دپارتمان پژوهشی سفیر
19%

تشخیص فعالیت در خانه هوشمند با استفاده از شبکه عصبی حافظه طولانی کوتاه مدت (LSTM)

40,000 تومان 32,500 تومان

تعداد صفحاتسال نگارشرشته قالب
۲۲۲۰۲۰  کامپیوترWord

با مطالعه نمونه مشابه موضوع خود میتوانید به راحتی پروپوزال تز دکتری یا ارشد خود را بنویسید. همه ی محصولات قرار داده شده طبق استانداردهای وزارت علوم بوده و همگی مورد تایید دانشگاه ها واقع شده است.

Description

تشخیص فعالیت در خانه هوشمند با استفاده از شبکه عصبی حافظه طولانی کوتاه مدت (LSTM)Reviewed by انیتا نعیمی on Jul 7Rating:

دانلود پروپوزال تشخیص فعالیت در خانه هوشمند با استفاده از شبکه عصبی حافظه طولانی کوتاه مدت (LSTM)

عنوان فارسی پروپوزالتشخیص فعالیت در خانه هوشمند با استفاده از شبکه عصبی حافظه طولانی کوتاه مدت (LSTM)
عنوان انگلیسی پروپوزال Human Activity Recognition in Samrt Homes by Long Short Term Memory network (LSTM)
تعداد صفحات ۲۲
سال نگارش ۲۰۲۰
مقاله بیسhttps://www.sciencedirect.com/science/article/abs/pii/S0925231219304862 
رشته  کامپیوتر 
قالب فایلWord

  فهرست مطالب پروپوزال تشخیص فعالیت در خانه هوشمند با استفاده از شبکه عصبی حافظه طولانی کوتاه مدت (LSTM)

  1. بیان مساله اساسی تحقیق  
  2. اهمیت و ضرورت انجام تحقیق
  3. مرور ادبیات و سوابق مربوطه
  4. جنبه جدید بودن و نوآوری در تحقیق
  5. اهداف مشخص تحقیق
  6. سؤالات تحقیق
  7. فرضیه ‏های تحقیق
  8. روش شناسی تحقیق
  9. شرح کامل روش (میدانی، کتابخانه‏ای) و ابزار
  10. جامعه آماری، روش نمونه‏ گیری و حجم نمونه
  11. روش‌ها و ابزار تجزیه و تحلیل داده ‏ها
  12. مراجع

بیان مساله

پیشرفت و توسعه اخیر دستگاه های الکترونیکی منجر به افزایش خانه های هوشمند و و افزایش تقاضا برای محصولات و خدمات مرتبط با خانه های هوشمند شده است. یک خانه هوشمند با استفاده از دستگاههای به هم پیوسته در شبکه، قادر به برقراری ارتباط و یادگیری از طریق عادات کاربر و ایجاد یک فضای تعاملی است. تشخیص فعالیت
مهمترین فرآیند در خانه های هوشمند، ، تشخیص فعالیت های انسانی (HAR ) است که شامل روشهای پیچیده مدل سازی ، استدلال و تصمیم گیری است. هدف HAR شناسایی فعالیت های ساده و پیچیده انسان در محیط های واقعی با پردازش اطلاعات مکانی و زمانی به دست آمده توسط داده های بصری و غیر بصری سنسورها یا حسگرها است.
با این حال ، تنظیمات در دنیای واقعی پیچیده و پر از عدم قطعیت است: داده های ضبط شده توسط سنسورها ممکن است مبهم و همچنین پر سر و صدا و پراکنده باشند. این شرایط منجر به طراحی و اجرای تکنیک های یادگیری ماشین سازگار (ML) برای کشف دانش از داده ها و ارائه یک پیش بینی معتبر از رفتار انسان می شود. بنابراین سیستم های HAR یک مسئله دسته بندی در نظر گرفته می شوند.
در این تحقیق ، یک چهارچوب مبتنی بر شبکه های حافظه طولانی کوتاه مدت یا حافظه کوتاه مدت بلند (LSTM ) برای بهبود تشخیص فعالیت انسان در خانه هوشمند پیشنهاد می کنیم. (Liciotti و همکاران، ۲۰۲۰)

شبکه های LSTM

شبکه های LSTM یک نمونه توسعه یافته از شبکه های عصبی بازگشتی( RNN ) هستند که برای جلوگیری از مشکل وابستگی طولانی مدت در شبکه RNN ها طراحی شده است. در مقایسه با سلول‌های RNN که دو حالت را ذخیره می‌کنند، سلول‌های LSTM چهار حالت را ذخیره می‌کنند.
این چهار حالت عبارتند از مقدار کنونی و آخرین خروجی و مقدار کنونی و آخرین مقدار از حالت سلول حافظه. این سلول‌ها، دارای سه نوع گیت ورودی (Input)، خروجی (Output) و فراموشی (Forget) هستند و همچنین، فقط ورودی عادی دارند. هر یک از این گیت‌ها، وزن خود را دارد. بدین معنا که متصل شدن به این نوع سلول، مستلزم راه‌اندازی چهار وزن (به جای یکی) است.
گیت ورودی تعیین می‌کند که چه میزان ورودی برای اضافه شدن به مقدار سلول پذیرفته شده است. گیت خروجی تعیین می‌کند که چه میزان از مقدار خروجی به وسیله کل شبکه قابل مشاهده است. گیت فراموشی به مقدار پیشین سلول خروجی متصل نیست، اما به مقدار پیشین سلول حافظه متصل است.

این گیت تعیین می‌کند که چه میزان از حالت سلول حافظه آخر باقی بماند. به دلیل عدم اتصال این گیت به خروجی، مفقود شدن اطلاعات کمتر صورت می‌گیرد، زیرا هیچ تابع فعال‌سازی در حلقه قرار نگرفته است. معماری شبکه پیشنهادی به صورت زیر است:

 برخی از مراجع

۱- Liciotti, D., Bernardini, M., Romeo, L., & Frontoni, E. (2020). A sequential deep learning application for recognising human activities in smart homes. Neurocomputing, 396, 501-513.
۲- Liu, Y., Mu, Y., Chen, K., Li, Y., & Guo, J. (2020). Daily activity feature selection in smart homes based on pearson correlation coefficient. Neural Processing Letters, 1-17.
۳- Chua, S. L., Foo, L. K., & Juboor, S. S. D. S. (2020). Towards real-time recognition of activities in smart homes. International Journal of Advanced Intelligence Paradigms, 15(2), 146-164.
۴- Hamad, R. A., Hidalgo, A. S., Bouguelia, M. R., Estevez, M. E., & Quero, J. M. (2019). Efficient activity recognition in smart homes using delayed fuzzy temporal windows on binary sensors. IEEE journal of biomedical and health informatics, 24(2), 387-395.
۵- Zebin, T., Scully, P. J., Peek, N., Casson, A. J., & Ozanyan, K. B. (2019). Design and implementation of a convolutional neural network on an edge computing smartphone for human activity recognition. IEEE Access, 7, 133509-133520.

دانلود پروپوزال در مورد شبکه عصبی بازگشتی

دانلود پروپوزال در مورد  شبکه های عصبی LSTM  

دانلود پروپوزال در مورد تشخیص فعالیت  با استفاده از شبکه عصبی حافظه طولانی کوتاه مدت (LSTM)

دانلود پروپوزال در مورد تشخیص فعالیت  با استفاده از شبکه عصبی LSTM 

 

Reviews

There are no reviews yet.

Be the first to review “تشخیص فعالیت در خانه هوشمند با استفاده از شبکه عصبی حافظه طولانی کوتاه مدت (LSTM)”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *