Bài viết trình bày về việc đề xuất một thuật toán sử dụng mạng Neural với mục đích dự đoán và chọn lựa tác vụ của nút cảm biến. Thuật toán có thể ứng dụng trên vi điều khiển với khả năng xử lý và lưu trữ hạn chế. Mời các bạn cùng tham khảo!
46 Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 63 (04/2021) Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh THUẬT TỐN ĐỘNG ĐỂ LỰA CHỌN TÁC VỤ TRONG HỆ THỐNG IOTS DYNAMIC ALGORIZATION FOR SELECTING TASKS IN IOTS SYSTEM Trần Công Thịnh, Võ Minh Huân Trường Đại học Sư phạm Kỹ thuật TP.Hồ Chí Minh Ngày soạn nhận 28/8/2020, ngày phản biện đánh giá 5/9/2020, ngày chấp nhận đăng 26/1/2021 TÓM TẮT Kéo dài thời lượng pin tăng cường chất lượng thông tin thu thập mạng cảm biến không dây sử dụng nguồn lượng tái tạo vấn đề hệ thống Intenet of Things (IoTs) Để cải thiện vấn đề trên, đề xuất thuật tốn sử dụng mạng Neural với mục đích dự đốn chọn lựa tác vụ nút cảm biến Thuật tốn ứng dụng vi điều khiển với khả xử lý lưu trữ hạn chế Khác với phương pháp trước chủ yếu tập trung vào chế độ ngủ sâu hay lập lịch trình cho tác vụ, thuật tốn chúng tơi đề xuất giúp nút cảm biến có tính thích nghi cao với môi trường dựa số liệu thời gian thực nút Khi có chênh lệch số liệu lớn, lượng thông tin thu thập tăng lên khơng có thay đổi đáng kể, nút cảm biến đưa tác vụ tiêu tốn lượng thấp để đảm bảo thời lượng pin Các kết từ nghiên cứu cho thấy thuật toán thu thập số lượng thơng tin có ích nhiều hơn, thời lượng tuổi thọ pin cải thiện Từ khóa: Mạng neural; IoTs; Mạng cảm biến không dây; Tuổi thọ pin; Chất lượng thông tin ABSTRACT Extending the lifespan and improving the quality of information collected by wireless sensor networks using renewable energy is one of the problems of the Internet of Things (IoT) system To improve the above problem, we propose an algorithm using a Neural network for the purpose of predicting and selecting sensor nodes and can be applied on microcontrollers with low processing and storage capacity Unlike previous methods that mainly focus on scheduled or deep sleep tasks, the algorithm we recommend makes the sensor node more adaptable to the environment based on the metrics Real-time at each node When there is a large data discrepancy, the amount of collected information is increased and when there is no significant change, the sensor node is put into low power duty to ensure battery life Results from the study show that the algorithm gathers more useful information and battery life is also improved Keywords: Neural Network; IoTs; Wireless Sensor Network; battery-life; quality of service GIỚI THIỆU Trong ứng dụng Internet of Things (IoTs), việc cung cấp thiết bị thu thập liệu sử dụng mạng cảm biến khơng dây đóng vai trò quan trọng để phục vụ cho quan sát, phân tích xử lý thơng tin Đa phần thiết bị mạng cảm biến không dây ứng dụng vi điều khiển có khả tính tốn, lưu trữ hạn chế lượng sử dụng thiết bị phần lớn từ nguồn lượng tái tạo mặt trời [1], [2] Hoạt động nút cảm biến mạng chia làm phần: cảm biến, xử lý truyền liệu Trong ba nhiệm vụ trên, truyền liệu hoạt động tiêu tốn nhiều lượng (khoảng 80% lượng nút) [3] Việc kéo dài tuổi thọ hoạt động mạng cảm biến nâng cao chất lượng thông tin mà nút cảm biến thu thập vấn đề quan trọng cần tập trung nâng cao Trong nghiên cứu gần đây, số thuật toán đề xuất nhằm tối ưu lượng sử dụng thuật toán lập lịch trình, quản lý Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 63 (04/2021) Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh lượng tiêu thụ hay tối ưu định tuyến mạng cảm biến [4] Trong báo này, đề xuất thuật tốn sử dụng mạng neural thực vi điều khiển để phân loại dự đoán nhằm nâng cao chất lượng thông tin kéo dài thời gian sống nút Trong nghiên cứu tác giả A Sinha Chandrakasan [5], Wang Xiao [6], tác giả đề xuất phương pháp quản lý điện hầu hết chế tận dụng chế độ ngủ sâu để tiết kiệm lượng Tuy nhiên, nút chế độ ngủ sâu lượng thơng tin bị gây độ trễ cho mạng Trong báo [6], tác giả L Wang đề xuất thuật toán quản lý công suất động cho mạng cảm biến với năm chế độ Các chế độ thay đổi lặp lại dựa mức lượng pin Trên thực tế, việc chuyển đổi trạng thái từ ngủ sâu sang thức hay từ chế độ nguồn gây hao phí mặt lượng lớn có độ trễ Trong nghiên cứu tác giả X Fan [7], thuật toán tác giả đề xuất nâng cao việc tính tốn ngưỡng để định nút có ngủ sâu hay không sử dụng báo [5] xác cách xem xét lượng tiêu thụ lượng bổ sung đánh thức nút cảm biến trở lại trạng thái hoạt động Trong báo [8], tác giả Sujesha Sudevalayam tối ưu thời gian sống pin nút cảm biến dựa nguồn lượng nạp cho pin Tác giả thay đổi thông số nút dựa dự đoán mức lượng pin mức lượng pin nhằm tối ưu thời gian pin sạc Một số nghiên cứu khác công bố nhằm tối ưu thời lượng pin nút điển hình phương pháp giảm tần số hoạt động vi điều khiển [9] giảm công suất cảm biến Các cảm biến có độ xác cao giảm thay với cảm biến có độ phân giải, độ xác thấp Phương pháp có nhược điểm làm ảnh hưởng khơng tốt đến chất lượng thơng tin thu thập Ngồi hạ thấp cơng suất truyền tín hiệu mạng cảm biến tác giả G Amato đề cập [10] thay đổi chu kỳ lấy số liệu X.Chen nghiên cứu [11] 47 Với mạng cảm biến có khoảng cách ngắn vật cản thấp phương pháp tối ưu Tuy nhiên, địa điểm có mạng cảm biến rộng nhiều vật cản việc thông tin chất lượng bị giảm cách rõ rệt Các vấn đề nêu nhắc đến báo nhằm khảo sát kỹ thuật quản lý điện mạng cảm biến thu thập lượng[12] Ngồi phương pháp trên, thuật tốn lên lịch trình cho tác vụ đề cập [13]–[18] Trong báo [13], tác giả Soledad Escolar đề xuất thuật tốn lập trình nhằm tối ưu mức tổng điện tiêu thụ dựa tính có ích lượng tiêu thụ tác vụ Thuật tốn lên lịch cho tác vụ, sử dụng thơng tin dự báo thời tiết có sẵn vào đầu khoảng thời gian lập lịch (thường ngày) mức pin có lúc lập lịch, từ xác định lịch trình tối ưu Mục tiêu phương pháp [13] tìm lịch trình trung bình lượng, khoảng thời gian dài Trong báo [14], M.Severini trình bày thuật toán thực thu thập số liệu cách trình tự, lập lịch trình báo [13] sử dụng mơ hình LSA (Lazy Scheduling Algorithm) Mơ hình LSA (Lazy Scheduling Algorithm) thuật tốn lập trình để lập lịch trình hoạt động cho nút cảm biến sạc lại giới hạn nhiệm vụ nút cảm biến nhắc đến báo [14] [15] LSA tạo lịch trình chạy cho tác vụ chạy song song chạy cố định theo lịch trình tác giả Moser thực báo [16] Hình Thuật tốn LSA Hình mơ tả chi tiết thuật tốn LSA lập lịch trình thực tác vụ, khối Task 48 Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 