IJCAI 2011

Workshop proceedings

Space, Time and Ambient Intelligence

ST AMI 2011

International Joint Conference on Artiĕcial Intelligence

Barcelona, Spain

16 July 2011

Organizing and Editorial Committee Mehul Bhatt SFB/TR 8 Spatial Cognition University of Bremen P.O. Box 330 440, 28334 Bremen, Germany T +49 (421) 218 64 237 F +49 (421) 218 98 64 237 bhatt@informatik.uni-bremen.de Hans W. Guesgen School of Engineering and Advanced Technology Massey University Private Bag 11222, Palmerston North 4442, New Zealand T +64 (6) 356 9099 extn 7364 F +64 (6) 350 2259 h.w.guesgen@massey.ac.nz Juan Carlos Augusto School of Computing and Mathematics University of Ulster at Jordanstown Shore Road, BT37 0QB Newtownabbey, Co. Antrim United Kingdom JC.Augusto@ulster.ac.uk

Kata Pengantar

Selamat datang di Workshop Ruang , Waktu dan Ambient Intelligence ( STAMI ) di Konferensi Internasional tentang Joint Intelligence Artiĕcial 2011 di Barcelona , Spanyol . lokakarya adalah tindak lanjut edisi Erst dari STAMI diadakan di COSIT 2009 konferensi di Perancis , dan merupakan salah satu inisiatif yang dilakukan dalam kerangka STAMI keseluruhan . STAMI difokuskan pada teori dan aplikasi berpusat pertanyaan yang berkaitan dengan penalaran tentang ruang, waktu , tindakan , peristiwa , dan perubahan dalam domain lingkungan cerdas dan pintar , dan ambien intelijen pada umumnya .

Sebuah berbagai-macam aplikasi domain dalam ĕelds kecerdasan ambient dan lingkungan komputasi di mana-mana memerlukan kemampuan untuk mewakili dan alasan tentang fenomena spasial dan temporal yang dinamis . Sistem intelijen nyata dunia ambient yang memantau dan berinteraksi dengan lingkungan dihuni oleh manusia dan artefak lainnya memerlukan sarana formal untuk mewakili dan penalaran dengan spatio -temporal , event dan fenomena tindakan berdasarkan yang didasarkan untuk aspek nyata dari lingkungan yang dimodelkan .

Suatu persyaratan mendasar dalam domain aplikasi tersebut adalah representasi dari pengetahuan yang dinamis berkaitan dengan aspek-aspek spasial lingkungan dimana agen , sistem atau robot fungsional . Pada tingkat yang sangat dasar , ini diterjemahkan menjadi kebutuhan untuk eksplisit mewakili dan alasan tentang conĕgurations spasial dinamis atau adegan dan diinginkan , penalaran terpadu tentang ruang , tindakan dan perubahan . dengan pemodelan primitif , terutama kemampuan untuk melakukan prediksi dan analisis jelas berdasarkan data indrawi yang tersedia sangat penting untuk melayani fungsi cerdas yang berguna dalam lingkungan tersebut .

eĕelds muncul kecerdasan ambien dan komputasi di mana-mana akan bene - et yang sangat besar dari tubuh besar representasi dan penalaran alat-alat yang memiliki dikembangkan di Artiĕcial Intelijen pada umumnya , dan sub - ĕeld Spasial dan Penalaran Temporal dalam speciĕc . Ere sudah menjadi proposal secara eksplisit menggunakan bate spasial kualitatif yang berkaitan dengan domain spasial yang berbeda untuk memodelkan aspek spasial lingkungan ambient ( misalnya , rumah pintar dan kantor ) dan juga untuk memanfaatkan secara formal untuk mewakili dan penalaran tentang ruang , perubahan dan kejadian dalam lingkungan tersebut . inisiatif STAMI , kami bertujuan untuk menyatukan perspektif akademik dan industri pada aplikasi kecerdasan artiĕcial pada umumnya , dan penalaran tentang ruang, waktu dan tindakan khususnya , untuk domain pintar dan lingkungan cerdas

Predicting User Movements in Heterogeneous Indoor

Environments by Reservoir Computing

Abstrak

Mengantisipasi pengguna lokalisasi dengan membuat akurat prediksi pola pergerakan indoor adalah tantangan mendasar untuk mencapai derajat yang lebih tinggi personalisasi dan reaktivitas di lingkungan Smarthome. Kami mengusulkan sebuah pendekatan untuk real-time peramalan gerakan berdirinya pada efisien paradigma Reservoir Computing, memprediksi gerakan pengguna berdasarkan aliran Diterima Sinyal Kekuatan dikumpulkan oleh motes nirkabel didistribusikan di lingkungan rumah. Kemampuan sistem untuk menggeneralisasi kinerja prediktif untuk konfigurasi ambient terlihat adalah eksperimental dinilai dalam kondisi yang menantang, yang terdiri dari skenario pengujian eksternal dikumpulkan dalam lingkungan rumah yang tidak termasuk dalam training set.

