­ها). 65

    فصل چهارم: تجزیه و تحلیل داده­ها

    4-1-مقدمه. 71

    4-2-جمع­آوری داده­ها 71

    4-3-تولید داده ها 72

    4-4-مجموعه داده­های برنامه. 74

    4-5-مدیریت حسگر. 75

    4-6-مدیریت مکان. 75

    4-7-مدیریت فایل.. 76

    4-8-کلاس فعالیت... 76

    4-9-مراحل اجرای برنامه. 77

    4-10-استخراج ویژگی.. 84

    4-11-شناسایی فعالیت... 87

     

    فصل پنجم: نتیجه گیری و پیشنهادات

    5-1-جمع بندی.. 90

    5-2-کار آتی.. 94

    فهرست منابع.. 96

    پیوست... 100

     

     

    منبع:

     

    [1]     "glossary, "energy efficiency" " 12 august 2010.

    [2]     D. Bertozzi, L. Benini, and B. Ricco’, "Power Aware Network Interface Management for Streaming Multimedia," 2002.

    [3]     D. Anguita, A. Ghio, L. Oneto, X. Parra, and J. L. Reyes-Ortiz, "Human Activity Recognition on Smartphones using a Multiclass Hardware-Friendly Support Vector Machine," 2012.

    [4]     J. Raquel, "Smartphone Based Human Activity Prediction," 23th July, 2013.

    [5]     D. Anguita, A. Ghio, L. Oneto, X. Parra, and J. L. Reyes-Ortiz, "A Public Domain Dataset for Human Activity Recognition Using Smartphones," European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning, 24-26 April 2013.

    [6]     V. Leonov, "Energy Harvesting for Self-Powered Wearable Devices," 2011.

    [7]     V. Pop, J. v. d. Molengraft, F. Schnitzler, J. Penders, R. v. Schaijk, and R. Vullers, "POWER OPTIMIZATION FOR WIRELESS AUTONOMOUS TRANSDUCER SOLUTIONS," Proceedings of PowerMEMS 2008+ microEMS 2008, Sendai, Japan, November 9-12 2008.

    [8]     J. D. Hardy and A. P. Gagge, "PHYSIOLOGICAL AND BEHAVIOURAL TEMPERATURE REGULATION IN MEN SUPPRESSING AUSTRALIAN SUMMER BUSHFIRES WITH HAND TOOLS," 1970.

    [9]     A. M. Khan, "Human Activity Recognition Using A Single Tri-axial Accelerometer," February, 2011 2011.

    [10]   R. YU, "Analog , MEMS and Sensors enable our Mobile Devices into a SMART world," 2003.

    [11]   L. Bao and S. S. Intille, "Activity Recognition from User-Annotated Acceleration Data," 2004.

    [12]   M. JOSEFA and V. NADALES, "RECOGNITION OF HUMAN MOTION RELATED ACTIVITIES FROM SENSORS," 2010.

    [13]   l. bao, "physical activity recognition from acceleration data under semi-naturalistic conditions," august 2003.

    [14]   A. Bayat and M. Pomplun, "A Study on Human Activity Recognition Using Accelerometer Data from Smartphones," Procedia Computer Science, pp. 450 – 457, 2014.

    [15]   A. BULLING, M. Planck, U. BLANKE, and B. SCHIELE, "A Tutorial on Human Activity Recognition Using Body-worn Inertial Sensors," p. 32 pages, (June 2013.

    [16]   L. Atallah, B. Lo, R. King, and G.-Z. Yang, "Sensor Placement for Activity Detection using Wearable Accelerometers," 2010.

    [17]   A. G. Wilde, "An Overview of Human Activity Detection Technologies for Pervasive Systems," 2010.

    [18]   Ö. Yürür and W. Moreno, "Energy Efficient Sensor Management Strategies in Mobile Sensing," 2011.

