تشخیص زباله از طریق سنسورها با استفاده از شبکه عصبی مصنوعی پیشخور و شبکه عصبی مصنوعی بازگشتی

مطالعات نشان می دهد که دانستن وجود زباله مطمئنا می تواند مصرف انرژی در سیستم کنترل ساختمان را به علتتصمیم گیری در زمان درست برای راه اندازی سیستم مطبوع بهبود بخشد. دراین راستا، تشخیص زباله نقش مهمی دربسیاری از برنامه های کاربردی ساختمان های هوشمند مانند حرارت، خنک کننده، تهویه مطبوع (HVAC) و سیستمروشنایی دارد. در این مقاله، روشهای مختلف مانند شبکه عصبی مصنوعی پیش خور و شبکه عصبی مصنوعیبازگشتی (RNN) را برای دسته بندی زباله با استفاده از مجموعه دادگان مدنظر آموزش داده ایم که این دادگان توسط سنسورهای نور، دما، رطوبت و CO2 بدست آمده است. با مقایسه نتایج، مشاهده شده است که روش شبکه عصبیبازگشتی دارای بالاترین میزان دقت با 96.96 در صد بر روی داده های تست می باشد واین در حالی است که در روششبکه عصبی پیشخور بر روی داده های تست داری دقت 86.82 در صد می باشد. دلیل برتری روش شبکه عصبی بازگشتیتوجه به مراحل قبل در زمان آموزش است. این امر موجب برتری روش شبکه عصبی بازگشتی نسبت به شبکه های عصبیپیشخور در تشخیص زباله را نشان داده است.

Keywords:

شبکه عصبی مصنوعی , شبکه عصبی مصنوعی بازگشتی , شبکه عصبی پیش خور , مدل مخفی مارکوف , ماشین بردار پشتیبان