REPOZITORIJ > REZULTATI

Povzetek

V današnjem času narašča uporaba različnih prenosnih senzorskih naprav, kot so pametni
telefoni ali pametne zapestnice. Te naprave lahko na različne načine spremljajo uporabnike,
ki jih nosijo, kar omogoča, da lahko med drugim spremljajo njihovo zdravje, jih spodbujajo
h gibanju ali pomagajo pri navigaciji. Tako zaznavanje in interpretiranje senzorskih
podatkov bomo v tem delu poimenovali prepoznavanje konteksta.
Pogosta težava pri uporabi sistemov za prepoznavanje konteksta je njihov vpliv na
porabo baterije senzorske naprave. Lahko si je predstavljati, da bo aplikacija, ki spremlja
navade uporabnika z vsemi senzorji na pametnem telefonu (pospeškomer, GPS, Wi-Fi itd.),
hitro spraznila baterijo telefona in bila zato v praksi neuporabna.
Veliko metod za nižanje porabe energije sistemov za prepoznavanje konteksta že obstaja,
vendar jih je večina specializiranih. Delujejo samo v specifičnih domenah ali optimizirajo
porabo energije specifičnih senzorjev. Prilagoditev teh metod za novo domeno je
pogosto časovno potratna in lahko potrebuje veliko strokovnega znanja o tej domeni.
V tem delu smo razvili tri nove algoritme, ki generirajo energijsko učinkovite rešitve,
so domensko neodvisni in lahko optimizirajo širok razpon nalog prepoznavanja konteksta.
Naša prva metoda, imenovana SCA (Setting-to-Context Assignment), spreminja nastavitve
sistema glede na to, kateri kontekst je bil nazadnje zaznan. Nastavitve so lahko vse od tega,
kateri senzorji so v uporabi, s kako frekvenco zajemajo podatke, do tega, kakšni so njihovi
obratovalni cikli (tj. periodično prižiganje in ugašanje senzorjev). Na tak način dobimo
prireditev nastavitev glede na kontekst. Razvili smo matematični model, ki lahko napove,
kako dobro se obnese poljubna prireditev, nato pa uporabili algoritem NSGA-II, da poišče
najboljše prireditve. Naša druga metoda, imenovana DCA (Duty-cycle Assignment), dela
podobno prireditev, vendar optimizira samo obratovalne cikle senzorjev. Zadnja metoda,
imenovana CS-DT (Cost-Sensitive Decision Tree), prilagaja nastavitve sistema neposredno
senzorskim podatkom. To stori z uporabo odločitvenih dreves, ki upoštevajo energijsko
ceno atributov. Vse tri metode smo med seboj tudi kombinirali na tri različne načine.
Te kombinirane metode združijo prednosti posameznih metod in lahko nastavitve sistema
prilagajajo tako na prepoznan kontekst kot na senzorske podatke.
Naša metodologijo smo testirali na štirih različnih podatkovnih množicah iz resničnega
sveta in na eni umetno generirani družini podatkovnih množic. Na ta način smo pokazali,
da je metodologija primerna v različnih razmerah, z različnimi nastavitvami in senzorji.
Pokazali smo tudi, da so v vseh primerih pridobljene rešitve primerljive s tistimi, ki jih
generirajo najsodobnejše metode, ali boljše od njih. Naše metode lahko, namesto da bi
izbrale samo eno rešitev, najdejo različne rešitve, vsako z drugačnim kompromisom med
klasifikacijsko točnostjo in porabo energije, načrtovalec sistema pa izbere tisto, ki je zanj
najprimernejša. Izpostavimo lahko primer, v katerem smo porabo energije pri podatkovni
množici Commodity12 zmanjšali s 123 mA na 29 mA, pri čemer smo žrtvovali manj kot 1
odstotno točko klasifikacijske točnosti. V drugem primeru pa smo pri podatkovni množici
SHL uporabili le 5% podatkov (z uporabo manj senzorjev in obratovalnimi cikli) in v
zameno izgubili le 5 odstotnih točk klasifikacijske točnosti.