63 (04/2021) Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh scheduler lập lịch trình thực tác vụ J1, J2 dựa thơng số energy Storage (C) Ngõ thuật tốn danh sách tác vụ thực không thay đổi trình nút cảm biến chạy Đây điểm chưa tối ưu thuật tốn Tuy nhiên, LSA giảm thiểu yếu tố ngõ vào để tăng hiệu suất thuật toán thuật toán tĩnh nên trình chạy tác vụ lên lịch trình khơng thêm trạng thái bổ sung ngõ vào từ khơng thể hủy ngang lịch trình lên sẵn thêm tác vụ lúc thực đề cập báo [14], [15], [17] Trong báo [18], tác giả Caruso đề xuất thuật tốn động nhằm lập trình lên lịch trình thay đổi dựa thơng số ngõ vào pin dịng sạc pin Vì thuật tốn động thay đổi lịch trình nên có tính thích nghi cao so với LSA Tuy nhiên với thuật toán động việc quản lý vùng nhớ thuật toán động quan trọng Nhằm giảm thiểu việc tính tốn lặp lại sử dụng đệ quy giá trị tính tốn trước thuật tốn động đưa vào mảng Khi nút cảm biến thực tính tốn nhiều, nhớ tăng lên từ khơng quản lý q trình thuật tốn tính tốn Từ phát sinh tượng treo khởi động lại khiến vi điều khiển phải tính tốn lại từ đầu Để cải thiện bất cập trên, chúng tơi đề xuất thuật tốn sử dụng mạng neural phân loại dự đoán từ liệu đầu vào bao gồm lượng pin, dòng sạc độ biến thiên liệu, từ lựa chọn tác vụ có mức độ suy hao mặt lượng khác Mơ hình phù hợp với đề lập trình với thời gian thực theo chu kỳ hoạt động thực vi điều khiển Chúng tơi thiết kế thuật tốn hoạt động linh hoạt với tác vụ thay đổi Thay lấy mẫu liên tục gửi theo chu kỳ, mơ hình phụ thuộc vào liệu ngõ vào nút để xác định tác vụ từ có tính thích nghi cao so với nghiên cứu [13] Để định điều trên, dựa mơ hình mạng neural [20], [21] Thuật tốn thực việc tính tốn lan truyền thuật phần cứng có tốc độ xử lý nhớ hạn chế dòng vi điều khiển 32 bit arm-cortex, mà không cần thực phần mềm máy tính có tốc độ xử lý cao, phương án tính tốn khơng bị lặp lại sử dụng đệ quy quản lý vùng nhớ sử dụng toán động [18] Bài báo nghiên cứu xem xét nhiều mơ hình tập trung vào vấn đề lập trình lựa chọn tác vụ tối ưu nút cảm biến thời điểm Ngồi ra, thuật tốn thực hiệu nút công suất thấp điều kiện thực tế Các phương pháp nêu chưa xét đến độ biến thiên liệu Đây yếu tố quan trọng cho việc đưa dự đốn, định xác Trong số ứng dụng thực tiễn, điển việc nuôi trồng thủy hải sản, số liệu thay đổi đột ngột có nguy gây hại lớn đến kinh tế Ví dụ mơ hình ni tơm thẻ [19], nhiệt độ pH nước cần đạt ổn định Khi liệu có thay đổi đột biến giá trị trên, người chăn ni cần nhiều thơng tin nhằm dự đốn đưa định nhanh chóng xác Trong ứng dụng thu thập liệu rừng, xét đến biến thiên nhiệt độ dự đoán vấn đề cháy rừng lũ lụt Vì vậy, độ biến thiên liệu thành phần đầu vào quan trọng mơ hình thu thập liệu Bài báo nghiên cứu tổ chức theo mục Mục giới thiệu tổng quan nghiên cứu trước Mục mô tả trình thiết kế điều khiển neural network mơ hình hệ thống Simulink Mục trình bày thảo luận kết đạt sử dụng neural network Cuối cùng, kết luận định hướng tương lai đưa mục THIẾT KẾ HỆ THỐNG 2.1 Mơ hình hệ thống Mơ hình thuật tốn nút cảm biến sử dụng thể hình 2, thơng số ngõ vào cho neural network bao gồm dung lượng pin (energy), dòng sạc pin lượng mặt trời (current) độ biến thiên liệu thu thập (delta) Trong mơ Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 