Taking as starting point these time

Taking as starting point these time distances ffe1,12sg fe2,9sg fe3,-g fe4,10sg
fe5,1257sg fe6,9sgg, the next step is to create groups, taking into account the similar-
ities among them and checking to see if there is any time distance that groups enough
instances to consider it as interesting. The technique for creating groups could be as
complex as we can imagine. In this case the technique we have used is based on joining
values that are within a range established by (1):
[min; max] = x  (x  tolerance) where x =
Pn
i=1 ai
n
(1)
with: tolerance = tolerated deviation from x (%); ai = time distance of an element;
and n = number of elements
Let us consider the time distances depicted in Figure 2 and a tolerance of 50%.
Grouping those values creates two groups; the rst group with mean value `10s', which
covers 4 instances (e1,e2,e4,e6) and the second group with mean value `1257s' and 1
instance (e5). The group(s) that covers more instances than the minimum level required
(dened manually, e.g. 25%) is considered as a pattern where the Event and Action
are known. Considering the two groups generated in our example, only the rst group
(with a condence level of 4/6) will be considered as a pattern, generating a pattern
like:
ON occurs (Shower, Off,t0)
IF [...]
THEN do (On, Bathroom Fan, t) when t=t0+10s
Identifying appropriate conditions
In the previous step we generated patterns relating two situations (represented by
ON and THEN clauses), but it is almost impossible to dene patterns associated to
a specic object based on only one relation. For instance, in our example the dened
pattern has a 4/6 condence level, so that it misclassies 2/6 instances. Finding out
(if possible) under what conditions a pattern will appear or not will be the last step in
order to obtain accurate patterns. As has been mentioned before, calendar and context
information given by C-type sensors will be used to dene these possible conditions.
For the purpose of discovering these conditions, two tables, covered and non-covered
tables, are generated. In the covered table there will be instances classied correctly
by the pattern together with the calendar and context information collected when they

Kết quả (Việt) 1:

Lấy điểm khởi đầu là những thời gian khoảng cách ffe1, 12sg fe2, 9sg fe3,-g fe4, 10sgfe5, 1257sg fe6, 9sgg, bước tiếp theo là tạo ra các nhóm, tham gia vào tài khoản tương tự -ities trong số họ và kiểm tra để xem nếu có bất kỳ khoảng cách thời gian nhóm đủtrường hợp xem xét nó như là thú vị. Các kỹ thuật cho việc tạo các nhóm có thể làphức tạp như chúng ta có thể tưởng tượng. Trong trường hợp này các kỹ thuật chúng tôi đã sử dụng dựa trên tham giagiá trị trong một phạm vi lập bởi (1):[min; max] = x (x dung sai) mà x =PNi = 1 ain(1)với: dung sai = dung nạp độ lệch từ (x_%); ai = thời gian khoảng cách của một nguyên tố;và n = số phần tửChúng ta hãy xem xét các khoảng cách thời gian được miêu tả ở hình 2 và một khoan dung của 50%.Nhóm những giá trị tạo ra hai nhóm; rst group với giá trị trung bình ' 10s', màbao gồm 4 trường hợp (e1, e2, e4, e6) và nhóm thứ hai với giá trị trung bình ' 1257s' và 1Ví dụ (e5). Group(s) bao gồm các trường hợp nhiều hơn mức yêu cầu tối thiểu(de ned bằng tay, ví dụ: 25%) được coi là một mô hình mà các sự kiện và hành độngđược biết đến. Xem xét hai nhóm được tạo ra trong ví dụ của chúng tôi, chỉ có nhóm rst(với một con dence cấp 4/6) sẽ được xem xét như là một mô hình, tạo ra một mô hìnhgiống như:ON xảy ra (vòi hoa sen, tắt, t0)NẾU [...]Sau đó thực hiện (trên, fan hâm mộ phòng tắm, t) khi t = t0 + 10sXác định các điều kiện thích hợpỞ bước trước, chúng tôi tạo ra các mô hình liên quan hai tình huống (đại diện bởiON và sau đó là mệnh đề), nhưng nó là hầu như không thể de ne mẫu liên quan đếnmột speci c đối tượng dựa trên mối quan hệ chỉ có một. Ví dụ: trong ví dụ de nedMô hình có một mức độ dence 4/6 con, vì vậy nó misclassi es 2/6 trường hợp. Tìm hiểu(nếu có thể) theo những điều kiện một mô hình sẽ xuất hiện hay không sẽ là bước cuối cùng trongThứ tự để có được mô hình chính xác. Như đã được đề cập trước đó, lịch và bối cảnhthông tin được đưa ra bởi cảm biến kiểu C sẽ sử dụng để de ne những điều kiện có thể.Với mục đích khám phá ra những điều kiện này, hai bảng, được bảo hiểm và không được bảo hiểmbảng biểu, được tạo ra. Trong bảng được bảo hiểm sẽ có trường hợp vu ed một cách chính xácbởi các hoa văn cùng với lịch và bối cảnh thông tin thu thập khi họ

