1. Logic mờ: Logic mờ khác với logic truyền thống.

Trong logic truyền

thống, mọi thứ đều được biểu diễn bằng 0 hoặc 1. Tuy nhiên, trong logic mờ,
chân lý một phần cũng được chấp nhận. Theo cách này, việc biểu diễn thế
giới thực bằng logic mờ được chấp nhận hơn so với sử dụng logic truyền
thống (tốc độ: hơi nhanh, rất chậm, v.v.).

Kỹ thuật suy luận logic mờ không được sử dụng độc lập. Thay vào đó, nó
thường được sử dụng nhất với các kỹ thuật suy luận khác liên quan đến
suy luận dựa trên ontology, xác suất và quy tắc.

2.
Dựa trên ontology: Logic dựa trên ontology phụ thuộc vào logic mô tả và
suy luận có thể đạt được với dữ liệu mô hình ontology. Các ngôn ngữ
Web ngữ nghĩa, chẳng hạn như RDF, RDFS và OWL được sử dụng để
triển khai suy luận dựa trên ontology. Nó có thể được kết hợp với mô
hình ontology, đây là ưu điểm của suy luận này. Tuy nhiên, nó không có
khả năng cung cấp các giá trị bị thiếu và tìm thấy sự mơ hồ. Do đó, nó
thường được sử dụng với suy luận dựa trên quy tắc. Phát hiện sự kiện và
suy luận lai là một số ví dụ về lĩnh vực ứng dụng của suy luận dựa trên
ontology.

3.
Logic xác suất: Trong kỹ thuật này, các quyết định được dựa trên việc
tính toán xác suất và sự kiện. Dữ liệu cảm biến khác nhau được kết hợp
với logic xác suất. Dempster-Shafer và HMM được sử dụng làm suy luận
xác suất để dự đoán sự kiện tiếp theo, nhận dạng hoạt động và dự báo sự
không chắc chắn

Dempster-Shafer sử dụng hợp nhất dữ liệu cảm biến để tính xác suất của
các sự kiện. HMM cung cấp tầm nhìn cho trạng thái tiếp theo bằng cách
sử dụng trạng thái hiện tại. Chúng thường được sử dụng nhất trong nhận
thức bối cảnh.

4. Quy tắc: Trong kỹ thuật này, suy luận có thể được thu được với cấu
trúc if-else. Các quy tắc được sử dụng với suy luận dựa trên ontology. Sở
thích của người dùng, phát hiện sự kiện và suy nghĩ của con người có thể
được mô hình hóa bằng các quy tắc để sử dụng trong các ứng dụng IoT.