63 (04/2021) Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh hình, dung lượng pin phần trăm lượng lại pin, độ biến thiên liệu độ lệch liệu khoảng thời gian Khi số liệu thay đổi đột ngột độ lệch cao ngược lại Cuối dòng sạc pin lượng mặt trời Các liệu sau qua neural, giá trị dự đốn ngõ làm trịn Ngõ cuối cho khả dự đoán cân đối tác vụ thích hợp từ hệ thống thực tác vụ chọn từ neural Calculator_data TASK Energy NEURAL CONTROLLER Current Round OutTaskData khác (nơi có độ biến thiên nhiệt độ khác nhau) Kết mong muốn ngõ gồm tác vụ tương ứng với giá trị [1, 2, 3, 4] thiết kế phù hợp với thông số ngõ vào Chức tác vụ, công suất tiêu hao giá trị ngõ tác vụ biểu diễn thông qua bảng sau: Bảng Các tác vụ đề xuất Số TT tác vụ Chức Năng Task Cơng Suất Trung Bình Khơng gửi liệu Rất Thấp Kết thúc chu kỳ ngày gửi liệu Thấp Gửi liệu theo chu kỳ với N mẫu Trung Bình Gửi liệu liên tục theo 2N mẫu Cao Delta Hình Thuật tốn hệ thống Trong thơng số ngõ vào, lượng pin khoảng giá trị dung lượng pin giới hạn [0, 100], đọc thông qua ADC vi điều khiển Với mức pin tối đa đầy Vbat_full = 4,3V cạn Vbat_low = 3,7V Từ tính giá trị pin dựa công thức sau đây: 𝐸= 𝑉𝑛𝑜𝑤 − 𝑉𝐵𝑎𝑡_𝑙𝑜𝑤 ∗ 100% 𝑉𝐵𝑎𝑡_𝑓𝑢𝑙𝑙 − 𝑉𝐵𝑎𝑡_𝑙𝑜𝑤 (1) 49 2.2 Phương án lấy số liệu Các tập số liệu lấy trực tiếp quận Thủ Đức, TP Hồ Chí Minh Chúng tơi thiết kế thiết bị hình sử dụng Arduino Pro Mini, pin Lithium 3V7 2000mAh, pin mặt trời 4.5W mạch sạc dòng tối đa 250mA Các số liệu thu thập tính tốn theo cơng thức (1), (2) (3) Dịng sạc pin [0, 250] mA lấy từ cảm biến INA-219 dựa điện áp rơi điện trở shunt 𝑅𝑠𝑒𝑛𝑠𝑖𝑛𝑔 có giá trị 0.01Ω sai số thấp 𝑉1 𝑉2 điện áp đầu điện trở shunt, G hệ số khuếch đại (module INA-219 thực nghiệm giá trị =1) (𝑉2 −𝑉1 ) 𝐼𝑐ℎ𝑎𝑟𝑔𝑒 = 𝐺 ∗ 𝑅 𝑠𝑒𝑛𝑠𝑖𝑛𝑔 (2) Sai lệch liệu Delta xác định độ lệch chuẩn chu kỳ lấy liệu Trong chu kỳ có N mẫu lấy thời gian T Độ lệch chuẩn liệu chu kỳ biểu diễn sau: ∑𝑁 𝑖 (𝑥𝑖 −𝑋) 𝐷𝑒𝑙𝑡𝑎 = µ√ 𝑁−1 (3) Hệ số µ hệ số lựa chọn hệ số hiệu chỉnh với loại mơi trường Hình Bộ thu thập liệu 2.3 Năng lượng tiêu hao thực tế Các tác vụ nêu tiêu hao lượng lượng khác với mức khác từ thấp đến cao Các tác vụ tính tốn đo lường phương pháp lấy trung bình Với nguồn pin đạt 100%, tiến hành cho chạy tác vụ với 50 Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 63 (04/2021) Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh dịng sạc pin đạt 80% Với nguồn pin sử dụng cho hệ thống 2000mAh cịn 80% pin tiêu thụ khoảng 400mAh Sau lấy 400mAh chia cho số chu kỳ mà tác vụ chạy Các số thống kê bảng sau: vụ 1, tác vụ 2, tác vụ tác vụ [1 4] Sau thu thập số liệu, tiến hành để huấn luyện cho mơ hình Matlab với phương án học có giám sát Bảng Năng lượng tiêu hao Tác Vụ Mức tiêu hao Số lượng mẫu Năng lượng tiêu hao chu kỳ (mAh) Năng lượng tiêu hao (mAh) Rất Thấp >5000 ~0 ~0 Thấp 435 0.9195402 3.678160 Trung Bình 105 3.8095238 15.23809 Cao 188 2.1276595 42.55319 Hình Quá trình huấn luyện 2.4 Bộ Neural Network đề xuất Khác với thuật toán lập trình lịch trình tác vụ thuật tốn LSA đề cập mục 2, phân loại sử dụng neural network đáp ứng khả thay đổi tác vụ làm việc từ số liệu thay đổi từ ngõ vào LSA chạy liên tục theo lịch trình lập sẵn mà khơng thay đổi tác vụ mong muốn Với ứng dụng đơn giản u cầu xác