ЩОДО ФОРМУВАННЯ МАСИВУ ДАНИХ НА БАЗІ НЕЙРОННОЇ МЕРЕЖІ У СФЕРІ ІНТЕРНЕТУ РЕЧЕЙ

Автор(и)

DOI:

https://doi.org/10.32851/tnv-tech.2021.4.2

Ключові слова:

масив даних, штучний інтелект, нейронна мережа, Інтернет речей, сенсор, датчик, інтелектуальна система

Анотація

У статті досліджено принципи формування масиву даних на базі нейронної мережі у сфері Інтернету речей. Зазначається, що Інтернет речей генерує величезну кількість неструктурованих даних, і аналітика великих даних є ключовим аспектом. Концепція Інтернет речей являє особливу цінність для розвитку бізнесу завдяки даним, які можуть бути отримані від підключених елементів. Сформовано дві теореми, які сприяють роз- криттю принципу обміну знаннями, які можна взяти із взаємодії людина–комп’ютер. Наголошено, що присвоєння імені суб’єкту господарювання повинне включати у себе слова мовою людини, а не абревіатури, коди або двійкове відображення, що можуть інтерпре- тувати лише машини, незважаючи на те, що останні технічно ефективніші з точки зору простору для зберігання даних або пропускної здатності мережі. Розкрито принципи теорії верифікаціонізму та описано шляхи адаптації структури масиву даних. Схема- тично запропоновано структуру машинних знань, яку представлено щодо формування масиву даних на базі нейронної мережі у сфері Інтернету речей. Описана структура має три бази знань: гіпотезу, онтологію та параметри. Підкреслено, що запропонована інтелектуальна база масиву даних може бути застосована до різних галузей Інтернету речей щодо автономного обміну та накопичення знань, а платформа, своєю чергою, може використовувати онтології для інтеграції пристроїв IoT з інтелектуальними системами. Описано переваги та недоліки моделі. Так, зазначено, що перевагою цієї моделі є те, що датчики Інтернету речей у хмарі можуть навчатися у віддалених датчиків у фоновому режимі, незалежно від затримки мережі, що підключається до віддаленої програми, а недоліком є те, що затримка мережі може стати вузьким місцем, коли потреба у при- йнятті рішень у режимі реального часу зростає. Наголошено, що реалізація описаного алгоритму формування масиву даних, а також відповідної інтелектуальної середи доз- волить зменшити поріг входження розробників у сферу рішення задач за допомогою ней- ронної мережі.

Посилання

Семеног А.Ю. Цифрові технології в умовах формування цифрової економіки. Наукові записки Національного університету «Острозька академія». Серія «Економіка». Острог : Вид-во НаУОА, 2020. № 19(47). С. 20–28.

Сотник І.М., Завражний К.Ю. Підходи до забезпечення інформаційної безпеки промислового Інтернету речей на підприємстві. Маркетинг і менеджмент інновацій. 2017. № 3. С. 177–186. DOI: 10.21272/mmi.2017.3-17.

Аксак Н.Г. Методи та моделі розподіленої інтелектуальної обробки великих даних у спеціалізованих комп’ютерних системах : автореф. дис. … д-ра техн. наук : 05.13.05 «Комп’ютерні системи та компоненти». М-во освіти і науки України, Харків. нац. ун-т радіоелектроніки. Харків, 2019. 44 с.

Проривні технології в економіці і бізнесі (досвід ЄС та практика України у світлі ІІІ, ІV і V промислових революцій) : навчальний посібник / за ред. Л.Г. Мельника та Б.Л. Ковальова. Суми : Сумський державний університет, 2020. 180 с.

Balakleiets K., Kvitka A. Європейські тренди в інноваційному підприємництві. URL: 2019. https://www.researchgate.net/publication/333609483_Evropejski_trendi_v_innovacijnomu_pidpriemnictvi (дата звернення: 10.01.2021).

Zhang W., Kumar M., Liu J. Multi-parameter online measurement IoT system based on BP neural network algorithm. Neural Computing and Applications. 2019. Vol. 31. No. 12. P. 8147–8155. DOI: 10.1007/s00521-018-3856-8.

Cui Dan, Liu Fei. The Application of BP Neural Network in Internet of Things. Advanced Engineering Forum. 2012. Vol. 6–7. P. 1098–1102. DOI: 10.4028/www.scientific.net/AEF.6-7.1098.

Xiao Han, Li, Yuanjiang. A New Thought based on the Service Composition of Automatic Transmission Semantic Grid in Internet of Things. International Journal of Advancements in Computing Technology. 2011. Vol. 3. P. 10–16. DOI: 10.4156/ijact.vol3.issue7.2.

Changsheng X., ZiYing Z. A New Music Classification Method based on BP Neural Network. JDCTA. 2011. Vol. 5. No. 6. P. 85–94.

Han Xiao, Yuanjiang Li. A New Thought based on the Service Composition of Automatic Transmission Semantic Grid in Internet of Things. IJACT. 2011. Vol. 3, No. 7. P. 10–16.

Ren Fang, Ma Jian-Feng. Attribute-Based Access Control Mechanism for Perceptive Layer of the Internet of Things. JDCTA. 2011. Vol. 5. No. 10. P. 396–403.

Naveen Dr, Raina Rohini. Machine learning in Internet of Thing. 2018. URL: https://www.researchgate.net/publication/322209934_MACHINE_LEARNING_IN_INTERNET_OF_THING (дата звернення: 06.01.2021).

Li Хinwu. A New Color Correction Model for based on BP Neural Network. AISS. 2011.Vol. 3. No. 5. P. 72–78.

Штучний інтелект зможе попереджати хвороби корів. 2018. URL: http://milkua.info/uk/post/stucnij-intelekt-zmoze-poperedzati-hvorobi-koriv (дата звернення : 06.08.2021).

Олійник П.Б. Розробка бездротового датчика вібрації на основі MEMS акселерометра. URL: https://media.neliti.com/media/publications/306711-developmentof-wireless-vibration-transd-e11dbf9c.pdf (дата звернення: 06.08.2021).

Мокін В.Б., Собко Б.Ю., Дратований М.В., Крижановський Є.М., & Горячев Г.В. Створення інформаційної системи моніторингу забруднення атмосферного повітря міста на основі технології «Інтернет речей». Вісник Вінницького політехнічного інституту, 2017. № 3, с. 49–58.

Методологія та організація наукових досліджень : навчальний посібник / І.С. Добронравова, О.В. Руденко, Л.І. Сидоренко та ін. ; за ред. І.С. Добронравової (ч. 1), О.В. Руденко (ч. 2). Київ. : ВПЦ «Київський університет», 2018. 607 с.

##submission.downloads##

Опубліковано

2021-11-26

Як цитувати

Козак, Є. (2021). ЩОДО ФОРМУВАННЯ МАСИВУ ДАНИХ НА БАЗІ НЕЙРОННОЇ МЕРЕЖІ У СФЕРІ ІНТЕРНЕТУ РЕЧЕЙ. Таврійський науковий вісник. Серія: Технічні науки, (4), 14-23. https://doi.org/10.32851/tnv-tech.2021.4.2

Номер

Розділ

КОМП’ЮТЕРНІ НАУКИ ТА ІНФОРМАЦІЙНІ ТЕХНОЛОГІЇ