Розподілений фреймворк, заснований на глибинному навчанніі для трансдюсерних мереж розумного будинку

Анотація

Дана робота присвячена розробці розподіленого фреймворка, заснованого на глибинному навчанні для обробки да них з різних сенсорів, які генеруються трансдюсерними мережами, які застосовуються в області розумних будинків. Запропонований фреймворк дозволяє обробляти дані, які надходять з сенсорів різного типу для вирішення задач класифікації і регресії. Архітектура фреймворка складається з декількох складових: індивідуальних згорткових мереж, які обробляють вхід з сенсорів одного типу, єдиної згорткової мережі злиття, яка обробляє безліч виходів індивідуальних згорткових мереж. Далі, результат роботи єдиної згорткової мережі злиття подається на вхід рекурентної мережі, яка дозволяє витягувати значущі ознаки з тимчасових послідовностей. Результат роботи рекурентної мережі подається на вихідний шар, який генерує вихід фреймворка, виходячи з типу завдання, що вирішується. Для експериментальної оцінки розробленого фреймворка були взяті два завдання: завдання розпізнавання дій людини і завдання ідентифікації людини по руху. Датасет містив дані двох сенсорів (акселерометра і гіроскопа), які збиралися у 9 користувачів, які виконували 6 дій. У якості апаратних платформ було використано мобільний пристрій, а також апаратний пристрій Edison Compute Module. Для порівняння результатів роботи, були використані варіації запропонованого фреймворка з різною архітектурою, а також сторонні підходи, засновані на різних методах машинного навчання, включаючи опорні машини векторів, випадковий ліс, обмежені машини Больцмана і так далі. В результаті, запропонований фреймворк, в середньому, перевершив інші алгоритми приблизно на 8 % за трьома метриками в задачі розпізнавання дій людини і виявився ефективнішим приблизно на 13% в завданні ідентифікації людини по руху. Також було виміряно споживання енергії і час роботи запропонованого фреймворка і його аналогів. Було виявлено, що запропонований фреймворк споживає помірну кількість енергії, а час роботи можна оцінити як прийнятний.