Hasil penelitian menunjukkan bahwa sistem secara efektif dapat menggeneralisasi pengetahuan mengakuisisi novel setup pintar-rumah, sehingga memberikan suatu yang lebih tinggi tingkat personalisasi sekaligus mengurangi biaya untuk instalasi dan setup.

Pendahuluan

Lokalisasi dan pelacakan pengguna ponsel di lingkungan dalam ruangan adalah layanan penting dalam pembangunan cerdas spasi, dan mereka bahkan dianggap memungkinkan , layanan dasar untuk Assisted Hidup ( AAL ) [ AAL 2009 ] aplikasi Ambient . Bahkan , AAL bertujuan untuk meningkatkan kualitas hidup orang tua atau cacat , dengan membantu mereka di kehidupan sehari-hari , untuk menjaga otonomi mereka dan dengan membuat mereka merasa disertakan , dilindungi dan aman di tempat di mana mereka tinggal atau bekerja ( biasanya rumah mereka , kantor mereka , rumah sakit dan tempat-tempat lain di mana mereka dapat menghabiskan bagian penting dari waktu mereka ) . Tujuan-tujuan ini dapat diberikan hanya jika layanan yang tepat dikirim ke pengguna di waktu yang tepat dan dalam kecepatan yang tepat .

Dalam aplikasi AAL , lokalisasi bertujuan estimasi real time posisi pengguna , sementara pelacakan mengacu pada kegiatan rekonstruksi jalan pengguna , dengan tujuan mengantisipasi posisi masa depan dan dengan demikian untuk mempersiapkan sistem untuk pengiriman tepat waktu dari layanan yang sesuai . Lokalisasi dan pelacakan objek dapat dicapai dengan cara sejumlah besar teknologi yang berbeda , namun hanya sedikit dari mereka yang cocok untuk aplikasi AAL , sebagaimana mestinya non - invasif pada pengguna , mereka harus cocok untuk ditempatkan di rumah-rumah pengguna dengan biaya yang wajar , dan mereka harus diterima oleh pengguna sendiri .

Di sisi lain tangan , akurasi dalam estimasi posisi tunduk pada kurang Persyaratan daripada mungkin terjadi dalam aplikasi lain ( akurasi dalam urutan sentimeter atau di bawah biasanya tidak diperlukan ) . Mengingat semua kendala ini , menjanjikan teknologi untuk layanan ini didasarkan pada jaringan sensor nirkabel ( WSN ) [ Baronti et al . , 2007 ] , karena sifat mereka biaya dan waktu penyebaran efektif . Dalam WSN seperti itu, mungkin untuk memperkirakan lokasi pengguna dengan memanfaatkan Kekuatan Sinyal Diterima ( RSS ) informasi , yang adalah ukuran kekuatan sinyal radio yang diterima yang dapat diperoleh dari hampir semua perangkat nirkabel .

Pengukuran nilai RSS dari waktu ke waktu memberikan informasi mengenai lintasan pengguna di bawah bentuk time series kekuatan sinyal sampel . Hubungan antara RSS dan lokasi objek dilacak tidak dapat dengan mudah dirumuskan menjadi model analitis , karena sangat tergantung pada karakteristik lingkungan serta pada perangkat nirkabel yang terlibat . Dalam hal ini , komputasi Model pembelajaran telah menerima banyak minat karena mereka memungkinkan untuk mempelajari hubungan tersebut langsung dari data. Pendekatan ini biasanya memanfaatkan teknik belajar probabilistic untuk mempelajari perkiraan probabilistik lokasi pengguna tertentu RSS pengukuran di lokasi diketahui [ Z ` aruba et al . , 2007 ] .

Namun, model tersebut memiliki biaya komputasi yang cukup terhubung baik dengan belajar dan tahap inferensi , yang mungkin tumbuh secara eksponensial dengan jumlah sensor di daerah . Selanjutnya mereka melakukan sedikit untuk mengeksploitasi sifat sekuensial dari sungai RSS , sedangkan mereka memberikan gambar statis keadaan yang sebenarnya dari lingkungan . Terdapat beberapa pendekatan pembelajaran mesin yang mampu secara eksplisit berurusan dengan sinyal ditandai dengan dinamika tergantung waktu tersebut termasuk , misalnya , Hidden Markov Model probabilistic ( HMM ) , berulang Neural Networks ( RNN ) dan metode kernel untuk urutan . Dalam tulisan ini , kita fokus pada paradigma saraf

komputasi yang efisien untuk pemodelan RNNs , yaitu dikenal sebagai Reservoir Computing ( RC ) .

