بهینه سازی برونسپاری محاسباتی شبکه های عصبی عمیق برای تشخیص فعالیت انسانی
محل انتشار: مجله علوم رایانشی، دوره: 6، شماره: 4
سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 43
فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_CSJI-6-4_003
تاریخ نمایه سازی: 14 بهمن 1402
چکیده مقاله:
با توجه به محدودیت های منابع محاسباتی موجود در دستگاه های تلفن همراه، این دستگاه ها در اجرای برخی وظایف روزمره با چالش مواجه هستند. یک راهحل برای این مشکل، برون سپاری است که در آن، دستگاه پردازش خود را برای اجرا روی ابر محاسباتی ارسال می کند. مقاله حاضر با تمرکز بر روی کاربرد تشخیص فعالیت انسانی، روشهایی برای کاهش حجم دادههای ارسالی وظایف به ابر، با تکیه بر نقاط مطلوب در معامله بین دقت استنتاج یادگیری و هزینه ارتباطات برون سپاری ارائه می کند. سه روش پیشنهادی کاهش تعداد نمونه های داده ، کاهش دقت اعشار نمونه های داده و فشردهسازی نمونههای داده ارائه شده است که در روش اول نمونههای داده قبل از ارسال به صورت یکی در میان یا بیشتر حذف شده و در سمت ابر با تخمین درونیابی مجددا بازیابی میشوند. در روش کاهش دقت اعشار، نمونههای داده قبل از ارسال با یک نگاشت به عدد صحیح با تعداد بیت محدود تبدیل و در سمت ابر با نگاشت معکوس به صورت تخمینی بازیابی میشوند. در روش فشردهسازی، نمونههای داده قبل از ارسال، با یک الگوریتم فشرده سازی سبک دلتا به یکی از دو روش با اتلاف یا بدون اتلاف فشرده میشوند. نتایج عملی نشان میدهد اگر چه روشهای کاهش تعداد نمونه و کاهش دقت اعشار سبب کاهش حجم داده ارسالی بدون تاثیر قابل توجه بر روی دقت تشخیص می شوند، روش کاهش دقت اعشار به دلیل میزان کاهش بیشتر حجم داده نسبت به روش کاهش تعداد نمونهها برتری دارد. ضمنا روش فشردهسازی دلتا به اندازه دو روش دیگر موثر نمیباشد.
کلیدواژه ها:
نویسندگان
پریسا سعادتی
دانشجوی کارشناسی ارشد گروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه بجنورد، بجنورد، ایران
حمید فدیشه ای
استادیار گروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه بجنورد، بجنورد، ایران