Ứng dụng mạng neuron để dự báo mưa kết hợp mạng cảm biến không dây
Email tác giả liên hệ:
huanvm@hcmute.edu.vnDOI:
https://doi.org/10.54644/jte.65.2021.132Từ khóa:
Mạng thần kinh nhân tạo, Mạng cảm biến không dây, Máy học, Dự báo thời tiết, nông nghiệp thông minhTóm tắt
Trong thời gian gần đây, các thuật toán máy học được ứng dụng rộng rãi cho việc giải quyết các bài toán dự đoán phức tạp trong đó có dự báo thời tiết. Với những ưu điểm vượt trội như tính linh hoạt, độ chính xác cao, đa dạng về ứng dụng, xử lý dữ liệu có tính biến động theo thời gian, các thuật toán máy học mang tính khách quan và đáp ứng được nhiều yêu cầu của thực tiễn hơn so với các phương pháp trước đây. Mục đích nghiên cứu mà tác giả muốn hướng đến là thiết kế hệ thống dự báo mưa dựa trên mạng nơron nhân tạo kết hợp với mạng cảm biến không dây. Mạng nơron nhân tạo sẽ xử lý các thông số môi trường được thu thập từ mạng cảm biến để đưa ra dự báo về sự kiện mưa. Mô hình mạng nơron sẽ được xây dựng và lựa chọn các thông số phù hợp bằng các sai số dự đoán. Hiệu suất của hệ thống dự báo thời tiết với mô hình mạng nơron đã xây dựng sẽ được kiểm chứng thông qua quá trình thực nghiệm với lượng dữ liệu được thu thập từ thực tế. Hệ thống có thể cập nhật liên tục các thông số môi trường tại nhiều địa điểm. Cơ sở dữ liệu sẽ luôn được cập nhật liên tục với các thông số được thu thập theo thời gian thực và đa dạng vì dữ liệu sẽ được thu thập tại nhiều địa điểm lắp đặt các nút cảm biến trong một khu vực lớn triển khai mạng cảm biến không dây để tăng thêm độ tin cậy cho kết quả dự báo. Đồng thời, cơ sở dữ liệu cũng sẽ dựa trên những thông số được lấy từ các website lưu trữ lịch sử thời tiết làm cơ sở cho tập huấn luyện của mô hình hệ thống. Ngoài ra, kết quả dự báo của hệ thống sẽ sự kiện thời tiết sắp tới theo mô hình phân loại (mưa hay không mưa) thay vì các thông số thời tiết, như vậy sẽ dễ dàng hơn cho người dùng hoặc các hệ thống tự động vì nếu kết quả dự báo là các thông số thời tiết thì ta phải phân tích các thông số dự đoán này sau đó mới có thể gửi đến người dùng. Với kết quả dự báo là sự kiện mưa mà tác giả đang hướng đến, từ phía người dùng hay các hệ thống tự động có thể đưa ra quyết định thực thi hay không các tác vụ như tưới tiêu, phun sương, ... để đảm bảo nông sản trong các ứng dụng nông nghiệp chính.
Tải xuống: 0
Tài liệu tham khảo
National strategy on climate change. Internet: Strategies details (chinhphu.vn), 23/12/2020.
S. Ray. A Quick Review of Machine Learning Algorithms. 2019 International Conference on Machine Learning, Big Data, Cloud and Parallel Computing (COMITCon), 2019, pp. 35-39. DOI: https://doi.org/10.1109/COMITCon.2019.8862451
M. J. Kennedy. Review of applications of artificial neural networks in biotechnology, Proceedings 1993 The First New Zealand International Two-Stream Conference on Artificial Neural Networks and Expert Systems, 1993, pp. 252-254.
T. Schmidt, H. Rahnama and A. Sadeghian. A review of applications of artificial neural networks in cryptosystems, 2008 World Automation Congress, 2008, pp. 1-6.
Y. Li and W. Ma. Applications of Artificial Neural Networks in Financial Economics: A Survey, 2010 International Symposium on Computational Intelligence and Design, 2010, pp. 211-214. DOI: https://doi.org/10.1109/ISCID.2010.70
B. Milovanovic, M. Agatonovic, Z. Stankovic, N. Doncov and M. Sarevska. Application of neural networks in spatial signal processing (invited paper), 11th Symposium on Neural Network Applications in Electrical Engineering, 2012, pp. 5-14. DOI: https://doi.org/10.1109/NEUREL.2012.6419950
R. Meenal and A. I. Selvakumar, Review on artificial neural network based solar radiation prediction, 2017 2nd International Conference on Communication and Electronics Systems (ICCES), 2017, pp. 302-305. DOI: https://doi.org/10.1109/CESYS.2017.8321285
T. Truong, A. Dinh and K. Wahid. An IoT environmental data collection system for fungal detection in crop fields, 2017 IEEE 30th Canadian Conference on Electrical and Computer Engineering (CCECE), 2017, pp. 1-4. DOI: https://doi.org/10.1109/CCECE.2017.7946787
V. F. Silva, D. F. Macedo and J. L. Leoni. Spectrum Decision in Wireless Sensor Networks Employing Machine Learning, 2014 Brazilian Symposium on Computer Networks and Distributed Systems, 2014, pp. 386-393. DOI: https://doi.org/10.1109/SBRC.2014.46
H. Ahmadi and R. Bouallegue. Comparative study of learning-based localization algorithms for Wireless Sensor Networks: Support Vector regression, Neural Network and Naïve Bayes, 2015 International Wireless Communications and Mobile Computing Conference (IWCMC), 2015, pp. 1554-1558. DOI: https://doi.org/10.1109/IWCMC.2015.7289313