cao mà khơng cần tính tốn q nhiều mạng neural với số lớp ẩn số lượng neural nhỏ thể ưu điểm tính tốn hay nhớ Trong hình 5, thuật tốn sử dụng để huấn luyện mạng lan truyền ngược đàn hồi (resilient backpropagation) Thuật tốn nhằm mục đích loại bỏ tác động có hại độ lớn đạo hàm riêng Chỉ dấu đạo hàm sử dụng để xác định hướng cập nhật trọng số độ lớn đạo hàm không ảnh hưởng đến việc cập nhật trọng số 2.5 Đánh giá kết mặt lượng BẮT ĐẦU KHỞI TẠO Battery (2000mah) Battery>0 Đ LẤY GIÁ TRỊ CẢM BIẾN S End Hình Mơ hình mạng neural đề xuất Mơ hình mạng đề xuất hình Chúng tơi lựa chọn mạng có lớp bao gồm lớp ngõ vào, lớp ẩn lớp ngõ Các neural lớp ngõ vào dung lượng pin, hiệu số dịng sạc, dịng tải trung bình task chạy cuối giá trị độ lệch chuẩn liệu với trung bình liệu Lớp ngõ có neural tương ứng với giá trị mà task thực cho Node Sensor Các giá trị ngõ cho việc huấn luyện tương ứng với tác NEURAL NETWORK Task1 Đ Battery- E (task1) Đ Battery- E (task2) Đ Battery- E (task3) S Task2 S Task3 S Battery- E (task4) Lưu đồ Thuật toán kiểm chứng kết mặt lượng Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 63 (04/2021) Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh 51 Lưu đồ bao gồm giá trị khởi tạo pin 100%, giá trị nhiệt độ lấy thực tế phần 3.2 Tiến trình chạy liên tục nguồn pin cịn Khi nguồn pin hết, giá trị nhận thống kê bao gồm số lượng tác vụ khả tiết kiệm pin chất lượng thông tin thu KẾT QUẢ 3.1 Đánh giá chất lượng mạng neural Hình Sai số với lớp ẩn – 50 neural Trong hình 8, giá trị hội tụ 0.005 với 20.000 vịng lặp Như vậy, ta xác định 20 neural lớp ẩn thứ lựa chọn tốt cho việc huấn luyện mạng với số lượng neural số lớp ẩn nút cảm biến giảm thiểu cồng kềnh tính tốn nhớ Từ đó, nút cảm biến tối ưu mặt lượng Hình Sai số với lớp ẩn – 20 neural Với mạng neural lớp ẩn có 20 neural hình kết cho thấy giá trị sai số hội tụ giá trị 0.05 sau 15611 vòng lặp Giá trị hội tụ theo đường tuyến tính 3.2 Độ xác mạng neural Sau thực công việc đưa trên, model sử dụng mạng neural tối ưu (1 lớp ẩn chứa 20 neural) việc lựa chọn tác vụ mà đề xuất thể hình Hình Mơ hình Simulink Matlab Để có góc nhìn tổng quan việc model lựa chọn xác tác vụ, tiếp tục thu thập thêm 10 100 mẫu liệu ngẫu nhiên để đưa vào model Simulink nhằm xác nhận lại khả xác mơ hình Hình Sai số với lớp ẩn – 25 neural Từ mơ hình hệ thống trên, thực thu kết quả: 52 Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 63 (04/2021) Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh Từ hình 12, giá trị sau làm trịn từ ngõ mạng neural có 4/100 tác vụ sai giá trị chấp nhận Các số liệu đánh giá đựa lựa chọn từ bảng sau: Bảng Tỉ lệ dự đốn mơ hình Hình 10 Kết phân loại với 10 mẫu ngẫu nhiên Kết thu đạt 10/10 so với kết mong muốn thể hình 10 Với kết đạt trên, tiếp tục tăng số lượng liệu ngõ vào (100 mẫu nhằm đánh giá xác suất xảy lỗi) Số neural ở lớp ẩn Tỉ lệ lựa chọn chính xác từ mẫu ngẫu nhiên 20 96% 25 93% 50 97% 3.3 Giá trị độ lệch số liệu Giá trị delta thu sau lấy số liệu từ thực tế ngày ngẫu nhiên vị trí Sau đó, giá trị tính tốn dựa theo công thức (3) với N slot 10 20 Từ số liệu ta thay đổi hệ số µ để tương ứng với nhiều mơi trường khác (ở thực với giá trị µ = 1) Hình 11 Ngõ neural với 100 mẫu Với kết thu (hình 