Nghiên cứu thuật toán học máy áp dụng cho hệ thống giám sát và nhận dạng hành vi trên bò

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ NGUYỄN ĐÌNH CHINH NGHIÊN CỨU THUẬT TỐN HỌC MÁY ÁP DỤNG CHO HỆ THỐNG GIÁM SÁT VÀ NHẬN DẠNG HÀNH VI TRÊN BỊ LUẬN VĂN THẠC SĨ: NGÀNH CƠNG NGHỆ KỸ THUẬT ĐIỆN TỬ, TRUYỀN THÔNG Hà Nội – 2017 ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CƠNG NGHỆ NGUYỄN ĐÌNH CHINH NGHIÊN CỨU THUẬT TỐN HỌC MÁY ÁP DỤNG CHO HỆ THỐNG GIÁM SÁT VÀ NHẬN DẠNG HÀNH VI TRÊN BỊ Ngành: Cơng nghệ Kỹ thuật Điện tử, Truyền thông Chuyên Ngành: Kỹ thuật Điện tử Mã Số: 60 52 02 03 LUẬN VĂN THẠC SĨ: NGÀNH CÔNG NGHỆ KỸ THUẬT ĐIỆN TỬ, TRUYỀN THÔNG NGƯỜI HƯỚNG DẪN KHOA HỌC: TS LÊ VŨ HÀ PGS TS TRẦN ĐỨC TÂN Hà Nội - 2017 LỜI CAM ĐOAN Tôi xin cam đoan luận văn tốt nghiệp: “Nghiên cứu thuật toán học máy áp dụng cho hệ thống giám sát nhận dạng hành vi bị” cơng trình nghiên cứu riêng tác giả Các số liệu, kết trình bày luận văn hồn tồn trung thực, chưa công bố cơng trình khác Trong luận văn có dùng số tài liệu tham khảo nêu phần tài liệu tham khảo Tác giả luận văn Nguyễn Đình Chinh LỜI CẢM ƠN Để hồn thành luận văn tốt nghiệp này, trước tiên, xin gửi lời cảm ơn chân thành sâu sắc tình cảm đặc biệt tới người Thầy PGS TS Trần Đức Tân Thầy người theo sát tơi, tận tình bảo, góp ý hướng dẫn, định hướng cho tơi suốt q trình làm luận văn Khoa Điện tử Viễn thông, Trường Đại học Công nghệ Tôi không học Thầy phương pháp luận nghiên cứu khoa học, tơi cịn tích lũy nhiều học quý báu cách làm việc chuyên nghiệp, lối tư đánh giá việc, kinh nghiệm làm việc quan trọng cho công việc sau Em cảm ơn Thầy nhiều! Tôi xin cảm ơn đến thầy TS Lê Vũ Hà cung cấp cho kiến thức tảng lĩnh vực học máy, người đồng hướng dẫn luận văn Tôi xin cảm ơn thầy, anh đồng nghiệp môn Vi điện tử vi hệ thống – trường Đại học Cộng nghệ, họ gương nghiên cứu khoa học người sát cánh, động viên tinh thần giúp đỡ nghiên cứu Cảm ơn anh Phùng Công Phi Khanh – Nghiên cứu sinh môn, người nghiên cứu này, cảm ơn bạn sinh viên nhóm nghiên cứu, em hỗ trợ để tơi hồn thành nghiên cứu Tiếp theo, xin gửi lời cảm ơn sâu sắc tới Thầy, Cô anh chị em Khoa sẵn sàng giúp đỡ tạo điều kiện tốt cho tơi q trình làm luận văn Cuối cùng, xin gửi lời cảm ơn chân thành yêu thương tới bố mẹ tôi, người luôn ủng hộ, động viên vật chất lẫn tinh thần để tơi hoàn thành luận văn tốt Con cảm ơn bố mẹ thật nhiều! Mặc dù có nhiều cố gắng, song thời gian thực luận văn có hạn, nên luận văn cịn nhiều hạn chế Tơi mong nhận nhiều góp ý, bảo thầy, để hồn thiện luận văn Tơi xin chân thành cảm ơn! Hà Nội, ngày … tháng 04 năm 2017 Học viên Nguyễn Đình Chinh TĨM TẮT Ngành chăn nuôi, sản xuất sữa thực phẩm ngành kinh tế quan trọng phát triển kinh tế xã hội an ninh lương