Secara khusus , kami mempertimbangkan Networks Echo Negara ( ESNs ) [ Jaeger dan Haas , 2004; Jaeger 2001 ] , yang merupakan jaringan saraf dinamik digunakan untuk pengolahan urutan . Dinamika waduk kontraktif menyediakan memori memudar input masa lalu , yang memungkinkan jaringan untuk intrinsik membedakan antara sejarah input yang berbeda [ Jaeger 2001 ] dalam mode berbasis akhiran [ Ti ~ no et al , 2007. ; Gallicchio dan Micheli 2011 ] , bahkan dalam ketiadaan pelatihan . Fitur yang paling mencolok dari ESNs adalah efisiensi : pelatihan terbatas pada output linear sedangkan reservoir adalah tetap ; selain itu , biaya input encoding skala linear dengan panjang urutan untuk kedua pelatihan dan uji . dalam hal ini hal , pendekatan ESN baik dibandingkan dengan negara-of - the-art model pembelajaran kompetitif untuk domain urutan , termasuk RNNs umum , di mana bagian berulang dinamis terlatih , misalnya [ Kolen dan Kremer , 2001 ] , Hidden Markov Model probabilistik , yang membayar inferensi tambahan konsisten biaya juga saat tes, dan Kernel Metode untuk urutan , yang biayanya skala setidaknya kuadratik dengan panjang input, misalnya [ G ¨ artner 2003 ] ) . ESNs telah berhasil diterapkan untuk beberapa tugas di bidang pengolahan urutan , sering melebihi state-of - the-art model pembelajaran lainnya (lihat [ Jaeger dan Haas , 2004; Jaeger 2001 ] ) .

Baru-baru ini , ESNs telah menunjukkan potensi yang baik dalam berbagai tugas yang berhubungan dengan sistem otonomi pemodelan , misalnya dalam hal deteksi event dan lokalisasi dalam navigasi robot [ Antonelo et al , 2008. ;2007 ] dan pemodelan beberapa perilaku robot [ Waegeman etal . , 2009 ] . Namun, aplikasi tersebut kebanyakan difokuskan pada perilaku robot modeling dan sering menggunakan data buatan diperoleh dengan simulator . Dalam tulisan ini , kami menerapkan pendekatan ESN ke - dunia nyata Skenario untuk pengguna gerakan dalam ruangan peramalan , menggunakan real dan data RSS masukan berisik , membuka jalan bagi aplikasi potensial dalam bidang AAL . Penilaian eksperimental dimaksudkan untuk menunjukkan bahwa teknologi yang diusulkan memiliki kuat potensi untuk digunakan dalam situasi kehidupan nyata , khususnya sebagai menganggap kemampuan generalisasi kinerja prediksi dengan lingkungan yang tidak diketahui . Dalam hal ini , kami berharap bahwa solusi yang diusulkan akan meningkatkan tingkat layanan personalisasi dengan membuat prediksi yang akurat dari konteks spasial pengguna , sementara menghasilkan pengurangan dari setup dan instalasi biaya berkat kemampuan generalisasi .

Gerakan Pengguna Prediksi di luar lingkungan

Lokalisasi oleh Kekuatan Sinyal Diterima

Eksploitasi teknologi komunikasi nirkabel pengguna lokalisasi di lingkungan dalam ruangan baru-baru ini telah menerima banyak perhatian oleh komunitas ilmiah, karena potensi layanan personalisasi yang terlibat dalam identifikasi akurat dari konteks ruang pengguna. Efisiensi biaya adalah aspek penting untuk menentukan keberhasilan teknologi lokalisasi tersebut. Dalam hal ini, pendekatan yang paling menjanjikan lokalisasi tentu yang didasarkan pada Received Signal Kekuatan (RSS) informasi, yang merupakan ukuran daya dari sinyal radio yang diterima. RSS pengukuran dapat segera diperoleh dari (berpotensi) perangkat komunikasi nirkabel, menjadi fitur standar di sebagian besar peralatan radio dalam , tidak

begitu jauh - depan , skenario , kami memperkirakan sebuah difusi di mana-mana sensor nirkabel di lingkungan ( misalnya monitoring suhu, kelembaban , polusi , dll ) , bersama-sama dengan lebar ketersediaan perangkat radio pada tubuh pengguna ( misalnya personal elektronik , status kesehatan sensor monitoring , dll ) .

