基于本体的框架自动识别活动的日常生活使用类表达学习技术

文摘

传感器的小型化和降价鼓励聪明的扩散环境,众多的传感器检测和描述由居民的活动。在这种背景下,日常生活活动的识别代表最发达之一近年来研究领域。其目的是确定日常活动是由一个聪明的居民环境。在这个领域,许多建议已经提出了在文献中,其中许多是基于特别的本体形式化逻辑规则,这阻碍了他们在其他上下文重用。在这项工作中,我们提出了使用类表达学习(移动电话),一个基于本体的数据挖掘技术,对ADL的识别。这项技术是基于结合本体中的实体,试图找到最好的表达式描述这些活动。据我们所知,这是第一次,这种技术应用到这个问题。评估性能的移动电话的自动识别活动,我们首先开发了一个框架,能够将许多可用的数据集的所有本体模型,我们发现在处理ADL的文学。两个不同的玻璃纸算法曾承认18活动在两个不同的数据集。虽然所有可用的本体的文献关注的背景下活动的描述,结果表明,传感器产生的事件的顺序更相关的自动识别,一般条款。

1。介绍

技术的进步使开发更小、更便宜的传感器。这有助于创建智能环境,许多传感器捕捉当地居民进行的操作。这些智能环境的目标是增加居民的安全,提高效率的发展活动,或者干脆,改善用户体验1]。基于这些趋势,以及最近的智能环境和普适计算的出现和普及,多种方法自动识别的日常生活活动(ADL)已经开发出来。

在这种情况下,问题包括确定活动的居民智能家居执行基于提供的信息的传感器。这不是一个简单的任务,因为(我)的许多活动涉及多个共享传感器的激活,(ii)也有活动,没有单一传感器激活序列,或(3)可能有重叠的活动发生在同一时间2]。

这种ADL的自动识别通常是基于人工智能工具和技术。在这个领域,许多建议已经提出了在文献中,其中许多是基于逻辑规则系统。其中,基于本体的方法提供了非常成功的结果在这两个数据驱动方法(dda) [3,4知识方法(KDAs)[]和5- - - - - -7]。谈判通常依赖于机器学习技术的先在的带注释的数据集的用户行为是必需的。培训流程实施建立一个活动模型是紧随其后的是一个测试过程,评估模型的泛化分类看不见的活动(4]。KDA,一个活动模型是建立在整合丰富的领域知识从应用程序域之前,利用知识工程和知识管理技术(1]。

有各种类型的规则引擎和通用逻辑处理器或“推理者。“高的本体形式化加上描述逻辑(DL)允许我们提取高质量的知识,没有得到明确,通过一个自动推理的过程。然而,没有标准模型ADL使用本体的描述。缺乏一个标准模型需要的创建特别的本体为每个特定的情况下,其产生的本体很难重用由于特定的上下文感知信息的整合和反诽谤联盟如何在每个工作描述。事实上,所有可用的本体的文献主要集中在描述活动的背景下发生的。他们通常包括传感器的类型和位置的信息,以及信息的居民做活动。在某些情况下,甚至有一个复杂的活动和简单的操作之间的区别。然而,没有一个可用的本体在文献中考虑事件发生的顺序。意识到这种情况,我们提出了一个本体在前一个工作特别设计代表传感器事件的序列(3,8]。实际上,唯一的信息活动的本体。没有更多的活动信息或传感器包括在内。

在本文中,我们以前提出的本体被扩展为包含更多信息的上下文中发生的活动。周围的本体开发的核心本体描述诽谤联盟定义的基本实体。这些实体构成的最低必要的概念和关系正确代表反诽谤联盟的传感器检测到的事件序列的智能环境。必要时,核心本体可能扩展通过导入其他本体,可以用来描述传感器的类型,他们的位置,或反诽谤联盟的行动组成的,例如。这种模块化方法降低了数量的实体推理者必须处理,提高了整个生产过程的效率。

其次,在这项工作中,我们提出并评估类表达式的使用学习(移动电话)诽谤联盟的认可。这种技术基本上结合了所有的本体概念和属性,试图找到最好的表达式描述每一个活动。在OWL本体,玻璃纸算法结合使用DL运营商的概念和属性。有关的实验工作,两个不同的玻璃纸算法曾承认18活动在两个著名的数据集。移动电话是一种基于技术,据我们所知,第一次被应用到这个问题。

本文的其余部分结构如下:在部分2介绍一些关于本体的概念来理解我们的建议。一些相关的文学作品也回顾了在这一节中。部分3介绍了移动电话技术。节4,我们描述的一般体系结构框架和本体的扩展版本开发。部分5描述了实验进行了评估不同本体的表现和玻璃纸算法识别的活动。节6,我们分析和讨论实验结果。最后,结论提出了部分7。

2。背景

在本节中,与本体相关的一些概念进行了综述,介绍了数据挖掘的一些基于本体的方法。同时,提出了一些相关的作品。

2.1。本体

本体是用来提供结构化的词汇解释之间的关系而言,让一个明确的解释他们的含义。本体是由概念(或类),通常情况下,组织的层次结构(9,10]。本体是比分类法更复杂,因为他们不仅考虑类型的关系,但他们也考虑其他关系,包括的一部分或特定领域的关系11]。

本体的象征代表了前层次结构的概念。所有其他概念的子集 。的包容关系通常是使用符号表示 ,这意味着概念一个是一个子集的概念B。概念也可以指定为其他概念的逻辑组合。

运营商结合概念的语义表所示1,在那里 ,R是一个概念之间的关系,域的解释,我是一个解释函数(12]。

本体表达了个人,也称为对象,属于哪些概念。此外,它可以声明属性与个体,组织成一个层次结构subproperties和为他们提供领域和范围。通常,域属性的概念和范围的概念或数据类型。声明属性可以被定义为传递,对称的,功能或另一个属性的倒数( )。

本体的主要优势是,他们编纂知识和可重用的人,需要共享信息的数据库和应用程序(11,13]。由于这,建设、集成和演化的本体语义Web的关键(14- - - - - -16)或互联网的东西(17,18]。然而,获得一个高质量的本体很大程度上取决于定义良好的语义和强大的推理工具的可用性。

关于语义Web,正式语言OWL (19,20.),它是由万维网联盟(W3C)。最初,猫头鹰是用来代表信息类别的对象和它们之间的关系。猫头鹰继承特征从几个家庭表示语言,包括DL和基本框架。猫头鹰是建立在资源描述框架(RDF)和RDF模式(RDFS)。RDF是一个数据模型来描述资源以及它们之间的关系。RDFS描述如何使用RDF来描述应用程序和特定领域的词汇。它扩展了定义RDF的一些元素允许输入的属性(领域和范围)和创建subconcepts subproperties。猫头鹰的主要扩展RDFS是有能力限制某些类的属性。

猫头鹰深受DL的设计,特别是在语义的形式主义,语言结构的选择、集成的数据类型和数据值。

2.2。相关的工作

在文献中,有许多建议采用本体ADL的识别。在之前的工作中,我们还提出了一个本体的表示ADL (3,8]。然而,这种本体是只关注事件的识别产生的传感器,忽略了其他活动的信息,如类型的传感器或他们所在的房间。实际上,只有本体中定义的三个概念:活动,事件,传感器。

在所有可用的提议中,两个不同的主要方法是有区别的:KDA-based方法和混合方法。在KDA-based方法,本体通常包含规则正确识别不同类型的活动。这些规则通常是手工制作的,并表示形式的DL公理可以本地处理猫头鹰推理者。其他一些建议使用外部,自定义规则系统来识别相应的ADL。本体背后的逻辑是非常严格的,其他混合方法采用本体推理加上统计推理来解决这个问题。符号推理在这些方法通常是用来改进统计推断。表2总结了本体的最重要特征修改后的在这一节中。

