کنفرانس بین المللی محاسبات نرم

صفحه اصلی / ششمین کنفرانس بین المللی محاسبات نرم

یادگیری ژرف فشرده‌سازی‌شده در لبه اینترنت اشیاء برای تشخیص آنومالی در داده‌های جریان‌دار

نویسندگان :

سیدیاسر هاشمی¹

1- دانشگاه آزاد اسلامی واحد میاندوآب

کلمات کلیدی :

یادگیری ژرف،اینترنت اشیاء،محاسبات نرم،محاسبات لبه‌ای،jشخیص ناهنجاری،داده‌های جریان‌دار

چکیده :

در این مقاله، چارچوبی نوین برای تشخیص ناهنجاری در محیط‌های اینترنت اشیای صنعتی ارائه شده است که تلفیقی از یادگیری ژرف فشرده‌شده و محاسبات نرم را در سطح لبه به‌کار می‌گیرد. در این رویکرد، ابتدا یک مدل خودرمزگذار در فضای ابری با استفاده از مجموعه‌داده‌ی Edge-IIoTset آموزش داده شده و سپس از طریق روش هرس وزنی فشرده‌سازی شده است تا امکان استقرار در دستگاه‌های با منابع محدود مانند Raspberry Pi 4 فراهم شود. مدل فشرده‌شده پس از استقرار در لبه، داده‌های حسگر جریان‌دار را به‌صورت برخط تحلیل و خطای بازسازی را برای هر پنجره زمانی محاسبه می‌کند. به‌منظور افزایش تفسیرپذیری و کاهش نرخ هشدار کاذب، خروجی مدل به یک سیستم فازی دو‌ورودی شامل «خطای بازسازی» و «پایداری ناهنجاری» ارسال می‌شود تا شدت ناهنجاری را در سه سطح Low، Medium و High تعیین کند. نتایج تجربی نشان می‌دهد که مدل پیشنهادی با وجود کاهش ۶۰٪ در اندازه مدل و ۵۸٪ در تأخیر استنتاج، دقتی معادل ۹۶٫۸٪ حفظ نموده و نرخ مثبت کاذب را از ۴٫۵٪ به ۲٫۶٪ کاهش داده است. این ترکیب از یادگیری ژرف و منطق فازی، تعادلی مؤثر میان دقت، کارایی محاسباتی و پایداری تصمیم فراهم می‌کند و رویکردی کارآمد برای پیاده‌سازی سامانه‌های نظارتی در محیط‌های صنعتی هوشمند به‌شمار می‌رود.