Oleh karena itu , terlepas dari tujuan penggunaan sensor tersebut dan perangkat , kami berharap untuk dapat memanfaatkan peralatan radio mereka untuk mendapatkan berisik , namun berpotensi informatif , RSS jejak untuk realtime pengguna lokalisasi . Sistem penentuan posisi dalam ruangan berdasarkan RSS Informasi yang mendapatkan meningkatkan perhatian karena penyebaran luas infrastruktur WLAN , mengingat bahwa tindakan RSS adalah tersedia di setiap antarmuka 802.11 . Terutama , kita membedakan antara dua pendekatan alternatif untuk melokalisasi pengguna memanfaatkan pengukuran RSS , yaitu sidik jari dan posisi model berbasis .

Positioning Model berbasis pendekatan popular dalam literatur yang mendirikan pada mengungkapkan sinyal frekuensi radio redaman menggunakan model path loss tertentu [ Barsocchi et al . ,2011 ] . Mengingat RSS pengukuran yang diamati , metode ini triangulasi orang berdasarkan perhitungan jarak dari poin multiple akses . Namun, hubungan antara posisi pengguna dan informasi RSS sangat kompleks dan hampir tidak dapat dimodelkan karena multipath , refleksi logam , dan gangguan kebisingan . Dengan demikian , RSS propagasi mungkin tidak secara memadai ditangkap oleh model invarian tetap . Berbeda dari model berbasis pendekatan , teknik sidik jari , seperti [ Kushki et al . , 2007 ] , membuat peta radio lingkungan berdasarkan pengukuran RSS pada posisi yang dikenal di seluruh fase peta generasi offline. jelas, kinerja lokalisasi model berbasis sidik jari sangat bergantung pada pilihan dari fungsi jarak yang digunakan untuk menghitung kesamaan antara RSS diukur dalam fase online, dengan RSS sidik jari dikenal .

Selanjutnya , tanah kebenaran offline yang dihasilkan perlu direvisi dalam kasus perubahan konfigurasi ruang / lingkungan yang mengakibatkan perbedaan yang relevan dalam sidik jari dikenal . Pendekatan pengguna lokalisasi dibahas di atas fokus pada menemukan perkiraan yang akurat tentang posisi pengguna saat ini , tetapi tidak memiliki kemampuan mengantisipasi nya / lokasi masa depannya . Menjadi mampu memprediksi konteks pengguna masa depan dari nilai fundamental untuk meningkatkan reaktivitas dan personalisasi jasa cerdas di lingkungan dalam ruangan . Berikut ini, kami menggambarkan skenario kantor kehidupan nyata ditargetkan pada pengguna adaptif prediksi gerakan menggunakan RSS jejak : diskusi singkat teknologi nirkabel yang terlibat disediakan bersama-sama dengan penjelasan rinci tentang lingkungan indoor eksperimental .

Gerakan Skenario Prediksi

Sebuah kampanye pengukuran telah dilakukan pada pertama lantai yang ISTI institut CNR dalam Penelitian Pisa Area, di Italia. Skenario adalah lingkungan kantor khas terdiri dari 6 kamar dengan geometri yang berbeda, disusun menjadi pasang sehingga kamar digabungkan (disebut sebagai Kamar 1 dan Kamar 2 di bawah ini) telah fronting pintu dibagi oleh lorong, seperti yang digambarkan dalam Gambar. 1. Kamar yang berisi furniture kantor khas: meja, kursi, lemari, monitor yang asimetris diatur. Dari sudut pandang komunikasi

nirkabel, ini adalah lingkungan yang keras karena untuk refleksi multi-path disebabkan oleh dinding dan gangguan yang dihasilkan oleh elektronik

Gambar 1: Skema pandangan pengaturan eksperimental: posisi jangkar 'dan gerakan pengguna prototipe yang akan ditampilkan. Jalan lurus, dicap sebagai 1 dan 5, yield untuk perubahan kamar, sementara gerakan melengkung (jalur 2, 3, 4, dan 6) melestarikan konteks spasial. The M spidol menunjukkan titik-titik di mana kita memprediksi jika pengguna akan berubah lokasi. sebenarnya pengaturan berbeda dari skema oleh kehadiran kantor furniture (yang meliputi sekitar 50% dari ruang) yang asimetris diatur dan mempengaruhi lintasan pengguna aktual di kamar yang berbeda.