2.2.1。KDA-Based方法

球体ADL (21)是一个本体,是专门开发的布里斯托尔大学的代表他们收集的数据集的范围(在居住环境为医疗传感器平台)的项目。领域架构试图结合不同的传感技术提供一个通用平台,ADL的认可。本体是用鄂博格式,包含一百六十五个预定义的活动。诽谤联盟组织层级结构、分组等类别健康状况,社会互动,或原子家庭活动。原子家庭活动捕捉低级活动或简单的动作为其他活动形式的基本构建块。这些包括等操作开着的门或橱柜密切。因为每一个原子家庭活动与一个独特的物理传感器相关联,我们可以把它们作为一个抽象的传感器数据流。它还包含了其他类型的实体特定的数据集,如执行活动的人,和他或她的姿势。定义的属性都是平的,也就是说。,与out any special feature (inverse, functional, etc.), because the identification of ADL is done in an external,特别的规则系统(28]在杰斯,一个Java规则系统。

本体提出了(7)是面向ADL监测系统的发展可以通过移动网络与用户交互。它包括概念和属性来实现用户之间的消息服务和监控系统。这是为数不多的本体属性的丰富与他们的范围和领域,其中一些被声明为功能或逆属性。这有助于通过推理者信息的自动发现。不幸的是,本体是不公开的,所以不可能深入研究它。

努尔et al。23)提出了为数不多的本体能够处理传感器事件。他们调查的可穿戴设备和环境传感器融合识别ADL。他们提出的一组规则必须满足的活动为了被认为是一种类型。发达本体也区分简单的动作和组合的活动。活动如“准备餐”可以被定义为一系列行为如“壶,”和“打开微波炉的门,关上微波炉的门。“此外,上下文的其他特性被认为是在描述活动,如居民的位置或他或她的姿势。他们引入了一个概念时间间隔上下文模型通过指定相关的传感器状态。间隔可能与他们的前间隔使用传递性质。然而,它是不可能指定的顺序传感器事件发生在间隔。

《海豹突击队》(27)是一个通用的multisensor-oriented本体的上下文感知计算。还没有专门开发的诽谤联盟认可,但它包含了一些可以用于此任务的概念。它专注于传感器的描述,提供一个全面的、通用的传感器类别分类和传感器特性常用不同的上下文感知系统。SensorML [29日)是用于描述的基础传感器及其功能的元信息。传感器是首先分为物理传感器和逻辑传感器。物理传感器是一个物理设备,捕获或检测环境要素在现实世界中,如GPS或流量传感器。逻辑传感器数据源,间接与物理交互层,它通常没有计算能力,如日历或电池状态。逻辑传感器可以结合不同的物理传感器和其他逻辑传感器组成一个更高层次的上下文,这可能被视为感觉到现象。在这个模型中,活动专业化的概念实体的概念,以及概念人或事件。传感器部署在实体和实体描述上下文,提供他们的位置和时间和质量信息。

2.2.2。混合的方法

混合方法执行概率推理或雇佣外部规则系统,不同于DL推理。的工作提出5是一个明显的例子。他们一个OWL的本体定义的正式模型语义的智能家居环境和活动在两个著名的数据集。工件在智能家居被组织成层次结构,炉子被一个子类烹饪工具为例。本体模型的传感器和检测的操作;例如,功率传感器连接到电炉检测操作打开炉子。反过来,这操作的一个子类烹饪工具。他们将他们的本体论模型转化为马尔可夫逻辑网络(MLN)和执行概率推理活动实例提炼候选人。传感器事件和活动之间的相关性来推断计算,对于每一个事件,最可能的活动产生。一组特别的规则定义为了获得必要条件的传感器事件必须发生在执行一个特定活动,如以下:“因为家里的炉子是唯一的烹饪工具,和一个传感器可以检测到炉子的使用,然后每个实例执行的准备热饭在家里一定会生成事件的传感器。“规则也可以考虑其他的关于时间和地点的必要条件。这包括限制活动实例和活动之间的依赖关系的持续时间和位置。可以认为,这些规则是非常具体的,他们只有在特定的数据集。他们大量的引用工件和条件只能在这些数据集。所使用的相同的本体也是Gayathri等人提出另一个MLN-based混合方法对ADL识别(30.]。传感器数据流第一本体的描述形式。本体中的信息就会自动转化为一阶逻辑公理。开放源码工具MLN然后用于执行重学习和在一阶逻辑公理进行概率推理。COSAR本体的本体是一个扩展(22),这本来是模型上下文数据和人类活动。扩展主要被几类活动和工件的定义并不认为COSAR本体。限制这种本体的活动的时间信息和持续时间不是有效地建模。

陈等人。6)开发了一个本体建模的ADL KDA和混合方法(31日]。他们介绍了上下文的概念建模涉及时间和空间信息活动由居民。空间环境包括位置和周围的实体,如房间,家具、家电。事件上下文用于记录传感器的状态变化,而环境上下文包含温度湿度和其他天气条件的信息。时间上下文表示活动的时间和/或持续时间。本体不显式地记录所有的传感器事件。相反,传感器激活序列聚合生成原始活动执行的用户在一个特定的时间点。复合材料ADL然后定义这些原始的活动相结合,以同样的方式提出的简单操作和复杂的活动是努尔et al。23]。多个活动定义类来表示活动在一些数据集,和他们在分层树结构。树的根附近的类描述一般的活动,而叶片附近的类包括更多的属性和代表更具体的活动。

海(25]提出的一组本体ambient-assisted生活环境的描述。这些本体允许智能环境的描述从不同的观点,包括相关信息体系结构构建元素,如墙壁或窗户;功能信息的空间类型和传感器;用户操作,比如烹饪或洗澡;类型的家具或设备在智能环境;和辅助生活系统的需求和约束条件,如温度规定。后的本体开发模块化的方法,它允许根据需要选择特定于应用程序的本体。然而,本体不特别关注ADL的认可,但对应用程序的开发的自动化智能环境,如控制照明,空调,或者访问限制。提出了应用程序,例如,监视温度传感器和评估的类描述。当检测到非正常的情况下(类限制不满意),行动提出了提高居民的安慰。 Unfortunately, the ontologies are not currently available, so it is not possible to analyze them with more detail.

以前作品的公开数据倡议(ODI)框架的发展homeML,一个标准的词汇来描述智能实验环境。然而,他们最近提出了本体论的使用模型来代替homeML词汇(26]。提出的本体实际上是一个元数据模型来描述实验。传感器数据流存储在外部文件中使用可扩展的事件流(换成)标准事件数据存储。本体是用于描述实体参与实验,如房间,居民,或正在执行的活动。本体区分单一活动和multiparticipant活动参与者,以及固定位置和移动设备之间。典型的查询本体可能的答案包括:ADLs被认为是在实验吗?实验涉及记录事件在厨房?

