جستجو در سایت

تماس با ما: 09361509687  ایمیل: royalproje.ir[ at ]gmail.com

Get Started

1-1. نقش شبكه‌هاي عصبي در كاهش مصرف انرژي شبكه‌هاي حسگر
شبكة عصبي مصنوعي ، سيستمي بزرگ از اجزاء پردازشي موازي يا توزيع شده بنام نورون يا سلول‌عصبي است كه در يك توپولوژي گراف به هم متصل شده‌اند. نورون‌ها از طريق ارتباطات وزن‌داري بنام سيناپس به هم متصل مي‌شوند. داده‌ها جدا از پردازش ذخيره نمي‌شوند، زيرا داده‌ها ذاتاً به هم متصل هستند. به عبارت ديگر، شبكه‌هاي عصبي مصنوعي، الگوريتم‌هاي رياضي هستند كه قادر به يادگيري نگاشت‌هاي پيچيده‌ي بين ورودي(ها) و خروجي(ها) از طريق آموزش تحت نظارت بوده يا قادر به رده‌بندي اطلاعات ورودي به روشي بدون نظارت مي‌باشند. قوانين آموزش اين شبكه‌ها الهام گرفته از علم زيست‌شناسي بوده و نحوه يادگيري شبكه را تعيين مي‌كنند. انواع مختلفي از شبكه‌هاي عصبي وجود دارند كه هركدام بنا بر كاربرد خود از توانايي‌هاي مختلفي برخوردار مي‌باشند. در اغلب شبكه‌هاي عصبي، آموزش شبكه بر اساس يادگيري به وسيلة مثال انجام مي‌شود. يعني مجموعه‌اي از داده‌هاي ورودي- خروجيِ‌ درست به شبكه داده مي‌شود. شبكة عصبي با استفاده از اين مثال‌ها، مقادير وزن‌هاي ارتباطي خود را به گونه‌اي تغيير مي‌دهند كه داده‌هاي ورودي جديد بتوانند پاسخ‌هاي درستي را به ‌عنوان خروجي شبكه توليد كنند. به اين فرايند، يادگيري گفته مي‌شود. يكي از مهمترين ويژگي‌هاي شبكه‌هاي عصبي توانايي تشخيص داده‌هايي است كه تحت تاثير نويز يا دستكاري عمدي قرار گرفته‌اند. شبكة عصبي آموزش ديده، مي‌تواند تغييرات ناخواسته و نامطلوب را حذف كرده و دادة اصلي را شناسايي كند. دستة مهم ديگري از شبكه‌هاي عصبي، شبكه‌هاي خودسازمانده (بدون نظارت) هستند كه مي‌توانند به طور خودكار به دسته‌بندي و رده‌بندي داده‌هاي ورودي بپردازند.
يكي از دشوارترين مسايل در شبكه‌هاي عصبي مصنوعي، انتخاب مناسب‌ترين توپولوژي شبكه‌اي براي مساله است. اين انتخاب به ويژگي‌هاي مساله، ويژگي‌هاي محتمل‌ترين روش براي حل آن مساله و به مشخصات شبكه‌هاي عصبي كه بايد ساخته شوند، بستگي خواهد داشت. همچنين انواع مختلفي از قوانين آموزشي وجود دارند. اين قوانين، الهام گرفته از علم زيست‌شناسي بوده و نحوه يادگيري شبكه را تعيين مي‌كنند. انواع مختلفي از شبكه‌هاي عصبي وجود دارند كه هر كدام بنا بر كاربرد خود داراي توانايي‌هاي مختلفي هستند. توانايي شبكه‌‌هاي حسگر به ساختار، پويايي و روش‌هاي آموزشي آن بر مي‌گردد. مهمترين كاربردهاي شبكه‌هاي عصبي را به طور كلي مي‌توان پيش‌بيني، رده‌بندي و شناسايي ذكر نمود.