    [19]   S. Iyer, R. Mayo, L. Luo, and P. Ranganathan, "Energy-Adaptive Display System Designs for Future Mobile Environments," Mobile Systems, Applications, and Services, April 23 2003.

    [20]   P. Pillai and K. G. Shin, "Real-Time Dynamic Voltage Scaling for Low-Power Embedded Operating Systems," 2001.

    [21]   F. Martelli, "Wireless Sensor Networks," 2012.

    [22]   R. N. Mayo and P. Ranganathan, "Energy Consumption in Mobile Devices: Why Future Systems Need Requirements-Aware Energy Scale-Down," 2005.

    [23]   M. A. Sharaf, J. Beaver, A. Labrinidis, and P. K. Chrysanthis, "TiNA: A Scheme for Temporal CoherencyAware inNetwork Aggregation," September 19 2003.

    [24]   S. N. Srirama, H. Flores, and C. Paniagua, "Zompopo: Mobile Calendar Prediction based on Human Activities Recognition using the Accelerometer and Cloud Services," 2011.

    [25]   J. A. Madni, R. R. Basava, and E. Chen, "Energy Efficient Localization Framework for Mobile Applications," The Fifth International Conference on Sensor Technologies and Applications, 2011.

    [26]   Z. Zhuang, K.-H. Kim, and J. P. Singh, "Improving Energy Efficiency of Location Sensing on Smartphones," 2010.

    [27]   Y. Chon, E. Talipov, H. Shin, and H. Cha, "Mobility Prediction-based Smartphone Energy Optimization for Everyday Location Monitoring," 2011.

    [28]   Jeongyeup, P. Joongheon, and K. R. Govindan, "Energy-Efficient Rate-Adaptive GPS-based Positioning for Smartphones," 2010.

    [29]   K. Lin, A. Kansal, D. Lymberopoulos, and F. Zhao, "Energy-Accuracy Trade-off for Continuous Mobile Device Location," 2010.

    [30]   A. Paraschiv-Ionescu1, C. Perruchoud, E. Buchser, and K. Aminian, "Complexity of human activity patterns in chronic pain: from models to clinical assessment tools," 2009.

    [31]   S. Phithakkitnukoon, T. Horanont, G. D. Lorenzo, and Ryosuke, "Activity-Aware Map: Identifying human daily activity pattern using mobile phone data," 2010.

    [32]   M. F. A. b. Abdullah, A. F. P. Negara, M. S. Sayeed, and D.-J. Choi, "Classification Algorithms in Human Activity Recognition using Smartphones," 2012.

    [33]   J. Dai, X. Bai, Z. Yang, Z. Shen, and D. Xuan, "Mobile phone-based pervasive fall detection," 2010.

    [34]   D. T. G. HUYNH, "Human Activity Recognition with Wearable Sensors," 2008.

    [35]   O. s. D. Lara and M. A. Labrador, "A Survey on Human Activity Recognition using Wearable Sensors," 2012.

    [36]   S. Vacek, S. Knoop, and R. u. Dillmann, "Classifying Human Activities in Household Environments," 2005.

    [37]   B. Florentino-Lia˜no, N. O’Mahony, and A. Art´es-Rodr´ıguez, "Human Activity Recognition using Inertial Sensors with Invariance to Sensor Orientation," 2012.

    [38]   A. M. Khan, Y.-K. Lee, S. YLee, and T.-S. Kim, "A Triaxial Accelerometer-Based Physical-Activity Recognition via Augmented-Signal Features and a Hierarchical Recognizer," 2010.

    [39]   D. Anderson, R. H. Luke, James M. Keller, M. Skubic, M. J. Rantz, and M. A. Aud, "Modeling Human Activity From Voxel Person Using Fuzzy Logic" 2009.

     [40]  W. He, Y. Guo, C. Gao, and X. Li, "Recognition of human activities with wearable sensors," 2012.

    [41]   D. Maguire and R. Frisby, "Comparison of Feature Classification Algorithm for Activity Recognition Based on Accelerometer and Heart Rate Data," 2009.

    [42]   P. Rashidi and D. J. Cook, "COM: A Method for Mining and Monitoring Human Activity Patterns in Home-based Health Monitoring Systems," ACM Transactions on Intelligent Systems and Technology, Vol. 9, No. 4, Article 39, March 2011 2011.

    [43]   L. Chena and I. Khalilb, "Activity Recognition: Approaches, Practices and Trends," November 4, 2010.

    [44]   Y. Wang, J. Lin, and M. Annavaram, "A Framework of Energy Efficient Mobile Sensing for Automatic User State Recognition∗," 2009.

    [45]   O. Yurur, C. H. Liu, and W. Moreno, "A Survey of Context-Aware Middleware Designs for Human Activity Recognition," 2014.

    [46]   M. Berchtold, H. Günther, M. Budde, and M. Beigl, "Scheduling for a Modular Activity Recognition System to Reduce Energy Consumption on SmartPhones," 2011.

    [47]   Z. ZHAO, Y. CHEN, J. L. , Z. SHEN, and M. LIU, "Cross-People Mobile-Phone Based Activity Recognition," Proceedings of the Twenty-Second International Joint Conference on Artificial Intelligence, 2012.

    [48]   J. Frank, S. Mannor, and D. Precup, "Activity Recognition With Mobile Phones," 2011.

    [49]   M. Brown, T. Deitch, and L. O’Conor, "Activity Classification with Smartphone Data," 2013.

    [50]   J. R. Kwapisz, G. M. Weiss, and S. A. Moore, "Activity Recognition using Cell Phone Accelerometers," 2010.

    [51]   F. DiMarzio, "A Programmer’s Guide," 2008.

    [52]   J. P. Varkey and D. Pompili, "Movement Recognition Using Body Area Networks," 2009.

    [53]   M. Sönercan and S. Dinçer, "USER STATE TRACKING USING SMARTPHONES," 2011.



تحقیق در مورد پایان نامه آگاهی از انرژی بر اساس فعالیت فردی کاربر در تلفن همراه, مقاله در مورد پایان نامه آگاهی از انرژی بر اساس فعالیت فردی کاربر در تلفن همراه, پروژه دانشجویی در مورد پایان نامه آگاهی از انرژی بر اساس فعالیت فردی کاربر در تلفن همراه, پروپوزال در مورد پایان نامه آگاهی از انرژی بر اساس فعالیت فردی کاربر در تلفن همراه, تز دکترا در مورد پایان نامه آگاهی از انرژی بر اساس فعالیت فردی کاربر در تلفن همراه, تحقیقات دانشجویی درباره پایان نامه آگاهی از انرژی بر اساس فعالیت فردی کاربر در تلفن همراه, مقالات دانشجویی درباره پایان نامه آگاهی از انرژی بر اساس فعالیت فردی کاربر در تلفن همراه, پروژه درباره پایان نامه آگاهی از انرژی بر اساس فعالیت فردی کاربر در تلفن همراه, گزارش سمینار در مورد پایان نامه آگاهی از انرژی بر اساس فعالیت فردی کاربر در تلفن همراه, پروژه دانشجویی در مورد پایان نامه آگاهی از انرژی بر اساس فعالیت فردی کاربر در تلفن همراه, تحقیق دانش آموزی در مورد پایان نامه آگاهی از انرژی بر اساس فعالیت فردی کاربر در تلفن همراه, مقاله دانش آموزی در مورد پایان نامه آگاهی از انرژی بر اساس فعالیت فردی کاربر در تلفن همراه, رساله دکترا در مورد پایان نامه آگاهی از انرژی بر اساس فعالیت فردی کاربر در تلفن همراه

ثبت سفارش
تعداد
عنوان محصول
بانک دانلود پایان نامه رسا تسیس