Aplikace metody hlubokého učení ve vestavěných systémech

Abstract

Práce popisuje aplikaci metod hlubokého učení s cílem natrénovat vícevrstvou dopřednou neuronovou síť, jenž má sloužit k predikování denní úhrnné sluneční energie pro následující den na základě dříve naměřených hodnot atmosférického tlaku. Jedná se tedy o regresní úlohu, jejímž výstupem je hodnota denního úhrnu sluneční energie. K naučení vícevrstvé neuronové sítě je použita metoda back propagation v kombinaci s metodou či metodami hlubokého učení jako jsou optimalizační metody(Adam, AdaGrad, Nesterov Momentum,...), metoda Batch-Normalization a metody pro inicializaci parametrů neuronové sítě. Potenciální využití těchto algoritmů pro předpověď energetické dostupnosti je v rámci energetického managementu energeticky nezávislých systémů jako jsou například senzorové sítě, zvláště pak tzv. enviromentální senzorové sítě. Zájem o tyto systémy se dnes zvyšuje hlavně díky, stále se zvyšující účinností solárních panelů, pokroku v oblasti ultra-low-power bezdrátové komunikace a také v oblasti akumulátorů elektrické energie. Tyto systémy se mnohdy implementují do prostředí, v němž není možnost připojení k primární elektrické síti. Řešení těchto situací spočívalo primárně pouze ve využití bateriových zdrojů energie. Mnohem zajímavějším řešením je však kombinace nabíjitelného akumulátoru elektrické energie(baterie, supekondenzátor) a zdroje elektrické energie, transformující energii z okolních zdrojů na energii elektrickou. Tento přístup vyžaduje vůči prvně zmíněnému odlišný energetický management, u něhož predikce celkového denního úhrnu energie může poskytovat data k optimálnějšímu časovému rozvržení výpočetně náročných úloh a sestavení harmonogramu módů microkontroléru(active, mode, sleep mode,...).

Thesis descibes the application of deep learining with aim to train a Deep feedforward networks( also known as multilayer perceptrons), which should serve to predict solar energy availability for the following day. The prediction is based on preaviously measured atmospheric preassure values. It can be presented as regresion task, where output of this regresion is value of energy availability. Back-propagation method is used to train multilayer neural network in combination with Deep learning methods as optimalization methods(Adam, AdaGrad, Nesterov Momentum,...), Batch-Normalization method and methods for inintialization parameers of neural network. Potential application of this forecasting algorithm is in area of energy management of energy independent systems as senzors networks, especialy enviromental senzors networks. Raising efficienty of solar panels and progress in area of eletric accumulators imply raising usage of sensors networks. This systems are often applied in enviromental, where is no option, how connect this systems to primary electrical network. Solving this situation was accomplished by using battery sources to power systems. Much more interesting solution of this problem is using combination of recharging batteries or supercapacitors and source of eletric energy, which can transform some particular kind energy from enviroment to eletric energy. This aproach require ,compare to the former, another energy management, using solar availability forecasting for obtaining data, which can be used for more optimal time schedule of compute-intensive tasks and microcontroller energy modes.