محمود معلم - دانشجوی دکتری، دانشکده مهندسی کامپیوتر فناوری اطلاعات، دانشگاه صنعتی شاهرود، شاهرود،
علی اکبر پویان - استادیار، دانشکده مهندسی کامپیوتر فناوری اطلاعات، دانشگاه صنعتی شاهرود، شاهرود،
حمید حسن پور - استاد، دانشکده مهندسی کامپیوتر فناوری اطلاعات، دانشگاه صنعتی شاهرود، شاهرود،

خانه های هوشمند به بسیاری از افراد به ویژه سالخوردگان بیماران این امکان را می دهد که به تنهایی زندگی نموده، استقلال آسایش خود را حفظ کنند. البته تحقق این امر در گرو آن است که افعال ساکنان خانه به طور دایم پایش شده به محض ملاحظه ناهنجاری، موضوع به نزدیکان یا پرستاران فرد گزارش گردد تا آنها هم با خاطری آسوده زندگی کنند. کشف ناهنجاری در خانه های هوشمند، بدون استفاده از دانش خبره صرفا با تکا به داده های موجود اصولا کار آسانی نیست؛ اما یادگیری عمیق، به ویژه شبکه های بازگشتی این امر را بیشتر از گذشته ممکن کرده است. ما در مقاله حاضر یک شبکه بازگشتی را با خروجی های خام حسگرهای دودویی، شامل حسگرهای حرکت درب، آموزش می دهیم تا بتواند با دریافت یک سلسله از رویدادهای مشابه، پیش بینی کند که در رویداد بعدی کدام حسگر روشن یا خاموش خواهد شد. سپس با به کارگیری جستجوی پرتو محلی، این رویداد را به سلسله ای از رویدادهای محتمل گسترش می دهیم تا محدوده احتمالی افعال آتی مشخص گردد. خطای این پیش بینی، یعنی فاصله سلسله های یاد شده با رشته رویدادهای واقعی، با استفاده از روش های سنجش شباهت رشته ها، مثل طولانی ترین زیررشته مشترک، ارزیابی می شود. مدل کردن این خطا در قالب یک توزیع گوسی کمک می کند تا به هر ورودی یک رتبه ناهنجاری داده شود. نقاطی که رتبه آنها از یک حد آستانه مشخص بزرگتر باشد به عنوان روند ناهنجار در نظر گرفته خواهند شود. نتایج تجربیات انجام شده نشان می دهد که این روش امکان کشف افعال ناهنجار را با دقت قابل قبولی فراهم می کند.

کشف ناهنجاری، خانه هوشمند، یادگیری عمیق، LSTM جستجوی پرتو محلی