بازشناسی فعالیت‌‌‌‌‌‌‌‌های انسانی در مکان‌‌‌‌‌‌‌‌های هوشمند مبتنی بر شبکه‌‌‌‌‌‌‌‌های عصبی بازگشتی تکاملی

بازشناسی فعالیت‌‌‌‌‌‌‌‌های انسانی در مکان‌‌‌‌‌‌‌‌های هوشمند مبتنی بر شبکه‌‌‌‌‌‌‌‌های عصبی بازگشتی تکاملی


بازشناسی فعالیت‌‌‌‌‌‌‌‌های انسانی در مکان‌‌‌‌‌‌‌‌های هوشمند مبتنی بر شبکه‌‌‌‌‌‌‌‌های عصبی بازگشتی تکاملی

نوع: Type: پایان نامه

مقطع: Segment: کارشناسی ارشد

عنوان: Title: بازشناسی فعالیت‌‌‌‌‌‌‌‌های انسانی در مکان‌‌‌‌‌‌‌‌های هوشمند مبتنی بر شبکه‌‌‌‌‌‌‌‌های عصبی بازگشتی تکاملی

ارائه دهنده: Provider: محدثه بیدی

اساتید راهنما: Supervisors: دکتر محرم منصوری‌‌‌‌‌‌‌‌زاده

اساتید مشاور: Advisory Professors:

اساتید ممتحن یا داور: Examining professors or referees: دکتر حسن ختن لو - دکتر رضا محمدی

زمان و تاریخ ارائه: Time and date of presentation: شنبه 23/12/1399 ساعت 14:30

مکان ارائه: Place of presentation:

چکیده: Abstract: جهت افزایش کیفیت زندگی و کنترل منابع در دسترس و مورد استفاده‌‌‌‌‌‌‌‌ی بشر و با توجه به پیشرفت فناوری زندگی به کمک محیط، نیازمند بازشناسی فعالیت‌‌‌‌‌‌‌‌های انسانی در محیط‌‌‌‌‌‌‌‌های هوشمند هستیم. این محیط‌‌‌‌‌‌‌‌ها مجهز به حسگرهای اینترنت اشیاء هستند. برای طراحی سیستم‌‌‌‌‌‌‌‌های اینترنت هوشمند اشیاء نیازمند تحلیل داده‌‌‌‌‌‌‌‌های ثبت شده از حسگرهای موجود در این محیط‌‌‌‌‌‌‌‌ها توسط الگوریتم‌‌‌‌‌‌‌‌های دانش هوش مصنوعی هستیم. بازشناسی فعالیت‌‌‌‌‌‌‌‌های انسانی در محیط‌‌‌‌‌‌‌‌های هوشمند به معنی تحلیل داده‌‌‌‌‌‌‌‌های حاصل از حسگرهای موجود توسط دانش هوش مصنوعی است. برای بازشناسی فعالیت الگوریتم‌‌‌‌‌‌‌‌های مختلفی وجود دارد. الگوریتم‌‌‌‌‌‌‌‌های سنتی یادگیری ماشین هم از لحاظ استخراج ویژگی وهم از لحاظ تعیین معماری شبکه روش‌‌‌‌‌‌‌‌هایی را ارائه دادند که سخت و زمانبر بودند. با ظهور یادگیری عمیق روش‌‌‌‌‌‌‌‌هایی ارائه شد که استخراج ویژگی در آن‌‌‌‌‌‌‌‌ها به طور خودکار انجام شد. همچنین با استفاده از الگوریتم‌‌‌‌‌‌‌‌های تکاملی روش‌‌‌‌‌‌‌‌هایی جهت تعیین خودکار پارامترهای شبکه ارائه شد. در نهایت با ترکیب الگوریتم‌‌‌‌‌‌‌‌های تکاملی و روش‌‌‌‌‌‌‌‌های یادگیری عمیق روشی ارائه شد که از عهده‌‌‌‌‌‌‌‌ی استخراج ویژگی خودکار و تعیین پارامترهای شبکه آن هم به صورت خودکار، به خوبی برآمد. اما چالش تعیین معماری خودکار شبکه هنوز به قوت خود باقی بود. در این راستا ما روشی را با ترکیب الگوریتم تکاملی ژنتیک و شبکه‌‌‌‌‌‌‌‌های بازگشتی عمیق ارائه دادیم. روش پیشنهادی به این صورت است که نوع لایه‌‌‌‌‌‌‌‌ی بازگشتی، تعداد لایه‌‌‌‌‌‌‌‌ی بازگشتی و تعداد نورون‌‌‌‌‌‌‌‌های هر لایه را توسط الگوریتم ژنتیک تعیین می‌‌‌‌‌‌‌‌کنیم. ما روش پیشنهادی خود را روی سه مجموعه داده‌‌‌‌‌‌‌‌ی معیار DFOG، UCI-HAD و UCI-Opp ارزیابی کردیم و بهبود نتایج را روی دو مجموعه داده شاهد بودیم و برای مجموعه داده‌‌‌‌‌‌‌‌ی دیگر accuracy بالای 95 درصد را به دست آورده‌‌‌‌‌‌‌‌ایم. با توجه به استفاده از انواع حسگرهای پوشیدنی، محیطی و شیئی، چالش استفاده از داده‌‌‌‌‌‌‌‌های با حجم بالا و با چینش متفاوت حسگرها و تعدد شرکت کنندگان هنوز حل نشده باقی می‌‌‌‌‌‌‌‌ماند. در راستای حل این چالش ما علاوه بر سه مجموعه داده‌‌‌‌‌‌‌‌ی معیار از نسخه‌‌‌‌‌‌‌‌ی انتشار یافته در uci repository مجموعه داده‌‌‌‌‌‌‌‌ی معروف CASAS استفاده کرده‌‌‌‌‌‌‌‌ایم. روش پیشنهادی ما روی این مجموعه داده بهبود قابل ملاحظه‌‌‌‌‌‌‌‌ای را نسبت به روش‌‌‌‌‌‌‌‌های قبلی نشان می‌‌‌‌‌‌‌‌دهد. همچنین روش ما برای هر چهار مجموعه داده نتایج را در تعداد لایه‌‌‌‌‌‌‌‌ها و تعداد نورون‌‌‌‌‌‌‌‌های هر لایه‌‌‌‌‌‌‌‌ی کم‌‌‌‌‌‌‌‌تری گزارش داده است. این امر سبب کاهش زمان اجرای برنامه و همچنین کاهش پارامترهای مدل شده است. جهت طراحی سیستم AIoT قوی روش پیشنهادی ما علاوه بر پیش بینی برچسب فعالیت فعلی، برچسب فعالیت بعدی و طول مدت فعالیت فعلی و بعدی را نیز به شکل مناسبی پیش بینی می‌‌‌‌‌‌‌‌کند. واژه¬های کلیدی: بازشناسی فعالیت‌‌‌‌‌‌‌‌های انسانی، محیط‌‌‌‌‌‌‌‌های هوشمند، داده‌‌‌‌‌‌‌‌های مبتنی بر حسگر، اینترنت اشیاء، شبکه‌‌‌‌‌‌‌‌ی عصبی بازگشتی، الگوریتم ژنتیک، اینترنت هوشمند اشیاء.

فایل: ّFile: