Разработка контента обучающего курса по теме «Математические методы в «Интернет вещей»

Авторы: Якупов Руслан Рустамович

.

Рубрика: Технические науки

Страницы: 39-41

Объём: 0,15

Опубликовано в: «Наука без границ» № 8 (13), август 2017

Скачать электронную версию журнала

Библиографическое описание: Якупов Р. Р. Разработка контента обучающего курса по теме «Математические методы в «Интернет вещей» // Наука без границ. 2017. № 8 (13). С. 39-41.

Аннотация: Дано определение «Интернет Вещей», которое также представлено в виде формулы. Приведены основные «умные» приложения, реализованные во всевозможных сферах жизнедеятельности человека. Рассмотрены математические методы, используемые в «Интернет Вещей», которые применяются для обработки структурированных и неструктурированных данных. Предлагается структура и состав учебного контента обучающей системы Learning Space по данной теме.

Появление в последнее время большой номенклатуры устройств («умных» вещей), оснащенных не только микропроцессорами, но и целыми наборами датчиков (сенсоров), позволяющих определять, как параметры их собственного состояния, так и параметры окружающей среды и передавать эти данные по сети, породило создание нового направления – «Internet of Things» (Интернет Вещей) или сокращенно IoT.

Суть идеи Интернета Вещей состоит в том, что большинство предметов в нашем окружении (бытовые приборы, утварь, одежда, промышленное оборудование, автомобили и др.) являются «умными» вещами, и при организации связи с этими устройствами можно не только находить эти объекты, их параметры размещения в пространстве и времени, но и управлять ими, а также использовать получаемую от них информацию для построения «умных» услуг и приложений [1]. Таким образом, Интернет Вещей можно символически представить в виде:

IoT = {Сенсоры, Данные, Сети, Услуги}.

По прогнозам, к 2020 году таких подключенных к Интернету устройств будет примерно 50 млрд, при населении в 7,6 млрд человек. То есть примерно, 6,58 устройств на душу населения.

На основе Интернета Вещей, уже сейчас начинают реализовать различные «умные» приложения во всевозможных сферах жизнедеятельности человека:

  • «Умная планета» – своевременное реагирование на экологические проблемы и рациональное распоряжение невозобновляемыми ресурсами;
  • «Умный город» – городская инфраструктура и муниципальные услуги (образование, здравоохранение, ЖКХ, общественная безопасность) станут лучше взаимосвязаны и более эффективны [2];
  • «Умный дом» – позволит распознавать различные ситуации, происходящие в доме, и реагировать на них соответствующим образом, что повысит безопасность и комфорт жильцов, а также будет способствовать сбережению ресурсов;
  • «Умная энергетика» – обеспечение надежной и качественной передачи электричества от источника к потребителю в нужное время и в необходимом количестве;
  • «Умный транспорт» – увеличение скорости перемещения пассажиров, повышение их безопасности;
  • «Умная медицина» – возможность для врачей и пациентов получить удаленный доступ к дорогостоящему медицинскому оборудованию, к электронной истории болезни, реализация системы удаленного мониторинга здоровья, автоматизированная выдача препаратов больным и многое другое.

Источниками данных для этих приложений являются датчики, робототехника, люди. Поэтому при разработке таких приложений необходимо использовать:

  • технологии хранения данных;
  • технологии обработки данных;
  • методы анализа данных;
  • моделирование;
  • визуализацию;
  • методы принятия решений;
  • технологии защиты данных.

Хранение структурированных данных, подготовка запросов и извлечение выборок осуществляется с помощью реляционных и NoSQL баз данных, а их обработка с помощью статистических методов:

  • параметрические и непараметрические процедуры;
  • дисперсионный анализ;
  • регрессионный анализ;
  • кластерный анализ;
  • дискриминантный анализ;
  • факторный анализ;
  • многомерное шкалирование;
  • анализ временных рядов.

Обработка неструктурированных, распределенных, непрерывно прирастающих данных больших объёмов производится с использованием таких методов как:

  • краудсорсинг;
  • смешение и интеграция данных;
  • прогнозная аналитика;
  • имитационное моделирование;
  • пространственный анализ;
  • распознавание образов;
  • визуализация аналитических данных;
  • технологии работы с данными в распределенных файловых системах.

Для интеллектуального анализа данных, обнаружения ранее неизвестных и практически полезных знаний, необходимых для принятия решений применяются:

  • ассоциация;
  • последовательность;
  • классификация;
  • кластеризация;
  • прогнозирование;
  • искусственные нейронные сети;
  • генетические алгоритмы;
  • деревья решений;
  • эволюционное программирование;
  • ассоциативная память;
  • нечёткая логика.

На основании вышесказанного, контент обучающей системы должен содержать учебный материал по изучению перечисленных методов и лабораторные работы для получения практических навыков их использования.

Обучающий контент реализован в среде обучающей системы Learning Space. В целях обеспечения мобильности [3] сама обучающая система установлена на виртуальной машине.

Список литературы

  1. Кучерявый А. Е. Интернет Вещей // Электросвязь. 2013. № 1. С. 21-24.
  2. Самсонов М. Ю. Интернет вещей в умном городе // ИнформКурьер-Связь. 2013. № 10. С. 58-61.
  3. Сотников С. В., Урахчинский И. Н. Применение технологий виртуализации для построения операционной и сетевой среды обучающих систем // Международный электронный журнал «Образовательные технологии и общество (Educational Technology & Society)». 2012. V. 15. № 4. [Электронный ресурс]. URL: http://ifets.ieee.org/russian/periodical/journal.html (дата обращения: 26.07.2017).

 

Материал поступил в редакцию 07.08.2017
© Якупов Р. Р., 2017