我们已经讨论了在这一节中,有许多相关本体ADL的识别。然而,主要的不足是真的只是其中的一些。此外,在许多可用的文学本体,传感器事件的流聚合成更高级的操作,该铰链的自动识别模式。在其他一些情况下,本体创建其他作者提出的本体特别的并包含特定使用特定的数据集的信息,所以他们很难被重用。通常,这些本体强调的特定上下文的描述反诽谤联盟开发而不是活动本身的描述。例如,它们包含类和属性描述和分类位置和传感器以及信息的人执行。另一个重要的问题是,没有一个本体其他作者提出的考虑顺序之间的关系在传感器产生的事件。只与时间间隔有关的事件的发生,但没有秩序的事件间隔之间的关系。本体我们提出了在以前的作品3)采用相反的方法,活动的描述的事件序列产生的传感器被认为是,忽略了上下文信息。出于这个原因,我们在这项工作中提出一个通用的本体,允许的描述ADL的传感器事件序列以及包括其他类型的上下文信息的活动,比如他们的位置或居民的姿势。

3所示。类表达学习

推理程序是一个应用程序,该应用程序能够推断的逻辑后果从一组断言事实或公理。DL推理算法在实践中经常使用来计算一个分类的知识库 ,也就是说,来确定对于每一对原子概念一个和B发生在(32]。推理者也可以用来确定本体是一致的,是否要执行个体的分类,等等。然而,推理者并不旨在显示新的原子概念的存在,也不会更复杂的类描述。出于这个原因,研究人员调查了使用归纳逻辑编程(独立)学习逻辑理论自80年代中期(33]。其中,Maedche和无助34)发明了“本体学习”的概念几乎二十年前在本体的自动生成。现有的本体学习方法大致可以分为以下(35]:(我)从文本本体学习方法主要集中在自动生成文本的分类,采用上下位关系lexicosyntactic模式检测(36)或命名实体分类(37例如,]。(2)与数据挖掘在RDF图方法试图找到有意义的模式(38]。(3)在描述逻辑概念学习,猫头鹰方法通常是基于归纳逻辑编程方法,和他们的目标是寻找新的相关类描述通过监督机器学习算法(35,39]。(iv)众包方法结合基于机器的方法和人类的力量构建更加完整和准确的分类(40]。

移动电话技术是分类的描述逻辑概念学习和猫头鹰。它的目标是确定新类描述的概念,可用于分类个人本体根据一些标准。更正式,让概念的名字 ,知识库有足够数量的个人(不包含 ),并设置和被给予,(我) 个体的集合在吗这样在每一个解释我的知识基础(2) 个体的集合在吗这样至少一种解释我的知识基础

学习问题是找到一个概念C这样不会发生在 ,和 ,我们有和 ,在哪里意味着每一个元素年代遵循从和意味着没有元素年代遵循从(41]。

可以看出,移动电话的问题实际上是一种监督式学习的问题。然而,实例的特性,用于传统的监督学习算法最初是未知的这个问题。他们是动态生成的玻璃纸算法在搜索空间移动年代由所有可能的概念 。许多独立的关键方法是细化操作符,用于遍历搜索空间(41]。

定义1(细化操作符)。一个quasi-ordering是一个反射性和传递关系。在拟序空间( ),一个下降(上升)细化操作符ρ是一个映射的年代来这样,对于任何 ,我们有意味着。 被称为专业化(概括)C。

定义2(细化链)。一个优化链的优化算子ρ的长度n从一个概念C一个概念D是一个有限序列的概念,这样 。这改进链穿过E敌我识别有我( )这样。我们说D可以达到C通过ρ如果存在一个优化链C来D。

定义3(向下和向上的封面)。一个概念C是一个向下的概念D敌我识别不存在的概念E与。一个概念C是一个向上的概念D敌我识别不存在的概念E与。
理论细化运营商调查已确认为他们理想的属性,这影响他们的性能。这些属性提供总体指导方针的定义合适的运营商(41]。

定义4 (DL细化操作符的属性)。细化操作符叫做如下:(我)有限的敌我识别所有概念是有限的吗C。(2)冗余敌我识别存在一个优化链的概念C一个概念D不经历一些概念E和细化链C一个概念弱等于D,这经历E。(3)适当的敌我识别所有的概念C和D,意味着。(iv)理想的敌我识别它是有限的,完整的(5)定义,和适当的。

定义5(向下细化操作符)。一个向下细化算子(我)完整的敌我识别所有的概念C和D,与 ,我们可以达成一个概念E与从D通过ρ。(2)弱完成敌我识别所有的概念 ,我们可以达成一个概念E与从通过ρ。(3)最小的敌我识别所有C, 只包含下行覆盖和其所有的元素都是无与伦比的。相应的上行细化算子双重定义。
除了这个操作符,也需要建立一个搜索策略年代最大化的搜索区域,避免分析已经访问区域。在文学作品中,我们可以找到几个提出搜索策略(42,43),通常是基于图探索算法。其中也有一些基于计算智能,如遗传算法(41),细化操作符包括知识库中现有类的组合。Badea等人发明了一种细化算子并提出解决移动电话问题通过使用自顶向下方法(44]。阴阳工具结合了这两种技术构建本体的半自动的方式(45]。然而,这些算法往往产生很长的表达式和难以理解的类。DL-Learner工具中实现的算法试图克服这个问题,他们更偏向于一代的短类表达式(39]。DL-FOIL,基于向上和向下细化类表达式,采用类似的方法(46]。提出了一些扩展的处理模糊扩展DL (47)或避免次优的解决方案由于所使用的类型的优化操作符(48]。概念学习的另一种方法是基于bisimulation(49,50]。而不是试图专业或推广解决方案,bisimulation方法利用一组预定义的选择器,即,tests that are used to partition the set of individuals.
算法1玻璃纸的代表一个非常基本的实现算法。首先,该算法获取当前最适合的类描述和 。实际上,选择最佳的类的启发式取决于具体的算法描述。他们可能会考虑很多因素,比如分类的准确性正面和负面的实例或类表达式的长度。最好的类描述发现然后结合知识库中所有其他的类描述使用选定的细化操作符。重新启动过程,直到满足停止条件。在这种情况下,该算法停止当给定的类描述生成。
的实现OCEL (OWL类表达式学习者),ELTL (EL树学习者),和CELOE(类表达式学习本体工程)中可以找到(51]。OCEL是标准的学习算法用于DL-Learner工具。ELTL是一种算法优化的学习概念,CELOE OCEL的优化版本。

例1。作为一个例子,让我们假设一个家庭本体的存在O,拥有一个足够数量的个体,概念男性,女,父,孩子和财产hasChild方便地定义。让我们假设我们想要自动寻找一个新的概念叫做一个描述父亲。(1)首先,用户定义了通过选择那些个人O应该归类为的父亲。的集包含个人应归类为 。显然,父亲本体的概念不应部分的过程。(2)使用一个细化算子ρ,搜索空间年代是旅行。在这次旅行期间,一系列的类描述生成的类和属性O结合使用DL运营商。家庭的本体,类描述 可能最终生成。(3)为每一个类描述 ,的集和计算。重复这个过程,直到一些发现这样和 ,在给定的时间内通过或表达式生成给定的类。玻璃纸算法通常给最好的近似的类描述父亲在后者情况下概念的结果。如果足够的时间流程运行时,玻璃纸算法最终会找到一个类描述在第二步。假设个人O正确的注释,和 ,所以这个过程会停下来将提出一个解决方案。

4所示。一个矿业的ADL的框架

在本节中,我们描述我们通用的基于本体的框架的采矿活动的日常生活(ADL) (OMA),它是由一组可扩展的应用程序和本体描述的活动(所有应用程序和本体GPL开源许可下发布https://sourceforge.net/projects/adl-mining-framework/)。首先,在本节中,我们描述的架构框架和应用程序如何协作生产活动的描述本体的形式。接下来,我们详细的核心本体,其中包含所需的最小实体的描述在任何数据集的任何活动。最后,我们介绍一些我们已经实现的扩展上下文的信息添加到活动。

4.1。框架体系结构

的体系结构框架,我们在这项工作包括三个独立的应用程序。前两个应用程序位于预处理阶段,其目的是描述在一个公共数据模型中包含的信息数据集。第三个应用程序负责将信息转换为本体,一旦表达了共同数据模型。

我们选择的可扩展的事件流(换成)标准的公共数据模型,已明确为事件数据表示。事实上,换成其他作者提出的已经作为一个公共数据模型数据转换为本体(前26]。因为它是一个标准的数据模型的表示流的传感器事件,有很多应用程序用于处理这个数据模型和在其他格式导入数据。不幸的是,大多数数据集的自动识别的ADL表达格式已创建特别的由开发人员和没有进口商。因此,架构的第一步是翻译中的信息数据集的换成格式。这是开发应用程序的首要任务,我们称之为“换成转换器。“这个应用程序将换成格式十二16的带注释的数据集从卡萨斯库(http://casas.wsu.edu/datasets/),以及其他知名的数据集,如在52,53]。