5) Học có giám sát: Nói chung, trong kỹ thuật này, dữ liệu cảm biến được
thu thập và dán nhãn để huấn luyện. Sau đó,
các hàm và thuật toán được tạo ra theo
dữ liệu mong đợi và chúng được áp dụng cho tất cả dữ liệu có sẵn. ANN
là một kỹ thuật học có giám sát
được sử dụng để tìm các mẫu và mô hình hóa các mô hình phức tạp giữa
đầu vào và đầu ra. Mạng Bayes
(BN) là một kỹ thuật khác được sử dụng để suy luận xác suất. Đồ thị tuần
hoàn có hướng được sử dụng trong BN
để diễn đạt các sự kiện và các mối quan hệ. DT cũng được sử dụng
như một kỹ thuật được giám sát để xây dựng cây phân loại dữ liệu. SVM
được sử dụng để nhận dạng các mẫu. TRONG
Phần V, các giấy tờ và giải pháp liên quan sẽ được xem xét
và so sánh.
6) Học không giám sát: Trong kỹ thuật này, phân cụm
được sử dụng để trích xuất các kết quả có ý nghĩa từ không được gắn
nhãn
dữ liệu. Kỹ thuật phân cụm KNN được sử dụng để lý luận nhận biết văn
bản. Các hành động ở mức độ thấp, đơn giản và
hoạt động (định vị và vị trí) có thể được giải quyết
bằng kỹ thuật phân cụm. Một kỹ thuật học không giám sát khác là bản đồ
tự tổ chức của Kohonen.
(KSOM) (kỹ thuật mạng lưới thần kinh không giám sát)
được sử dụng để phân loại dữ liệu cảm biến thực đến và
cho các ứng dụng nhận biết ngữ cảnh, chẳng hạn như tiếng ồn và ngoại lệ
phát hiện [21].
4) Phân phối theo ngữ cảnh: Phân phối theo ngữ cảnh cung cấp văn bản
cho người dùng. Các phương pháp thu thập ngữ cảnh cũng có thể là ngữ
cảnh
phương pháp phân phối, xét về cách sử dụng thay đổi của người dùng
quan điểm [21]. Có các kỹ thuật phân phối ngữ cảnh khác liên quan đến
truy vấn và đăng ký. Trong truy vấn
phương pháp, người dùng tạo truy vấn để tạo ra kết quả. Trong phương
thức đăng ký phụ, người dùng đăng ký vào hệ thống ngữ cảnh để
định kỳ lấy dữ liệu cảm biến cụ thể hoặc khi một dữ liệu cảm biến cụ thể
sự kiện xảy ra. Phương pháp này được sử dụng để xử lý thời gian thực
hệ thống.
V. HỌC MÁY
Trong phần này, chúng tôi tập trung vào các thuật toán học máy,
được sử dụng trong các lĩnh vực như UbiComp, AmI, phổ biến
tính toán, điện toán di động, hệ thống nhận biết ngữ cảnh và
mạng cảm biến đều liên quan đến IoT. Chúng tôi xem xét các kỹ thuật
học tập giám sát, học tập không giám sát và RL trong
các phần sau. Vì học máy có vai trò rất
phạm vi phủ sóng rộng, chúng tôi chỉ xem xét bối cảnh và liên quan đến
Io
nhận biết các thuật toán và kỹ thuật liên quan đến học máy
đây. Hình 4 minh họa máy liên quan đến IoT (và cả máy chung)
các thuật toán học tập và phân loại của chúng.
A. Học tập có giám sát
Trong dữ liệu huấn luyện học có giám sát, bao gồm một tập hợp
của các mẫu dữ liệu được dán nhãn, được sử dụng để tìm hiểu và huấn
luyện một mô hình.
Sau đó, mô hình này được sử dụng để dự đoán dữ liệu mẫu mới. Ở đó
là những kỹ thuật học có giám sát khác nhau. Kỹ thuật chính
có liên quan đến lý luận ngữ cảnh trong IoT có thể được liệt kê
như sau: ANN, BN, lý luận dựa trên trường hợp (CBR), DT,
tập hợp các bộ phân loại (EC), HMM, học tập dựa trên cá thể (IBL),
KNN và SVM. Một số giấy tờ quan trọng
tập trung vào các thuật toán học có giám sát được liệt kê
và so sánh ở Bảng VII.
1) Mạng thần kinh nhân tạo: ANN bắt chước một mạng thần kinh sinh
học
mạng lưới thần kinh, cung cấp một cấu trúc học tập tự trị. Có nhiều loại
ANN khác nhau trong mạng được giám sát
mô hình học tập: lan truyền ngược, tập hợp, nhiều lớp trên mỗi ceptron,
mạng Hopfield và máy Boltzmann. Ở đó
cũng là các loại ANN khác trong mô hình RL không giám sát.
Mạng lưới thần kinh lan truyền ngược được sử dụng trong hoạt động của
con người

recognition (walking, running, sitting, etc.) with wearable sen

sors [139], [140]. Guan et al. [105] used 40 sensors for both
legs to sense activity recognition and used backpropagation
neural networks for context reasoning. Saeedi et al. [141] used
smartphone sensors (accelerometer, gyroscope, GPS, magne
tometer, and temperature) for personal navigation that used
backpropagation neural networks for the learning part of the
system. In addition, Choi et al. [142] used neural networks

