Điều khiển và giám sát mô hình nhà kính thông minh ứng dụng iot (Internet of things) và thuật toán Support vector Machines
ĐIỀU KHIỂN VÀ GIÁM SÁT
MÔ HÌNH NHÀ KÍNH THÔNG MINH ỨNG DỤNG
IOT( INTERNET OF THINGS) VÀ THUẬT TOÁN
SUPPORT VECTOR MACHINES
CONTROL AND SUPERVISE
THE SMART GREENHOUSE MODEL USE
IOT (INTERNET OF THINGS) AND SUPPORT VECTOR MACHINES
ALGORITHM
Trương Ngọc Hải Nam1, Vũ Quang Huy2
1Học viên cao học trường ĐH SPKT TPHCM
ư2Trường đại học Sư Phạm Kỹ Thuật TPHCM
TÓM TẮT
Từ những yêu cầu thực tế, những đòi hỏi ngày càng cao của cuộc sống đó, cộng với sự hợp tác,
phát triển mạnh mẽ của mạng di động và cuộc cách mạng công nghiệp 4.0, đề tài “Điều khiển và
giám sát mô hình nhà kính thông minh sử dụng IoT (Internet of things) và thuật toán
Support Vector Machines" đã tạo nên một xu thế mới trong việc nghiên cứu nhà kính thông
minh với sự kết hợp của thuật toán Support Vector Machines.
Đây cũng chính là tiền đề cho xu thế phát triển nông nghiệp công nghệ cao trong nước và trên
toàn thế giới.
ABSTRACT
With the growing demand for mobile life and the industrial revolution of 4.0, I chose the subject
"Control and supervise the smart greenhouse model use IoT (Internet of Things) and Support
Vector Machines algorithm”. The thesis has created a new trend in smart glass research with the
combination of Support Vector Machines algorithm.
This is also the premise for the development of high-tech agriculture in the country and around the
world.
quá nhiều nhân công, thời gian, chi phí. Nhà
kính thông minh ra đời để đáp ứng nhu cầu trên.
1. GIỚI THIỆU
Ngày nay cùng với sự phát triển mạnh mẽ của
các ngành khoa học kỹ thuật, công nghệ kỹ Đề tài lấy cơ sở là dùng Web Server để điều
thuật điện tử mà trong đó đặc biệt là kỹ thuật khiển và giám sát nhà kính [2], kết hợp thuật
điều khiển tự động đóng vai trò quan trọng toán Support vector machines để phân lớp dữ
trong mọi lĩnh vực khoa học kỹ thuật, quản lí, liệu [3], đánh giá độ chính xác phân lớp và dự
công nghiệp, cung cấp thông tin ... Bên cạnh đó đoán trạng thái nhà kính để đưa ra lệnh điều
còn là sự thúc đẩy sự phát triển của nền kinh tế khiển cho nhà kính. Với sự kết hợp của IoT và
nước nhà.
thuật toán Support Vector Machines con người
chỉ cần giám sát và không cần điều khiển bất cứ
quá trình nào. Việc sử dụng Web để điều khiển
thiết bị có thuận lợi là tiết kiệm chi phí, mang
tính cạnh tranh. Ngoài ra, sản phẩm của đề tài
này có tính mở, có thể áp dụng cho nhiều đối
tượng khác nhau trong dân dụng cũng như trong
công nghiệp.
Như chúng ta đã biết, gần như tất cả các nhà
kính trên thế giới đều sử dụng những công nghệ
thô sơ và lạc hậu. Các công việc như bón phân,
tưới cây… đều phải thông qua bàn tay con
người. Đặc biệt với những vấn đề thời tiết như
nhiệt độ, độ ẩm, độ sáng, tốc độ gió [1]… đều
phụ thuộc nhiều vào thời tiết. Vì vậy mà chất
lượng, năng suất nông sản không đạt mà lại tốn
Một môi trường nhà kính thông minh có thể
được hiểu là một môi trường mà được trang bị
hệ thống tiên tiến dành cho điều khiền đèn chiếu
sáng, nhiệt độ, độ ẩm, độ PH, quạt thông gió và
nhiều tính năng khác nhằm mục đích làm cho
chất lượng và năng suất nông sản là cao nhất,
giảm bớt chi phí nuôi trồng đồng thời tăng chất
lượng an toàn nông sản [2].