换成标准基本上是一个XML语法提供常见的术语来描述事件流。换成将传感器事件流定义为一组痕迹,这本身就是序列事件(见图1)。的日志,痕迹,事件可能包含一个或多个键值的属性。

换成模型允许轻松地描述的事件流由一组传感器。然而,我们必须注意,数据集通常旨在采用监督学习技术,所以他们还包括注释对正在进行的活动在每个瞬间。为了处理这种情况,我们认为以下选择:(1)格式换成设计很容易扩展。扩展通常用于新属性包含在标准的实体。一个解决方案描述的事件流和流的活动同时在标准换成模型由创建包含一个属性的一个扩展痕迹元素来区分痕迹代表的事件和流痕迹代表的活动。这种解决方案的优点是数据集中的所有信息存储在一个文件中换成格式。(2)另一种可能性,这并不需要一个扩展的细化,换成是生成两个文件的格式。第一个代表的事件流作为一个单独的痕迹。第二个代表活动的流,在换成也表示为一个跟踪。详细的图2,这是选择的选择。该解决方案允许我们可视化和分析的信息在所有可用的工具换成格式。

ADL识别方法通常是基于部门的事件流的部分,也称为窗户,每天播发或者刊登。三个主要的分割方法可以在文献中找到(54]:(我)基于活动。这个流行的分割方法,也称为显式的,通常是采用离线的建议。的事件流分为段与每个活动的开始和结束的时间。(2)基于时间。的事件流分为段给定的持续时间。这种方法的主要问题是确定最优长度的段。(3)基于事件。另一种方法是分裂的事件流基于传感器事件的数量。这种方法的主要问题是混合在同一时隙的传感器事件对应于不同的活动。(iv)别人。其他作品包括特别的分割方法。

“裂殖体”应用程序负责生成换成的最后文件格式,根据用户指定的时间分割。在这种情况下,生成的文件包含一个跟踪为每个时间窗口分割的结果的过程。每一个跟踪包含事件的列表内产生一个独特的时间窗口。因为有很多方法部分的事件流,我们决定使用Java插件框架(PF4J) (http://www.pf4j.org开发这个应用程序。PF4J图书馆通过插件允许我们把新的分割方法,而不需要修改或重新编译应用程序。目前,四个插件开发,对应于(i)上述三个基本分类方法和(2)一个定制的和更复杂的类型的细分,使用统计标准开发基于时间分割(54]。

一旦数据被换成格式和表达的活动已经被分割,数据集转化为本体。应用程序“本体生成器”负责执行这个操作。然而,由于该框架已经开发一个通用的方式,这个应用程序不是在前一个特定的本体建模。相反,我们使用PF4J框架再委托的实际建筑本体的插件可以添加到应用程序。目前,五个不同的插件开发将数据集转换成四个不同的本体可用文献中,除了一个提出了这项工作。

4.2。核心本体

正如我们讨论的部分2,大多数可用的本体设计尽可能表达,定义大量的类和属性。本体提出了(28),例如,包含一百六十五个预定义的活动和33个不同类型的预定义的动作或“原子活动。“这使得搜索空间成倍增长,阻碍了数据挖掘技术。提出了本体论的核心只是必要的实体组成的描述事件的活动序列产生的传感器。事实上,只有三个不相交的基本概念定义在这个本体,如图3:活动,传感器,事件。

当执行一个活动时,在许多情况下,有必要进行时间分割的数据集,这通常包括把注释活动分解为多个更小的间隔。这个概念活动代表一个时间间隔的一个活动数据集,在这个特定的活动执行。每个间隔必须创建作为一个个体的这个概念。重要的是要注意,没有区分核心本体在不同类型的活动。等概念接电话或晚餐在这里没有定义。如果有必要,这些概念可能被导入后其他本体。这使我们能够重用核心本体与任何数据集。

在活动期间,传感器的状态变化根据居民的行动。这个概念事件代表任何情况下或变更报告由一个传感器(如失活),反过来,是代表的概念传感器。与活动,没有特定类型的事件或传感器核心本体定义。

我们的提议表示活动是基于一个表结构。房地产hasNextEvent建立事件活动的顺序。因为它被定义为一个功能属性,只是一个事件遵循另一个事件。逆属性也是功能,迫使一个事件之前直接一个独特的事件。hasNextEvent的subproperty传递财产吗isFollowedBy。hasNextEvent是用来表示一个事件立即遵循另一个事件。他们之间没有其他事件。例如,hasNextEvent B意味着一个有B作为列表中的下一个事件,或者换句话说,事件一个紧随其后的是事件B(isFollowedByEvent B)。如果另一个事件C后出现的事件B,那么事件一个也紧随其后的事件吗C(isFollowedByEvent C),但事件C不是下一个事件的一个在列表中(不是一个hasNext C)。

房地产hasEvent相关的实例活动期间发生的所有事件。由于猫头鹰的开放世界的假设,推理者不能自动推断出第一个和最后一个事件的活动。因此,有必要注释这些个体通过使用属性startsWithEvent和endsWithEvent,它被定义为subpropertieshasEvent。然而,这些个体的简单注释的本体并不妨碍其他元素列表的第一项之前或之后最后一个。为了避免这些情况,活动概念被定义为一个类的子类描述(1)和(2)。类描述(1)描述了活动概念作为一个列表的第一项不是之前任何其他项目。注意,没有必要显式地声明的本体属性来表示优先关系,因为它可以使用的倒数表示属性isFollowedByEvent。类似地,类表达式(2)防止活动列表中的最后一个后一个项目:

在猫头鹰,同一个人可以在许多不同的方式(即被称为。,不同的URI引用)。因此,有必要声明的所有元素在数据集是不同的个体。出于这个原因,功能属性哈西德派教徒分配一个唯一的代码定义的所有个人的本体。这是更有效的比声称所有个人都是不同的。

OMA的核心本体具有完全相同的DL表现性Salguero本体( ),在指数可决定的时间,以及COSAR ( )和努尔( )本体。领域本体的可满足性( )PSpace-complete。值得注意的是,我们包括所有的事件和活动数据集的实验,因为我们需要积极和消极的例子。在现实的应用程序中,只有最后一个事件需要决定哪些活动执行的居住。此外,最终的应用程序并不一定必须使用本体和推理机制一旦被发现的最佳描述活动。它可以使用一个简单的规则系统,实现为例。

所有这些实体和关系都是自动创建的插件开发的“本体生成器”应用程序。本节中描述的概念和关系中定义文件kernel.owl(图4)。然而,数据中的信息不是添加到这个文件中。相反,“本体生成器”应用程序生成一个本体在一个单独的文件(stream.owl),包含在文件中定义的实体kernel.owl通过猫头鹰导入机制,无需修改或重新定义导入的概念。所以,基本上,该文件stream.owl只包含个人、代表传感器产生的事件和活动中收集的数据集的实例。

除了本节中描述的信息,数据集通常包含其他上下文信息可自动提取和加工,如传感器的类型,生成的每个事件或在给定的即时流传感器的精确值。这种信息也可以自动生成的插件,自动包括相应的进口指令。然而,非结构化数据集的信息必须手动输入。这个信息包括,例如,智能环境划分的不同的房间或传感器的位置。而不是修改文件stream.owl,这是由“本体生成器”自动生成,强烈建议(我)手动创建一个新文件(称为ontology.owl在图4)包括这个特定的数据集的信息,(2)导入文件stream.owl和所有必要的扩展文件。这让我们很容易重用包含特定信息的文件在多个实验,因为数据集stream.owl,唯一的文件,更改其中,是自动生成的。