cho phần học tập của hệ thống ứng dụng nhà thông minh.
Hơn nữa, Mishra et al. [143] đã sử dụng perceptron đa lớp và
một thuật toán di truyền thần kinh mờ để xử lý dữ liệu lớn IoT trong
khuôn khổ của họ, đó là dữ liệu lớn IoT định hướng nhận thức
khuôn khổ.
2) Deep Learning: Deep learning là một loại ANN
bao gồm nhiều lớp xử lý và cho phép mức độ cao
trừu tượng hóa dữ liệu mô hình [144]. Có nhiều loại khác nhau
mô hình học sâu, cụ thể là lan truyền ngược (với nhiều
các lớp ẩn), mạng lưới thần kinh sâu tích chập (CNN),
mạng lưới thần kinh tái phát (RNN), mạng niềm tin sâu sắc,
máy Boltzmann (RBM) bị hạn chế và dài hạn
mạng bộ nhớ (LSTM).
Trong thế giới IoT, các kỹ thuật học sâu đã được sử dụng
trong những năm gần đây. Trong văn học, việc sử dụng và thực hiện
kỹ thuật học sâu để học từ dữ liệu được thu thập trong
IoT và đám mây vẫn đang được phát triển. Lane và cộng sự. [145]
đã nghiên cứu việc sử dụng các triển khai học sâu để xử lý
dữ liệu từ các thiết bị IoT, chẳng hạn như thiết bị đeo và điện thoại thông
minh.
Họ so sánh các nền tảng phần cứng IoT (Snapdragon 800,
Tegra K1, Edison) về mức tiêu thụ năng lượng, thực hiện

thời gian và các số liệu hiệu suất khác khi triển khai sâu
mạng thần kinh (DNN) và các mô hình CNN để xử lý âm thanh và
dữ liệu cảm biến hình ảnh De Coninck và cộng sự. [146] đề xuất cách
tiếp cận lớn nhỏ, triển khai DNN trong IoT. Trong cách tiếp cận của họ,
nếu DNN nhỏ trong thiết bị thông minh không thể phân loại dữ liệu đầu
vào,
dữ liệu đầu vào này được gửi đến DNN đám mây từ xa để phân loại.
Ma và cộng sự. [147] đã sử dụng RNN và RBM sâu để phù hợp với mô
hình và
dự đoán tắc nghẽn giao thông ở Trung Quốc bằng dữ liệu GPS từ taxi.
Zhang và cộng sự. [148] đã sử dụng bộ mã hóa tự động sâu để xử lý hợp
nhất
Dữ liệu IoT (dữ liệu cảm biến, xã hội và nền tảng) về ô nhiễm
phát hiện và mô hình lưu lượng truy cập. Alsheikh và cộng sự. [149] đề
xuất
phân tích dữ liệu di động (nhận dạng hoạt động của con người) bằng cách
sử dụng
mạng lưới thần kinh học sâu. Họ đã sử dụng Apache Spark để
xử lý song song dữ liệu lớn di động. Ngoài ra, thuật toán deep learning
còn được sử dụng để trích xuất đặc trưng từ cảm biến
dữ liệu. Plötz và cộng sự. [150] đã sử dụng mạng lưới niềm tin sâu sắc,
RBM và
so sánh hiệu suất của các thuật toán học sâu với
trích xuất tính năng dựa trên biến đổi phạm vi thống kê và nhanh chóng
cách tiếp cận.
3) Mạng Bayesian: BN là loại mạng
dựa trên đồ thị chu kỳ có hướng. Trong phương pháp này, dữ liệu cảm
biến

