Вибір оптимальної структури прихованих шарів штучної нейронної мережі для аналізу ефективності енергоспоживання

Simple item page
dc.citation.epage36
dc.citation.issue1
dc.citation.journalTitleУкраїнський журнал інформаційних технологій
dc.citation.spage30
dc.citation.volume3
dc.contributor.affiliationНаціональний університет “Львівська політехніка”
dc.contributor.affiliationLviv Polytechnic National University
dc.contributor.authorКазарян, А. Г.
dc.contributor.authorТеслюк, В. М.
dc.contributor.authorКазимира, І. Я.
dc.contributor.authorKazarian, A. G.
dc.contributor.authorTeslyuk, V. M.
dc.contributor.authorKazymyra, I. Ya.
dc.coverage.placenameЛьвів
dc.coverage.placenameLviv
dc.date.accessioned2023-03-23T10:27:05Z
dc.date.available2023-03-23T10:27:05Z
dc.date.created2021-10-10
dc.date.issued2021-10-10
dc.description.abstractРозроблено метод вибору оптимальної структури прихованих шарів штучної нейронної мережі (ШНМ), ідеєю якого є практичне застосування декількох внутрішніх структур ШНМ і розрахунку похибки роботи кожної структури прихованих шарів із використанням ідентичних наборів даних для навчання ШНМ, що виключає вплив специфіки даних у навчальній вибірці на результати роботи алгоритму. Метод ґрунтується на почерговому порівнянні очікуваних результуючих значень і реальних результатів роботи штучних нейронних мереж прямого поширення із різною кількістю внутрішніх шарів, а також різною кількістю нейронів на кожному шарі. Метод дає змогу реалізувати пошук оптимальної внутрішньої структури ШНМ для застосування у сфері розроблення систем “розумного” будинку і розрахунку оптимального рівня енергоспоживання відповідно до поточних умов, таких як температура у приміщеннях, присутність людей та час доби. Застосування методу на початкових стадіях розроблення систем “розумного” будинку дає змогу зменшити часові витрати на вибір ефективної структури ШНМ і приділити більше уваги взаємозв’язкам між вхідними та вихідними даними, а також таким важливим параметрам процесу навчання ШНМ, як кількість ітерацій тренування, мінімальна помилка тренування тощо. Розроблено програмне забезпечення, що дає змогу провести процеси навчання, випробування та отримати вихідні результати роботи алгоритму штучної нейронної мережі, такі як очікуване значення енергоспоживання та час роботи кожного окремого електроприладу. Виявлено недолік використаного підходу знаходження оптимальної внутрішньої структури ШНМ, який полягає у тому, що кожна наступна структура створюється на основі найефективнішої з попередньо створених структур, без аналізу інших структур, що показали гірші результати за меншої кількості прихованих шарів. З’ясовано, що для удосконалення розв’язання цієї задачі необхідно створити механізм, який ґрунтуватиметься на аналізі вхідних даних, вихідних даних, аналізуватиме внутрішні взаємозв’язки між параметрами та оптимізуватиме структуру мережі на кожному етапі за допомогою визначених логічних правил відповідно до результатів, отриманих на попередньому кроці. Встановлено, що вирішення поставленої проблеми є задачею нелінійного програмування, яку можна розв’язати, розвиваючи надалі це дослідження.
dc.description.abstractA method for optimal structure selection of hidden layers of the artificial neural network (ANN) is proposed. Its main idea is the practical application of several internal structures of ANN and further calculation of the error of each hidden layer structure using identical data sets for ANN training. The method is based on the alternate comparison of the expected result values and the actual results of the feedforward artificial neural networks with a different number of inner layers and a different number of neurons on each layer. The method afforces searching the optimal internal structure of ANN for usage in the development of “smart” house systems and for calculation of the optimal energy consumption level in accordance with current conditions, such as room temperature, presence of people, and time of the day. The usage of the presented method allows to reduce the time spent on choosing the effective structure of the artificial neural network at the initial stages of research and to pay more attention to the relationship between the input and output data, as well as to such important parameters of the ANN learning process, as a number of training iterations, minimal training error, etc. The software has been developed that allows to carry out the processes of training, testing, and obtaining the output results of the algorithm of the artificial neural network, such as the expected value of power consumption and operating time of each individual appliance. The disadvantage of the approach used in finding the optimal internal structure of the artificial neural network is that each subsequent structure is created on the basis of the most efficient of the previously created structures without analyzing other structures that showed worse results with fewer hidden layers. It was found that to improve the solution of this problem it is necessary to create a mechanism which will be based on the analysis of input data, output data, will analyze the internal relationships between parameters and will optimize the network structure at each stage using certain logical rules according to the results obtained in the previous step. It is established that this problem is a nonlinear programming problem that can be solved in the further development of this study.