4.3。扩展的核心本体

大部分可用的本体在文献中包含的概念和属性来描述ADL从不同的观点6,28]。然而,对于效率的原因,我们建议的核心本体只包含必要的最低实体来表示事件的活动序列产生的传感器,如前所述。这样,其余的活动必须添加的信息通过导入其他本体。

之后,我们描述本体,提出了扩展的核心本体。这些本体作为核心本体模块扩展实体。此外,他们可以作为依据其他本体的定义更具体的信息。

4.3.1。传感器本体

该本体描述了主要类型的传感器,可以在文献中找到55,56),如运动探测器,接触传感器和门传感器。所有这些概念都被定义为不相交的。OMA插件创建一个个人相应的一类传感器为每个传感器在智能环境。这些人通过功能相关的事件产生的财产producedBySensor。

4.3.2。位置本体

该本体允许我们指定的位置传感器。作为传感器的本体,本体的位置定义了类型的房间通常是发现在ADL数据集,如厨房,浴室,或卧室。所有这些概念都被定义为不相交的促进推理者区分事件产生在不同的位置。除非说,推理程序可能认为厨房是一样的房间卧室由于开放世界的假设。每个房间的智能环境需要表示为个体相应的概念。因此,如果智能家居有两间卧室,两个不同个体的概念卧室将是必要的。房地产超过本体定义了这个事实,允许将一个传感器它的位置。

4.3.3。价值本体

该本体用于处理传感器的特定状态时发生的事件。它包含一个数据属性hasValue同事一个文本值(整数、Boolean、string,等等)与一个事件。因为大多数的传感器,我们可以发现在数据集是二进制,本体中定义的两个助手互斥的概念来表示这种类型的值:激活和停用。这个概念代表一个激活的传感器。效率的原因,重要的是限制属性的基数hasValue这个概念(激活 =1 hasValue.xsd:布尔)(为了简单起见,我们这里有滥用DL符号:操作员被用来表达的结合和基数限制运营商)。只有两秒reasoner评估所需的所有个人在实验的数据集的基数限制应用。当它不是需要4分钟。这个概念停用类似地定义。注意,基数限制在这个模块改变了DL OMA本体的表达能力( ),仍在指数可决定的时间。

4.3.4。时间本体

这个本体可以记录一个事件发生的日期和时间通过定义数据类型属性ocurretAt。它还包含了两个类似的数据类型属性记录的起始和结束瞬间活动。

4.3.5。演员本体

在一些文学的本体,也被认为是居民谁执行活动。为此,performedBy属性被定义在这个本体,其中涉及演员的活动或执行它的演员,所代表的概念演员。

4.3.6。行动本体

复杂的ADL通常指定通过简单的操作序列23,24,30.),如加热水或吃药。为此,核心本体的层次结构的属性一直在重复这个本体,修改他们的领域和范围与活动和行动。这些属性允许我们之间建立订单操作的活动。属性的表里不一是效率的原因。这本来是可以避免的,如果核心本体的领域和范围的属性尚未建立。然而,这将有几个负面影响:一方面,推理者的推理能力会降低,因为他们无法确定个人相关的类型,通过这些属性;另一方面,就可以定义序列组成的简单的动作和事件,这使得更加困难的模式识别应用的数据挖掘技术。此外,它更容易发现错误和不一致时,可能与已知类型的个人属性。

5。实验

为了评估框架提出了工作的质量和玻璃纸的充足率活动识别,进行了一个实验。目标是确定一个特定的诽谤联盟已经完成基于传感器,在一段特定的时间内被解雇。活动分类是二进制。对于每个活动,活动的积极的实例代表个人被认可,而消极的实例代表其余的活动。玻璃纸算法必须找到一个类描述描述所有积极的实例,但它并不包括负面的。的积极的和消极的活动带注释的数据集。应用程序负责将数据转换为不同的本体还生成两个列表的个人的名字代表着积极和消极的本体实例。

评估的目的,我们使用隐式细分,准确的瞬间开始不考虑的活动。而不是基于时间的分割和基于统计标准时间窗口已经使用(54]。它提供了一个更具挑战性的环境比明确的细分,并接近实时的方法。

两种不同的分布数据集被用来评估我们的建议。德数据集(53)是在加州大学欧文分校开发的机器学习库。它代表两个参与者执行十ADL活动在自己的家里。数据集进行单独的活动,这是由两个实例数据:房间和房间B,每一个对应于一个不同的用户和总结35天。十个活动分类:早餐,晚餐,离开,午餐,洗澡,睡觉,零食,业余时间电视,梳理。传感器的数量是12,虽然两人没有发射的第二个参与者。事实上,数据集可以被认为是两个不同的数据集。房间B数据集被选中,是因为一个探索性的分析显示,在这组活动更难以被认可,所以有更多的机会找到统计上显著差异。然而,这个数据集是特别不平衡,一些活动有不到15带注释的例子,这阻碍了采用复杂的数据分区方案的验证实验。只有一组例子已经被用于训练和验证方案,因此预计会有过度拟合。

另一个数据集,Singla et al。57),代表了一种传感器数据流在华盛顿州立大学注册智能公寓。数据代表了20个参与者执行八诽谤联盟活动。这些活动进行了单独和顺序。每个参与者在任何顺序执行相同的一组活动。这个数据集包含178个活动带注释的流状态改变传感器由45传感器。在这个数据集,八个活动进行分类:接电话,选择衣服,清洁,填补药物分发器,准备生日贺卡,准备汤,观看DVD,水生植物。

该框架提出了部分4已经被用于这两个数据集转换成所有可用的本体模型ADL的描述,即Salguero [3],球体[21],COSAR [22和努尔23]。此外,版本的OMA生成本体的上下文信息包括,方案后提出了部分4.3。的所有实例的活动数据集创建了作为个体的一般活动每个本体的概念。因此,不存在原子概念一个在本体,可以返回的玻璃纸算法作为解决方案。

之前讨论的结果评估,重要的是要注意,所有其他作者提出的本体已经稍微修改为了能够运用移动电话技术。一些本体需要非常微妙的变化。其他人不得不被修改在更大的深度。这些变化是必要的,因为本体没有设计使推理机制有效但尽可能多的表达。这意味着数据挖掘技术,如利用在这个实验中,不能直接应用于他们,因为他们通常是基于密集使用的推理机制。没有原始本体可以获得结果后一个小时的搜索。

提出的本体努尔是最相似的本体提出了。在这个模型中,活动是由更小的时间间隔。这些时间间隔与事件相关联的是那些真正产生的传感器,以这样一种方式,我们可以描述一个区间根据传感器时被激活。活动被定义为序列的间隔一定的传感器被解雇。超过八万间隔的远方长度必须代表所有的活动数据集,这是不可能推理程序来处理。相反,我们将每个活动窗口的每个实例分成三个不同的时间间隔,产生一个合理的个人本体。尽管这种变化,推理者浪费几个小时来处理优化本体生成的数据集的实验。此问题的解决方案已被定义为不相交的所有的概念,代表着不同的传感器和数据集的类型的活动。这个动作自动完成插件特别发达的“本体转换器”应用程序生成的本体努尔格式。

领域本体不存在性能问题。这种模型的问题是,它不能产生相关的结果。原因是没有产权,允许推理者建立关系所发生的活动和事件。这个问题已经解决通过设置的概念活动域的属性有。此外,这种关系被使用的概率,增加的逆属性有产权明确了创建一个新的命名属性。

COSAR本体的最重要的问题是,它包含多个属性到其他实体本体的相关活动。他们中的许多人只有意义的规则确定后执行的活动(如发现了财产necessarySensorEventFor)。此外,他们中的大多数不与ADL保持一个强大的关系,如财产hasStudent。然而,必须考虑所有这些属性的玻璃纸算法,使搜索空间成倍增长和降低算法的性能。