được phân loại bằng các biến ngẫu nhiên và thống kê. Ngoài ra, bộ phân
loại NB là một loại bộ phân loại cụ thể dựa trên
giả định rằng các đặc điểm đại diện cho việc phân loại có thể được coi là
độc lập. Bộ phân loại BN và NB
được sử dụng trong lĩnh vực nhận dạng hoạt động của con người [151] và
theo dõi sức khỏe, chẳng hạn như theo dõi và phân loại hô hấp
nhịp tim, số bước [160] và dữ liệu nhịp tim [152], [153]. TRONG
Ngoài ra, Korpipää et al. [154] BN và NB đã qua sử dụng
phân loại để trích xuất các tính năng từ dữ liệu âm thanh và phân loại
dữ liệu. Trong nghiên cứu của mình, họ đã nhận ra các hoạt động theo
bối cảnh. Ramakrishnan và cộng sự. [155] đã sử dụng BN để thực hiện
một
khung BN phân tán đệ quy tự trị không phân cấp
cung cấp việc học và suy luận bằng cách sử dụng dữ liệu cảm biến IoT.
Hơn nữa, Krause và cộng sự. [156] đã sử dụng các bộ phân loại BN và
NB để
thực hiện lý luận xác suất nền tảng cảm biến đeo được
các bộ phận hỗ trợ suy luận từ việc thu thập dữ liệu bằng cảm biến,
chẳng hạn như băng tay, tai nghe, điện thoại thông minh và máy thu GPS.
Ngoài ra, các bộ phân loại BN và NB cũng thường được sử dụng
các giải pháp và mô hình học tập đã sử dụng cho tự động hóa gia đình
[157]
và hệ thống định vị [141].
4) Lý luận dựa trên trường hợp: Trong quá trình học có giám sát này
phương pháp, các bài toán mới được giải bằng cách sử dụng các lời giải
trước đây của các bài toán tương tự. Nó tương tự như việc tạo ra sự tương
tự. Có
bốn bước chính để lập luận dựa trên trường hợp: 1) truy xuất; 2) tái sử
dụng;
3) sửa đổi; và 4) giữ lại [158]. Một vấn đề trong quá khứ, tương tự
tới vấn đề mới, được lấy từ bộ nhớ. Lời giải của bài toán đó được sử dụng
lại cho bài toán mới. Vấn đề
các thuộc tính được sửa đổi theo trường hợp mới và giải pháp được giữ
lại trong bộ nhớ. Tài liệu tham khảo [159] là một ví dụ
của lý luận dựa trên trường hợp.
5) Cây quyết định: Trong phương pháp này, các giá trị và thuộc tính
được thực hiện với các mô hình phân cấp cây và ánh xạ
với các nút và các cạnh. Các quy tắc phân loại được sử dụng trong việc
duyệt từ gốc tới lá. Thuật toán C4.5 (mở rộng của
ID3) là thuật toán DT được sử dụng rộng rãi [30], [151]. Nhân loại
giấy tờ ghi nhận hoạt động [151], [160] (đã sử dụng CART và
Thuật toán ID3) và [161] là một trong những ví dụ sử dụng
Thuật toán DT. Trong các bài báo này, các hoạt động của con người (đi,
chạy, ngồi, v.v.) được xác định bằng thiết bị đeo được.
mạng cảm biến (cảm biến gia tốc, v.v.) và mạng nhúng
thiết bị. Ngoài ra, Huebscher và McCann [162] đã sử dụng
một phương pháp học tập DT dựa trên mức độ liên quan để thực hiện một
khung phần mềm trung gian thích ứng cho các ứng dụng nhận biết ngữ
cảnh. Hơn nữa, Byun và Cheverst [163] đã đề xuất một
giải pháp cung cấp khả năng thích ứng động bằng cách sử dụng thuật toán
DT. Brdiczka và cộng sự. [164] đề xuất một mô hình bối cảnh
cho một môi trường thông minh sử dụng thuật toán DT cho
lý luận.

6) Thuật toán tập hợp (Tập hợp các bộ phân loại): Trong phần này
phương pháp, nhiều thuật toán và mô hình phân loại được sử dụng
cùng nhau để đạt được sự phân loại tốt hơn, thay vì sử dụng một mô hình
và phân loại duy nhất. Có nhiều phương pháp EC khác nhau:
bỏ phiếu, đóng gói và thúc đẩy. Trong phương thức biểu quyết, mỗi bộ
phân loại trả về một kết quả. Bộ phân loại cuối cùng được tạo ra bằng
số kết quả lớn nhất, được gọi là bỏ phiếu. Trong phương pháp bag ging,
các tập con của tập huấn luyện ban đầu được hình thành
bằng cách lấy mẫu ngẫu nhiên có thay thế. Bộ phân loại cơ sở
được tạo (đã học) bằng cách sử dụng từng mẫu con. Trong việc thúc đẩy
phương pháp, các mẫu con của tập huấn luyện được tính trọng số theo độ
khó của việc phân loại. Phương pháp tăng cường
tương tự như phương pháp đóng gói. Tuy nhiên, việc học tập cho
phân loại cuối cùng đạt được thông qua phiếu bầu có trọng số của
các bộ phân loại [165], [166]. Anagnostopoulos và cộng sự. [166] đã sử
dụng
AdaBoost M1, đóng gói, phương thức biểu quyết và phân loại NB
trong mô hình đề xuất của họ, để dự đoán vị trí của thiết bị di động
người dùng. Ravi và cộng sự. [167] đã sử dụng các thuật toán DT, KNN,
SVM và NB với các phương pháp bỏ phiếu trong nghiên cứu, nhận dạng
hoạt động của họ
từ dữ liệu gia tốc kế

