ऐ वर्तमान में समाज के हर पहलू को नवीनता ला रही है। उदाहरण के लिए, डाटा माइनिंग और सीखने की गहराई के फायदे के संयोजन से, अब कृत्रिम बुद्धि का उपयोग कर सकते हैं विभिन्न स्रोतों से डेटा की बड़ी मात्रा का विश्लेषण करने के पैटर्न की पहचान, एक इंटरैक्टिव समझ और बुद्धिमान प्रदान पूर्वानुमान। इस तरह के नवाचार का एक उदाहरण कृत्रिम बुद्धि सेंसर द्वारा उत्पन्न डेटा, विशेष रूप से डेटा में स्मार्टफोन और इस तरह जीपीएस पते के रूप में अन्य उपभोक्ता उपकरणों। गति सेंसर डाटा और अन्य जानकारी के द्वारा एकत्र करने के लिए लागू का विकास है, हम विभिन्न का एक बहुत प्रदान कर सकते हैं तो, सवाल यह है कि 'कृत्रिम बुद्धिमत्ता का इस्तेमाल कैसे किया जाए ताकि इनमें से अधिकताएं मिलें?'
व्यायाम डेटा विश्लेषण
उदाहरण के लिए एक वास्तविक वास्तविक दुनिया उपयोगकर्ता के गतिविधि को निर्धारित करने के लिए उपयोग की स्थिति का विश्लेषण करने में सक्षम होगा, चाहे बैठे, चलना, चलना या सो रहे हों।
इस मामले में, स्मार्ट उत्पादों के लाभ स्वयं स्पष्ट हैं:
1. बढ़ाएँ उपयोगकर्ता ग्राहक का आजीवन मूल्य वृद्धि सगाई मंथन कम कर सकते हैं। 2. एक और अधिक प्रतिस्पर्धी उत्पाद स्थिति स्मार्ट उत्पादों की अगली पीढ़ी के उपभोक्ताओं की बढ़ रही अपेक्षाओं को पूरा करने। 3. अंत उपयोगकर्ताओं के लिए वास्तविक मूल्य बनाने
सटीक पता लगाने और इनडोर खेल के विश्लेषण संवेदनशील नेविगेशन प्राप्त कर सकते हैं,, स्वास्थ्य जोखिम की निगरानी करते हुए डिवाइस की क्षमता बढ़ाने। स्मार्ट फोन और पहनने योग्य मंच गहराई की एक किस्म वास्तविक उपयोग परिदृश्यों समझ के लिए बहुत उत्पाद डिजाइनरों में मदद मिलेगी उपयोगकर्ता की दोहराव वाली आदतों और व्यवहारों को समझें, जैसे सही बैटरी आकार का निर्धारण करना या सूचनाओं को धक्का देने के लिए सही समय निर्धारित करना।
कृत्रिम बुद्धि समारोह में स्मार्टफोन निर्माता ब्याज मजबूत है, और इस तरह के इस तरह के एक ऐसे के लिए फुटबॉल की तरह खेल गतिविधियों के रूप में चरणों की संख्या के महत्व को, जो और अधिक गहराई से विश्लेषण का विकास होगा, के रूप में सरल दैनिक गतिविधियों, पहचान हाइलाइट किया गया है लोकप्रिय खेल, उत्पाद डिजाइनरों केवल एथलीटों पर ध्यान दिया जाएगा नहीं है, लेकिन इस तरह के डिब्बों, प्रशंसकों और यहां तक कि प्रसारकों और खेल परिधान डिजाइन कंपनियों और अन्य बड़ी कंपनियों के रूप में और अधिक लोगों को, सुविधा होगी। इन कंपनियों होगा गहरी डेटा विश्लेषण से लाभ, जो सही मात्रा का अनुमान, सुधार और प्रदर्शन की भविष्यवाणी कर सकते हैं।
डेटा अधिग्रहण और प्रीप्रोसेसिंग
इस व्यवसाय के अवसर की पहचान करने के बाद, अगले तार्किक कदम यह है कि इन विशाल डेटा सेटों को प्रभावी तरीके से कैसे एकत्रित किया जाए।
