الفهرس 
Chapter 1 IntroductionOnly 14 pages are availabe for public view
 |  | from | 148 |  |  |
| | | from | 148 | | |
Abstract
التقدم السريع في سهولة التثبيت وانخفاض التكلفة لأجهزة الاستشعار على مدى العقد الماضي جعل أجهزة الاستشعار اللاسلكية منتشرة. مما جعلها تستخدم على نطاق واسع في العديد من التطبيقات مثل ادراك الموقف و تقنيات المنزل الذكي ، والصحة ، و التطبيقات العسكرية والمراقبة والأمن. الكشف عن الاشغال هو أحد تطبيقات إدراك الموقف الهامة حيث يستخدم فى العديد من الأنظمة مثل انظمة التحكم في استهلاك الطاقة وأنظمة المراقبة الأمنية وأنظمة دعم القرار. على الرغم من استخدام ””كشف الإشغال”” في العديد من الأنظمة، فإن المستشعرات تنتج تدفقات من البيانات غير المكتملة والضوضاء ، مما يجعلها غير مؤكدة وغير موثوقة. وبالتالي، الاستخدام الفعال وتفسير بيانات المستشعرات من أجل كشف الإشغال يمثل تحديا. يمكن أن يؤدي دمج المعلومات من أنواع مختلفة من أجهزة الاستشعار من خلال تقنيات دمج البيانات إلى تعزيز موثوقية البيانات وتوفير كشف اشغال افضل يدعم اتخاذ القرار. باستخدام النيوتروسوفى التي يمكن أن تتعامل مع مشكلة عدم التأكد من البيانات، تقترح هذه الأطروحة طريقتي دمج جديدتين لبيانات المستشعرات غير المتجانسة. الطريقة الأولى - Neutrosophic Features Fusion (NFF)- هى طريقة دمج ديناميكية جديدة لدمج بيانات المستشعرات غير المتجانسة. تعتمد هذه الطريقة على استخدام مجموعات البيانات النيوتروسوفكية وعلاقات بيانات المستشعرات. باستخدام المجموعات النيوتروسوفكية، يمكن معالجة البيانات غير المؤكدة. من ناحية أخرى، استخدام دمج بيانات أجهزة الاستشعار يزيد من الموثوقية من خلال الاعتماد على بيانات أكثر من جهاز استشعار. إلى جانب ذلك ، يتم إنتاج معادلات الدمج ديناميكيًا بناءً على ارتباطات بيانات المستشعرات. أما الطريقة الثانية المقترحه - Neutrosophic Weighted Fusion (NWF)- فهى تعالج عدم التأكد في بيانات أجهزة الاستشعار عن طريق استخدام الصحة النيوتروسوفكية كوزن ديناميكي لبيانات المستشعر. على الرغم من أن استخدام NFF حقق دقة أفضل من NWF ، إلا أن استخدام NWF كان أكثر كفاءة فيما يتعلق باستهلاك الوقت. كشف الإشغال الثنائي -الذي يكتشف ما إذا كان المكان مشغول أم لا- يُستخدم في هذه الأطروحة كمثال تطبيقى لإدراك الموقف. يتم استخدام مجموعة بيانات ””Occupancy Detection”” العامة من مستودع UCI Machine Learning Repository. وفقًا لذلك ، فإن نتائج التجارب المطبقة باستخدام خوارزميات: Random Forest (RF) و Linear Discriminant Analysis (LDA) و K-Nearest Neighbors (K-NN) و Naive Bayes (NB) و Support Vector Machine (SVM) و FUzzy GEnetic (FUGE) تثبت ان الطرق الجديدة المقترحة تحسن دقة كشف الإشغال. رفعت NWF الحد الادنى للدقة من 75.1٪ إلى 81.3٪ و 84.7٪ إلى 90.7٪ و 72.0٪ إلى 84.2٪ و 73.6٪ إلى 78.4٪ و 65.9٪ إلى 78.0٪ و 57.9٪ إلى 77.9٪ باستخدام LDA و K-NN و NB و SVM و RF و FUGE على التوالي. من ناحية أخرى ، أظهرت NFF تحسينات أعلى في الدقة. تم رفع الحد الأدنى للدقة إلى 88.0٪ و 92.8٪ و 91.7٪ و 79.51٪ و 88.1٪ و 84.55٪ باستخدام LDA و K-NN و NB و SVM و RF و FUGE على التوالي. باستخدام مقاييس الأداء الستة الأخرى ، تتفوق نتائج التقنيات المقترحة أيضًا على بعض التقنيات الحديثة.