Pengukuran eksperimental telah dilakukan oleh jaringan sensor dari 5 node IRIS

Menanamkan radio subsistem Chipcon AT86RF230 yang mengimplementasikan IEEE 802.15.4 standar. Empat sensor , di jangkar berikut , berada dalam posisi tetap di lingkungan dan satu sensor ditempatkan pada pengguna , selanjutnya disebut mobile. Kampanye pengukuran terdiri dari percobaan pada tiga pasangan yang berbeda kamar dengan total permukaan mencakup dari 50 m2 sekitar 60 m

Tabel 1 Rincian lingkungan dimensi untuk tiga beberapa kamar , dengan ini disebut sebagai dataset 1 , 2 dan dataset dataset 3 . Percobaan terdiri dalam mengukur RSS antara jangkar dan mobile untuk satu set gerakan pengguna diulang . Gambar 1 menunjukkan jangkar dikerahkan di lingkungan serta lintasan prototipikal untuk setiap jenis gerakan pengguna . Ketinggian jangkar telah diatur untuk 1.5m dari tanah dan mobile itu dikenakan di dada . Pengukuran dilakukan pada jalan bebas untuk memfasilitasi kecepatan konstan pengguna dari sekitar 1 m / s . Tindakan menunjukkan sampel RSS ( nilai integer mulai dari 0 sampai 100 ) dikumpulkan dengan mengirimkan paket beacon dari jangkar ke ponsel secara berkala , 8 kali per detik , menggunakan kekuatan transmisi penuh dari IRIS .

Percobaan mengumpulkan informasi tentang 6 prototipikal jalan yang ditunjukkan pada Gambar . 1 dengan panah nomor dari 1 sampai 6 : dua jenis gerakan dipertimbangkan untuk tugas prediksi , yang lintasan lurus dan melengkung . mantan lari dari Kamar 1 Kamar 2 atau viceversa ( jalur 1 dan 5 di Gambar . 1 ) dan hasil perubahan dalam konteks spasial pengguna , sedangkan gerakan melengkung ( jalur 2 , 3 , 4 dan 6 pada Gambar 1.) melestarikan konteks spasial . Tabel 2 merangkum statistik dari jenis gerakan yang dikumpulkan untuk masing-masing dataset : karena kendala fisik , dataset 1 tidak memiliki gerakan melengkung dalam Kamar 1 ( jalur 3 ) .

Jumlah lintasan terkemuka untuk perubahan ruang , sehubungan dengan orang-orang yang melestarikan konteks spasial , ditunjukkan pada Tabel 2 sebagai " Tot . Ubah " dan " Tot . Tidak berubah " , masing-masing. Setiap jalur menghasilkan jejak RSS pengukuran yang dimulai dari panah yang sesuai dan yang ditandai ketika pengguna mencapai titik ( dilambangkan dengan M pada Gambar . 1 ) terletak di 0,6 m dari pintu . Secara keseluruhan , percobaan diproduksi sekitar 5000 RSS sampel dari masing-masing 4 jangkar dan untuk setiap dataset . Penanda M adalah sama untuk semua gerakan , karena itu jalan yang berbeda tidak dapat dibedakan hanya didasarkan pada nilai-nilai RSS dikumpulkan pada M. Skenario eksperimental dan langkah-langkah RSS dikumpulkan dapat secara alami dimanfaatkan untuk meresmikan klasifikasi biner tugas di deret waktu untuk peramalan pergerakan .

Nilai-nilai RSS dari empat jangkar tersebut akan disusun dalam urutan berbagai panjang ( lihat Tabel 2 ) sesuai dengan lintasan pengukuran dari titik awal sampai penanda M. sasaran A label klasifikasi dikaitkan dengan setiap urutan masukan untuk menunjukkan cuaca pengguna akan berubah lokasi ( ruang ) atau tidak . Secara khusus, sasaran kelas +1 dikaitkan ke lokasi mengubah gerakan ( yaitu jalur 1 dan 5 dalam Gambar . 1 ) , sedangkan label -1 digunakan untuk menunjukkan lokasi melestarikan lintasan ( yaitu jalur 2 , 3 , 4 dan 6 pada Gambar . 1 ) . Dataset yang dihasilkan dibuat tersedia untuk umum untuk di-download

Reservoir Computing untuk Gerakan

Reservoir Computing ( RC ) adalah paradigma komputasi yang meliputi beberapa model dalam berulang Neural Network ( RNN ) keluarga , yang ditandai dengan adanya besar dan Koneksi jarang lapisan tersembunyi reservoir unit nonlinier berulang , yang dibaca melalui beberapa mekanisme read -out , yaitu biasanya kombinasi linear dari reservoir Gambar 2 : Arsitektur dari ESN : WinW dan Wout menunjukkan input , waduk dan bobot output, masing-masing. Syarat u ( t ) dan y ( t ) mengidentifikasi input pada waktu t dan diprediksi membaca-out yang sesuai ; x ( t ) adalah terkait negara waduk . Rincian lebih lanjut diberikan dalam teks . output . Sehubungan dengan pelatihan RNN tradisional , di mana semua bobot yang disesuaikan , RC melakukan pembelajaran terutama pada output beban , meninggalkan mereka di reservoir terlatih . Sebagai RNNs lain , model RC sangat cocok untuk pemodelan sistem dinamis dan , khususnya, untuk pengolahan data temporal. Sebagai masalah prediksi gerakan dibahas dalam makalah ini adalah , dari perspektif pembelajaran mesin , tugas prediksi deret waktu , kita secara alami tertarik untuk menganalisis dan membahas efektivitas paradigma RC on skenario tersebut . Secara khusus, kami fokus pada ESNs komputasi efisien [ Jaeger , 2001 ; Jaeger dan Haas , 2004;