उदाहरण के लिए, गतिविधि पर नज़र रखने के मामले में, कच्चे डेटा एक अक्षीय गति संवेदक द्वारा, इस तरह के एक स्मार्टफोन, पहनने योग्य उपकरणों और अन्य पोर्टेबल उपकरणों accelerometers और gyroscopes के रूप में इकट्ठा किया जाता है। इन उपकरणों तीन एक तरह से पूरी तरह से छिपा में कुल्हाड़ियों समन्वय (एक्स प्राप्त, वाई, जेड), अर्थात यानी ट्रैकिंग और उन तरीकों का लगातार मूल्यांकन करना जिससे उपयोगकर्ता के आवेदन के लिए सुविधाजनक हो।
प्रशिक्षण मॉडल
के लिए कृत्रिम बुद्धि शिक्षा, आदेश वास्तविक उपयोगकर्ता व्यवहार वर्गीकृत करने के लिए इस मॉडल का उपयोग कर सकते इंजन वर्गीकृत करने के लिए में, टैग डेटा 'मॉडल' के साथ प्रशिक्षित करने के लिए की जरूरत का निरीक्षण किया। उदाहरण के लिए, हम खेल जॉगिंग या चल रहे बीटा उपयोगकर्ताओं, जहां से चलने इकट्ठा डेटा, और इस जानकारी को उन्हें जानने के लिए मॉडल में प्रदान करने के लिए
चूंकि यह मूल रूप से एक एक शॉट प्रक्रिया है, सरल आवेदन और कैमरा प्रणाली उपयोगकर्ता लेबलिंग 'कार्य करने के लिए पूरा किया जा सकता। हमारा अनुभव बताता है कि फलस्वरूप के वर्गीकरण में नमूनों की संख्या, मानव त्रुटि दर के रूप में कम कर दिया। इसलिए, अधिक नमूने प्राप्त करने के लिए उपयोगकर्ताओं की एक बड़ी संख्या से अधिक सार्थक सेट नमूना सेट की तुलना में छोटे पाने के लिए जहाँ उपयोगकर्ताओं की एक सीमित संख्या।
हो जाता है केवल कच्चे सेंसर डाटा नहीं पर्याप्त है। हम चाहते हैं कि बेहद सटीक वर्गीकरण प्राप्त करने के लिए, ध्यान से दृश्यों महत्वपूर्ण विशेषता या गतिविधि भेद करने के लिए सुविधाओं है कि प्रणाली को बताया जाना चाहिए की कुछ निर्धारण करने की आवश्यकता मनाया जाता है। सीखने के मैनुअल प्रक्रिया एक दोहराव है, में यह अभी तक स्पष्ट नहीं है कि पूर्वनिर्धारित चरण में कौन से विशेषताएं सबसे अधिक महत्वपूर्ण हैं, इसलिए युक्ति को विशेषज्ञता के आधार पर कुछ अनुमानित काम करना चाहिए जो कि वर्गीकरण की सटीकता पर असर डाल सकता है।
आदेश गतिविधियों की पहचान करने के लिए, सुविधाओं सूचक "फ़िल्टर्ड संकेत", उदाहरण के लिए, शरीर त्वरण (सेंसर से त्वरण कच्चे डेटा) या 'संकेत प्राप्त होता', उदाहरण के लिए, तेजी से फूरियर को बदलने (FFT) मूल्य या मानक विचलन शामिल हो सकते हैं।
उदाहरण के लिए, कैलिफोर्निया इर्विन विश्वविद्यालय, मशीन सीखने डेटाबेस (यूसीआई) 561 डेटा सेट की विशेषताओं की परिभाषा, इस डेटा 30 स्वयंसेवकों, अर्थात् के छह बुनियादी गतिविधियों खड़ा है, बैठे के साथ सेट बनाया है, प्रवण, घूमना , अगले कदम और आधार के रूप में कदम
पैटर्न मान्यता और वर्गीकरण
