کشف افعال ناهنجار در خانه های هوشمند با استفاده از یادگیری عمیق
- سال انتشار: 1397
- محل انتشار: چهارمین کنفرانس پردازش سیگنال و سیستم‌های هوشمند
- کد COI اختصاصی: SPIS04_017
- زبان مقاله: فارسی
- تعداد مشاهده: 736
نویسندگان
دانشجوی دکتری، دانشکده مهندسی کامپیوتر فناوری اطلاعات، دانشگاه صنعتی شاهرود، شاهرود،
استادیار، دانشکده مهندسی کامپیوتر فناوری اطلاعات، دانشگاه صنعتی شاهرود، شاهرود،
استاد، دانشکده مهندسی کامپیوتر فناوری اطلاعات، دانشگاه صنعتی شاهرود، شاهرود،
چکیده
خانه های هوشمند به بسیاری از افراد به ویژه سالخوردگان بیماران این امکان را می دهد که به تنهایی زندگی نموده، استقلال آسایش خود را حفظ کنند. البته تحقق این امر در گرو آن است که افعال ساکنان خانه به طور دایم پایش شده به محض ملاحظه ناهنجاری، موضوع به نزدیکان یا پرستاران فرد گزارش گردد تا آنها هم با خاطری آسوده زندگی کنند. کشف ناهنجاری در خانه های هوشمند، بدون استفاده از دانش خبره صرفا با تکا به داده های موجود اصولا کار آسانی نیست؛ اما یادگیری عمیق، به ویژه شبکه های بازگشتی این امر را بیشتر از گذشته ممکن کرده است. ما در مقاله حاضر یک شبکه بازگشتی را با خروجی های خام حسگرهای دودویی، شامل حسگرهای حرکت درب، آموزش می دهیم تا بتواند با دریافت یک سلسله از رویدادهای مشابه، پیش بینی کند که در رویداد بعدی کدام حسگر روشن یا خاموش خواهد شد. سپس با به کارگیری جستجوی پرتو محلی، این رویداد را به سلسله ای از رویدادهای محتمل گسترش می دهیم تا محدوده احتمالی افعال آتی مشخص گردد. خطای این پیش بینی، یعنی فاصله سلسله های یاد شده با رشته رویدادهای واقعی، با استفاده از روش های سنجش شباهت رشته ها، مثل طولانی ترین زیررشته مشترک، ارزیابی می شود. مدل کردن این خطا در قالب یک توزیع گوسی کمک می کند تا به هر ورودی یک رتبه ناهنجاری داده شود. نقاطی که رتبه آنها از یک حد آستانه مشخص بزرگتر باشد به عنوان روند ناهنجار در نظر گرفته خواهند شود. نتایج تجربیات انجام شده نشان می دهد که این روش امکان کشف افعال ناهنجار را با دقت قابل قبولی فراهم می کند.کلیدواژه ها
کشف ناهنجاری، خانه هوشمند، یادگیری عمیق، LSTM جستجوی پرتو محلیمقالات مرتبط جدید
- NSO: Natural Selection Optimization for Adaptive k-Nearest Neighbor Imputation
- Statistical Model for Determining Maximum Stress in Coronary Vessel Walls caused by Palmaz-Schatz Stent
- Comparison of CNN, LSTM and Their Hybrid Models in Detecting Coronavirus Using Genome Sequences
- Low-light Image Enhancement Using Deep Neural Network: An Improvement on ZeroDCE++
- Stuctered Light ۳D Reconstruction by Charuco
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.