此外,根据文本的工作COSAR本体,提出了该财产occursIn应该与事件的活动发生。在公共版本的本体,该属性相关的活动,他们的公寓,以及财产activityOccursInApt所做的事。我们明白这是一个错误,因此财产的范围occursIn已经修改为参考吗活动的概念。在球体模型,逆属性的属性occursIn和producesEvent,相关事件的活动和事件的传感器,分别也已明确。中的所有个人本体已被移除,和SensorEvent和工件概念被定义为不相交的概念为了效率。的工件在智能环境概念包含所有对象,包括传感器。

确定所执行的活动在每个瞬间,描述的移动电话技术,部分3已经被应用。DL-Learner应用程序(58),一个开源的应用程序实现一些玻璃纸算法,已被用于这一任务。更准确地说,我们已经使用CELOE和OCEL算法实现的实验(59),0%的噪音比例和FastInstanceChecker (FIC)作为理性的人。FIC reasoner理性是一种特殊的人,专门为DL-Learner开发应用程序,基本上让一些违规的开放世界的假设猫头鹰来提高推理机制的效率。这是非常方便的玻璃纸的上下文中算法由于极高的类描述的数量必须评估过程中。

6。结果与讨论

表3显示的准确性( )类的表达式通过DL-Learner应用分类的所有活动中使用的两个数据集的实验。的实现只OCEL算法生成信息的准确性。CELOE算法还生成的实现f测量 ,这是一个更具代表性的衡量分类器的质量。的值f测量获得的CELOE算法如表所示4。在所有情况下,DL-Learner应用程序配置为停止五分钟后寻找新的类表达式。

最好的结果是获得使用Salguero本体和OCEL算法,平均精度为92.04%。没有显著的统计学差异的结果与OMA本体获得平均精度略低(90.07%)使用相同的算法。这两种情况的区别更明显Ordonez数据集对应的活动。活动,如早餐或睡觉OMA本体时更好的认可,而等活动个人卫生,晚餐,业余时间电视使用Salguero本体更好的认可。为例,类描述(3)和(4)表5展示最好的发现与OCEL算法描述早餐活动。类描述(3),获得使用OMA本体,描述了活动早餐开始和结束的活动与厨房门传感器的激活或冰箱被激活的传感器和第三个记录的事件是由一个传感器放在一扇门。此外,早餐活动不以激活的主要传感器和门必须包括激活,在某个瞬间,厨房的门传感器。(4)类描述,获得Salguero本体,描述了活动早餐的活动门传感器在客厅里没有厨房门后发射传感器被激活。活动不能从正门传感器的激活。可以看到,该传感器的主要门,有点令人惊讶的是,确定有关早餐活动是否发生在两种情况下。同样重要的是要指出,在Salguero本体的情况下,发生的事件的顺序更相关,强加在这种情况下,门传感器在客厅厨房门后不能激活传感器。然而在OMA本体的情况下,引入了上下文信息的描述早餐活动,考虑传感器应该产生事件的类型而不是特定的传感器。这些信息并不是在Salguero本体和是这项工作的贡献之一。

实际上,努尔本体的本体更好的描述是发现的早餐活动,玻璃纸算法的准确性达97.43%。然而,类描述发现了两种算法的描述早餐(6)活动(描述表5)似乎并没有提供相关的信息,除了限制活动的持续时间5 - 10分钟。然而,考虑到高价值的f测量,我们可以考虑区间作为活动的一个重要特征。同样的发生的梳理和业余时间电视高价值的活动,f测量也获得努尔本体。针对结果,典型的持续时间梳理活动一至五分钟(描述(表7)5),而业余时间电视活动通常超过10分钟(描述(表8)5)。

我们可以看到在图5OCEL算法总是报道,比CELOE算法更好的精度。然而,重要的是要记住,OCEL算法的实现并不提供的信息f测量。精度值代表了多少活动生成的类所描述的表达实际上对应于所描述的活动,但它并没有提供多少信息的活动,也应该承认被生成的类表达式。的f测量是一个更相关的测量领域的监督学习,因为它包括准确性和完整性。CELOE算法在实验中也被认为是这个原因。

CELOE算法的精度值获得同OCEL算法非常相似。最好的结果是实现当OMA和Salguero本体(图5)。同样的情况发生在的结果进行了分析f测量的角度(图6)。获得的结果与OMA Salguero本体通常比同其余的本体。虽然差异没有统计学意义( ),我们可以看到,获得的结果与Salguero本体略优于同OMA本体。事实上,没有一个单一的活动中,获得的结果与OMA本体比同Salguero本体。考虑到这两个本体之间的主要区别是,在OMA本体还包括活动的上下文信息,我们可以推断出事件发生的顺序是更相关的发生来确定类型的活动,而不是其他信息,如类型的传感器或它的位置。尽管OMA本体还包括事件发生的顺序信息,玻璃纸算法的搜索空间大得多的OMA本体。相反,玻璃纸算法执行时间花费整个测试不同的事件序列Salguero本体时使用。

事件的顺序的重要性显然是反映的情况洗澡活动。CELOE算法能够找到一个完美的类表达式定义这个活动当OMA Salguero本体。在这两种情况下,洗澡活动被定义为淋浴的活动,以激活传感器(描述(表9)5)。这个传感器是最后一个被激活的活动是非常相关的,因为当这一限制的顺序不是强加的,f测量值降低50%,在COSAR本体和领域(见描述(10)和(11))。这个活动的持续时间也是无关紧要的。类表达式产生的算法使用努尔本体时,表的描述(12)所示5,几乎达到一个f测量值在10%以上。

同样重要的是要注意,事件的顺序并不总是相关的识别的一些活动。在的情况下梳理活动,例如,其持续时间更相关的特定的传感器的激活。事实上,类描述(7),也获得CELOE算法应用到努尔本体后,获得一个高得多f得分值(80.92%)比获得Salguero本体时使用(5)表(见描述5),认为盆地的激活传感器,主要是。

的结果,我们可以得出结论,Salguero本体一般来说是最合适的移动电话技术的应用本体ADL的识别。OMA本体,其核心是基于Salguero本体,也取得了很好的效果一般,但略低。玻璃纸算法获得更糟糕的结果通常在使用其他本体虽然同样重要的是要强调这一事实努尔本体产生的最佳描述的一些活动,如水生植物和个人卫生生成活动,完美的描述。在所有的活动中,最好的结果是通过使用努尔本体,玻璃纸算法最终发现最好的方法来描述这些活动是根据他们的持续时间。的水生植物和个人卫生活动被描述为活动的持续时间是不到三十秒,一分钟,分别(它们是在不同的数据集)。该活动梳理通常持续1 - 5分钟,而早餐和晚餐活动通常持续五到十分钟。的业余时间电视活动是唯一一个持续时间超过十分钟。努尔本体产生更好的结果在这些情况下,因为它是唯一一个让这些信息明确。

因为接下来的领域本体的方法类似于OMA Salguero本体,其行为类似于这些建议。虽然与领域本体的结果没有改善的结果与OMA Salguero本体、领域本体的活动描述发现很好,。

7所示。结论

智能家居的扩散导致多个提案ADL的自动识别,被许多人基于本体的使用。在这项工作中,我们评估了玻璃纸的自动识别技术作为一种机制的活动。为此,我们开发了一个框架,允许许多知名的加载数据,以及这些数据集转换成五个不同的本体中可用的文学ADL的代表。这个框架的发展包括本体的扩展,我们之前提出了诽谤联盟的认可。这个本体,与其他文献中,仅仅是为了描述活动的传感器事件序列,不考虑更多的上下文信息。其余的本体在文献中使用相反的方法,描述了活动根据被激活的传感器,类型,位置,以及执行他们的人的信息。在这项工作中,我们扩展了先前提出的本体也考虑其他本体的上下文信息。