कच्चे गति डेटा इकट्ठा करने के बाद, हम वर्गीकृत और विश्लेषण। हम का उपयोग मशीन लर्निंग तकनीक कुछ नाम हैं रसद प्रतिगमन तंत्रिका नेटवर्क से उपलब्ध हैं पर मशीन लर्निंग तकनीकों को लागू करने की जरूरत है। वेक्टर मशीन का समर्थन (SVMs) इस तरह के एक है कृत्रिम बुद्धि पर लागू सीखने के मॉडल शारीरिक गतिविधि, जैसे कि चलना, कई गतियों का अनुक्रम होता है, जो अनुक्रम वर्गीकरण में अपनी विशेष रुचि के कारण गतिविधियों को वर्गीकृत करने के लिए एक उचित विकल्प है।
SVM का उपयोग, प्रशिक्षण, विस्तार और पूर्वानुमान, बहुत सरल हैं ताकि आप आसानी से जटिल वास्तविक जीवन डेटा सेट के nonlinear वर्गीकरण के लिए कई समानांतर नमूना संग्रह प्रयोग सेट अप कर सकते हैं। SVM अधिक प्राप्त कर सकते हैं विभिन्न आकार और प्रदर्शन अनुकूलन
एक प्रौद्योगिकी का निर्धारण करने के बाद, हम वेक्टर मशीन का समर्थन करने के लिए एक सॉफ्टवेयर पुस्तकालय को चुना है। LibSVM खुला स्रोत पुस्तकालय है एक अच्छा विकल्प है, यह बहुत स्थिर है और मंच से रिकॉर्ड, बहु स्तरीय वर्गीकरण के लिए समर्थन, और सभी प्रमुख डेवलपर्स विस्तृत है एंड्रॉइड विस्तार के लिए MATLAB
चुनौती का लगातार वर्गीकरण
अभ्यास में, उपयोगकर्ता चलते हुए, उपकरणों का उपयोग वास्तविक समय वर्गीकरण संचालन करने के लिए गतिविधियों की पहचान करने के लिए। आदेश में उत्पाद की लागत कम करने के लिए, हम परिणामों को प्रभावित करने की जरूरत नहीं आधार के तहत जानकारी, संतुलित संचरण, भंडारण की गुणवत्ता और प्रसंस्करण की लागत।
हम मान सकते हैं कि आंकड़ा संचरण की लागत का बोझ, सभी डेटा संग्रहीत और बादल में प्रोसेस कर सकता हूँ। वास्तव में, यह उपयोगकर्ता के लिए बहुत बड़ा डेटा लागत लाएगा, उपयोगकर्ता के उपकरण जाहिर है, इंटरनेट से कनेक्ट करने, वाई-फाई, ब्लूटूथ, या 4 जी मॉड्यूल लागत अनिवार्य रूप से आगे बादल में बड़े डेटा स्थानान्तरण पर इस निर्भरता उपकरणों की लागत बढ़ जाएगी। बदतर, गैर शहरी क्षेत्रों में, 3 जी नेटवर्क प्रभाव के लिए उपयोग आमतौर पर नहीं लंबी पैदल यात्रा के रूप में, आदर्श हैं, एक मोटर साइकिल की सवारी या तैराकी। अपडेट धीमी हो जाएगी, और नियमित रूप से तुल्यकालन है, जो एक से अधिक कृत्रिम बुद्धि वास्तविक गति विश्लेषण के लाभ ऑफसेट लाता है। इसके विपरीत, केवल इन कार्यों में से मेजबान प्रोसेसर डिवाइस पर प्रसंस्करण के लिए की जरूरत स्पष्ट रूप से वृद्धि हुई बिजली की खपत के लिए नेतृत्व और कम हो जाएगा अन्य अनुप्रयोग निष्पादन चक्र इसी प्रकार, डिवाइस पर सभी डेटा संग्रहीत करने से संग्रहण लागत बढ़ जाती है
स्क्वायर का दौर
इन विवादित मुद्दों को हल करने के लिए, हम चार सिद्धांतों का पालन कर सकते हैं: 1. विभाजन - वर्गीकरण इंजन के निष्पादन से बंटवारा सुविधा प्रसंस्करण।
2. कम करें - भंडारण और प्रसंस्करण की आवश्यकता को कम करने के लिए सटीक गतिविधि की पहचान के लिए आवश्यक सुविधाओं को समझदारी से चुनता है।