thực giới Để bảo đảm phát triển bền vững ngành việc giám sát chăm sóc sức khỏe gia súc có vai trị quan trọng nhu cầu thiết yếu ngành chăn ni Tại Việt Nam, có số cơng ty sữa lớn TH Truemilk, VINAMILK, để nâng cao suất chất lượng sản phẩm, họ quan tâm đến vấn đề sức khoẻ bị Vì vậy, họ có nhu cầu giám sát thể chất sinh lý đàn bò thường xuyên tốt Phát sinh từ chất khó khăn liên quan đến việc quản lý trang trại với khu chăn thả lớn, nhà chăn ni ln ln có nhu cầu "giám sát" động vật họ cách tự động tiết kiệm chi phí Cơng nghệ mạng cảm biến không dây giải pháp khả thi cho vấn đề Trong thông tin cần cho việc chăn sóc sức khỏe gia súc hành vi sở quan trọng nhạy cảm Việc giám sát hành vi bò thực tế thường tiến hành theo hướng quan sát chuyển động cổ bò chuyển động chân bò Dữ liệu từ thiết bị quan sát lưu lại thiết bị để xử lý sau truyền thông không dây thiết bị trung tâm để xử lý Tuy nhiên, việc thực thi kỹ thuật chưa đáp ứng việc giám sát thời gian thực hay quy mô chăn thả lớn, nhiều hệ thống xác định hai hành vi trạng thái động vật thời điểm nhiều hành vi độ xác cịn thấp Trong hệ thống này, cảm biến gia tốc sử dụng phổ biến để theo dõi hành vi tình trạng sức khoẻ động vật Luận văn đề suất giám sát tình trạng hành vi gia súc thơng qua mạng cảm biến khơng dây Trong đó, nút mạng kết hợp hai thiết bị giám sát hành vi cổ bò chân bò, chúng kết nối không dây với phát triển dựa cảm biến gia tốc trục (cảm biến MPU6050) giúp xác định tình trạng xác Báo cáo hồn thiện mơ hình hệ thống giám sát thực thi thực tế Một số phương pháp gần đề xuất để phân loại hành vi tự động động vật chủ yếu dựa thuật toán học máy khác định, k-means, SVM HMM Luận văn sử dụng 02 thuật toán học máy: thuật toán định thuật toán SVM để phân loại hành vi bò dựa liệu cảm biến gia tốc ba trục từ cổ chân bò truyền đến máy chủ thơng qua mơ hình mạng cảm biến khơng dây Zigbee Tại máy chủ, thuật tốn giúp xử lý phân loại hành vi áp dụng nhằm đưa trạng thái xác Kết nghiên cứu khả phân biệt trạng thái hành vi bò vượt trội kết sử dụng thuật toán SVM so với định kết hợp thông số gia tốc chân cổ bò để đưa đánh giá xác hành vi so với việc dùng thông số gia tốc cổ Nghiên cứu khả phân biệt 05 hành vi: đi, đứng, nằm, ăn uống nước bò Từ khóa: Giám sát, Phân loại hành vi, cảm biến gia tốc, mạng cảm biến không dây, Cây định, Máy vector hỗ trợ (SVM) MỤC LỤC ANH MỤC HÌNH V ANH MỤC ẢNG I ANH MỤC VI T TẮT 10 ANH MỤC KÝ HIỆ 11 MỞ ĐẦ 12 Chương 14 TỔNG Q AN VỀ CÁC HỆ THỐNG GIÁM SÁT VÀ NHẬN ẠNG HÀNH VI TRÊN BÒ 14 1.1 Giới thiệu 14 1.2 Giới thiệu hệ thống giám sát bò 15 1.3 Giới thiệu thuật toán học máy 16 1.3.1 Các loại học máy 17 1.3.2 Học máy theo đầu cụ thể 17 1.3.3 Các dạng học máy 18 1.4 Kết luận chương 20 Chương 21 TH ẬT TOÁN HỌC MÁY GIÚP