اما سئوال مهمي كه در اينجا مطرح مي‌شود اين است كه شبكه‌هاي عصبي چگونه مي‌توانند به ذخيره انرژي(كاهش مصرف انرژي) در شبكه‌هاي حسگر بي‌سيم كمك كنند؟
برخي از اين الگوريتم‌ها كه براي شبكه‌هاي عصبي توسعه يافته‌اند، به ‌دلايل برخورداري از ويژگي‌هاي زير به سادگي با ويژگي‌ها و نيازمندي‌هاي شبكه‌هاي حسگر بي‌سيم، قابل انطباق هستند، اين ويژگي‌ها عبارتند از:
• پردازش توزيع شده و موازي ساده
• ذخيره‌سازي توزيع شدة داده
• استحكام‌داده‌اي و تحمل‌خطا
• رده‌بندي خودكار داده‌هاي حسگري
• كاهش ابعاد داده
• پيش‌بيني داده‌هاي حسگر
• هزينه محاسباتي پايين
در سكوهاي شبكه‌هاي حسگر بي‌سيم كه از ماهيت فازي و غيرقابل پيش‌بيني برخوردار بوده و پارامترهاي مختلفي در رفتار آن‌ها نقش دارند، شبكه‌هاي عصبي از طريق كاهش ابعاد داده كه به سادگي از الگوريتم‌هاي خوشه‌بندي شبكه‌هاي عصبي به دست مي‌آيد، مي‌توانند منجر به كاهش ارتباطات و ذخيره انرژي ‌گردند(كولاكو و همكاران ، 2005). به علاوه از آن‌جايي‌كه شبكه‌هاي حسگر بي‌سيم ماهيت متمركز دارند، يعني اينكه داده‌هاي حاصل ازهمه گره‌هاي شبكه بايد به يك ايستگاه مبنا ارسال شوند، قابليت شبكه عصبي در پيش‌بيني اندازه‌گيري‌هاي گر‌ه‌هاي حسگر مي‌تواند، ارتباطات غيرضروري را به شدت كاهش داده و باعث ذخيره انرژي شبكه گردد.
انگيزة مهم ديگر براي به‌كارگيري روش‌هاي مبتني بر شبكه‌هاي عصبي در شبكه‌هاي حسگر بي‌سيم، وجود شباهت ذاتي بين اين دو است. چنانچه (الدورتل و ماهونن ، 2006) قوياً اعتقاد دارند كه شبكه‌هاي عصبي مصنوعي از معماري مشابه با شبكه‌هاي حسگر بي‌سيم برخوردارند؛ به‌ طوري كه نورون‌ها معادل گره‌هاي حسگر و ارتباطات وزن‌دار(سيناپس‌ها) معادل لينك‌هاي راديويي مي‌باشند. همچنين آن‌ها اين طور نتيجه مي‌گيرند كه به‌كارگيري الگوي شبكه‌ عصبي در محيط شبكه‌هاي حسگر مي‌تواند منجر به دركِ بهتر و عميق‌تر محيط گردد. با اين ديدگاه، مي‌توان كل شبكه حسگر را به عنوان يك شبكه عصبي در نظر گرفت كه در آن هر گره حسگر براي تصميم‌گيري در مورد فعاليت خروجي خود از يك شبكه عصبي استفاده كند. بنابراين، پياده‌سازي كاراي شبكه‌هاي عصبي كه از محاسبات ساده‌اي برخوردار باشد، مي‌تواند جايگزين الگوريتم‌هاي سنتي پردازش سيگنال شده و پردازش داده‌ها در گره‌هاي حسگر را با مصرف منابع(انرژي و محاسباتي) كمتري امكان‌پذير سازد.