框架的开发后,进行了一个实验来确定不同的本体是否适合ADL的代表性和两个移动电话的性能算法的自动识别。的结果,我们可以得出结论,事件发生的顺序有关的活动比其余的上下文信息。玻璃纸算法最终产生更代表类表达式时考虑事件的序列使用本体。事实上,最好的结果是获得与本体,只有描述反诽谤联盟的事件序列,不包括任何其他额外的信息。此外,当算法采用本体的扩展版本,其中还包括上下文信息,结果仍然是类表达式更相关的事件的顺序。然而,有一些不满足此规则的活动。在这些情况下,最好的结果取得了努尔本体,这是唯一一个代表明确活动的持续时间。事实上,活动的持续时间是一个关键的特性来识别等活动早餐,个人卫生,接电话。

针对这一结果,我们正在工作的公司信息本体的扩展版本。我们的目标是找到最有效的方式将这一信息明确的使用自动推理,无需注释生成本体的数据集。

数据可用性

使用的数据来支持这项研究的结果提供了相应的作者在加州大学欧文分校机器学习库(https://archive.ics.uci.edu/ml/datasets/Activities + +日常+生活+ % 28 adls % 29 +识别使用+二进制+传感器+),自适应系统发展研究中心存储库(http://casas.wsu.edu/datasets/adlinterweave.zip),节中描述5。为了完整性,我们决定也提供所有的本体实验从原始数据中生成的应用程序的源代码框架提出了工作。他们都是可用的https://sourceforge.net/p/adl-miningframework/code/HEAD/tree/trunk/tests/。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作得到了提醒项目已经收到了欧盟的资助下地平线2020研究和创新计划没有玛丽Skłodowska-Curie授予协议。734355年。