Lukosevicius dan Jaeger , 2009 ] , yang merupakan salah satu yang terbaik Model RC diketahui , yang ditandai dengan lapisan input NU unit, lapisan reservoir tersembunyi unit terlatih NR berulang non - linear dan lapisan pembacaan NYfeed-forward unit linear ( lihat Gambar . 2 ) . Dalam prediksi tugas time-series , bertindak waduk terlatih sebagai non - linear fungsi ekspansi sementara tetap , menerapkan proses pengkodean urutan input ke dalam ruang negara di mana linear terlatih pembacaan diterapkan . Standar waduk ESN dibangun dari aditif sederhana unit dengan fungsi aktivasi sigmoid yang, bagaimanapun , memiliki terbukti lemah model evolusi temporal lambat sistem dinamis [ Jaeger et al . , 2007 ] . Secara khusus, [ Gallicchio et al . , 2011 ] telah menunjukkan bahwa gerakan pengguna dalam ruangan dapat menjadi yang terbaik dimodelkan oleh jenis integrator bocor jaringan RC ( LI - ESNs ) [ Jaeger et al . , 2007 ] . Mengingat urutan masukan s = [ u ( 1 ) , . . . , U ( n ) ] atas masukan ruang RNU, di setiap langkah waktu t = 1 , . . . , N , reservoir TSJ menghitung LI – ESN transisi state berikut x ( t ) = ( 1 - a) x ( t - 1 ) + af ( Win u ( t ) + Wx ( t - 1 ) ) , ( 1 ) dimana x

( t ) ∈ RNR menunjukkan keadaan waduk ( yaitu output dari unit waduk ) pada langkah

waktu t , Win ∈ RNR × NU adalah berat matriks input- ke - waduk (mungkin termasuk

Istilah bias) ,W ∈ RNR × NR adalah ( jarang ) berulang matriks berat waduk dan f adalah fungsi aktivasi komponen - bijaksana diterapkan unit waduk (kami menggunakan f ≡ tanh ) .

The rekursi temporal ( 1 ) didasarkan pada keadaan awal nol , yaitu x ( 0 ) = 0 ∈ RNR. Istilah a ∈ [ 0 , 1 ] adalah parameter tingkat bocor , yang digunakan untuk mengontrol

kecepatan dinamika reservoir dengan nilai-nilai kecil dari sebuah mengakibatkan waduk yang bereaksi lambat untuk memasukkan [ Jaeger et al , 2007 . ; Lukosevicius dan Jaeger 2009 ] . Dibandingkan dengan standar Model ESN , LI - ESN menerapkan suatu moving average eksponensial dengan nilai-nilai negara yang dihasilkan oleh unit waduk ( yaitu x ( t ) ) , menghasilkan low-pass filter dari aktivasi waduk yang memungkinkan jaringan untuk lebih menangani sinyal masukan yang berubah perlahan-lahan sehubungan dengan frekuensi sampling .

Negara LI – ESN dinamika karena itu lebih cocok untuk mewakili sejarah sinyal input. Untuk tugas klasifikasi biner atas data sekuensial , pembacaan linear diterapkan hanya setelah proses encoding dihitung dengan reservoir dihentikan , dengan menggunakan mana sgn adalah fungsi threshold tanda kembali +1 untuk argumen nonnegatif dan -1 jika tidak , y (

s ) ∈ { -1 , +1 } NY adalah klasifikasi keluaran dihitung untuk urutan masukan s dan Wout ∈ RNY × NR adalah berat waduk -to –output matrix (mungkin termasuk istilah bias) .

di mana ρ (~ W) adalah jari-jari spektral ~ W. Matriks Win dan W oleh karena itu secara acak diinisialisasi dari distribusi seragam, dan W berturut-turut skala sedemikian rupa sehingga (3) berlaku. di praktek, nilai-nilai ρ mendekati 1 yang umum digunakan, yang mengarah ke dinamika waduk dekat dengan tepi kekacauan, sering terjadi dalam performa terbaik dalam aplikasi (misalnya [Jaeger, 2001]).