NHẬN ẠNG HÀNH VI TRÊN Ò 21 2.1 Nhận diện hành vi bò 21 2.2 Thuật tốn học máy cho nhận dạng hành vi bị 22 2.2.1 Thuật toán định 22 2.2.2 Thuật toán SVM 24 2.3 Đánh giá hiệu thuật toán học máy 30 2.4 Kết luận chương 31 Chương 32 THI T K HỆ THỐNG, THỰC THI VÀ ĐÁNH GIÁ TH ẬT TOÁN 32 3.1 Thiết kế hệ thống 32 3.1.1 Thiết kế hệ thống thu thập liệu huấn luyện 32 3.1.2 Thiết kế hệ thống giám sát 34 3.2 Thực thi đánh giá thuật toán 42 3.2.1 Thuật toán định 42 3.2.2 Thuật toán SVM 47 3.2.3 Đánh giá hiệu 50 3.3 Kết luận chương 51 K T L ẬN 53 DANH SÁCH CÁC CÔNG Ố 53 TÀI LIỆ THAM KHẢO 54 ANH MỤC HÌNH V Hình 2.1: Xác định ngưỡng theo theo đặc trưng 23 Hình 2.2: Mơ hình định 23 Hình 2.3: Đường phân tách mềm thuật toán SVM 26 Hình 2.4: Thuật tốn SVM đối 30 Hình 3.1: Sơ đồ nguyên lý hệ thống thu liệu mẫu 32 Hình 3.2: Cảm biến gia tốc trục MPU6050 33 Hình 3.3: Module Bluetooth HC05 33 Hình 3.4: Bên thiết bị đo liệu mẫu 34 Hình 3.5: Giao diện phầm mềm thu liệu mẫu 34 Hình 3.6: Mơ hình hệ thống giám sát 35 Hình 3.7: Mơ hình mạng cảm biến 36 Hình 3.8: Sơ đồ nguyên lý thiết bị đo gia tốc chân 37 Hình 3.9: Thiết bị đo gia tốc chân 37 Hình 3.10: Sơ đồ nguyên lý thiết bị đo gia tốc cổ 39 Hình 3.11: Module Zigbee 39 Hình 3.12: Thiết bị đo gia tốc cổ 39 Hình 3.13: Sơ đồ truyền nhận liệu thiết bị đo gia tốc chân cổ bị 40 Hình 3.14: Thiết bị đeo bò 40 Hình 3.15: Raspberry Pi 41 Hình 3.16: Trung tâm điều phối 41 Hình 3.17: Sơ đồ thuật tốn định 43 Hình 3.18: Dữ liệu gia tốc trục cổ bò 44 Hình 3.19: Dữ liệu gia tốc trục chân bò 44 Hình 3.20: Biểu diễn giá trị VeDBA SCAY liệu huấn luyện 45 Hình 3.21: Biểu diễn phân bố liệu theo quan hệ gữi VeDBA SCAY liệu huấn luyện 45 Hình 3.22: Đường cong ROC để xác định Threshold A 46 Hình 3.23: Đường cong ROC để xác định Threshold B 46 Hình 3.24: Đường cong ROC để xác định Threshold C1 47 Hình 3.25: Đường cong ROC để xác định Threshold C2 47 Hình 3.26: Sơ đồ thực thi thuật tốn SVM 48 Hình 3.27: Đồ thị xác định CV thuật tốn SVM với liệu cổ 49 Hình 3.28: Đồ thị xác định CV thuật tốn SVM với liệu cổ chân 50 42 3.2 Thực thi đánh giá thuật toán Trong luận văn tơi sử dụng thuật tốn học máy để nhận dạng phân loại hành vi bị thuật tốn định thuật toán SVM Thuật toán định thực thi tập liệu gia tốc trục thiết bị đo gia tốc cổ Thuật toán SVM chi làm trường hợp thực thi: trường hợp thực thi liệu gia tốc trục thiết bị đo gia tốc cổ trường hợp thứ thực thi liệu gia tốc trục thiết bị đo gia tốc chân cổ Cuối luận văn đánh giá hiệu hệ thống với trường hợp 3.2.1 Thuật toán định Trong luận văn này, hoạt động mức cao bò hoạt động ăn đi, hoạt động mức thấp bò hoạt động uống, đứng nằm Các hoạt động phân loại dựa thông số VeDBA (gia tốc trung bình) SCAY (thành phần gia tốc tĩnh theo