Utvärdering av Multilayer Perceptron modeller för underlagsdetektering

Sammanfattning: Antalet enheter som är uppkopplade till internet, Internet of Things (IoT), ökar hela tiden. År 2035 beräknas det finnas 1000 miljarder Internet of Things-enheter. Samtidigt som antalet enheter ökar, ökar belastningen på internet-nätverken som enheterna är uppkopplade till. Internet of Things-enheterna som finns i vår omgivning samlar in data som beskriver den fysiska tillvaron och skickas till molnet för beräkning. För att hantera belastningen på internet-nätverket flyttas beräkningarna på datan till IoT-enheten, istället för att skicka datan till molnet. Detta kallas för edge computing. IoT-enheter är ofta resurssnåla enheter med begränsad beräkningskapacitet. Detta innebär att när man designar exempelvis "machine learning"-modeller som ska köras med edge computing måste algoritmerna anpassas utifrån de resurser som finns tillgängliga på enheten. I det här arbetet har vi utvärderat olika multilayer perceptron-modeller för mikrokontrollers utifrån en rad olika experiment. "Machine learning"-modellerna har varit designade att detektera vägunderlag. Målet har varit att identifiera hur olika parametrar påverkar "machine learning"-systemen. Vi har försökt att maximera prestandan och minimera den mängd fysiskt minne som krävs av modellerna. Vi har även behövt förhålla oss till att mikrokontrollern inte haft tillgång till internet. Modellerna har varit ämnade att köras på en mikrokontroller "on the edge". Datainsamlingen skedde med hjälp av en accelerometer integrerad i en mikrokontroller som monterades på en cykel. I studien utvärderas två olika "machine learning"-system, ett som är en kombination av binära klassificerings modeller och ett multiklass klassificerings system som framtogs i ett tidigare arbete. Huvudfokus i arbetet har varit att träna modeller för klassificering av vägunderlag och sedan utvärdera modellerna. Datainsamlingen gjordes med en mikrokontroller utrustad med en accelerometer monterad på en cykel. Ett av systemen lyckas uppnå en träffsäkerhet på 93,1\% för klassificering av 3 vägunderlag. Arbetet undersöker även hur mycket fysiskt minne som krävs av de olika "machine learning"-systemen. Systemen krävde mellan 1,78kB och 5,71kB i fysiskt minne.