Dự báo mưa bằng mạng neuron tại HCMUTE với dữ liệu từ mạng cảm biến không dây

LÝ LỊCH KHOA HỌC

LỜI CAM ĐOAN

LỜI CẢM ƠN

TÓM TẮT

ABSTRACT

MỤC LỤC

DANH SÁCH CHỮ VIẾT TẮT

DANH MỤC HÌNH

DANH MỤC BẢNG

1. CHƯƠNG 1: TỔNG QUAN

1.1. Mục tiêu và giới hạn đề tài

1.2. Phương pháp nghiên cứu

1.3. Tổng quan tình hình nghiên cứu

1.4. Nội dung luận văn

2. CHƯƠNG 2: MẠNG CẢM BIẾN KHÔNG DÂY VÀ MẠNG NƠRON NHÂN TẠO

2.1. Mạng cảm biến không dây. Đặc điểm của cấu trúc mạng cảm biến

2.2. Kiến trúc và giao thức của mạng cảm biến không dây

2.3. Ưu điểm, nhược điểm của mạng cảm biến không dây

2.4. Sự khác nhau giữa WSN và mạng truyền thống

2.5. Công nghệ truyền thông không dây Zigbee

2.6. Cấu trúc các tầng của Zigbee

2.7. Thành phần mạng Zigbee

2.8. Mô hình mạng Zigbee. Zigbee và các giao thức truyền thông khác

2.9. Mạng nơron nhân tạo. Nơron sinh vật

2.10. Nơron nhân tạo

2.11. Mạng nơron nhân tạo

2.12. Quá trình học

2.13. Mạng perceptron một lớp. Mạng perceptron nhiều lớp

2.14. Thuật toán lan truyền ngược

2.15. Thiết kế cấu trúc mạng

2.16. Một số yếu tố ảnh hưởng đến quá trình học

2.17. Các thuật toán máy học khác

2.18. Mô hình thuật toán SVM

2.19. Mô hình thuật toán Naive Bayes

2.20. Mô hình thuật toán Decision Tree

2.21. Mô hình thuật toán Logistic Regression

2.22. Mô hình thuật toán K-Nearest Neighbor

2.23. Mô hình thuật toán Random Forest

3. CHƯƠNG 3: THIẾT KẾ HỆ THỐNG

3.1. Tổng quan mô hình

3.2. Thu thập dữ liệu

3.3. Sơ đồ phần cứng hệ thống

3.4. Thiết kế phần cứng

3.4.1. Khối xử lý trung tâm

3.4.2. Khối truyền nhận dữ liệu

3.4.3. Truyền nhận dữ liệu đến máy chủ

3.5. Lưu đồ hoạt động của hệ thống

3.6. Xây dựng mô hình dự báo sử dụng mạng nơron

3.6.1. Các bước xây dựng mô hình

3.6.2. Xác định cấu trúc mạng

3.6.3. Huấn luyện mô hình mạng

3.6.4. Thuật toán lan truyền ngược

3.7. Sai số mô hình dự báo

3.8. Độ chính xác của mô hình

4. CHƯƠNG 4: THỰC NGHIỆM VÀ ĐÁNH GIÁ

4.1. Tiền xử lý dữ liệu

4.2. Lựa chọn dữ liệu

4.3. Thực nghiệm thuật toán

4.4. Kiểm thử thuật toán

4.5. So sánh thuật toán

4.6. Nhận xét thuật toán

4.7. Đánh giá hệ thống

4.7.1. Nhược điểm

4.7.2. Kết quả đạt được

4.8. Hướng phát triển

TÀI LIỆU THAM KHẢO

CODE NEURAL NETWORK

I. Giới thiệu về dự báo thời tiết

Dự báo thời tiết là một lĩnh vực quan trọng trong cuộc sống con người. Thời tiết ảnh hưởng đến nhiều hoạt động, đặc biệt là nông nghiệp. Việc dự đoán chính xác thời tiết giúp người nông dân có thể điều chỉnh các hoạt động sản xuất, từ tưới tiêu đến bón phân. Hệ thống dự báo thời tiết hiện nay sử dụng nhiều phương pháp khác nhau, từ thống kê đến phân tích ảnh vệ tinh. Tuy nhiên, các phương pháp này vẫn có những hạn chế nhất định. Việc ứng dụng mạng neuron trong dự báo thời tiết đang trở thành xu hướng mới, nhờ vào khả năng xử lý dữ liệu lớn và tính linh hoạt trong việc cập nhật thông tin. Mục tiêu của nghiên cứu này là phát triển một hệ thống dự báo mưa dựa trên mạng neuron kết hợp với mạng cảm biến không dây.

II. Mạng cảm biến không dây và ứng dụng

Mạng cảm biến không dây (WSN) là một công nghệ tiên tiến cho phép thu thập dữ liệu môi trường một cách hiệu quả. Các cảm biến được lắp đặt tại nhiều vị trí khác nhau để thu thập thông tin như nhiệt độ, độ ẩm, và áp suất không khí. Dữ liệu thu thập được sẽ được truyền về một trung tâm xử lý để phân tích. Hệ thống này có nhiều ưu điểm như khả năng hoạt động liên tục, dễ dàng mở rộng và chi phí thấp. Việc kết hợp mạng cảm biến không dây với mạng neuron giúp cải thiện độ chính xác của dự báo thời tiết. Hệ thống có thể tự động cập nhật dữ liệu và đưa ra dự đoán dựa trên các thông số môi trường đã thu thập.

III. Mô hình mạng neuron trong dự báo mưa

Mô hình mạng neuron được sử dụng trong nghiên cứu này là mạng lan truyền nhiều lớp (MLP). Mô hình này có khả năng học từ dữ liệu quá khứ và cập nhật các tham số dự đoán. Quá trình huấn luyện mô hình bao gồm việc tối ưu hóa các tham số để giảm thiểu sai số dự đoán. Kết quả dự báo sẽ được so sánh với các mô hình khác như SVM và Logistic Regression để đánh giá hiệu quả. Việc sử dụng mạng neuron trong dự báo mưa không chỉ giúp nâng cao độ chính xác mà còn tạo ra một công cụ hữu ích cho nông dân trong việc quản lý sản xuất nông nghiệp.

IV. Kết quả và đánh giá

Kết quả thực nghiệm cho thấy mô hình mạng neuron có độ chính xác cao hơn so với các mô hình truyền thống. Các thông số thời tiết được dự đoán chính xác, giúp người dùng có thể đưa ra quyết định kịp thời. Hệ thống cũng cho thấy khả năng hoạt động ổn định trong điều kiện thực tế. Việc áp dụng công nghệ cảm biến và mạng neuron trong dự báo thời tiết không chỉ mang lại lợi ích cho nông nghiệp mà còn cho nhiều lĩnh vực khác như quản lý tài nguyên nước và phòng chống thiên tai. Điều này chứng tỏ giá trị thực tiễn của nghiên cứu và khả năng ứng dụng rộng rãi trong tương lai.

Luận văn thạc sĩ HCMUTE: Ứng dụng mạng neuron trong dự báo mưa từ dữ liệu cảm biến không dây