10 hình 11), ta thấy với neural network có độ xác cao liệu dự đoán ngõ bám tương đối sát với giá trị mong muốn huấn luyện mạng Hình 12 Ngõ neural với 100 mẫu sau làm tròn Hình 13 Giá trị delta với N = 10 Với giá trị N slot 10 Giá trị delta rơi từ đến gần Giá trị dao động mạnh vào từ 10h đến 13h Hình 14 Giá trị delta với N = 20 Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 63 (04/2021) Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh Các giá trị delta dao động nhiều khoảng trưa từ 11h đến 14h Các thuật toán thường chỉ tính hệ số delta khơng xác định khoảng thời gian thường xuyên có biến động đột biến nên giá trị thường không lấy nhiều thời điểm khác Đối với khoảng thời gian từ 7h đến 9h giá trị không cần lấy nhiều nguyên nhân giá trị độ lệch delta không sai lệch nhiều Các giữ liệu đối chiếu với phương pháp quan trắc theo thông tư tài nguyên môi trường ngày 26/12/2018 quy định kỹ thuật quan trắc cung cấp thông tin, liệu khí tượng thủy văn trạm khí tượng thủy văn chuyên dùng [22] dựa nghiên cứu [11] Các số liệu môi trường lấy theo chu kỳ nhỏ đến 10 phút Trung bình mẫu thu thập với chu kỳ phút, ta có 20 mẫu thu thập dựa theo thông tư Các thông số thể bảng sau đây: Bảng Số lượng mẫu thu thập Thời gian Chu kỳ Chu kỳ phút[11] phút[22] Thuật toán đề xuất 7h – 9h 120 60 31 11h – 13h 120 60 92 17h – 19h 120 60 57 21h – 3h 360 180 120 Từ thông số bảng 4, với chu kỳ lấy mẫu phút, số lượng thông tin thu thập nhiều nhiều, có nhiều thơng tin trùng lặp, khơng có ích lượng hao phí nhiều Đối với phương pháp lấy mẫu theo chu kỳ liên tục với phút, số lượng mẫu thu đạt mức khá, khoảng thời gian có nhiệt biến thiên khơng có thích nghi mà khoảng thời gian cần thêm nhiều thơng tin Cịn với thuật tốn đề xuất, khoảng thời gian có biến động lớn số liệu giá trị thu thập nhiều Thời gian ngày nhiệt độ thay đổi số liệu lấy nhằm đảm bảo tính lượng nút cảm biến 53 3.4 Năng lượng thu pin mặt trời Điện áp pin thu thập thông qua ADC nội vi điều khiển dòng điện từ pin qua lọc thông thấp (LPF) thụ động RC để giảm thiểu nhiễu nguồn, giữ lại thành phần DC Hình 15 Điệp áp trung bình pin ngày râm nắng Điện áp pin dao động hình 15 nhiều lý khách quan ví dụ mây che phủ mặt trời Công suất pin đạt tối đa khoảng thời gian trưa Những ngày mưa, pin không đạt điện áp 6V Hình 16 Năng lượng thu thập pin ngày râm nắng (Wh) Với lượng pin đề xuất 2000 mAh, khả sạc đầy pin ngày với điều kiện nắng lý tưởng đạt 100% Với ngày độ phủ nắng thấp (2h- 4h/ngày) pin nạp tối thiểu 80% 3.5 Đánh giá kết mặt lượng Tiến hành thực thuật toán đề xuất với điều kiện dòng sạc vào pin 0, điện áp pin thu thập đồng thời để 54 Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 63 (04/2021) Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh chứng minh khả đáp ứng mặt lượng thuật tốn Ngồi ra, chúng tơi đối chiếu với phương pháp lấy mẫu theo chu kỳ phút [22] Hình 18 phần cứng để thực phương pháp bao gồm vi điều khiển STM32F103, lora SX1278 433Mhz, pin 2000mah, MCU quản lý sạc CN3065, pin mặt trời 6V 4.5W, cảm biến nhiệt độ DS18B20 Sau biên dịch chương trình, thuật tốn đề xuất chiếm 12% dung lượng nhớ flash KẾT LUẬN Bài báo cáo trình bày tổng quan phương pháp phân loại sử dụng mạng neural thiết kế điều khiển