dc.format.extent30-36
dc.format.pages7
dc.identifier.citationКазарян А. Г. Вибір оптимальної структури прихованих шарів штучної нейронної мережі для аналізу ефективності енергоспоживання / А. Г. Казарян, В. М. Теслюк, І. Я. Казимира // Український журнал інформаційних технологій. — Львів : Видавництво Львівської політехніки, 2021. — Том 3. — № 1. — С. 30–36.
dc.identifier.citationenKazarian A. G., Teslyuk V. M., Kazymyra I. Ya. (2021) Vybir optymalnoi struktury prykhovanykh shariv shtuchnoi neironnoi merezhi dlia analizu efektyvnosti enerhospozhyvannia [Selection of the optimal structure of hidden layers of the artificial neural network for energy efficiency analysis]. Ukrainian Journal of Information Technology (Lviv), vol. 3, no 1, pp. 30-36 [in Ukrainian].
dc.identifier.doihttps://doi.org/10.23939/ujit2021.03.030
dc.identifier.urihttps://ena.lpnu.ua/handle/ntb/57775
dc.language.isouk
dc.publisherВидавництво Львівської політехніки
dc.publisherLviv Politechnic Publishing House
dc.relation.ispartofУкраїнський журнал інформаційних технологій, 1 (3), 2021
dc.relation.ispartofUkrainian Journal of Information Technology, 1 (3), 2021
dc.relation.references[1] Das, S., Dai, R., Koperski, M., Minciullo, L., Garattoni, L., & Francesca, G. (2019). Toyota Smarthome: RealWorld Activities of Daily Living. IEEE/CVF International Conference on Computer Vision (ICCV), 27 Oct.-2 Nov. 2019, Seoul, Korea (South), 833–842. https://doi.org/10.1109/ICCV.2019.00092
dc.relation.references[2] Ding, F., Song, A., Tong, E., & Li, J. (2016). A Smart Gateway Architecture for Improving Efficiency of Home Network Applications. Journal of Sensor 2016. https://doi.org/10.1155/2016/2197237
dc.relation.references[3] Ge, M., Bangui, H., & Buhnova, B. (2018). Big Data for Internet of Things: A Survey. Future Generation Computer Systems, 87, 601–614. https://doi.org/10.1016/j.future.2018.04.053
dc.relation.references[4] Izonin, I., Tkachenko, R., Kryvinska, N., Zub, K., Mishchuk, O., & Lisovych, T. Recovery of Incomplete IoT Sensed Data using High-Performance Extended-Input Neural-Like Structure. Procedia Computer Science, 160, 521–526. https://doi.org/10.1016/j.procs.2019.11.054
dc.relation.references[5] Kalaiprasath, R., & Sakthivel, C. (2016). A Comparative Review On Internet Protocol Version 6 (IPv6). International Journal of Advanced Research, 4(2), 1076–1078.
dc.relation.references[6] Karansingh, C., Shreena, J., Dhrumin, T., Jitendra, R., Sudeep, T., & Mohammad, O. (2020). Automated Machine Learning: The New Wave of Machine Learning. 2nd International Conference on Innovative Mechanisms for Industry Applications (ICIMIA), 5–7 March 2020, Bangalore, India, 205–212. https://doi.org/10.1109/ICIMIA48430.2020.9074859
dc.relation.references[7] Kazarian, A., Teslyuk, V., Tsmots, I., & Mashevska, M. (2017). Units and structure of automated “smart” house system using machine learning algotithms. Proceeding of the 14th International Conference “The Experience of Designing and Application of Cad Systems in Microelectronics”, CADSM2017, 21–25 February 2017, Polyana, Lviv, Ukraine, 364–366. https://doi.org/10.1109/CADSM.2017.7916151
dc.relation.references[8] Kotsovsky, V., Geche, F., & Batyuk, A. (2015). Artificial complex neurons with half-plane-like and angle-like activation function. In Proceedings of the Xth International Scientific and Technical Conference “Computer Sciences and Information Technologies” (CSIT), Lviv, Ukraine, 2015, 57–59. https://doi.org/10.1109/STC-CSIT.2015.7325430
dc.relation.references[9] Mao, J., Lin, Q., & Bian, J. (2018). Application of Learning Algorithms in Smart Home IoT System Security. American Institute of Mathematical Sciences. DOI: 10.3934/mfc.2018004. https://doi.org/10.3934/mfc.2018004
dc.relation.references[10] Mishchuk, O., Tkachenko, R., Izonin, I. (2020). Missing Data Imputation Through SGTM Neural-Like Structure for Environmental Monitoring Tasks. In: Hu Z., Petoukhov S., Dychka I., He M. (eds) Advances in Computer Science for Engineering and Education II. ICCSEEA 2019. Advances in Intelligent Systems and Computing, 938, 142–151. Springer, Cham. https://doi.org/10.1007/978-3-030-16621-2_13
dc.relation.references[11] Mokhtari, G., Anvari-Moghaddam, A., & Zhang, Q. (2019). A New Layered Architecture for Future Big Data-Driven Smart Homes. IEEE Access 2019, 7, 19002–19012. https://doi.org/10.1109/ACCESS.2019.2896403
dc.relation.references[12] Seyedzadeh, S., Rahimian, F. P., Glesk, I., & Roper, M. (2018). Machine learning for estimation of building energy consumption and performance: a review. Visualization in Engineering, 6, 5. https://doi.org/10.1186/s40327-018-0064-7
dc.relation.references[13] Su, W., & Huang, A.Q. (2013). Proposing A Electricity Market Framework for The Energy Internet. In Proceedings of the IEEE Power and Energy Society General Meeting, Vancouver, BC, Canada, 21–25 July 2013, 1–5.