trục y) thuật toán định Dữ liệu gia tốc dùng gia tốc thiết bị đeo cổ bò Giá trị VeDBA xác định dựa công thức: VeDBA = √ (39) Trong đó, giá trị DBA (gia tốc động) tính việc trừ gia tốc cho lượng gia tốc tĩnh μx, μy, μz đây: (40) Hình 3.17 sơ đồ thuật toán định dùng luận văn Thuật toán định thực thi với ngưỡng: Threshold A, Threshold B, Threshold C1 Threshold C2 để phân tách hành vi bò đi, đứng, nằm, ăn uống 43 Hình 3.17: Sơ đồ thuật tốn định - Tiền xử lý liệu Việc tiền xử lý liệu thực thi với lọc trung bình, lọc sử dụng phổ biến để làm mịn liệu đầu vào Cửa sổ kích thước M lọc sử dụng để giảm nhiễu giữ hình dạng tín hiệu Hình 3.18 hình 3.19 biểu diễn liệu gia tốc thơ từ cổ bị chân bị cho trạng thái: đi, đứng, nằm, ăn uống nước thang đo giá trị gia tốc mg (1g = 1000mg) 44 Hình 3.18: ữ liệu gia tốc trục cổ bị Hình 3.19: ữ liệu gia tốc trục chân bị Hình 3.20 biểu diễn giá trị VeDBA SCAY liệu huấn luyện Phân bố liệu theo mối quan hệ giá trị VeDBA SCAY mẫu biểu diễn hình 3.21 Hình 3.21 biểu diễn ngưỡng để phân tách hành vi bò 45 Hình 3.20: iểu diễn giá trị Ve A SCAY liệu huấn luyện Hình 3.21: iểu diễn phân bố liệu theo quan hệ gữi Ve liệu huấn luyện - A SCAY Xác định ngưỡng Hình 3.17, giá trị VeDBA so sánh với Threshold A để phân loại hành vi thành loại hoạt động mức cao hoạt động mức thấp Trong đó, giá trị SCAY sử dụng để phân tách chi tiết hành vi so sánh với Threshold B, Threshold C1 Threshold C2 Các ngưỡng chọn dựa đường cong ROC Đường cong ROC xác định dựa tập TPR FPR [34] TPR = TP TP + FN FPR = FP FP + TN ( (41) ( (42) 46 Trong luận văn này, Threshold A, Threshold B, Threshold C1 Threshold C2 chọn 75mg, 354mg, 404mg -389mg Việc chọn ngưỡng chọn điểm phía bên trái đồ thị đây, hình 3.22, 3.23, 3.24 3.25 Mục đích việc chọn để có lớn nhỏ Điểm chọn để xác định ngưỡng vị trí vơng đỏ đồ thị Hình 3.22: Đường cong ROC để xác định Threshold A Hình 3.23: Đường cong ROC để xác định Threshold B 47 Hình 3.24: Đường cong ROC để xác định Threshold C1 Hình 3.25: Đường cong ROC để xác định Threshold C2 3.2.2 Thuật toán SVM Trong luận văn này, thư viện SVM [33] Matlab sử dụng để huấn luyện mơ hình dự đốn Tiến trình huấn luyện mơ tả sơ đồ hình 3.26 Trong thuật tốn này, liệu tiền xử lý để giá trị VeDBA SCAY cho liệu gia tốc từ thiết bị cổ bò Việc xử lý hoàn toàn giống với việc tiền xử lý liệu thuật toán cậy định Các liệu từ cảm biến tiền xử lý thông qua lọc trung bình sổ M 48 Hình 3.26: Sơ đồ thực thi thuật toán SVM 3.2.2.1 Trường hợp phân loại hành vi từ liệu gia tốc cổ Trường hợp này, liệu lấy sau tiền xử lý thu giá trị VeDBA SCAY hình 3.20 giống trường hợp định phía giá trị k-fold lấy Đồ thị hình 3.27 mối quan hệ giá trị CV với cặp giá trị tương ứng định dạng Đồ thị cho thấy giá trị CV lớn 