22787

طبقه‌بندي اشكال مختلف جابه‌جايي انسان با استفاده از شبكه‌هاي عصبي عميق

كارشناسي ارشد

الكترونيك - طراحي سيستم هاي ديجيتال

1399/8/11

دكتر ستار ميرزاكوچكي

برق

طبقه‌‌بندي اشكال مختلف جابه‌‌جايي انسان، حالاتي مانند سكون، پياده‌‌روي، دويدن، ماشين، قطار و ... از مباحث امروزي در جهت افزايش آسايش زندگي انسان‌ها مي‌‌باشد. امروزه امكان استفاده از اطلاعات سنسورهاي مختلف موجود در تلفن‌‌هاي هوشمند، در كنار كارايي بالاي الگوريتم‌‌هاي يادگيري ماشين و به خصوص شبكه‌‌هاي عصبي عميق، براي انجام اين از نوع طبقه‌‌بندي‌‌ها مورد استقبال قرار گرفته است. هدف اصلي اين پايان‌نامه، يافتن الگوريتمي جهت دسته‌بندي اشكال مختلف جابه‌جايي با استفاده از داده‌هاي GPS بوده، كه استفاده از شبكه‌هاي عصبي عميق در اين مسير مدنظر قرار گرفته است. بدين منظور مدل RT-TMD طراحي شده، كه قابليت تشخيص اشكال جابه‌جايي از 5 دسته مختلف را داراست. همچنين جهت افزايش دقت تشخيص، شبكه كمكي TPD طراحي شده كه باعث افزايش 2 درصدي دقت شده است. در مجموع، سيستم پيشنهادي قادر به تشخيص اشكال جابه‌جايي از 5 دسته و به ازاي هر 10 نقطه GPS با دقت 6/82% را داراست. مقايسه سيستم پيشنهادي با فعاليت‌هاي اخير نشان مي‌دهد، اين سيستم با توجه به قابليت پيش‌بيني 10 نقطه‌اي و دقت ذكر شده، بر بسياري از فعاليت‌ها برتري داشته و در يك مورد نيز برتري پيش‌بيني سريع‌تر را داراست.

1399/09/02

Transportation Modes Classification with Deep Neural Networks

11/1/2020 12:00:00 AM

Classification of different forms of human transportation, such as stationary, walking, running, car, train, etc., is one of the current topics in order to increase the comfort of human life. Nowadays, the possibility of using the information of various sensors in smartphones, along with the high efficiency of machine learning algorithms and especially deep neural networks, to perform this type of classification has been welcomed. The main purpose of this dissertation is to find an algorithm for classifying different transportation modes using GPS data, which considers the use of deep neural networks in this direction. The RT-TMD model is designed for this purpose, which has the ability to detect transportation mode from 5 different classes. Also, to increase the accuracy of detection, TPD auxiliary network is designed, which has increased the accuracy by 2%. In total, the proposed system is capable of detecting transportation mode from 5 classes with an accuracy of 82.6% for every 10 GPS points. A comparison of the proposed system with recent papers shows that this system is superior to many activities due to its 10-point online predictability and accuracy, and in one case has the advantage of faster detection.