引用

1. l . Chen j·霍利,c·纽金特·d·库克,z . Yu,“传感器识别活动,”IEEE系统,人,控制论,C部分:应用程序和评论,42卷,不。6,790 - 808年,2012页。视图:出版商的网站|谷歌学术搜索
2. f, f·莫亚,j .麦地那l . MartAnez c·纽金特和m . Espinilla”代与单一分区数据集,交错和multioccupancy日常生活活动,”学报》国际会议上无处不在的计算和环境智能卷,9454,pp。60 - 71,波瓦拉,智利,2015年12月。视图:谷歌学术搜索
3. a . Salguero j·梅迪纳,p . Delatorre和m . Espinilla”方法对提高分类精度使用本体:应用程序在日常生活活动的识别,”环境智能和人性化计算杂志》上,2018年,页队。视图:出版商的网站|谷歌学术搜索
4. c·李·m·林l·t·杨和c .叮”集成丰富特性与机器学习算法对人类运动和检测,”《超级计算,卷67,不。3、854 - 865年,2014页。视图:出版商的网站|谷歌学术搜索
5. d . Riboni t Sztyler、g . Civitarese和h . Stuckenschmidt”无监督识别交叉活动的日常生活通过本体论和概率推理”《2016年ACM国际联合会议上普遍的和无处不在的计算ACM,页1 - 12,2016年9月,德国海德堡。视图:谷歌学术搜索
6. l·陈,c·d·纽金特和h .王”活动的知识方法识别在智能家居中,“IEEE工程知识和数据,24卷,不。6,961 - 974年,2012页。视图:出版商的网站|谷歌学术搜索
7. I.-H。英国宇航系统公司”,一种基于本体的方法ADL识别在智能家居中,“未来一代计算机系统33卷,32-41,2014页。视图:出版商的网站|谷歌学术搜索
8. a . Salguero m . Espinilla p Delatorre, j .麦地那”使用本体进行日常生活活动的在线识别,”传感器,18卷,不。4 p。1202年,2018年。视图:出版商的网站|谷歌学术搜索
9. j·r·约瑟夫森b•钱德拉塞卡兰和v . r .本杰明一起珍藏的东西,“本体是什么,我们为什么需要他们?”IEEE智能系统,14卷,不。1,20-26,1999页。视图:出版商的网站|谷歌学术搜索
10. m . Uschold和m . Gruninger”本体:原理、方法和应用程序”,知识工程评审,11卷,不。2、93 - 136年,1996页。视图:出版商的网站|谷歌学术搜索
11. j .访谈、f . Frasincar和f . Hogenboom”域分类学习从文本:包容和层次聚类方法,”数据与知识工程卷。83年,54 - 69年,2013页。视图:出版商的网站|谷歌学术搜索
12. f·巴德尔,d . Calvanese d·麦吉尼斯p . Patel-Schneider和d . Nardi描述逻辑手册:理论、实现和应用英国剑桥,剑桥大学出版社,2003年。
13. h·t·魏y Lu,问:周,x包,“语义方法用于文本聚类使用WordNet和词汇链,”专家系统与应用程序,42卷,不。4、2264 - 2275年,2015页。视图:出版商的网站|谷歌学术搜索
14. 即Horrocks”本体和语义网”,ACM的通信,51卷,不。12日,58 - 67、2008页。视图:出版商的网站|谷歌学术搜索
15. j·科勒,s .腓立比,m . Specht, a . Ruegg“基于本体的文本索引和查询语义web,”以知识为基础的系统,19卷,不。8,744 - 754年,2006页。视图:出版商的网站|谷歌学术搜索
16. a . Maedche和无助,“语义网本体学习,”IEEE智能系统,16卷,不。2、72 - 79年,2001页。视图:出版商的网站|谷歌学术搜索
17. s . De p . Barnaghi m·鲍尔和迈斯纳,“物联网服务建模,”学报2011年联合会议上计算机科学和信息系统(FedCSIS)IEEE,页949 - 955年,2011年9月,波兰什切青市。视图:谷歌学术搜索
18. s .赫克曼于t特谢拉,诉Issarny“本体的物联网”《八中间件博士研讨会ACM, p . 3日,葡萄牙里斯本,2011年12月。视图:谷歌学术搜索
19. 即Horrocks、p . f . Patel-Schneider和f·范·Harmelen”从SHIQ OWL和RDF:制作web本体语言,“网络杂志的语义,1卷,不。1,7-26,2003页。视图:出版商的网站|谷歌学术搜索
20. e . Sirin b . Parsia公元前格劳,a . Kalyanpur y . Katz,“丸:实用理性owl dl人,”网络杂志的语义,5卷,不。2,51号~ 53号2007页。视图:出版商的网站|谷歌学术搜索
21. p . Woznowski r·王,w . Harwin和克拉多克,”为医疗活动识别框架应用程序:本体、标签策略和最佳实践,”学报》国际物联网大会和大数据,页369 - 377,罗马,意大利,2016年4月。视图:谷歌学术搜索
22. d . Riboni和c·贝蒂尼COSAR:混合推理为上下文感知活动识别,”个人和无处不在的计算,15卷,不。3、271 - 289年,2011页。视图:出版商的网站|谷歌学术搜索
23. m·h·m·努尔z Salcic,凯文,和k·王,“基于本体的传感器融合识别活动,”环境智能和人性化计算杂志》上,2018年,页1 - 15。视图:出版商的网站|谷歌学术搜索
24. l .陈和c·纽金特,“基于本体的活动识别在智能无处不在的环境中,”国际期刊的网络信息系统,5卷,不。4、410 - 430年,2009页。视图:出版商的网站|谷歌学术搜索
25. j .荔枝”模块化空间本体辅助生活系统”诉讼国际会议上知识的科学、工程和管理施普林格,页424 - 435年,2010年9月英国贝尔法斯特。视图:谷歌学术搜索
26. McChesney, c·纽金特,j·拉弗蒂,布兰登j .,“探索一个共享的开放数据倡议本体智能环境实验的数据集,”学报》国际会议上无处不在的计算和环境智能施普林格,页400 - 412年,费城,宾夕法尼亚州,美国,2017年11月。视图:谷歌学术搜索
27. j . r . Tan顾,z中,陈平,”《海豹突击队》:面向多传感器的基于本体的上下文模型,”2012第八届国际智能会议环境学报》(即)IEEE,页236 - 242年,瓜,墨西哥,2012年6月。视图:谷歌学术搜索
28. g . Baryannis p Woznowski g·安东尼奥由于,“基于规则的实时分布识别在智能家居环境中,”学报》国际研讨会的规则和规则语义Web的标记语言施普林格,页325 - 340年,石溪,纽约,美国,2016年7月。视图:谷歌学术搜索
29. m·博茨和a .罗宾,”OpenGIS传感器模型语言(sensorml)实现规范,”OpenGIS实现规范OGC卷。7日,波士顿,MA,美国,2007。视图:谷歌学术搜索
30. k . s . Gayathri k . s . Easwarakumar,以利亚,“基于概率本体活动识别在智能家居使用马尔可夫逻辑网络,”以知识为基础的系统卷,121年,第184 - 173页,2017年。视图:出版商的网站|谷歌学术搜索
31. c . l . Chen纽金特,g . Okeyo“基于本体混合智能家居活动建模方法,”IEEE人机系统,44卷,不。1,第105 - 92页,2014。视图:出版商的网站|谷歌学术搜索
32. 即Horrocks、b . Motik和z,“智者猫头鹰寻欢,”学报CEUR车间2012年4月,里昂,法国,。视图:谷歌学术搜索
33. 工程学系。Nienhuys-Cheng和r . De狼,归纳逻辑编程的基础卷。1228年,施普林格科学与商业媒体,柏林,德国,1997年。
34. a . Maedche和无助,“语义网本体学习,”IEEE智能系统,16卷,不。2、72 - 79年,2001页。视图:出版商的网站|谷歌学术搜索
35. j·莱曼和j . Voelker“介绍本体学习,”观点本体学习,IOS出版社,阿姆斯特丹,荷兰,2014年。视图:谷歌学术搜索
36. c . Klaussner和d . Zhekova“Lexico-syntactic本体自动构建模式,”第二个学生研究学报》研讨会与RANLP 2011Hissar,页109 - 114年,保加利亚,2011年9月。视图:谷歌学术搜索
37. n . Sanchez-Pi l·马蒂,a·c·Bicharra加西亚,“改善基于本体的文本分类:职业健康和安全应用程序”应用逻辑杂志,17卷,48-58,2016页。视图:出版商的网站|谷歌学术搜索
38. p . Ristoski、c . biz和h . Paulheim”与rapidminer挖掘的关联数据网络”,网络杂志的语义,35卷,第151 - 142页,2015年。视图:出版商的网站|谷歌学术搜索
39. l . Buhmann j·莱曼,p .韦氏比重,“DL-learner-a归纳学习框架语义Web,”网络杂志的语义39卷,15 - 24,2016页。视图:出版商的网站|谷歌学术搜索
40. r·孟y, l·陈,c . c .曹”Crowdtc:众包分类建设”数据挖掘学报2015年IEEE国际会议(ICDM)IEEE,页913 - 918年,大西洋城,新泽西,美国,2015年11月。视图:谷歌学术搜索
41. Hitzler j·莱曼和p,”在描述逻辑概念学习使用细化操作符”,机器学习,卷78,不。1 - 2、203 - 250年,2010页。视图:出版商的网站|谷歌学术搜索
42. j·莱曼,美国奥尔、l . Buhmann和s .流浪汉”类表达学习本体工程”,网络杂志的语义,9卷,不。1,第81 - 71页,2011。视图:出版商的网站|谷歌学术搜索
43. a . Tran j·迪特里希,h . Guesgen Marsland,“一个方法并行类表达学习,”规则在网络上:研究和应用程序a . Bikakis和a . Giurca Eds。,pp. 302–316, Springer Berlin Heidelberg, Berlin, Germany, 2012, vol. 7438 of Lecture Notes in Computer Science.视图:谷歌学术搜索
44. l . Badea工程学系。Nienhuys-Cheng”,细化算子描述逻辑”学报》国际会议上归纳逻辑编程页。40岁至59岁,施普林格,伦敦,英国,2000年7月。视图:谷歌学术搜索
45. l . Iannone i彭明盛,n . Fanizzi”一个算法基于反设事实概念学习的语义web,”应用智能,26卷,不。2、139 - 159年,2007页。视图:出版商的网站|谷歌学术搜索
46. n . Fanizzi c d’amato, f·埃斯波西托,“DL-foil在描述逻辑,”学报》国际会议上归纳逻辑编程施普林格,页107 - 121年,布拉格,捷克共和国,2008年9月。视图:谷歌学术搜索
47. Straccia和m .同名“pFOIL-DL:学习(模糊)el概念描述使用概率合奏脆猫头鹰数据估计,”第30届ACM学报》研讨会上应用计算ACM,页345 - 352年,萨拉曼卡,西班牙,2015年4月。视图:谷歌学术搜索
48. g·里佐,n . Fanizzi c, d’amato f·埃斯波西托,“一个框架,用于解决近视在概念学习在网络上的数据,”欧洲知识获取车间学报》上施普林格,页338 - 354年,南希,法国,2018年11月。视图:谷歌学术搜索
49. a . r . Divroodi和洛杉矶Nguyen bisimulations描述逻辑,”信息科学卷,295年,第493 - 465页,2015年。视图:出版商的网站|谷歌学术搜索
50. T.-L。Tran,太张扬。哈,T.-L.-G。黄平君、洛杉矶阮和h . s .阮”Bisimulation-based在描述逻辑、概念学习”Fundamenta Informaticae,卷133,不。2 - 3、287 - 303年,2014页。视图:谷歌学术搜索
51. j·莱曼,学习OWL类表达式,IOS出版社,第22卷,阿姆斯特丹,荷兰,2010年。
52. t·范Kasteren a . Noulas g . Englebienne b .悄无声息,“准确的识别在家庭环境中活动,”学报第十届国际会议上无处不在的计算主要2008),页1 - 9,首尔,韩国,2008年9月。视图:谷歌学术搜索
53. f·j·德·德·托莱多和a .山崎”活动识别使用混合生成/歧视模型在家庭环境中使用二进制传感器,”传感器,13卷,不。5,5460 - 5477年,2013页。视图:出版商的网站|谷歌学术搜索
54. m . Espinilla j·梅迪纳,j . Hallberg和c·纽金特”的一种新方法基于时间sub-windows在线传感器识别活动,“环境智能和人性化计算杂志》上,2018年,页1-13出版社。视图:谷歌学术搜索
55. A . Sixsmith和n·约翰逊”,智能传感器来检测老年人的跌倒,“IEEE普适计算,3卷,不。2,42-47,2004页。视图:出版商的网站|谷歌学术搜索
56. I.-K。黄和J.-W。门敏,“无线接入监控系统基于数字门锁,”IEEE消费类电子产品,53卷,不。4、1724 - 1730年,2007页。视图:出版商的网站|谷歌学术搜索
57. g . Singla d·j·库克,m . Schmitter-Edgecombe”跟踪活动使用智能环境技术在复杂的环境中,“国际生物科学杂志、精神病学和技术,1卷,不。1,p。25日,2009。视图:谷歌学术搜索
58. j·莱曼,“DL-learner:学习概念描述逻辑,“机器学习研究杂志》上,10卷,第2642 - 2639页,2009年。视图:谷歌学术搜索
59. a·c·Tran j·迪特里希h·w·Guesgen和s . Marsland“平行对称类表达的学习,”机器学习研究杂志》上,18卷,不。64年,猴,2017页。视图:谷歌学术搜索

版权

版权©2019阿尔贝托·g·Salguero等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。