مدل‌سازي نايقيني مكاني در هوش محدوده‌اي

Modeling of the Spatial Uncertainty in the Ambient Intelligence

هوش محدوده‌ای به عنوان نوعی سیستم اطلاعات بافت آگاه، به محیط‌هایی گفته می‌شود كه نسبت به حضور افراد در یك محدوده حساس بوده و توانایی رفع نیازها و انجام سرویس‌های اطلاعاتی را دارا باشد. نایقینی همیشه به عنوان یك عامل اجتناب ناپذیر در تمام برنامه‌های بافت آگاه وجود دارد. هوش محدوده‌ای نیز به عنوان سیستمی بافت آگاه، دارای جنبه‌های مختلفی از نایقینی می‌باشد. هدف از این پژوهش، بررسی انواع ریشه‌های نایقینی مكانی موجود در سیستم‌های هوش محدوده‌ای است. از جمله مهم‌ترین جنبه‌های نایقینی مكانی در هوش محدوده‌ای عبارتند از نایقینی ناشی از خطا در تعیین موقعیت كاربر، نایقینی ناشی از ابهام در تعریف محدوده‌ی هوشمند، نایقینی در روشن نبودن مرز محدوده هوشمند به صورت شفاف، وجود ناسازگاری بین اطلاعات حسگرها و وجود نقص در داده‌ها می‌باشند. با توجه به وجود ریشه‌های مختلفی از نایقینی مكانی در هوش محدوده‌ای، نشان می‌دهیم كه مدلسازی نایقینی مكانی در این سیستم امری اجتناب ناپذیر است. بر پایه پیاده‌سازی انجام شده برای اعمال نایقینی مكانی در هوش محدوده‌ای، ، نشان داد كه پیچیدگی افزایش یافته و باعث كاهش كارایی می‌شود، اما با در نظر گرفتن نایقینی مكانی به واقعیت نزدیك‌‌تر شده و وضعیت موجود بهتر مدلسازی می‌شود.

Ambient intelligent as a kind of context aware system refers to an environment that is sensitive to attendance of persons in one restrict area also able to satisfy needs and doing information system. Uncertainty always is unavoidable factor in all context-aware systems. Ambient intelligent as a context-aware system has different aspects of uncertainty. The objective of this study is scrutiny roots of different kind of uncertainty those are present in ambient intelligent. The most important spatial aspects of uncertainty in ambient intelligent includes uncertainty originated from error in positioning of user ,uncertainty originated from ambiguity in clear definition of intelligent limits, inconsistency between sensors information and deficiency in data. Considering different kind of spatial uncertainty in ambient intelligent, we will show that spatial uncertainty modeling is unavoidable in this system. According to our implementation, an ambient intelligent complexity increased and leads to decreasing efficiency but with considering spatial uncertainty existing condition modeled better and become more realistic.