87,94% Khi cặp giá trị tốt Số vector hỗ trợ xác định 853 Số SVs phân bố theo lớp trạng thái thể bảng 3.3 Các giá trị b tìm cho hàm định cặp đối thể bảng 3.4 Bảng 3.3: Số SVs phân bổ lớp với liệu cổ Lớp trạng thái Đứng Nằm Ăn Đi Số vector hỗ trợ (SVs) 136 73 275 247 49 Uống Tổng SVs 122 853 Bảng 3.4: Giá trị b cho hàm định với liệu cổ Cặp đối Đứng & Nằm Đứng & Ăn Đứng & Đi Đứng & Uống Nằm & Ăn Nằm & Đi Nằm & Uống Ăn & Đi Ăn & Uống Đi & Uống Giá trị b 0,5018 -0,1112 -0,2834 0,3619 -0,5726 -0,8527 -0,1606 -0,0382 0,6240 0,4822 Hình 3.27: Đồ thị xác định CV thuật toán SVM với liệu cổ 3.2.2.2 Trường hợp phân loại hành vi từ liệu gia tốc cổ chân Trong trường hợp này, giá trị lấy Giá trị CV lớn xác định 96,76% đồ thị hình 3.28 Khi cặp giá trị tốt tương ứng Số vector hỗ trợ xác định 590 phân bố cho lớp trạng thái bảng 3.5 Các giá trị b tìm cho hàm định cặp đối thể bảng 3.6 Bảng 3.5: Số SVs phân bổ lớp với liệu cổ chân 50 Lớp trạng thái Đứng Nằm Ăn Đi Uống Tổng SVs Bảng 3.6: Giá trị Số vector hỗ trợ 37 (SVs) 156 314 75 590 cho hàm định với liệu cổ chân Cặp đối Đứng & Nằm Đứng & Ăn Đứng & Đi Đứng & Uống Nằm & Ăn Nằm & Đi Nằm & Uống Ăn & Đi Ăn & Uống Đi & Uống Giá trị b 0,5439 -0,5770 -0,9590 -0,2476 -0,8494 -0,9706 -0,6883 -0,6947 0,8316 0,8565 Hình 3.28: Đồ thị xác định CV thuật toán SVM với liệu cổ chân 3.2.3 Đánh giá hiệu Hiệu thuật toán đánh giá việc đánh giá mơ hình phân tách với liệu kiểm tra, liệu hoàn toàn độc lập với liệu huấn luyện cho việc xây dựng mơ hình thuật tốn Luận văn so sánh hiệu thuật toán: định SVM trường hợp khác Bảng 3.7: Đánh giá hiệu thuật toán 51 Thuật toán định Ăn Nằm Gia tốc Đứng trục Đi cổ Uống Tổng thể Thuật toán SVM Ăn Nằm Gia tốc Đứng trục Đi cổ Uống Tổng thể Ăn Gia tốc Nằm trục Đứng cổ Đi & Uống chân Tổng thể Độ nhạy (%) Độ xác (%) 88,5 9,7 84,5 90,5 70,6 68,8 83,3 34,2 71,9 78 92,2 71,9 84,5 31,3 84,5 70,7 84,4 71,1 79,2 100 94,7 95,2 72,9 88,4 89,6 43,8 68,7 81,4 85,2 73,7 80,7 100 95 85,7 84,3 89,1 Kết cho thấy, thuật toán SVM cho kết phân loại tốt so với định với liệu gia tốc trục cổ bò Sự cải thiện thấy rõ hành vi nằm bò, Sensitivity cải thiện từ 9,7% lên 31,34% Kết phân loại thấp dùng giá trị gia tốc cổ bị, lý mà luận văn đề xuất việc sử dụng liệu kết hợp giá trị gia tốc chân cổ Kết cho thấy, việc kết hợp gia tốc chân cổ giúp cho hiệu suất nhận diện phân loại hành vi bò cải thiện cách đáng kể Độ nhạy từ 71,1% với liệu cổ lên đến 88,4% kết hợp liệu cổ chân thuật toán SVM Trong trạng thái nằm cải thiện cách vượt trội từ 9,7% định lên đến 100% thuật toán SVM 3.3 Kết luận chương Như chương trình bày việc xây dựng hệ thống giám sát phân loại hành vi bò Luận văn đề xuất việc sử dụng thiết bị đo chuyển động chân cổ bò 52 Chương rõ việc thực thi