THIẾT KẾ NEURAL NETWORK DẠNG AUTOENCODER PHỤC VỤ VIỆC NÉN VÀ GIẢM NHIỄU CHO TÍN HIỆU CẢM BIẾN IOT

Tóm tắt

Trong bối cảnh Internet vạn vật (IoT) ngày càng phát triển, việc triển khai hệ thống cảm biến IOT ở những địa điểm có dung lượng băng thông thấp và gặp nhiễu từ môi trường cũng phổ biến hơn. Nghiên cứu này đề xuất sử dụng mạng Autoencoder để nén dữ liệu cảm biến IoT, đồng thời giảm nhiễu, nhằm tối ưu hóa truyền dữ liệu. Mạng Autoencoder đã được triển khai mô phỏng trên Google Colab với bộ dữ liệu Air Quality UCI, đạt tỷ lệ nén 3x, MSE trung bình 0.0025, PSNR 26.1 dB, và SSIM 0.9802. Kết quả cho thấy Autoencoder không chỉ giảm kích thước dữ liệu mà còn giảm nhiễu, cải thiện chất lượng tái tạo, mở ra tiềm năng ứng dụng trong các hệ thống IoT cần quan tâm đến dung lượng truyền dữ liệu và xử lý nhiễu.

Title

DESIGNING AN AUTOENCODER NEURAL NETWORK FOR COMPRESSION AND NOISE REDUCTION IN IOT SENSOR SIGNALS

Abstract

In the context of the rapidly evolving Internet of Things (IoT), the deployment of IoT sensor systems in locations with low bandwidth capacity and environmental noise interference has become increasingly common. This study proposes the use of an Autoencoder network to compress IoT sensor data while simultaneously reducing noise, aiming to optimize data transmission. The Autoencoder network was implemented and simulated on Google Colab using the Air Quality UCI dataset, achieving a compression ratio of 3x, an average MSE of 0.0025, a PSNR of 26.1 dB, and an SSIM of 0.9802. The results demonstrate that the Autoencoder not only reduces data size but also mitigates noise, improving reconstruction quality. This opens up potential applications in IoT systems where data transmission capacity and noise handling are critical concerns.