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

این پروپوزال دارای مقاله بیس میباشد که قابل مشاهده و دانلود می باشد:

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.
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)
h3 class=”panel-body” style=”text-align: justify;”> ;”>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.