Akıllı ev sistemlerinde kullanılan yapay zekâ teknikleri için yapay veri üretici geliştirilmesi

Hüseyin GÜNEŞ, Emre ORTA, Davut AKDAŞ

Öz


Günümüzde akıllı ev sistemlerinde bireylerin yapacakları rutin işlemlerin otomatik olarak gerçekleştirilebilmesi için, yapay sinir ağları, destek vektör makinaları, bulanık mantık, Markov modelleri vb. yapay zekâ teknikleri kullanılmaya başlanmıştır. Algoritmaların doğru bir şekilde çalışabilmesi için test edilmesi ve iteratif olarak iyileştirilmesi gerekmektedir. Bunun için de algoritmaların test edebileceği veri setlerine ihtiyaç vardır. Bu veriler, gerçek ortamda üretilebileceği gibi daha kolay bir şekilde sanal ortamda da üretilebilmektedir. Yapay verilerin üretilebilmesi için yapay veri üretimi yazılımları kullanılabilmektedir. Bu çalışmada da akıllı ev sistemlerinde kullanılan yapay zekâ tekniklerinin test edilebilmesi için günlük insan davranışlarını taklit ederek yapay veriler üreten bir yazılım geliştirilmiştir. Yazılımı test etmek amacıyla 5 kişiden oluşan bir aile oluşturularak, bu kişiler için ev otomasyonu kullanım senaryoları yazılmıştır. Daha sonra senaryolara göre, geliştirilen yazılım aracılığıyla 1 yıllık yapay veri seti üretilmiş ve üretilen verilerin istatistiksel yöntemlerle senaryolara uygunluğu test edilmiştir. Üretilen veriler ve elde edilen test sonuçları sunulmuş, geliştirilen yazılımın başarılı olduğu görülmüştür.

Tam Metin:

PDF

Referanslar


Mennicken, S., Vermeulen, J., and Huang, E., From today's augmented houses to tomorrow's smart homes: New directions for home automation research. Ubicomp 2014, Proceedings of the 2014 ACM International Joint Conference on Pervasive and Ubiquitous Computing, Seattle, 105-115, (2014).

Alam, M. R., Reaz M. B. I., and Ali, M. A. M., A Review of smart homes-past, present, and future, IEEE Transactions on Systems, Man, and Cybernetics Part-C: Applications and Reviews, 1190-1203, (2012).

Heierman, E. O., and Cook, D. J., Improving home automation by discovering regularly occurring device usage patterns, Proceedings of the Third IEEE International Conference on Data Mining, Florida, 537-540, (2003).

Jarmin, R. S., Louis, T. A., and Miranda, J., Expanding the role of synthetic data at the U.S. Census Bureau, Statistical Journal of the IAOS : Journal of the International Association for Official Statistics, 30, 117-121, (2014).

Parker, S. P., McGraw-Hill Dictionary of Scientific and Technical Terms, McGraw-Hill Education, (2002).

Korel, B., Automated software test data generation, IEEE Transactions on Software Engineering, 16, 8, 870-879, (1990).

Arasu, A., Kaushik, R., and Li, J., DataSynth: Generating synthetic data using declarative constraints, Proceedings of the VLDB Endowment, 4, 12, 1418-1421, (2011).

Hoag, J. E., and Thompson, C. W., A parallel general-purpose synthetic data generator, ACM SIGMOD Record, 36, 19-24, (2007).

Bruno, N. and Chaudhuri, S., Flexible Data Generator, Proceedings of the 31st VLDB Conference, Trondheim, Norway, 1097-1107, (2005).

Test Data Generation - Grid-Tools, https://www.grid-tools.com/solutions/data-generation/, (24.11.2015).

GenerateData, http://www.generatedata.com/, (24.11.2015).

Redgate software - tools for SQL server, .NET, & Oracle, http://www.red-gate.com/, (24.11.2015).


Refback'ler

  • Şu halde refbacks yoktur.


Telif Hakkı (c) 2016 Hüseyin GÜNEŞ, Emre ORTA, Davut AKDAŞ

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.