مدلسازی رفتار انسانی در هوش مصنوعی چگونه است ؟
مدلسازی رفتار انسانی در هوش مصنوعی چگونه است ؟
مدلسازی رفتار انسانی در هوش مصنوعی چگونه است ؟
این رساله سه بعد از پیش بینی رفتار انسان را مورد بحث قرار می دهد. در قسمت اول ، تشخیص اضطراری با استفاده از داده های WiFi Access Point (AP) مورد بحث قرار گرفته است. با وجود پیشرفت زیاد در مدیریت اضطراری ، هنوز تکنیک های م effectiveثر برای ردیابی در زمان واقعی حوادث اضطراری فاقد آن هستند. ما تصور می کنیم یک مسیر امیدوار کننده برای دستیابی به ردیابی اضطراری در زمان واقعی از طریق تلفن های هوشمند کاملاً پذیرفته شده است. به طور خاص ، ما اولین قدم برای دستیابی به این هدف ، یعنی مکان یابی اضطراری با استفاده از تلفن های هوشمند را بررسی می کنیم. سهم اصلی ما یک رویکرد جدید است که با تجزیه و تحلیل رویدادهای ارتباط تلفن های هوشمند با نقاط دسترسی (AP) در یک شبکه WiFi موقعیت های اضطراری را پیدا می کند. این انگیزه مشاهده است که رفتار و الگوی تحرک انسان به طور قابل توجهی در شرایط اضطراری تغییر می کند ، که در نحوه ارتباط تلفن های هوشمند آنها با AP ها در شبکه WiFi منعکس می شود. ارزیابی اولیه با استفاده از داده های واقعی جمع آوری شده از یک شبکه دانشگاه دانشگاه ، تأثیر روش ما را نشان می دهد.
قسمت دوم پایان نامه با استفاده از داده های مختلف محیطی و فیزیولوژیکی بر پیش بینی راحتی حرارتی انسان متمرکز است. احساس حرارتی انسان عامل مهمی در ایجاد یک کار “راحت” یا محیط زندگی است. در این راستا ، شناسایی عواملی که به طور مستقیم بر احساس حرارتی افراد ، به ویژه افراد مسن تأثیر می گذارند و استفاده از آنها برای پیش بینی راحتی حرارتی انسان در زمان واقعی ، منافع عظیم اجتماعی خواهد داشت. در فصل دوم ، ما یک رویکرد جدید مبتنی بر داده برای شناسایی ویژگی های محیطی و فیزیولوژیکی توسعه می دهیم ، و یک طبقه بندی را آموزش می دهیم که این موارد را به عنوان ورودی در نظر بگیرد و یک کلاس احساس حرارتی مربوطه را تولید می کند (به عنوان مثال “احساس سرما” ، “خنثی” و “احساس گرما” “). ارزیابی با استفاده از یک مجموعه داده در دسترس مقیاس بزرگ نشان می دهد که با آستانه احساس حرارتی α = 1 ، دقت روش ما هنگام استفاده از ماشین بردار پشتیبان (SVM) و طبقه بندی کننده تصادفی جنگل 82-86٪ است که 2.4 برابر بیشتر از مدل Fanger است که به طور گسترده ای تصویب شده است (که تقریباً به 36٪ دقت می رسد). علاوه بر این ، مطالعه ما نشان می دهد که سه عامل ، سن فرد ، درجه حرارت در فضای باز و رطوبت در فضای باز که در مدل Fanger وجود ندارد ، نقش مهمی در راحتی حرارتی دارند ، که یک امر جالب در نوع خود است.
مدل های یادگیری ماشین را برای تشخیص افسردگی با استفاده از داده های سنجش گوشی های هوشمند توسعه می دهد. افسردگی یک اختلال جدی در سلامتی است. در فصل سوم ، با استفاده از داده های حسگر جمع آوری شده از تلفن های هوشمند ، امکان غربالگری افسردگی را بررسی می کنیم. ما ویژگی های مختلف رفتاری را از داده های سنجش گوشی های هوشمند استخراج می کنیم و کارایی ابزارهای مختلف یادگیری ماشین را برای پیش بینی تشخیص های بالینی و امتیازات PHQ-9 (یک ابزار کمی برای کمک به غربالگری افسردگی در عمل) بررسی می کنیم. مطالعه ما اولین مطالعه ای است که با استفاده از یک مجموعه داده شامل حقیقت بالینی و اولین موردی که از دو سیستم عامل تلفن هوشمند غالب (iPhone و Android) در مقیاس بزرگ استفاده می کند. در می یابیم که داده های رفتاری تلفن های هوشمند می توانند افسردگی بالینی را با دقت خوبی پیش بینی کنند. علاوه بر این ، ترکیب داده های رفتاری و نمرات PHQ-9 می تواند دقت پیش بینی بیش از هر یک را جداگانه فراهم کند ، نشان می دهد که داده های رفتاری ویژگی های مربوطه را که توسط نمرات PHQ-9 منعکس نشده اند ، ضبط می کند. ما همچنین یک مدل رگرسیون چند ویژگی برای نمرات PHQ-9 ایجاد می کنیم که در مقایسه با یک مدل با استفاده از یک ویژگی واحد ، به یک دقت بهتر دست می یابد.
اجرای پروژه های تخصصی هوش مصنوعی با مشاوره رایگان سلول پیشتاز
منبع : opencommons.uconn.edu
ثبت نام
با ایمیل خود وارد شویدورود