2. THUẬT TOÁN MÁY HỌC
nghiên cứu và xây dựng các kĩ thuật cho phép
các hệ thống "học" tự động từ dữ liệu để giải
quyết những vấn đề cụ thể. Ví dụ như các máy
thư vào thư mục tương ứng. Máy học rất gần
có khác nhau về thuật ngữ [4].
quả mong muốn của thuật toán. Các loại thuật
toán thường dùng bao gồm:
Hình 1: Tổng quan các thiết bị sử dụng trong
luận văn
2.1 Ứng dụng SVM vào nhà kính thông
minh
- Nhà kính thông minh gồm 4 phần chính: Chế
độ điều khiển, giao diện điều khiển, cơ sở dữ
liệu và thuật toán.
2.1.1 Ý tưởng của phương pháp
Cho trước một tập huấn luyện, được biểu
diễn trong không gian vector, trong đó mỗi tài
liệu là một điểm, phương pháp này tìm ra một
siêu phẳng quyết định tốt nhất có thể chia các
điểm trên không gian này thành hai lớp riêng
biệt tương ứng là lớp + và lớp -. Chất lượng của
siêu phẳng này được quyết định bởi khoảng
cách( gọi là biên) của điểm dữ liệu gần nhất của
mỗi lớp đến mặt phẳng này. Khi đó, khoảng
cách biên càng lớn thì mặt phẳng quyết định
càng tốt, đồng thời việc phân loại càng chính
xác[5][6][7].
+ Chế độ điều khiển bao gồm 2 chế độ: chế
độ bằng tay và chế độ tự động.
+ Giao diện điều khiển gồm giao diện đăng
nhập, chế độ điều khiển, tình trạng hoạt động
ON/OFF của các thiết bị đặt trong hệ thống;
hiển thi các bảng thông số và các đồ thị thông
số cảm biến.
+ Cơ sở dữ liệu nhà kính lưu lại toàn bộ dữ
Mục đích của thuật toán SVM là tìm được
liệu nhà kính để đảm bảo cho quá trình phân khoảng cách biên lớn nhất.
2.1.2 Nội dụng
tích thu thập dữ liệu mọi thời điểm.
+ Phần thuật toán sử dụng thuật toán Support
Vector Machines để đánh giá độ chính xác phân
lớp và dự đoán, ra quyết định trạng thái nhà
kính, sau đó lấy trạng thái làm cơ sở điều khiển
nhà kính.
a. Cơ sở lý thuyết
SVM thực chất là bài toán tối ưu, mục tiêu
của thuật toán này là tìm được một không gian
F và siêu phẳng quyết định f trên F sao cho sai
số phân loại là thấp nhất.
Cho tập mẫu (x1, y1), (x2, y2),… (xf, yf)} với
xI ∈ Rn, thuộc vào hai lớp nhãn: yI ∈{-1;1} là
nhãn lớp tương ứng của các xi ( -1 biểu thị lớp
I, 1 biểu thị lớp II).
Ta có phương trình siêu phẳng chứa vector
x⃗ i trong không gian:
⃗
Xi . w⃗⃗⃗ + b= 0
(1) phía. Hàm phân tách tương ứng với phương
trình siêu phẳng tìm được.
Đặt:
Các điểm mà nằm trên hai siêu phẳng phân
tách được gọi là các Support Vector. Các điểm
này sẽ quyết định đến hàm phân tách dữ liệu.
