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

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

بیان مساله

تشخیص فعالیت در خانه هوشمند

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

دانلود سمینار اماده تمامی رشته ها

 برخی از مراجع تشخیص فعالیت در خانه هوشمند 

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 بازگشتیدانلود 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