3. - एक सेंसर प्रयोग की जाने वाली कम बिजली खपत के आंकड़ों के साथ प्राप्त किया जा सकता, सेंसर फ़्यूज़न अवतार (कई संवेदकों का डेटा के संयोजन), और एक पूर्व उपचार लगातार प्रदर्शन विशेषता के रूप में किया जा सकता है।
4. सुरक्षित - उपयोगकर्ता गतिविधि मॉडल प्रणाली प्रसंस्करण प्रदर्शन वर्गीकरण इंजन बंटवारे की विशेषता डेटा समर्थन निर्धारित करने में सक्षम सुरक्षित, एक प्रोसेसर accelerometer और के लिए जायरो संवेदक के लिए युग्मित बहुत छोटे है कि प्रभावी ढंग से बचा जाता है हो सकता है अधिक शक्तिशाली प्रोसेसर की आवश्यकताओं के वास्तविक समय ब्लॉक अनुक्रमिक। तेजी से फूरियर की एक आवृत्ति डोमेन विशेषता में इस तरह के एक समय डोमेन संकेत के लिए संकेत फ्लोटिंग प्वाइंट कार्रवाई करने कम बिजली की खपत पिघलने कोर प्रोसेसर की आवश्यकता होती है प्रसंस्करण के परिणत ।
इसके अलावा, असली दुनिया में, वहाँ एक एकल सेंसर शारीरिक रूप से सीमित है, और उदाहरण के लिए ऑफसेट और nonlinearity वेल्डिंग और तापमान पैमाने की वजह से। ऐसी अनियमितताओं के लिए क्षतिपूर्ति करने के लिए, की आवश्यकता होती है सेंसर फ़्यूज़न के कारण समय के साथ विचलन आउटपुट, है, और तेजी से , इनलाइन और स्वचालित कैलिब्रेशन
इसके अलावा, चयनित डेटा पर कब्जा दर काफी वांछित गणना और हस्तांतरण राशि को प्रभावित कर सकते हैं। आमतौर पर, सामान्य मानव गतिविधि के लिए 50 हर्ट्ज नमूना दर पर्याप्त है, लेकिन जब तेजी से चलती खेल गतिविधियों या विश्लेषण किया, की जरूरत है 200 हर्ट्ज नमूना दर। इसी प्रकार, तेजी से प्रतिक्रिया समय प्राप्त करने के लिए उपयोगकर्ता वस्तु का निर्धारण करने के 2 किलो हर्ट्ज अलग घुड़सवार accelerometers हो सकता है।
इन चुनौतियों, या एक कम शक्ति आवेदन विशिष्ट सेंसर हब पूरा करने के लिए काफी सीपीयू इस तरह के बॉश Sensortec BHI160 और BNO055 दो उत्पादों के रूप में वर्गीकरण इंजन के लिए आवश्यक चक्र, कम कर सकते हैं कि सेंसर केंद्र है। विभिन्न सेंसर डाटा दरों में सीधे सॉफ्टवेयर फ़्यूज़ सेंसर आउटपुट सीधे उत्पन्न करें
जिसमें प्रारंभिक चयन तो इलाज किया जा बहुत प्रशिक्षण मॉडल के आकार को प्रभावित करेगा, और प्रशिक्षण डेटा की मात्रा, और कंप्यूटिंग शक्ति की भविष्यवाणी की फांसी दे दी। एक प्रमुख इस प्रकार, वांछित विशिष्ट गतिविधि वर्गीकरण और चयन भेद विशेषता है के साथ की जरूरत निर्णय भी महत्वपूर्ण व्यापारिक लाभ होने की संभावना।