Dalam tugas klasifikasi urutan, setiap urutan pelatihan disajikan kepada reservoir untuk beberapa Ntransient kali berturut-turut, untuk menjelaskan transien awal. final negara waduk sesuai dengan urutan pelatihan dikumpulkan dalam kolom matriks X, sedangkan ytarget vektor berisi klasifikasi target yang sesuai (di akhir dari setiap urutan). Pembacaan linear karena itu dilatih untuk memecahkan masalah kuadrat regresi linier paling

Biasanya, Moore-Penrose pseudo-inversi matriks X atau regresi ridge digunakan untuk melatih pembacaan [Lukosevicius dan Jaeger 2009].

Evaluasi eksperimental

Kami mengevaluasi efektivitas pendekatan RC kepada pengguna prediksi pergerakan pada skenario kehidupan nyata yang dijelaskan dalam Bagian 2.2 . Secara khusus , kami menilai kemampuan pendekatan yang diusulkan untuk menggeneralisasi prediksi untuk tak terlihat dalam ruangan lingkungan , yang merupakan properti fundamental untuk penyebaran sebagai sistem prediksi pergerakan dalam aplikasi kehidupan nyata . Untuk tujuan ini , kita mendefinisikan evaluasi eksperimental setup dimana pelatihan RC dilakukan pada RSS pengukuran sesuai dengan hanya 4 dari 6 kamar skenario , sementara2 kantor yang tersisa digunakan untuk menguji kemampuan generalisasi dari model RC .

Dalam [ Gallicchio et al . , 2011 ] , telah menganalisis kinerja dasar dari model ESN berbeda pada pergerakan user prediksi dengan 2 - kamar dataset kecil . Analisis seperti menunjukkan bahwa model LI - ESN , dijelaskan dalam Bagian 3 , adalah paling cocok untuk menangani pelan-pelan berubah RSS time series . Oleh karena itu, dalam sisa bagian , kami membatasi analisis kami terhadap penilaian dari model bocor terintegrasi , dengan metaparameters terpilih sebagai di [ Gallicchio et al . , 2011 ] . Secara khusus , kami menganggap LI - ESNs terdiri dari waduk NR = 500 unit dan 10 % dari konektivitas secara acak , spektral radius ρ = 0,99 , masukan beban di [ -1 , 1 ] dan bocor menilai a = 0,1 . Hasil mengacu pada rata-rata 10 independen dan secara acak menebak waduk . Pembacaan ( NY= 1 ) adalah dilatih menggunakan pseudo- inversi dan regresi ridge dengan parameter regularisasi

λ ∈ { 10- i| i = 1 , 3 , 5 , 7 } .

Input data terdiri dari deret waktu 4 dimensi RSS pengukuran ( NU= 4 ) sesuai dengan 4 jangkar di Gambar . 1 , dinormalisasi dalam rentang [ -1 , 1 ] secara independen untuk masing-masing dataset pada Tabel 1 . RSS urutan Normalisasi yang memberi makan ke Jaringan LI - ESN hanya sampai sinyal penanda M. Untuk akun untuk reservoir transient awal , setiap urutan input disajikan akibatnya selama 3 kali untuk jaringan . Kami telah menetapkan 2 pengaturan eksperimental ( ES ) yang dimaksudkan untuk menilai kinerja prediktif dari LI – ESNs ketika data training / test berasal dari kedua seragam ( ES1 ) dan konfigurasi ambient sebelumnya tak terlihat ( ES2 ) , yaitu menyediakan set tes eksternal . Untuk tujuan ini , di ES1 , kami telah bergabung dataset 1 dan 2 untuk membentuk dataset tunggal 210 urutan . Satu set pelatihan ukuran 168 dan satu set uji ukuran 42 telah diperoleh untuk ES1 , dengan stratifikasi pada jenis jalan . Parameter pembacaan regularisasi λ = 10-1 telah dipilih di ES1 , pada ( 33 % ) validasi set diekstraksi dari sampel pelatihan . Di ES2 , kami telah menggunakan LI - ESN dengan regularisasi pembacaan dipilih dalam ES1 , dan kami memiliki dilatih pada persatuan dataset 1 dan 2 ( yaitu 4 kamar) , dengan menggunakan dataset 3 sebagai set tes eksternal ( dengan pengukuran dari 2 lingkungan yang tidak diketahui ) . Tabel 3 laporan keakuratan tes rata-rata untuk kedua ES . Sebuah kinerja yang sangat baik adalah prediktif dicapai untuk ES1 , yang koheren dengan hasil yang dilaporkan di [ Gallicchio et al . , 2011 ] . Hasil seperti dicatat , sebagai pengukuran kinerja dalam [ Gallicchio et al . , 2011 ] telah diperoleh dalam setup eksperimental yang lebih sederhana , terdiri RSS pengukuran dari satu pasang kamar ( yang berbeda dari yang dipertimbangkan dalam penelitian ini ) . Hal ini tampaknya untuk menunjukkan bahwa pendekatan LI - ESN , di satu sisi , timbangan serta jumlah lingkungan pelatihan meningkatkan sementara ,