thuật tốn học máy tìm giá trị tối ưu cho việc phân loại hành vi đồng thời đánh giá hiệu thuật toán cho trường hợp khác việc sử dụng liệu gia tốc cổ việc kết hợp giá trị gia tốc chân cổ 53 KẾT LUẬN Trong suốt thời gian nghiên cứu thực luận văn, với hướng dẫn tận tình PGS TS Trần Đức Tân TS Lê Vũ Hà, với cố gắng nỗ lực thân, toàn nội dung luận văn hoàn thiện đáp ứng yêu cầu đặt Luận văn đề xuất, thiết kế hệ thống giám sát phân loại hành vi gia súc – bò Hệ thống thiết kế dựa kỹ thuật mạng cảm biến không dây, mà vật ni đóng vai trị nút mạng Với hệ thống này, người chăn ni giám sát vật nuôi đâu Điểm luận văn việc đo chuyển động giám sát hành vi bò thực chân cổ so với nghiên cứu trước có thiết bị Luận văn thực phân loại hành vi thực thi hai thuật toán: thuật toán định thuật toán SVM Các thuận toán nhận diện phân loại hành vi huấn luyện dựa liệu thực mà luận văn thu thập Kết huấn luyện đánh giá hiệu thông qua liệu kiểm tra Luận văn việc sử dụng thuật toán SVM cho kết thực thi tốt đinh việc kết hợp liệu gia tốc chân cổ cho hiệu tốt nhiều Trên sở kết thu được, luận văn phát triển theo hướng sau:  Đánh giá thời gian sống nút mạng áp dụng kỹ thuật giúp nâng cao thời gian sống nút mạng  Cải thiện hiệu phân loại hành vi mở rộng mơ hình dự đốn hành vi cho nhiều đối tượng gia súc khác  Chế tạo triển khai thực tế DANH SÁCH CÁC CÔNG BỐ Nguyễn Đình Chinh, Phùng Cơng Phi Khanh, Trần Đức Tân, Lê Vũ Hà, “Nghiên cứu thiết kế hệ thống giám sát hành vi bò”, Hội nghị quốc gia Điện tử, Truyền thông Công nghệ thông tin 2016 (REV-2016), pp 6-19 – 6-22, Vol.2016 54 TÀI LIỆ THAM KHẢO Tiếng Anh [1] Nadimi, Esmaeil S., et al "Monitoring and classifying animal behavior using ZigBee-based mobile ad hoc wireless sensor networks and artificial neural networks." Computers and Electronics in Agriculture 82 (2012): 44-54 [2] Martiskainen, Paula, et al "Cow behaviour pattern recognition using a threedimensional accelerometer and support vector machines." Applied animal behaviour science 119.1 (2009): 32-38 [3] Stankovski, S., Ostojic, G., Senk, I., Rakic-Skokovic, M., Trivunovic, S., & Kucevic, D.,“Dairy cow monitoring by RFID” Scientia Agricola, 69(1), (2012): 75-80 [4] Nadimi, Esmaeil Shahrak, Henning Tangen Søgaard, and Thomas Bak "ZigBee-based wireless sensor networks for classifying the behaviour of a herd of animals using classification trees." Biosystems engineering 100.2 (2008): 167176 [5] Guo, Y., Corke, P., Poulton, G., Wark, T., Bishop-Hurley, G., & Swain, D “Animal behaviour understanding using wireless sensor networks” In Local Computer Networks, Proceedings 2006 31st IEEE Conference on, (2006, November), IEEE: 607-614 [6] Nielsen, Lars Relund, et al "Quantifying walking and standing behaviour