⃗
+1, Xi . w⃗⃗⃗ + b > 0
⃗
⃗
f (Xi)= sin (Xi . w⃗⃗⃗ + b)= {
(2)
⃗
−1, Xi . w⃗⃗⃗ + b < 0
c. Bài toán nhiều phân lớp
⃗
Như vậy f (Xi) biểu diễn sự phân lớp của
Để phân nhiều lớp thì kỹ thuật SVM nguyên
thủy sẽ chia không gian dữ liệu thành 2 phần và
quá trình này lặp lại nhiều lần. Khi đó hàm
quyết định phân dữ liệu vào lớp thứ I của tập n,
2- lớp là:
⃗
⃗
Xi vào hai lớp đã nêu. Ta nói yi= +1 nếu Xi ∈
lớp I và yi= -1 nếu Xi ∈ lớp II. Khi đó, để có
siêu phẳng f ta phải giải bài toán sau:
⃗
⃗⃗
Tìm min ‖w̅‖ với W thỏa mãn điều kiện sau:
i
( )
fi x = wix + b
(4)
⃗
⃗⃗⃗⃗⃗⃗
yi(sin(Xi . w⃗⃗⃗ + b)) ≥ 1 với ∀ i ∈ 1, n
(3)
Nhưng phân tử x là support vector sẽ thỏa
điều kiện:
Bài toán SVM có thể giải bằng kỹ thuật sử
dụng toán tử Langrange để biến đổi về thành
dạng đẳng thức. Một đặc điểm thú vị của SVM
là mặt phẳng quyết định chỉ phụ thuộc các
Support Vector và nó có khoảng cách đến mặt
+1 nếu thuộc lớp i
( )
fi x = {
(5)
−1 nếu thuộc phần còn lại
Như vậy, bài toán phân nhiều lớp sử dụng
thuật toán SVM hoàn toàn có thể thực hiện
giống như bài toán hai lớp. Bằng cách sử dụng
bằng cách sử dụng chiến lược “một- đổi-
một”(one- against- one).
⃗⃗
phẳng quyết định là 1/‖w̅‖. Cho dù các điểm
khác bị xóa đi thì thuật toán vẫn cho kết quả
giống như ban đầu. Đây chính là điểm nổi bật
của thuật toán SVM so với các phương pháp
khác vì tất cả các dấu hiệu trong tập huấn luyện
đều được dùng để tối ưu hóa kết quả.
Giả sử bài toán cần phân loại có k lớp (k> 2),
chiến lược “một- đổi- một” sẽ tiến hành k(k-
1)/2 lần phân lớp nhị phân sử dụng thuật toán
SVM. Mỗi lớp sẽ tiến hành phân tách với k-1
lớp còn lại để xác định k-1 hàm phân tách dựa
vào bài toán phân hai lớp bằng thuật toán SVM.
Tóm lại: trong trường hợp nhị phân tách
tuyến tính, việc phân lớp được thực hiện qua
( )
(
)
hàm quyết định f x = sign < w. x > +b , hàm
này thu được bằng việc thay đổi vector chuẩn
w, đây là vector để cực đại hóa viền chức năng.
d. Các bước chính của SVM cho nhà
Việc mở rộng SVM để phân đa lớp hiện nay
vẫn đang được đầu tư nghiên cứu. Có một
phương pháp tiếp cận để giải quyết vấn đề này
là xây dựng và kết hợp nhiều bộ phận lớp nhị
phân SVM( chẳng hạn: trong quá trình luyện
với SVM, bài toán phân m lớp có thể được biến
đổi thành bài toán phân 2*m lớp, khi đó trong
mỗi hai lớp, hàm quyết định sẽ được xác định
cho khả năng tổng quát hóa tối đa). Trong cách
này có thể đề cập tới 2 cách một đổi một và một
đổi tất cả.
kính
Thuật toán SVM yêu cầu dữ liệu được diễn
tả như các vector của các số thực. Đầu vào của
thuật toán SVM ta sử dụng phải là số thực.
Tiền xử lý dữ liệu: Thực hiện biến đổi dữ liệu
phù hợp cho quá trình tính toán, tránh các số
quá lớn mô tả các thuộc tính. Thường nên co
giãn( scalling) dữ liệu để chuyển về đoạn [-1, 1]
hoặc [0, 1] .
Chọn hàm hạt nhân: Lựa chọn hàm hạt nhân
chính xác để đạt được độ chính xác cao trong
quá trình phân lớp.
c. Bài toán phân 2 lớp
Bài toán đặt ra là : Xác định hàm phân lớp
để phân lớp các mẫu trong tương lai, nghĩa là
với 1 mẫu dữ liệu mới xi thì cần phải xác định
xi được phân vào lớp +1 hay lớp -1.
