Вибір оптимального типу штучної нейронної мережі для автоматизованих систем "розумного" будинку

  • В. М. Теслюк Національний університет "Львівська політехніка", м. Львів https://orcid.org/0000-0002-5974-9310
  • А. Г. Казарян Національний університет "Львівська політехніка", м. Львів
Ключові слова: системи інтелектуального будинку; машинне навчання; штучний інтелект; нейронна мережа прямого поширення; рекурентна нейронна мережа; довга короткочасна пам'ять; вентильний рекурентний вузол

Анотація

Розроблено метод вибору оптимального типу ШНМ, ідеєю якого є практичне використання декількох типів ШНМ, подальшого обчислення похибок роботи кожного типу з використанням ідентичних наборів даних для навчання ШНМ, що унеможливлює вплив на результати роботи алгоритму і специфіки даних у навчальній вибірці. Запропонований метод дає змогу визначити оптимальний тип ШНМ для керування побутовими приладами у будинку. Розглянуто особливості процесу розроблення програмного забезпечення, що дає змогу провести процеси навчання, випробування та отримати вихідні результати роботи алгоритму штучної нейронної мережі. Вибір штучної нейронної мережі використовують для автоматизації обчислення значень оптимальних температурних режимів у кімнатах будинку, налаштувань параметрів освітлювальних приладів та режимів роботи системи безпеки "розумного" будинку. Наведено результати дослідження взаємозв'язку між різними типами нейронних мереж, кількістю внутрішніх шарів штучної нейронної мережі і кількістю нейронів на кожному внутрішньому шарі та зміни похибки обчислень параметрів налаштувань відносно очікуваних результатів роботи. Вирішення кожної окремої поставленої задачі за допомогою систем "розумного" будинку потребує використання різних алгоритмів машинного навчання. Великі обсяги даних, що генеруються у системах "розумного" будинку, та різноманітність типів і форматів цих даних не дає змоги створити універсальний автоматизований механізм з використанням алгоритмів штучного інтелекту, який вирішував би проблеми безпеки, енергоефективності та підтримки комфортних умов проживання користувачів. Тому використання запропонованого методу вибору оптимального типу нейронної мережі, що найкраще підходить для вирішення кожної окремої задачі, забезпечує високі показники ефективності роботи систем "розумного" будинку з мінімальними значеннями похибки отриманих автоматизованих рішень порівняно з рішеннями, що прийняла людина.

Біографії авторів

В. М. Теслюк, Національний університет "Львівська політехніка", м. Львів

д-р техн. наук, професор, завідувач кафедри автоматизованих систем управління

А. Г. Казарян, Національний університет "Львівська політехніка", м. Львів

аспірант, кафедра автоматизованих систем управління

Посилання

Amazon Echo. (2019). Amazon Inc. Retrieved from: https://www.amazon.com.

Amit, Badlani, & Surekha, Bhano. (2011). Smart Home System Design based on Artificial Neural Networks. Proceedings of the World Congress on Engineering and Computer Science (WCECS2011), (Vol. I). San Francisco, USA, October 19–21, 106–111.

Artem, K., Ivan, T., & Vasyl, T. (2017). Intelligent house as a service and its practical usage for home energy efficiency. In 12th International Scientific and Technical Conference on Computer Sciences and Information Technologies (CSIT2017), (Vol. 1), pp. 220–223.

Ayyadevara, V. K. (2018). Convolutional Neural Network. In: Pro Machine Learning Algorithms. Apress, Berkeley, CA, 179–215.

Biljana, L., Risteska, Stojkoska, & Kire, V., Trivodaliev, A. (2017, January). Review of Internet of Things for smart home: Challenges and solutions. Journal of Cleaner Production, 140(3), 1454–1464.

Boreiko, O. Y., Teslyuk, V. M., Zelinskyy, A., & Berezsky, O. (2017). Development of models and means of the server part of the system for passenger traffic registration of public transport in the "smart" city. In: Eastern-European Journal of Enterprise Technologies, 1(2–85), 40–47.

Brain, J. S. (2019). Retrieved from: https://brain.js.org/.

Design of a Prototype Neural Network for Smart Homes and Energy Efficiency. (2019). Tobias Teich, Falko Roessler, Daniel Kretz, Susan Frank.

