РОЗРОБКА НЕЙРО-КОНТРОЛЕРА НА БАЗІ STM 32

Анотація

У цій роботі розглянуто покроковий підхід до розробки системи нейро-контролера. Для використання мікроконтролера STM 32 в якості апаратного рішення для граничних обчислень обчислень ми пропонуємо розгортання моделі глибокого навчання для задач прогнозування та виявлення аномалії. Дані, які використовуються як для тренування моделі, так і для тестування, складаються з часового ряду кімнатної температури розумного будинку з наявними часовими залежностями. Розроблена модель глибокого навчання на базі архітектури LSTM автоматично виявляє залежністі від часу під час тренування та використовує їх для безпосереднього тестування. Для її розробки був застосований високорівневий фреймворк Keras, який дозволяє порівняно швидко створювати робочі прототипи, що згодом можуть бути конвертовані у формат, який підтримується TensorFlow Lite з метою їх подальшого розгортання на граничних пристроях та мікроконтролерах з підримкою глибокого навчання. Наведений етап підготовки даних для задачі прогнозування з подальшим перевизначенням задачі до проблеми навчання з вчителем, що передбачає перетворення вхідних нормалізованих даних з використанням параметру, який визначає довжину предикторів деякого поточного значення часового ряду. Для обчислення набору оптимальних гіпер-параметрів LSTM застосовано алгоритм пошуку на сітці можливих значень, що передбачає поетапний процес повного навчання нейронної мережі. Тренування розробленої нейронної мережі було здійснено на графічній платі Nvidia RTX 2080 Super, що дозволило відносно швидко здійснити перебір заданих параметрів. Навчена мережа була розгорнута та протестована на мікроконтролері STM 32 із встановленим пакетним розширенням X-CUBE-AI. Отримані результати валідації та тестування показують можливість використання такого підходу для розробки та вдосконалення архітектури LSTM для граничних та туманних обчислень, що буде проведено у наступних дослідженнях.

Ключові слова: граничні обчислення, глибоке навчання, LSTM, розумний будинок, STM 32