Thực hiện việc kiểm tra chéo để xác định các
tham số cho ứng dụng. Điều này cũng quyết
định đến tính chính xác của quá trình phân lớp.
Để xác định hàm phân lớp dựa trên thuật
toán SVM, ta sẽ tiến hành tìm 2 siêu phẳng song
song sao cho khoảng cách y giữa chúng là lớn
nhất có thể để phân tách 2 lớp này ra làm hai
Sử dụng các tham số cho việc huấn luyện với
tập mẫu. Trong quá trình huấn luyện sẽ sử dụng
thuật toán tối ưu hóa khoảng cách giữa các siêu
phẳng trong quá trình phân lớp, xác định hàm
phân lớp trong không gian đặc trưng nhờ việc
ánh xạ dữ liệu vào không gian đặc trưng bằng
cách mô tả hạt nhân, giải quyết cho cả hai
trường hợp dữ liệu là phân tách và không phân
tách tuyến tính trong không gian đặc trưng.
Hình 2: Sơ đồ tổng quát của Node.js [9]
3.2 Giới thiệu giao thức MQTT
3. XÂY DỰNG WEB SERVER
3.1 Mã nguồn Node.js
3.1.1 Giới thiệu Node.js
Node.js là một mã nguồn được xây dựng dựa
trên nền tảng Javascript V8 Engine, nó được sử
dụng để xây dựng các ứng dụng web như các
trang video clip, các forum và đặc biệt là trang
mạng xã hội phạm vi hẹp.
Hình 3: Ví dụ vê giao thức MQTT [10]
3.1.2 Các đặc tính của Node.js
MQTT là một giao thức truyền thông điệp
(message) theo mô hình publish/subscribe (xuất
bản - theo dõi), sử dụng băng thông thấp, độ tin
cậy cao và có khả năng hoạt động trong điều
kiện đường truyền không ổn định.
- Không đồng bộ: Tất cả các API của Node.js
đều không đồng bộ (none-blocking), nó chủ yếu
dựa trên nền của Node.js Server và chờ đợi
Server trả dữ liệu về.
- Chạy rất nhanh: NodeJ được xây dựng dựa vào
nền tảng V8 Javascript Engine nên việc thực thi
chương trình rất nhanh.
Kiến trúc mức cao (high-level) của MQTT gồm
2 phần chính là Broker và Clients.
- Đơn luồng nhưng khả năng mở rộng cao:
Node.js sử dụng một mô hình luồng duy nhất
với sự kiện lặp.
- Không đệm: Node.js không đệm bất kì một dữ
liệu nào và các ứng dụng này chủ yếu là đầu ra
dữ liệu.
- Có giấy phép: Node.js đã được cấp giấy phép
bởi MIT License.
3.1.3 Hoạt động của Node.js
Hình 4: Sơ đồ MQTT [11]
Node.js sử dụng non-blocking, hướng sự vào ra
dữ liệu thông qua các tác vụ thời gian thực một
cách nhanh chóng. Bởi vì, Node.js có khả năng
mở rộng nhanh chóng, khả năng xử lý một số
lượng lớn các kết nối đồng thời bằng thông
lượng cao. Nếu như các ứng dụng web truyền
thống, các request tạo ra một luồng xử lý yêu
cầu mới và chiếm RAM của hệ thống thì việc
tài nguyên của hệ thống sẽ được sử dụng không
hiệu quả. Chính vì lẽ đó giải pháp mà Node.js
đưa ra là sử dụng luồng đơn (Single-Threaded),
kết hợp với non-blocking I/O để thực thi các
request, cho phép hỗ trợ hàng chục ngàn kết nối
đồng thời [8].
Trong đó, broker được coi như trung tâm, nó là
điểm giao của tất cả các kết nối đến từ client.
Client thì được chia thành 2 nhóm là publisher
và subscriber.