dc.relation.references[14] Sun, Q., Yu, W., Kochurov, N., Hao, Q., & Hu, F. (2013). A Multi-Agent-Based Intelligent Sensor andActuator Network Design for Smart House and Home Automation. Journal of Sensor and Actuator Networks, 2(3), 557–588. https://doi.org/10.3390/jsan2030557
dc.relation.references[15] Take Control over Rising Energy Costs. (2021). Sunrun Sunrun. Retrieved from: https://sunrun.com
dc.relation.references[16] Tsoukalas, L. H., Gao, R., & Lafayette, W. (2008). Inventing An Energy Internet the Role of Anticipation in Human-Centered Energy Distribution and Utilization. In Proceedings of the 2008 SICE Annual Conference, Tokyo, Japan, 20–22 August 2008, 399–403. https://doi.org/10.1109/SICE.2008.4654687
dc.relation.referencesen[1] Das, S., Dai, R., Koperski, M., Minciullo, L., Garattoni, L., & Francesca, G. (2019). Toyota Smarthome: RealWorld Activities of Daily Living. IEEE/CVF International Conference on Computer Vision (ICCV), 27 Oct.-2 Nov. 2019, Seoul, Korea (South), 833–842. https://doi.org/10.1109/ICCV.2019.00092
dc.relation.referencesen[2] Ding, F., Song, A., Tong, E., & Li, J. (2016). A Smart Gateway Architecture for Improving Efficiency of Home Network Applications. Journal of Sensor 2016. https://doi.org/10.1155/2016/2197237
dc.relation.referencesen[3] Ge, M., Bangui, H., & Buhnova, B. (2018). Big Data for Internet of Things: A Survey. Future Generation Computer Systems, 87, 601–614. https://doi.org/10.1016/j.future.2018.04.053
dc.relation.referencesen[4] Izonin, I., Tkachenko, R., Kryvinska, N., Zub, K., Mishchuk, O., & Lisovych, T. Recovery of Incomplete IoT Sensed Data using High-Performance Extended-Input Neural-Like Structure. Procedia Computer Science, 160, 521–526. https://doi.org/10.1016/j.procs.2019.11.054
dc.relation.referencesen[5] Kalaiprasath, R., & Sakthivel, C. (2016). A Comparative Review On Internet Protocol Version 6 (IPv6). International Journal of Advanced Research, 4(2), 1076–1078.
