Filtrace naměřených veličin v rámci smart home care

Abstract

Cílem práce je optimalizace konfigurace Wavelet Transformace pro filtraci nežádoucího šumu z predikovaného signálu koncentrace CO_2 z neuronové sítě tak, aby se výsledný signál co nejvíce shodoval s referenčním signálem. Bylo vybráno šest vlnek, na nichž se experimentálně testovaly různe kombinace nastavení pro vhodnou filtraci. Testování proběhlo na 12 datových souborech z reálného měření s různou délkou (den, týden a měsíc). Pro vyhodnocení nejvhodnějšího nastaveni byly použity tři evaluační metody: korelační koeficient, střední kvadratická chyba a Euklidovská vzdálenost. Výsledky byly rozděleny podle délky predikce, tzn. pro každou délku predikce byla vybrána jedna vlnka s optimálními nastaveními. Ve výsledku byly vybrány vlnky s největší korelací vůči naměřenému referenčnímu signálu koncentrace CO_2.

The goal of this work was to optimize Wavelet Transform settings for filtration of unwanted noise from predicted signal of CO_2 concentration produced by Neural network, so that the resulting signal matches the reference one to the most possible extent. Six wavelets were chosen to be experimentaly tested with various settings to achieve appropriate filtration. Testing was done on 12 real world datasets which have different lengths of measurement (day, week and month). For evaluation of appropriate settings were used three metods: correlation coefficient, mean square error and Euklidean distance. The results were divided by the lengths of predicition, which means for every length of prediction was choosen one wavelet with appropriate settings. Wavelets with the highest correlation coeficient against the reference CO_2 concetration signal were chosen as the best performing ones.