Client là các software components hoạt động tại
edge device nên chúng được thiết kế để có thể
hoạt động một cách linh hoạt (lightweight).
3.3 Cơ sở dữ liệu MongoDB
3.3.1 Khái niệm
MongoDB là một cơ sở dữ liệu mã nguồn mở
thuộc họ nhà NoSQL được phát hành sử dụng
miễn phí bởi công ty MongoDB. MongoDB là
một lựa chọn tốt, khi nói đến dung lượng lưu trữ
và tốc độ, vì nó mang lại hiệu quả và độ tin cậy ngay lập tức vì vậy khả năng bị mất dữ liệu từ
cao. Giải pháp NoSQL này đi kèm với việc nguyên nhân mất điện đột xuất là rất cao.
nhúng, tự động sharding, và nhân bản trên
boong cho khả năng mở rộng tốt hơn và tính sẵn
sàng cao.
4. XÂY DỰNG HỆ THỐNG
Sơ đồ tổng quát hệ thống
3.3.2 Hoạt động của MongoDB
Hình 5: Mô hình hoạt động của MongoDB
[12]
Hình 6: Sơ đồ tổng quát hệ thống
MongoDB hoạt động dưới một tiến trình ngầm
service luôn mở một cổng để lắng nghe các yêu
cầu truy vấn, thao tác từ các ứng dụng gửi vào
sau đó mới tiến hành xử lý.
3.3.3 Cơ chế phân quyền và bảo mật
MongoDB có cơ chế xác thực phân quyền và
bảo mật linh hoạt để quản trị viên có thể cấp
phát quyền thao tác với cơ sở dữ liệu một cách
đơn giản nhất.
MongoDB có thể truy cập mà không cần xác
thực khi bạn tắt chế độ xác thực quyền sở hữu
với cơ sở dữ liệu
Hình 7: Lưu đồ tổng quát hệ thống
4.1 Xây dựng tập dữ liệu cho nhà kính thông
3.3.4 Ưu và nhược điểm
minh
a. Ưu điểm
Dữ liệu được thu thập về từ hệ thống các cảm
biến để định nghĩa các trạng thái của nhà kính.
Trạng thái nhà kính phụ thuộc vào từng giống
cây trồng.
- Dữ liệu lưu trữ phi cấu trúc, không có tính ràng
buộc, toàn vẹn nên tính sẵn sàng cao, hiệu suất
lớn và dễ dàng mở rộng lưu trữ.
- Dữ liệu được caching (ghi đệm) lên RAM, hạn
chế truy cập vào ổ cứng nên tốc độ đọc và ghi
cao.
1. Trạng thái SA( Safe Away): Trạng thái
hoạt động trong nhà kính tốt nhất, các
chỉ số trong mức tốt cho cây trồng.
2. Trạng thái SH( Safe Activity): Trạng
thái hoạt động trong mức an toàn cho
phép.
3. Trạng thái AL( Alarm): Trạng thái cảnh
báo khi mức độ của các yếu tố ảnh
hưởng đến nhà kính vượt mức cho phép.
4. Trạng thái EM( Emergency): Trạng thái
khẩn cấp, các chỉ số vượt qua giới hẹn
gây ảnh hưởng lớn đến cây trồng.
b. Nhược điểm
- Không ràng buộc, toàn vẹn nên không ứng
dụng được cho các mô hình giao dịch yêu cầu
độ chính xác cao.
- Không có cơ chế transaction (giao dịch) để
phục vụ các ứng dụng ngân hàng Dữ liệu được
caching, lấy RAM làm trọng tâm hoạt động vì
vậy khi hoạt động yêu cầu một bộ nhớ RAM lớn
- Như đã giới thiệu ở trên, mọi thay đổi về dữ
liệu mặc định đều chưa được ghi xuống ổ cứng
Hệ thống gồm 4 trạng thái và các thuộc tính:
Nhiệt độ( TEMP), độ ẩm không khí( AIR
HUMI), độ ẩm đất( LAND HUMI), độ
sáng( BRIGHTNESS), độ PH( PH).