dc.relation.referencesen[6] Karansingh, C., Shreena, J., Dhrumin, T., Jitendra, R., Sudeep, T., & Mohammad, O. (2020). Automated Machine Learning: The New Wave of Machine Learning. 2nd International Conference on Innovative Mechanisms for Industry Applications (ICIMIA), 5–7 March 2020, Bangalore, India, 205–212. https://doi.org/10.1109/ICIMIA48430.2020.9074859
dc.relation.referencesen[7] Kazarian, A., Teslyuk, V., Tsmots, I., & Mashevska, M. (2017). Units and structure of automated "smart" house system using machine learning algotithms. Proceeding of the 14th International Conference "The Experience of Designing and Application of Cad Systems in Microelectronics", CADSM2017, 21–25 February 2017, Polyana, Lviv, Ukraine, 364–366. https://doi.org/10.1109/CADSM.2017.7916151
dc.relation.referencesen[8] Kotsovsky, V., Geche, F., & Batyuk, A. (2015). Artificial complex neurons with half-plane-like and angle-like activation function. In Proceedings of the Xth International Scientific and Technical Conference "Computer Sciences and Information Technologies" (CSIT), Lviv, Ukraine, 2015, 57–59. https://doi.org/10.1109/STC-CSIT.2015.7325430
dc.relation.referencesen[9] Mao, J., Lin, Q., & Bian, J. (2018). Application of Learning Algorithms in Smart Home IoT System Security. American Institute of Mathematical Sciences. DOI: 10.3934/mfc.2018004. https://doi.org/10.3934/mfc.2018004
dc.relation.referencesen[10] Mishchuk, O., Tkachenko, R., Izonin, I. (2020). Missing Data Imputation Through SGTM Neural-Like Structure for Environmental Monitoring Tasks. In: Hu Z., Petoukhov S., Dychka I., He M. (eds) Advances in Computer Science for Engineering and Education II. ICCSEEA 2019. Advances in Intelligent Systems and Computing, 938, 142–151. Springer, Cham. https://doi.org/10.1007/978-3-030-16621-2_13
dc.relation.referencesen[11] Mokhtari, G., Anvari-Moghaddam, A., & Zhang, Q. (2019). A New Layered Architecture for Future Big Data-Driven Smart Homes. IEEE Access 2019, 7, 19002–19012. https://doi.org/10.1109/ACCESS.2019.2896403
dc.relation.referencesen[12] Seyedzadeh, S., Rahimian, F. P., Glesk, I., & Roper, M. (2018). Machine learning for estimation of building energy consumption and performance: a review. Visualization in Engineering, 6, 5. https://doi.org/10.1186/s40327-018-0064-7
dc.relation.referencesen[13] Su, W., & Huang, A.Q. (2013). Proposing A Electricity Market Framework for The Energy Internet. In Proceedings of the IEEE Power and Energy Society General Meeting, Vancouver, BC, Canada, 21–25 July 2013, 1–5.
dc.relation.referencesen[14] Sun, Q., Yu, W., Kochurov, N., Hao, Q., & Hu, F. (2013). A Multi-Agent-Based Intelligent Sensor andActuator Network Design for Smart House and Home Automation. Journal of Sensor and Actuator Networks, 2(3), 557–588. https://doi.org/10.3390/jsan2030557
dc.relation.referencesen[15] Take Control over Rising Energy Costs. (2021). Sunrun Sunrun. Retrieved from: https://sunrun.com
dc.relation.referencesen[16] Tsoukalas, L. H., Gao, R., & Lafayette, W. (2008). Inventing An Energy Internet the Role of Anticipation in Human-Centered Energy Distribution and Utilization. In Proceedings of the 2008 SICE Annual Conference, Tokyo, Japan, 20–22 August 2008, 399–403. https://doi.org/10.1109/SICE.2008.4654687
dc.relation.urihttps://doi.org/10.1109/ICCV.2019.00092
dc.relation.urihttps://doi.org/10.1155/2016/2197237
dc.relation.urihttps://doi.org/10.1016/j.future.2018.04.053
dc.relation.urihttps://doi.org/10.1016/j.procs.2019.11.054
dc.relation.urihttps://doi.org/10.1109/ICIMIA48430.2020.9074859
dc.relation.urihttps://doi.org/10.1109/CADSM.2017.7916151
dc.relation.urihttps://doi.org/10.1109/STC-CSIT.2015.7325430
dc.relation.urihttps://doi.org/10.3934/mfc.2018004
dc.relation.urihttps://doi.org/10.1007/978-3-030-16621-2_13
dc.relation.urihttps://doi.org/10.1109/ACCESS.2019.2896403
dc.relation.urihttps://doi.org/10.1186/s40327-018-0064-7
dc.relation.urihttps://doi.org/10.3390/jsan2030557
dc.relation.urihttps://sunrun.com
dc.relation.urihttps://doi.org/10.1109/SICE.2008.4654687
dc.rights.holder© Національний університет „Львівська політехніка“, 2021
dc.subjectметод вибору
dc.subjectприховані шари
dc.subject“розумний” будинок
dc.subjectоптимізація енергоспоживання
dc.subjectштучна нейронна мережа (ШНМ)
dc.subjectselection method
dc.subjecthidden layers
dc.subject“smart” house
dc.subjectenergy consumption optimization
dc.subjectartificial neural network (ANN)
dc.subject.udc004.855.5
dc.titleВибір оптимальної структури прихованих шарів штучної нейронної мережі для аналізу ефективності енергоспоживання
dc.title.alternativeSelection of the optimal structure of hidden layers of the artificial neural network for energy efficiency analysis
dc.typeArticle

Files

Original bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
2021v3n1_Kazarian_A_G-Selection_of_the_optimal_30-36.pdf
Size:
1.33 MB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.83 KB
Format:
Plain Text
Description:
Download

Collections

Ukrainian Journal of Information Technology. – 2021. – Vol. 3, No. 1