S. K. and V. Vaidehi. Clustering and Data Aggregation in Wireless Sensor Networks Using Machine Learning Algorithms, 2018 International Conference on Recent Trends in Advance Computing (ICRTAC), 2018, pp. 109-115. DOI: https://doi.org/10.1109/ICRTAC.2018.8679318
T. Hemalatha, M. V. Ramesh and V. P. Rangan. Effective and Accelerated Forewarning of Landslides Using Wireless Sensor Networks and Machine Learning, in IEEE Sensors Journal, vol. 19, no. 21, pp. 9964-9975, 1 Nov.1, 2019. DOI: https://doi.org/10.1109/JSEN.2019.2928358
J. K. Roy, D. Gupta and S. Goswami. An improved flood warning system using WSN and Artificial Neural Network. 2012 Annual IEEE India Conference, 2012, pp. 770-774. DOI: https://doi.org/10.1109/INDCON.2012.6420720
I. R. Widiasari, L. E. Nugroho and Widyawan. Deep learning multilayer perceptron (MLP) for flood prediction model using wireless sensor network based hydrology time series data mining. 2017 International Conference on Innovative and Creative Information Technology (ICITech), 2017, pp. 1-5. DOI: https://doi.org/10.1109/INNOCIT.2017.8319150
S. Madan, P. Kumar, S. Rawat and T. Choudhury. Analysis of Weather Prediction using Machine Learning & Big Data, 2018 International Conference on Advances in Computing and Communication Engineering (ICACCE), 2018, pp. 259-264. DOI: https://doi.org/10.1109/ICACCE.2018.8441679
G. Verma, P. Mittal and S. Farheen. Real Time Weather Prediction System Using IOT and Machine Learning, 2020 6th International Conference on Signal Processing and Communication (ICSC), 2020, pp. 322-324. DOI: https://doi.org/10.1109/ICSC48311.2020.9182766
R. K. Grace and B. Suganya. Machine Learning based Rainfall Prediction, 2020 6th International Conference on Advanced Computing and Communication Systems (ICACCS), 2020, pp. 227-229. DOI: https://doi.org/10.1109/ICACCS48705.2020.9074233
Mohsen Hayati, Zahra Mohebi. Application of Artificial Neural Networks for Temperature Forecasting. World Academy of Science, Engineering and Technology, Vol 4, Issue 1, pp. 662-666, 2007.
A. Molano-Jimenez, A. D. Orjuela-Cañón and W. Acosta-Burbano. Temperature and Relative Humidity Prediction in Swine Livestock Buildings, 2018 IEEE Latin American Conference on Computational Intelligence (LA-CCI), 2018, pp. 1-4. DOI: https://doi.org/10.1109/LA-CCI.2018.8625245
L. P. Dinesh Kumar, S. Shakena Grace, A. Krishnan, V. M. Manikandan, R. Chinraj and M. R. Sumalatha. Data filtering in wireless sensor networks using neural networks for storage in cloud, 2012 International Conference on Recent Trends in Information Technology, 2012, pp. 202-205. DOI: https://doi.org/10.1109/ICRTIT.2012.6206836
H. Sharma and S. Sharma. A review of sensor networks: Technologies and applications, 2014 Recent Advances in Engineering and Computational Sciences (RAECS), 2014, pp. 1-4. DOI: https://doi.org/10.1109/RAECS.2014.6799579
Ian F. Akyildiz and Mehmet Can Vuran. Wireless Sensor Network. John Wiley & Sons Ltd, 2010, pp. 10-15. DOI: https://doi.org/10.1002/9780470515181
Jose A. Gutierrez; Edgar H. Callaway; Raymond L. Barrett. IEEE Std 802.15.4 Technical Overview. Low-Rate Wireless Personal Area Networks: Enabling Wireless Sensors with IEEE 802.15.4, 2007.
C. M. Ramya, M. Shanmugaraj and R. Prabakaran. Study on ZigBee technology. 2011 3rd International Conference on Electronics Computer Technology, 2011, pp. 297-301. DOI: https://doi.org/10.1109/ICECTECH.2011.5942102
A. Sperduti. An overview on supervised neural networks for structure. Proceedings of International Conference on Neural Networks, 1997, pp. 2550-2554.
M. Chen, U. Challita, W. Saad, C. Yin and M. Debbah. Artificial Neural Networks-Based Machine Learning for Wireless Networks: A Tutorial. IEEE Communications Surveys & Tutorials, vol. 21, no. 4, pp. 3039-3071, 2019. DOI: https://doi.org/10.1109/COMST.2019.2926625
A. Menon, S. Singh and H. Parekh. A Review of Stock Market Prediction Using Neural Networks, 2019 IEEE International Conference on System, Computation, Automation and Networking (ICSCAN), 2019, pp. 1-6. DOI: https://doi.org/10.1109/ICSCAN.2019.8878682
M. Verhelst and B. Moons, Embedded Deep Neural Network Processing: Algorithmic and Processor Techniques Bring Deep Learning to IoT and Edge Devices. IEEE Solid-State Circuits Magazine, vol. 9, no. 4, pp. 55-65, Fall 2017. DOI: https://doi.org/10.1109/MSSC.2017.2745818
S. C. Sreenivasa, S. K. Agarwal and R. Kumar. Short term wind forecasting using logistic regression driven hypothesis in artificial neural network. 2014 6th IEEE Power India International Conference (PIICON), 2014, pp. 1-6. DOI: https://doi.org/10.1109/34084POWERI.2014.7117710
Tải xuống
Đã Xuất bản
Cách trích dẫn
Số
Chuyên mục
Categories
Giấy phép
Tác phẩm này được cấp phép theo Giấy phép quốc tế Creative Commons Attribution-NonCommercial 4.0 .
Bản quyền thuộc về JTE.