neural cho việc phân loại Kết mô trình bày phân tích thơng qua Matlab bao gồm: Hình 17 So sánh điện áp pin Trong khoảng thời gian đầu, lượng pin nhiều nên sử dụng thuật tốn đề xuất lượng pin hao lúc nút cảm biến sử dụng với tác vụ số đạt với mong muốn ban đầu hình 17 Lượng pin hao hụt nhiều số lượng mẫu thu tối ưu Về lâu dài, lượng pin thấp ta tối ưu phần mặt lượng nút tác vụ bị thay đổi xuống tác vụ tốn lượng kéo dài thời lượng tuổi thọ pin Hình 18 Bộ thu thập số liệu Mạng neural với mạng nhỏ bao gồm lớp ngõ vào, lớp ẩn lớp ngõ có kết khả quan tương đối xác Tuy nhiên, với lượng neural lớp ẩn nhiều hệ thống tính tốn nặng hơn, kéo theo lượng tiêu tốn nút nhiều Với 20 neural chọn rút gọn nhiều tài nguyên từ nhớ đến lượng để tính tốn nút cảm biến Khi tiến hành huấn luyện, việc lựa chọn hệ số tốc độ học (Learning rate) quan trọng cho mơ hình huấn luyện đến điểm hội tụ thấp nhanh Mặt khác, thuật tốn có tính cân đối tối ưu yếu tố quan trọng hệ thống thu thập liệu lượng thấp chất lượng thông tin tuổi thọ pin Lượng pin tương đương với thuật toán cũ bù lại số liệu thời điểm có thay đổi lớn lấy nhiều mẫu số liệu thay đổi khơng đáng kể Ngồi ra, thuật tốn có tính thích nghi tốt với mơi trường hệ số mạng neural thay đổi dựa thông tin thu thập TÀI LIỆU THAM KHẢO [1] [2] S Escolar, S Chessa, and J Carretero, Optimization of Quality of Service in Wireless Sensor Networks Powered by Solar Cells 2012 A A Babayo, M H Anisi, and I Ali, “A Review on energy management schemes in energy harvesting wireless sensor networks,” Renew Sustain Energy Rev., vol 76, pp 1176–1184, 2017, doi: https://doi.org/10.1016/j.rser.2017.03.124 Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 63 (04/2021) Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16] [17] [18] [19] 55 N Kimura, V Jolly, and S Latifi, “Energy restrained data dissemination in wireless sensor networks,” Int J Distrib Sens Networks, vol 2, no 3, pp 251–265, 2006, doi: 10.1080/15501320600642692 S Basagni, M Y Naderi, C Petrioli, and D Spenza, “Wireless Sensor Networks with Energy Harvesting,” in Mobile Ad Hoc Networking, Hoboken, NJ, USA: John Wiley & Sons, Inc., 2013, pp 701–736 A Sinha and A Chandrakasan, “Dynamic power management in wireless sensor networks,” IEEE Des Test Comput., vol 18, no 2, pp 62–74, 2001, doi: 10.1109/54.914626 L Wang and Y Xiao, “A Survey of Energy-Efficient Scheduling Mechanisms in Sensor Networks,” MONET, vol 11, pp 723–740, Oct 2006, doi: 10.1007/s11036-006-7798-5 X Fan, “Sensors Dynamic Energy Management in WSN,” Wirel Sens Netw., vol 02, pp 698–702, Jan 2010, doi: 10.4236/wsn.2010.29084 S Sudevalayam and P Kulkarni, “Energy harvesting sensor nodes: Survey and implications,” IEEE Commun Surv Tutorials, vol 13, no 3, pp 443–461, Sep 2011, doi: 10.1109/SURV.2011.060710.00094 P Pillai and K Shin, “Real-Time Dynamic Voltage Scaling for Low-Power Embedded Operating Systems,” ACM SIGOPS Oper Syst Rev., vol 35, Sep 2001, doi: 10.1145/502034.502044 G Amato, A Caruso, and S Chessa, “Application-driven, energy-efficient communication in wireless sensor networks,” Comput Commun., vol 32, pp 896–906, Mar 2009, doi: 10.1016/j.comcom.2008.12.022 X Chen, H.-B Chen, W Ma, X Li, and S X.