Kết quả (Việt) 2:

Dùng như điểm khởi đầu những khoảng cách thời gian ffe1,12sg fe2,9sg Fe3, -g fe4,10sg
fe5,1257sg fe6,9sgg, bước tiếp theo là tạo ra các nhóm, có tính đến Tương tự như vậy
nhà chức trong số đó và kiểm tra để xem nếu có là bất kỳ thời gian khoảng cách mà các nhóm đủ
trường hợp để xem xét nó như là thú vị. Các kỹ thuật cho các nhóm tạo ra có thể được như
phức tạp như chúng ta có thể tưởng tượng. Trong trường hợp này, các kỹ thuật, chúng tôi đã sử dụng là dựa trên việc gia nhập
các giá trị mà trong một phạm vi thành lập bởi (1):
[min; max] = x? (? x khoan dung) trong đó x =
Pn
i = 1 ai
n
(1)
với: khoan dung = dung thứ sự sai lệch từ x (%); ai = thời gian khoảng cách của một phần tử;
và n = số phần tử
. Chúng ta hãy xem xét các khoảng cách thời gian mô tả trong hình 2 và dung sai 50%
theo nhóm những giá trị tạo ra hai nhóm; nhóm đầu tiên với giá trị trung bình '10s', trong đó
bao gồm 4 trường hợp (e1, e2, e4, e6) và nhóm thứ hai với giá trị trung bình '1257s và 1
ví dụ (e5). Các nhóm (s) bao gồm các trường hợp nhiều hơn mức yêu cầu tối thiểu
(de định nghĩa bằng tay, ví dụ 25%) được coi là một mô hình nơi tổ chức sự kiện và hành động
được biết. Xét theo hai nhóm được tạo ra trong ví dụ của chúng tôi, chỉ có nhóm đầu tiên
(với một mức độ con nguï cuûa của 4/6) sẽ được coi như là một mô hình, tạo ra một mô hình
như:
ON xảy ra (vòi hoa sen, Off, t0)
NẾU [... ]
THEN làm (Trên, Phòng tắm Fan, t) khi t = t0 + 10s
Xác định điều kiện thích hợp
Trong bước trước, chúng tôi tạo ra các mô hình liên quan hai tình huống (đại diện bởi
ON và THEN khoản), nhưng nó gần như không thể bỏ mẫu ne liên quan đến
một đối tượng c cụ thể chỉ dựa vào một mối quan hệ. Ví dụ, trong ví dụ của chúng tôi ned de
mẫu có mức nguï cuûa 4/6 con, để nó misclassi es 2/6 trường hợp. Tìm ra
(nếu có thể) trong điều kiện những gì một mô hình sẽ xuất hiện hay không sẽ là bước cuối cùng trong
thứ tự để có được mô hình chính xác. Như đã đề cập trước đây, lịch và bối cảnh
thông tin cung cấp bởi các cảm biến C-loại sẽ được sử dụng để de ne những điều kiện có thể.
Với mục đích khám phá ra những điều kiện này, hai bảng, bảo hiểm và không được bảo hiểm
bảng, được tạo ra. Trong bảng phủ sẽ có các trường hợp phân loại ed đúng
bởi mô hình cùng với các thông tin lịch và bối cảnh thu thập khi họ