of dairy cows using a moving average based on output from an accelerometer." Applied Animal Behaviour Science 127.1 (2010): 12-19 [7] Schwager, Mac, et al "Robust classification of animal tracking data." Computers and Electronics in Agriculture 56.1 (2007): 46-59 [8] Marchioro, Gilberto Fernandes, et al "Sows’ activity classification device using acceleration data–a resource constrained approach." Computers and electronics in agriculture 77.1 (2011): 110-117 [9] Cornou, Cécile, and Søren Lundbye-Christensen "Classifying sows’ activity types from acceleration patterns: an application of the multi-process Kalman filter." Applied Animal Behaviour Science 111.3 (2008): 262-273 [10] González, L A., et al "Behavioral classification of data from collars containing motion sensors in grazing cattle." Computers and Electronics in Agriculture 110 (2015): 91-102 [11] Jegadeesan, S., and GKD Prasanna Venkatesan "Smart cow health monitoring, farm environmental monitoring and control system using wireless 55 sensor networks." Int J Adv Eng Tech./Vol VII/Issue I/Jan–March 334 (2016): 339 [12] Dutta, Ritaban, et al "Dynamic cattle behavioural classification using supervised ensemble classifiers." Computers and Electronics in Agriculture 111 (2015): 18-28 [13] Nathan, Ran, et al "Using tri-axial acceleration data to identify behavioral modes of free-ranging animals: general concepts and tools illustrated for griffon vultures." Journal of Experimental Biology 215.6 (2012): 986-996 [14] Arcidiacono, C., et al "Development of a threshold-based classifier for realtime recognition of cow feeding and standing behavioural activities from accelerometer data." Computers and Electronics in Agriculture 134 (2017): 124134 [15] Guo, Ying, et al "Animal behaviour understanding using wireless sensor networks." Local Computer Networks, Proceedings 2006 31st IEEE Conference on IEEE, 2006 [16] Bidder, Owen R., et al "Love thy neighbour: automatic animal behavioural classification of acceleration data using the k-nearest neighbour algorithm." PloS one 9.2 (2014): e88609 [17] Internet: Machine Learning and Optimization, https://www.cims.nyu.edu/~munoz/files/ml_optimization.pdf [18] Internet: machine learning, https://www.britannica.com/technology/machinelearning [19] Ron Kohavi; Foster Provost (1998) "Glossary of terms" Machine Learning 30: 271–274 [20] Internet: Machine learning and pattern recognition "can be viewed as two facets of the same field.", http://www.iascgroup.it/en/machine-learning-en.html [21] Internet: exploiting machine learning in cybersecurity, https://techcrunch.com/2016/07/01/exploiting-machine-learning-in-cybersecurity/ [22] Wernick, Yang, Brankov, Yourganov and Strother, Machine