2.6-rasm. Taklif etilgan ko'p funktsiyali SI ramkasi.
IoT ma'lumotlarini yig'ish bloki MQTT sessiyasiga obuna bo'ladi va IoT shlyuzidan doimiy ravishda turli xil ma'lumotlarni to'playdi. Bundan tashqari, u ma'lumotlarni har bir ma'lumot turi bilan birga kontekstni qayta ishlash blokiga tasniflaydi va yuboradi. Barcha MQTT ma'lumotlari ma'lumotlar bazasida saqlanadi va ma'lumotlarni oldindan qayta ishlash moduli orqali ketma-ket ma'lumotlarni tahlil qilish modullari uchun kirish ma'lumotlari sifatida ishlatiladi.
Kontekstni oldindan qayta ishlash blokida bir nechta ML algoritmlari mavjud bo'lib, ular kiritilgan ma'lumotlar turlariga qarab boshqalar bilan almashtirilishi mumkin. U tasvir ma'lumotlarini tahlil qilish modulini CNN bilan va ketma-ket ma'lumotlarni tahlil qilish modulini DNN bilan birlashtiradi. Bir nechta ML ansambl usulidan bitta MLga qaraganda heterojen sensor ma'lumotlarini samaraliroq tahlil qilish uchun foydalanadi.
Ketma-ket ma'lumotlarni tahlil qilish modulida tasvir sensorlarining ko'r-ko'rona muammosini qoplash uchun biz sensor ma'lumotlarini tahlil qilish uchun heterojen sensor va DNN algoritmidan foydalanamiz. DNN ning kirish vektori yong'in holatini aniqlash uchun tuzilgan doimiy sensor ma'lumotlarini o'zgartirish qiymatidir. DNN modelining konfiguratsiyasi 2.7-rasmda ko'rsatilgan. DNN modeli besh qatlamdan iborat: kirish qatlami, chiqish qatlami va uchta yashirin qatlam. DNN modeli uch turdagi o'zgartirilgan kirish ma'lumotlaridan foydalanadi: Yakuniy-Birinchi Farq (FFD), bu yakuniy qiymat va birinchi qiymat o'rtasidagi farq; Yakuniy qiymat va maksimal qiymat o'rtasidagi farq bo'lgan yakuniy-maks-farq (FMD); va yakuniy o'rtacha farq (FAD), bu yakuniy qiymat va o'rtacha qiymat o'rtasidagi farqdir.
2.7-rasm. Ketma-ket arxitektura uchun tavsiya etilgan Deep Neural Network arxitekturasi.
Ma'lumotlar bazasi harorat, namlik va gaz sensori ma'lumotlarini ma'lumotlarni qayta ishlash moduliga yuboradi, bu ma'lumotlar bazasidan yuborilgan ma'lumotlarni DNN modeli tomonidan talab qilinadigan kirish qiymatlariga aniqlaydi. O'zgartirilgan kirish ma'lumotlari 100 × 100 × 100 bo'lgan yashirin qatlam orqali va chiqish qatlami orqali yong'in, ogohlantirish va oddiy holatlarga o'tadi. DNN algoritmi yong'in, ogohlantirish va umumiy holatlarga bo'linadi. 2.8-rasmda ushbu uchta holat va ularning turli grafik shakllari tasvirlangan.
2.8-rasm. Uch sinfga bo'lingan ma'lumotlar naqshlarini o'rganish.
Ushbu grafiklar haroratning 1 daqiqa davomida o'zgarishini ko'rsatadi. Yong'in holati - haqiqiy yong'in ma'lumotlarining grafik tasviri, bu daqiqada 20 ° C dan ortiq keskin o'zgarishlarni ko'rsatadi. Oddiy ma'lumotlar deyarli doimiy grafik harakatini ko'rsatadi va g'ayritabiiy holat qisqa vaqt ichida g'ayritabiiy grafik harakatini ko'rsatadi.
|