7) Mô hình Markov ẩn: HMM rất năng động

BN dựa trên mô hình Markov thống kê (xác suất
mô hình toán học xác định các trạng thái trong tương lai tùy thuộc vào
tình trạng hiện tại). Hệ thống được mô hình hóa với ẩn không quan sát
được
các lớp. HMM được sử dụng cho phần lý luận ngữ cảnh và học tập của hệ
thống IoT. Mannini và Sabatini [168] được sử dụng
HMM cho lý luận hoạt động thể chất của con người trong nghiên cứu của
họ.
Gia tốc kế trên cơ thể thu thập dữ liệu cảm biến và phân loại dữ liệu
với ANN, KNN, HMM, NB và SVM. Oliver và cộng sự. [169]
đã sử dụng HMM để xác định các hoạt động văn phòng từ nhiều kênh
cảm nhận. Chen và cộng sự. [170] đã sử dụng BN, SVM, KNN,
và HMM trong hệ thống tìm kiếm nhận biết ngữ cảnh được đề xuất cho
IoT. Ngoài ra, Chen et al. [180] xích Markov đã qua sử dụng
để triển khai khuôn khổ trí tuệ cảm biến hợp tác
trong IoT công nghiệp.
8) Học dựa trên cá thể: Trong kỹ thuật này, mới
các trường hợp được so sánh với các trường hợp khác trong tập huấn
luyện.
Có thể thực hiện so sánh bằng hàm khoảng cách để xác định khoảng cách
của từng cặp phiên bản gây tốn kém
kết quả, chẳng hạn như yêu cầu nhiều bộ nhớ hơn và khả năng tính toán
thời gian. Vì vậy, phần học tập không nên được thực hiện trên
phía di động/thiết bị. Phía đám mây thuận tiện hơn cho
lưu trữ và tính toán. KNN là một ví dụ về IBL.
9) K-Nearest Neighbor: KNN là một loại thuật toán học có giám sát, sao
cho các giá trị được phân loại theo đa số
bỏ phiếu. Trong phương pháp này, các giá trị mới được phân loại theo
số lượng lớn nhất của các giá trị lân cận gần nhất. Thuật toán KNN được
sử dụng trong nhận dạng hoạt động của con người và nhận biết bối cảnh
hệ thống. Altun và Barshan [140] đã đề xuất một hệ thống
chứa các đơn vị cảm biến quán tính và từ tính có thể cảm nhận được con
người
hoạt động. Trong nghiên cứu của mình, họ đã sử dụng KNN, phương
pháp ra quyết định Bayes, phương pháp bình phương tối thiểu, độ cong
thời gian động,
SVM và ANN. Quan và cộng sự. [105] đã sử dụng KNN và mạng lưới
thần kinh lan truyền ngược để suy luận theo ngữ cảnh. Họ đã
có thể đạt được trên 90% khả năng lập luận thành công. Ngoài ra,
Jatoba và cộng sự. [160] đã sử dụng KNN cho các thí nghiệm của họ.
10) Máy vectơ hỗ trợ: SVM là một thuật toán nhận dạng mẫu và phân
loại siêu thị phổ biến cung cấp
phân tích dữ liệu để phân loại và hồi quy. Phân loại
có thể đạt được với các vectơ hỗ trợ, cung cấp khoảng cách tối ưu cho
ranh giới lớp mục tiêu. SVM được sử dụng trong
các lĩnh vực khác nhau, chẳng hạn như hình ảnh, xử lý video, nhận dạng
mẫu, phân tích dữ liệu cảm biến và nhận dạng. Anh ấy và Jin [171]
đã sử dụng SVM trong mô hình nhận dạng hoạt động của con người để
xác định hoạt động của con người. Kranz và cộng sự. [172] đã sử dụng
một
SVM trong phần mềm trung gian thu thập dữ liệu từ các cảm biến
và phân loại dữ liệu để suy luận. Khan và cộng sự. [173] đề xuất phương
pháp phân loại dữ liệu truyền phát từ thiết bị IoT