- Tan, “Energy-efficient wireless temperature sensoring for smart building applications,” in 2016 13th IEEE International Conference on Solid-State and Integrated Circuit Technology (ICSICT), 2016, pp 680– 683, doi: 10.1109/ICSICT.2016.7999010 J Khan, H Qureshi, and A Iqbal, “Energy management in Wireless Sensor Networks: A survey,” Comput Electr Eng., vol 41, Jul 2014, doi: 10.1016/j.compeleceng.2014.06.009 S Escolar, A Caruso, S Chessa, X Del Toro, F J Villanueva, and J C Lopez, “Statistical Energy Neutrality in IoT Hybrid Energy-Harvesting Networks,” Proc IEEE Symp Comput Commun., vol 2018-June, pp 444–449, 2018, doi: 10.1109/ISCC.2018.8538532 M Severini, S Squartini, and F Piazza, “Energy Aware Lazy Scheduling Algorithm for Energy-Harvesting Sensor Nodes,” Neural Comput Appl., vol 23, Dec 2013, doi: 10.1007/s00521-012-1088-x C Moser, J Chen, and L Thiele, “Dynamic power management in environmentally powered systems,” in 2010 15th Asia and South Pacific Design Automation Conference (ASP-DAC), 2010, pp 81–88, doi: 10.1109/ASPDAC.2010.5419916 C Moser, D Brunelli, L Thiele, and L Benini, Lazy Scheduling for Energy Harvesting Sensor Nodes 2006 C Moser, L Thiele, D Brunelli, and L Benini, “Adaptive Power Management in Energy Harvesting Systems,” in Proceedings of the Conference on Design, Automation and Test in Europe, 2007, pp 773–778 A Caruso, S Chessa, S Escolar, X Del Toro, and J C López, “A dynamic programming algorithm for high-level task scheduling in energy harvesting IoT,” IEEE Internet Things J., vol 5, no 3, pp 2234–2248, 2018, doi: 10.1109/JIOT.2018.2828943 P Zhang, X Zhang, J Li, and G Huang, “The effects of body weight, temperature, salinity, pH, light intensity and feeding condition on lethal DO levels of whiteleg shrimp, 56 Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 63 (04/2021) Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh Litopenaeus vannamei (Boone, 1931),” Aquaculture, vol 256, no 1, pp 579–587, 2006, doi: https://doi.org/10.1016/j.aquaculture.2006.02.020 [20] R E Uhrig, “Introduction to artificial neural networks,” in Proceedings of IECON ’95 21st Annual Conference on IEEE Industrial Electronics, vol 1, pp 33–37, doi: 10.1109/IECON.1995.483329 [21] A K Jain, J Mao, and K M Mohiuddin, “Artificial neural networks: A tutorial,” Computer, vol 29, no pp 31–44, Mar 1996, doi: 10.1109/2.485891 [22] Lê Công Thành, “Quy định kỹ thuật quan trắc cung cấp thơng tin, liệu khí tượng thủy văn trạm khí tượng thủy văn chuyên dùng,” 2018 Tác giả chịu trách nhiệm viết: Võ Minh Huân Trường Đại học Sư phạm Kỹ thuật TP.Hồ Chí Minh Email: huanvm@hcmute.edu.vn ... bảng sau: vụ 1, tác vụ 2, tác vụ tác vụ [1 4] Sau thu thập số liệu, chúng tơi tiến hành để huấn luyện cho mơ hình Matlab với phương án học có giám sát Bảng Năng lượng tiêu hao Tác Vụ Mức tiêu... việc lựa chọn tác vụ mà đề xuất thể hình Hình Mơ hình Simulink Matlab Để có góc nhìn tổng quan việc model lựa chọn xác tác vụ, chúng tơi tiếp tục thu thập thêm 10 100 mẫu liệu ngẫu nhiên để đưa... thêm tác vụ lúc thực đề cập báo [14], [15], [17] Trong báo [18], tác giả Caruso đề xuất thuật toán động nhằm lập trình lên lịch trình thay đổi dựa thông số ngõ vào pin dịng sạc pin Vì thuật tốn động