Di sisi lain , adalah kuat untuk perubahan ruang pelatihan konfigurasi . Perhatikan bahwa RSS lintasan untuk ruangan yang berbeda adalah , biasanya , konsisten berbeda dan , dengan demikian, penambahan kamar baru sangat latihan memori jangka pendek waduk dan kemampuan mereka untuk mengkodekan dinamis yang kompleks sinyal (lihat contoh RSS pada Gambar . 3 ) . Hasil pada pengaturan ES2 lebih penunjuk , karena menunjukkan kinerja generalisasi terkenal karena LI – ESN Model , yang mencapai akurasi prediksi hampir 90 % pada tes eksternal yang terdiri dari konfigurasi ambient tak terlihat .

Tabel 4 menggambarkan matriks kebingungan testset eksternal di ES2 , rata-rata selama tebakan waduk dan dinyatakan sebagai persentase atas jumlah sampel uji . Hal ini memungkinkan menghargai keseimbangan kinerja prediktif , yang memiliki nilai-nilai yang sebanding untuk kedua kelas . Perhatikan jumlah itu akurasi diperoleh sebagai jumlah di atas diagonal , sementara kesalahan dihitung dari jumlah elemen off - diagonal .

Kesimpulan

Kami telah menyajikan pendekatan RC prediksi pergerakan pengguna di lingkungan dalam ruangan , berdasarkan RSS jejak yang dikumpulkan oleh perangkat WSN murah . Kami memanfaatkan kemampuan LI – ESNs dalam menangkap dinamika temporal perlahan berubah berisik Pengukuran RSS untuk menghasilkan prediksi yang sangat akurat dari konteks ruang pengguna . Kinerja model yang diusulkan telah diuji pada menantang data dunia nyata yang terdiri dari Informasi RSS dikumpulkan dalam lingkungan kantor yang nyata . Kami telah menunjukkan bahwa , sehubungan dengan pekerjaan di [ Gallicchio et al . , 2011 ] , pendekatan LI - ESN mampu generalisasi kinerja prediktif untuk informasi pelatihan yang berkaitan dengan beberapa setup . Lebih penting lagi , secara efektif dapat menggeneralisasi peramalan gerakan lingkungan sebelumnya tak terlihat , seperti yang ditunjukkan oleh penilaian uji - set eksternal . fleksibilitas seperti adalah sangat penting untuk pengembangan praktis solusi cerdas - rumah , karena memungkinkan untuk secara konsisten mengurangi instalasi dan setup biaya . Sebagai contoh , kita membayangkan sebuah skenario di mana sistem lokalisasi ESN berbasis dilatih off -line ( misalnya dalam laboratorium / pabrik ) pada RSS pengukuran ditangkap pada ( kecil ) set kamar sampel . Kemudian , system disebarkan dan dimasukkan ke dalam operasi ke lingkungan target , mengurangi kebutuhan dari fase fine tuning mahal . Selain akurasi dan generalisasi , sukses teknologi konteks - peramalan memiliki juga memiliki cukup

Gambar 3: Contoh urutan RSS dalam 3 dataset: lintasan yang mengarah ke perubahan kamar dilambangkan sebagai garis berkesinambungan, sedangkan kurva putus-putus adalah contoh dari kelas negatif. Lingkaran, bintang dan segitiga menunjukkan urutan dari dataset 1, 2 dan 3, masing-masing. Karena keterbatasan ruang, RSS stream hanya ditampilkan selama 3 dari 4 jangkar yang tersedia. reaktivitas, sehingga prediksi yang disampaikan tepat waktu kepada komponen kontrol highlevel.

Dalam pengertian ini, ESN merupakan kandidat yang baik untuk mengoptimalkan trade-off antara akurasi, generalisasi dan kebutuhan komputasi antara model pembelajaran mesin untuk data berurutan. Potensi tersebut dapat lebih dimanfaatkan dengan mengembangkan sistem terdistribusi yang embeds modul pembelajaran ESN langsung ke node dari jaringan nirkabel. Berdasarkan komputasi terbatas ESN ini persyaratan, kita membayangkan bahwa solusi tersebut dapat direalisasikan pada costeffectively WSNs yang terdiri dari perangkat dibatasi komputasi sederhana (misalnya melihat tujuan dari Proyek RUBICON EU FP7 3 ).

TUGAS

Ambient Intelligence

NAMA : VINI TRIANI

NIM : F1B 011 026

U N I V E R S I T A S M A T A R A M

F A K U L T A S T E K N I K

2 0 1 4