نكتة مهم و قابل توجه‌اي كه بايد ذكر شود اين است كه شبكه‌هاي عصبي، در واقع خود روش‌هاي كاهش مصرف انرژي نيستند و نمي‌توانند بطور مستقل به ذخيرة انرژي كمك كنند بلكه به‌عنوان ابزاري هوشمند و توانمند مي‌توانند توسط روش‌هاي كاهش مصرف انرژي به كار گرفته شوند به طوري كه اين روش‌ها را به شكلي كاراتر، مطلوب‌تر و آسان‌تر به اهداف خود برسانند. بنابراين طرح‌ها(روش‌ها)ي كاهش مصرف انرژي مطابق همان روش‌هاي قبلي هستند. اگرچه چنانچه گفته شد، انگيزه‌هايي براي يكپارچگي شبكه‌هاي عصبي در شبكه‌هاي حسگر وجود دارد. براي مثال قراردادن يك شبكه عصبي در هر گره حسگر.
روش‌هاي انرژي آگاه مبتني بر شبكه‌هاي عصبي را مي‌توان بر اساس نقشي كه شبكه‌هاي‌عصبي در آن‌ها ايفا مي‌كند، يا بر اساس توپولوژي خاص شبكه‌اي و يا بر اساس اينكه در كدام يك از طرح‌هاي كاهش مصرف انرژي كاربرد دارند، دسته‌بندي كرد. جدول(2-1) دسته‌بندي بدين منظور ارائه مي‌دهد. همان طور كه در جدول(2-1) مي‌بينيد، برخي از قابليت‌هاي شبكه‌هاي عصبي ممكن است در بيش از يك گروه قرار گيرند يا ممكن است زير‌مجموعه‌اي از ساير گروه‌ها باشند(براي مثال انتساب داده‌ها زيرمجموعه‌اي از تركيب داده است) ليكن جهت تاكيد بيشتر بطور مستقل و جداگانه ذكر شده‌اند. همچنين با توجه به آمار جدول(2-1)، شبكه‌هاي عصبي نقشه خودسازماندهي(SOM)، نسبت به ساير توپولوژي‌هاي شبكه عصبي از كاربرد بيشتري در روش‌هاي ذخيره انرژي برخوردارند. اگرچه اين كاربرد وسيع از طريق انطباق بيشتر با داده‌هاي چند‌بعدي و طبيعت خودسازمانده و فازي شبكه‌هاي حسگر‌ بي‌سيم قابل توجيه است، ليكن نياز به انجام مطالعات بيشتر در خصوص ساير توپولوژي‌هاي شبكه عصبي احساس مي‌شود.
جدول1-1.(طبقه‌بندي روش‌هاي كاهش مصرف انرژي مبتني بر شبكه‌هاي عصبي در شبكه‌هاي حسگر بي‌سيم(انعامي و همكاران، 2010b.)
طرح ذخيره انرژي مربوطه توپولوژي شبكه عصبي نقشي كه شبكه عصبي
مي‌تواند ايفا كند
چرخه وظايف- مسيريابي SOM, BP كشف مسيرآگاه از انرژي
1
چرخه وظايف- مسيريابي SOM
خوشه‌بندي آگاه از انرژي گره‌ها
2
چرخه وظايف- مسيريابي SOM انتخاب گره سرخوشه
3
كاهش ميزان داده-
پردازش درون‌شبكه‌اي SOM, BP, RBF اجتماع يا تركيب
داده‌هاي حسگر
4
كاهش ميزان داده-
پردازش درون‌شبكه‌اي Hopfield
انتساب داده
5
كاهش ميزان داده-
پردازش درون شبكه‌اي Competitive Hopfield انتساب داده متحرك 6
كاهش ميزان داده-
پردازش درون‌شبكه‌اي SOM, MEMs & ART1 رده‌بندي محيط يا داده 7
كاهش ميزان داده-
پيش‌بيني داده و چرخه وظايف BP, Elman
ARMA & RBF پيش‌بيني داده 8

در ادامه فصل، مروري بر كاربردهاي شبكه‌هاي عصبي در قالب طبقه‌بندي ارائه شده براي طرح‌هاي كاهش مصرف انرژي خواهيم داشت.
138

اشتراک برای
آپ دیت ودریافت خبرها