Rede neural ARTMAP fuzzy implementada em hardware aplicada na previsão da qualidade do ar em ambiente interno

• Ano de defesa: 2021
• Autor(a) principal: Ferreira, Willian de Assis Pedrobon
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Rede neural ARTMAP fuzzy; Internet das coisas; Qualidade do ar; Tempo real; Hardware; FPGA; Internet of things; Air quality; Real-time; Fuzzy ARTMAP neural network
• Link de acesso: http://hdl.handle.net/11449/214757

Tecnologias elaboradas na Internet das Coisas e em áreas relacionadas proporcionaram vários avanços no desenvolvimento de sensores e de interfaces computacionais miniaturizadas, que são empregadas em serviços de monitoramento e auxiliam diversos cenários da sociedade moderna. Com o uso de algoritmos de aprendizado de máquina para processar informações amostradas por sensores, a atuação automática dos sistemas computacionais em resposta aos comportamentos existentes beneficiou vários processos, trazendo otimização, segurança e bem-estar aos cidadãos assistidos. Nesse contexto insere-se esta pesquisa, cujo objetivo foi a implementação de um sistema embarcado com treinamento on-line, possibilitando uma aprendizagem contínua para realizar previsões em tempo real. A aplicação alvo foi o monitoramento e a previsão de séries temporais com dados da qualidade de ar em ambiente interno utilizando-se a rede neural ARTMAP fuzzy, que emprega conceitos da Teoria da Ressonância Adaptativa. Sensores de baixo custo amostraram os seguintes componentes em um ambiente doméstico utilizado como quarto e escritório: índice da qualidade de ar interno calculado automaticamente por uma biblioteca da Bosch, temperatura, umidade, dióxido de carbono, compostos orgânicos voláteis e material particulado. A melhor acurácia das previsões univariadas foi a da temperatura, com porcentagem de erro médio absoluto igual a 2,8 na previsão 1 hora à frente, e de 6,4 nas previsões 24 horas à frente. Para obter previsões do índice da qualidade do ar com maior acurácia, foram verificadas algumas combinações multivariadas como entradas da ARTMAP fuzzy, sendo o melhor resultado da previsão 1 hora à frente obtido com a temperatura e umidade, com 31,3 de porcentagem de erro médio absoluto, que foi 15,2% menor em comparação à previsão univariada desse índice. Com o intuito de aprimorar o tempo de resposta da rede neural ARTMAP fuzzy, foi projetada uma arquitetura de hardware em uma FPGA (field-programmable gate array). Foi proposto um novo gerenciamento da manutenção das categorias da rede neural ARTMAP fuzzy, que economizou 70% do uso de memória do estudo de caso em hardware. Considerando ambos os tempos de treinamento e predição, a FPGA foi em média 84 e 683 vezes mais rápida que um laptop com um processador Intel Core-i5 8250U e um Raspberry Pi 3, respectivamente, que processaram o algoritmo da ARTMAP fuzzy implementado em Python.