4.2 Áp dụng thuật toán Support Vector
Machine trong khai phá dữ liệu nhà
kính thông minh
Phân lớp dữ liệu nhà kính là một trong các
phương pháp khai phá dữ liệu.
Các bước phân lớp dữ liệu:
- Bước 1: Xây dựng mô hình tập huấn luyện
- Bước 2: Sử dụng mô hình và kiểm tra tính
đúng đắn của mô hình và dùng nó để phân
lớp dữ liệu mới.
Bảng 2: Bảng dữ liệu kiểm tra
Hình 8: Quá trình phân lớp dữ liệu nhà kính
Hình 9: Kết quả phân lớp bằng thuật toán
Support Vector Machines
Mô hình phân lớp đạt kết quả 96.2963%, với
203 mẫu dữ liệu huấn luyện, kết quả phân lớp
khi kiểm tra 29 mẫu thì mô hình phân lớp chính
xác 26 mẫu, có 1 mẫu phân lớp sai và 2 mẫu
chưa có nhãn lớp.
Bảng 1: Bảng dữ liệu huấn luyện
5. QUÁ TRÌNH THỰC NGHIỆM
Hình 11: Mô hình nhà kính
Bảng 3: Khả năng ra quyết định và dự báo của
thuật toán Support Vector Machines
Mô hình gồm phần điều khiển màn hình hiển thị
lên LCD các thông số như nhiệt độ, độ ẩm
không khí, độ ẩm đất, độ PH nước tưới, độ sáng
toàn hệ thống.
Dựa vào 29 mẫu dữ liệu kiểm tra trong đó có 1
mẫu có nhãn sai và 2 mẫu không có nhãn. Thuật
toán Support Vector Machines đã ra dự đoán
kết quả của 3 nhãn trên 1 cách chính xác.
Phần cảm biến gồm: cảm biến độ ẩm đất, cảm
biến độ ẩm không khí, cảm biến nhiệt, quang
trở, cảm biến độ PH .
Phần cơ cấu chấp hành gồm quạt thông gió,
bơm nước, đèn chiếu sáng, đèn sưởi, máy làm
lạnh.
Phần trung tâm gồm bo vi điều khiển, bo giao
tiếp ESP, bo nhúng và một số mudule…
Phần nguồn sử dụng chống nhiễu nguồn và hạ
áp đảm bảo điện áp luôn ổn định, chống nhiễu
từ các hệ thống xung quanh.
Giao diện điều khiển hệ thống gồm 3 phần
chính: phần hiển thị các, phần điều khiển, phần
báo cáo.
Hình 10: Sai số phân lớp
Vị trí các điểm màu cho từng nhãn lớp nằm về
từng vị trí khác nhau, các điểm này càng cách
xa nhau thì sai số của dữ liệu càng cao.
Hình 12: Giao diện điều khiển Web Server
6. KẾT LUẬN
Để phát triển hệ thống nhà kính thông minh, tác
giả đã nghiên cứu thuật toán Support Vector
Machines để huấn luyện và điều khiển. Một mô
hình nhà kính đã được xây dựng và hoàn thiện
để thử nghiệm thuật toán.
Để nghiên cứu thực nghiệm, việc xây dựng mô
hình nhà kính thông minh để thu thập dữ liệu và
đánh giá chính xác những ưu và nhược điểm của
thuật toán Support Vector Machines đem lại.
Hệ thống nhà kính thông minh không chỉ dừng
lại ở việc điều khiển và giám sát, việc sử dụng
cơ sở dữ liệu MongoDB và thuật toán SVM đã
giúp cho nhà kính trở lên ổn định và thông minh
hơn.
Hệ thống điều khiển và giám sát nhà kính thông
minh sử dụng mã nguồn Node.js và giao thức
MQTT nên hệ thống có thể xử lý hàng ngàn quá
trình và xử lý một luồng dữ liệu cực lớn.
Điểm hạn chế là hệ thống chưa có thể huấn
luyện mô hình bằng thuật toán Support Vector
Machines theo thời gian thực.