Learning in Medical Imaging, IEEE Signal Processing Magazine, vol 27, no 4, July 2010, pp 25–38 [23] Mannila, Heikki (1996) Data mining: machine learning, statistics, and databases Int'l Conf Scientific and Statistical Database Management IEEE Computer Society 56 [24] Friedman, Jerome H (1998) "Data Mining and Statistics: What's the connection?" Computing Science and Statistics 29 (1): 3–9 [25] Internet: flavors of machine learning who what and where, http://www.darkreading.com/threat-intelligence/3-flavors-of-machine-learning-who-what-and-where/a/d-id/1324278 [26] Internet: lightcybers jason matlof explains how magna detects hackers before they attack, http://aibusiness.org/lightcybers-jason-matlof-explains-how-magnadetects-hackers-before-they-attack/ [27] Internet: Machine Learning: What it is & why it matters, https://www.sas.com/it_it/insights/analytics/machine-learning.html [28] Internet: Machine learning, https://en.wikipedia.org/wiki/Machine_learning [29] Piatetsky-Shapiro, Gregory (1991), Discovery, analysis, and presentation of strong rules, in Piatetsky-Shapiro, Gregory; and Frawley, William J.; eds., Knowledge Discovery in Databases, AAAI/MIT Press, Cambridge, MA [30] Internet: Mạch Raspberry pi, https://raspberrypi.vn/shop/mach-raspberry-pi/ [31] Internet: Vi điều khiển dsPIC33EP64MC502, http://www.microchip.com/wwwproducts/en/dsPIC33EP64MC502 [32] Internet: Module nRF24L01, https://www.sparkfun.com/datasheets/Components/SMD/nRF24L01Pluss_Prelim inary_Product_Specification_v1_0.pdf [33] Chih-Chung Chang and Chih-Jen Lin, LIBSVM : a library for support vector machines ACM Transactions on Intelligent Systems and Technology, 2:27:1-27:27, 2011 Software available at http://www.csie.ntu.edu.tw/~cjlin/libsvm [34] Tom Fawcett “ROC Graphs: Notes and Practical Considerations for Data Mining Researchers,” Technical report, HP labs, 2003 [35] Resheff, Yehezkel S., et al “AcceleRater: a web application for supervised learning of behavioral modes from acceleration measurements.” in Movement ecology, Vol 2, No.1, (2014): 1-7 Tiếng Việt [36] Đinh Mạnh Tường, “Học máy kỹ thuật đại”, nhà xuất Đại học Quốc gia Hà Nội, 2015 ... quan hệ thống giám sát nhận dạng hành vi bị Chương tóm lược hệ thống giám sát bò kỹ thuật xử dụng vi? ??c phân loại hành vi bò Chương 2: Thuật tốn học máy giúp nhận dạng hành vi bị Thuật toán học máy. .. ẬT TOÁN HỌC MÁY GIÚP NHẬN ẠNG HÀNH VI TRÊN Ò 21 2.1 Nhận diện hành vi bò 21 2.2 Thuật toán học máy cho nhận dạng hành vi bò 22 2.2.1 Thuật toán định 22 2.2.2 Thuật. ..ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ NGUYỄN ĐÌNH CHINH NGHIÊN CỨU THUẬT TỐN HỌC MÁY ÁP DỤNG CHO HỆ THỐNG GIÁM SÁT VÀ NHẬN DẠNG HÀNH VI TRÊN BỊ Ngành: Cơng nghệ Kỹ thuật Điện