Dixon, M. F., Halperin, I., & Bilokon, P. (2020). Feedforward Neural Networks. In: Machine Learning in Finance. Springer, Cham. https://doi.org/10.1007/978-3-030-41068-1_4

Google Home. (2019). Alphabet Inc. Retrieved from: https://store.google.com/us/product/google_home.

Graves, A. (2012). Long Short-Term Memory. In: Supervised Sequence Labelling with Recurrent Neural Networks. Studies in Computational Intelligence, (Vol. 385). Springer, Berlin, Heidelberg.

Graves, A. (2012). Long Short-Term Memory. In: Supervised Sequence Labelling with Recurrent Neural Networks. Studies in Computational Intelligence, (Vol. 385. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-24797-2_4

Jaeger, D., Jung, R. (2015). Recurrent Neural Network. In: Encyclopedia of Computational Neuroscience. Springer, New York, NY.

Joshua Johanan. (2014). Building Scalable Apps with Redis and Node.js, (Vol. 1). Birmingham: Packt Publishing Ltd., 297 p.

Kazarian, A., Teslyuk, V., Tsmots, I., & Tykhan, M. (2019). Implementation of the Face Recognition Module for the "Smart" Home Using Remote Server. In: Advances in Intelligent Systems and Computing III, AISC 871, Springer, 17–27.

Ketkar, N. (2017). Recurrent Neural Networks. In: Deep Learning with Python. Apress, Berkeley, CA. https://doi.org/10.1007/978-1-4842-2766-4_6

Klug Home. (2019). Indiegogo, Inc. Retrieved from: https://www.indiegogo.com/projects/klug-home-world-s-smallest-intuitive-home-hub#/.

Marhon, S. A., Cameron, C. J. F., & Kremer, S. C. (2013). Recurrent Neural Networks. In: Bianchini, M., Maggini, M., & Jain, L. (Eds). Handbook on Neural Information Processing. Intelligent Systems Reference Library, (Vol. 49). Springer, Berlin, Heidelberg.

MERLSense Data. (2007). Mitsubishi Electric Research Labs. Retrieved from: https://sites.google.com/a/drwren.com/wmd/.

Meulen, R. (2017). Gartner Says 8.4 Billion Connected "Things" Will Be in Use in 2017, Up 31 Percent From 2016. Rob Meulen. Gartner. Retrieved from: https://www.gartner.com/en/newsroom/press-releases/2017-02-07-gartner-says-8-billion-connected-things-will-be-in-use-in-2017-up-31-percent-from-2016

Monteiro da Silva, A., & Sussner, P. (2008). A Brief Review and Comparison of Feedforward Morphological Neural Networks with Applications to Classification. In: Kůrková, V., Neruda, R., Koutník, J. (Eds). (2008). Artificial Neural Networks, (ICANN2008). Lecture Notes in Computer Science, (Vol. 5164). Springer, Berlin, Heidelberg.

Nest Thermostat. (2019). Nest Corporation. Retrieved from: https://nest.com.

Netatmo. (2019). Netatmo. Retrieved from: https://www.netatmo.com.

Pawlicki, M., Marchewka, A., Choraś, M., & Kozik, R. (2020). Gated Recurrent Units for Intrusion Detection. In: Choraś, M., Choraś, R. (Eds). Image Processing and Communications, (IP&C2019). Advances in Intelligent Systems and Computing, (Vol. 1062). Springer, Cham.

Prasad Reddy, K. S. (2017). Working with MongoDB. In: Beginning Spring Boot 2. Apress, Berkeley, CA.

Zhou, G., Wu, J., Zhang, C., et al. (2016). Minimal gated unit for recurrent neural networks. Int. J. Autom. Comput, 13, 226–234. https://doi.org/10.1007/s11633-016-1006-2

Опубліковано
2020-11-03
Як цитувати
Теслюк, В. М., & Казарян, А. Г. (2020). Вибір оптимального типу штучної нейронної мережі для автоматизованих систем "розумного" будинку. Науковий вісник НЛТУ України, 30(5), 90-93. https://doi.org/10.36930/40300515
Розділ
Інформаційні технології

Статті цього автора (авторів), які найбільше читають