Hình 13: Đồ thị quá trình thu thập dữ liệu cảm
Quá trình thu thập dữ liệu cảm biến theo thời
gian được hiển thị trực tiếp bằng đồ thị trực
quan để đảm bảo quá trình phân tích và theo dõi
hệ thống được dễ dàng hơn. Kết quả đồ thị đã
cho thấy sự ổn định của hệ thống nhà kính khi
sử dụng công nghệ IoT và thuật toán Support
Vector Machines.
Hình 14: Giao diện báo cáo chi tiết
TÀI LIỆU THAM KHẢO
[1] VESNA DOKNÍC, 2014, Internet of Things Greenhouse Monitoring and Automation Systems,
Internet of Things: Smart Devices, Processes, Services Summer term 2014.
[2] JOHN WILEY & SONS, 2017, Internet of Things and Data Analytics Handbook, First Edition,
Edited by Hwaiyu Geng.
[3] B. BOSER, I. GUYON, V. VAPNIK, “A training algorithm for optimal margin classifiers”,
Proceedings of the Fifth Annual Workshop on Computational Learning Theory (ACM), pp
144-152, 1992.
[4] SHAI SHALEV- SHWARTZ, SHAI BEN- DAVID, 2014, Understanding Machine Learning.
[5] E. OSUNA, R. FREUND, F. GIROSI, An improved training algorithm for Support Vector
Machines, Neural Networks for Signal Processing VII -Proceedings of the 1997 IEEE
Workshop, pp 276-285, New York, IEEE, 1997.
[6] J. PLATT, Sequential minimal optimization: A fast algorithm for training Support Vector
Machines, Technical Report MSR-TR-98-14, Microsoft Research, 1998.
[7] S. DUMAIS, J. PLATT, D. HECKERMAN, M. SAHAMI, “Inductive learning algorithms and
representations for text categorization”, Proceedings of Conference on Information and
Mobile App Consultant , Blockchain Enthusiast.
[9] MIKE CANTELON, ALEX R.YOUNG, MARC HARTER, 2017, Node.js In Action.
[10] GASTON C.HILLAR, 2017, MQTT Essentials- a Lightweight IoT Protocol.
[11] STEPHAN JONES, FRANK M.GROOM, 2017, Enterprise Cloud Computing for Non-
Engineers.
[12] KRISTINA CHODOROW, 2013, MongoDB: The Definitive Guide: Powerful and Scalable
Data Storage.
[13] Đỗ Thanh Nghị (2008), Máy học Véc tơ hỗ trợ- Support vector machines, Khoa Công Nghệ
Thông Tin, Trường Đại Học Cần Thơ.
Tác giả chịu trách nhiệm bài viết:
Họ tên: Trương Ngọc Hải Nam
Điện thoại: 0944159179
Email: [email protected]m
BÀI BÁO KHOA HỌC
THỰC HIỆN CÔNG BỐ THEO QUY CHẾ ĐÀO TẠO THẠC SỸ
Bài báo khoa học của học viên
có xác nhận và đề xuất cho đăng của Giảng viên hướng dẫn
Bản tiếng Việt ©, TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HỒ CHÍ MINH và TÁC GIẢ
Bản quyền tác phẩm đã được bảo hộ bởi Luật xuất bản và Luật Sở hữu trí tuệ Việt Nam.
Nghiêm cấm mọi hình thức xuất bản, sao chụp, phát tán nội dung khi chưa có sự đồng ý
của tác giả và Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh.
ĐỂ CÓ BÀI BÁO KHOA HỌC TỐT, CẦN CHUNG TAY BẢO VỆ TÁC QUYỀN!
Thực hiện theo MTCL & KHTHMTCL Năm học 2018-2019 của Thư viện Trường Đại học
Sư phạm Kỹ thuật Tp. Hồ Chí Minh.
10 trang
09/01/2024
23620
Free
Bạn đang xem tài liệu "Điều khiển và giám sát mô hình nhà kính thông minh ứng dụng iot (Internet of things) và thuật toán Support vector Machines", để tải tài liệu gốc về máy hãy click vào nút Download ở trên
File đính kèm:
- dieu_khien_va_giam_sat_mo_hinh_nha_kinh_thong_minh_ung_dung.pdf