यूसीआई मशीन सीखने डेटाबेस हम ऊपर उल्लेख किया याद करते हुए यह 561 पर पूरे डेटा सुविधाओं है, डिफ़ॉल्ट LibSVM कोर प्रशिक्षण मॉडल गतिविधि वर्गीकरण परीक्षण सटीकता 91.84% तक उच्च का उपयोग कर। हालांकि, प्रशिक्षण और रैंकिंग सुविधाओं के पूरा होने के बाद, सबसे महत्वपूर्ण 19 समारोह गतिविधि वर्गीकरण परीक्षण सटीकता के 85.38% तक पहुँचने के लिए पर्याप्त का चयन करें। रैंकिंग के एक सावधान परीक्षा के बाद, हमने पाया सबसे अधिक प्रासंगिक सुविधा औसत आवृत्ति डोमेन कच्चे डेटा के साथ-साथ एक स्लाइडिंग खिड़की त्वरण, अधिकतम और न्यूनतम मूल्यों को बदलने है कि दिलचस्प बात यह है इन सुविधाओं केवल पूर्व उपचार के माध्यम से हासिल नहीं किया जा सकता, सेंसर फ़्यूज़न सुनिश्चित करने के लिए डेटा की पर्याप्त विश्वसनीयता के लिए आवश्यक है, और इसलिए विशेष रूप से वर्गीकरण के लिए उपयोगी।
निष्कर्ष
कुल मिलाकर, विज्ञान और प्रौद्योगिकी के विकास अब गति संवेदक डेटा की डिग्री का विश्लेषण करने के लिए एक पोर्टेबल उपकरण उन्नत कृत्रिम बुद्धि पर चल रहे पहुँच गया है। ये आधुनिक सेंसर कम बिजली पर काम करते हैं, और सेंसर फ़्यूज़न सॉफ्टवेयर विभाजन और काफी दक्षता और पूरी व्यवस्था की व्यवहार्यता में सुधार , लेकिन यह भी बहुत अनुप्रयोग विकास सरल करता है।
बुनियादी ढांचे सेंसर की मदद के लिए हम सुविधा निष्कर्षण और वर्गीकरण अनुकूलन करने के लिए खुला स्रोत पुस्तकालय और सर्वोत्तम प्रथाओं का उपयोग करें।
सही मायने में व्यक्तिगत अनुभव के साथ एक रियलिटी, कृत्रिम बुद्धि बन गया है उपयोगकर्ताओं को प्रदान करने के लिए, प्रणाली अगले कुछ वर्षों स्मार्ट फोन, पहनने योग्य सेंसर और अन्य डेटा पोर्टेबल उपकरणों द्वारा एकत्र लोगों के लिए कार्यक्षमता की अधिक गहराई प्रदान करने के लिए का लाभ ले सकते, की एक श्रृंखला अब अकल्पनीय उपकरण और समाधान अधिक विकास किया जाएगा। कृत्रिम बुद्धि और सेंसर डिजाइनरों और उपयोगकर्ताओं के लिए रोमांचक के अवसरों की एक पूरी नई दुनिया खुल जाएगा।
स्रोत: UCIhttp: बॉश Sensortec के बारे में //archive.ics.uci.edu/ml/datasets/Smartphone-Based+Recognition+of+Human+Activities+and+Postural+Transitions
बॉश Sensortec GmbH एक सीमित देयता कंपनी रॉबर्ट बॉश (रॉबर्ट बॉश जीएमबीएच), एक पूर्ण स्वामित्व वाली सहायक, स्मार्ट फोन, टैबलेट, पहनने योग्य उपकरणों और शारीरिक नेटवर्किंग उत्पाद विकास और प्रदान अनुकूलित एमईएमएस सेंसर और समाधान पोर्टफोलियो 3- अक्ष शामिल है एक्सीलरोमीटर, जाइरोस्कोप और geomagnetic सेंसर एकीकृत सेंसर, पर्यावरण सेंसर, और एक व्यापक सॉफ्टवेयर पोर्टफोलियो 6 अक्ष और 9 अक्ष। 2005 में अपनी स्थापना के बाद से, बॉश Sensortec इन बाजारों MEMS प्रौद्योगिकी नेता बॉश जीएमबीएच 1995 के बाद से बन गया है एक अग्रणी और एमईएमएस सेंसर के क्षेत्र में वैश्विक बाजार नेता रहे हैं, एमईएमएस सेंसर की संख्या दुनिया भर में 80 से अधिक मिलियन हैंडसेट बेच दिया है एक उपयोग बॉश Sensortec बुद्धिमान प्रति दो सेंसर होगा।
अधिक जानकारी के लिए, www.bosch-sensortec.com पर जाएं और WeChat सार्वजनिक संख्या 'बॉश सेंन्सॉर्टिक' पर हमें का पालन करें