THE WEATHER FORECAST ANALYSIS FOR SMART SENSOR IN...

การวเคราะหขอมลพยากรณอากาศส าหรบการควบคมสมารตเซนเซอร ของฟารมเกษตร ดวยนวรอลเนตเวรค

THE WEATHER FORECAST ANALYSIS FOR SMART SENSOR IN AGRICULTURE FARM WITH THE NEURAL NETWORK

เฐยรเกษม สธาวณฐพงศ TEANKASAEM SUTAWANUTPONG

วทยานพนธนเปนสวนหนงของการศกษาตามหลกสตร วทยาศาสตรมหาบณฑต สาขาวชาเทคโนโลยสารสนเทศ

คณะเทคโนโลยสารสนเทศ มหาวทยาลยศรปทม

พ.ศ. 2561 ลขสทธของมหาวทยาลยศรปทม

การวเคราะหขอมลพยากรณอากาศส าหรบการควบคมสมารตเซนเซอร ของฟารมเกษตร ดวยนวรอลเนตเวรค

เฐยรเกษม สธาวณฐพงศ

วทยานพนธนเปนสวนหนงของการศกษาตามหลกสตร วทยาศาสตรมหาบณฑต สาขาวชาเทคโนโลยสารสนเทศ

คณะเทคโนโลยสารสนเทศ มหาวทยาลยศรปทม

พ.ศ. 2561 ลขสทธของมหาวทยาลยศรปทม

THE WEATHER FORECAST ANALYSIS FOR SMART SENSOR IN AGRICULTURE FARM WITH THE NEURAL NETWORK

TEANKASAEM SUTAWANUTPONG

A THESIS SUBMITTED IN PARTIAL FULFILLMENT OF THE REQUIREMENTS FOR THE DEGREE

OF MASTER OF SCIENCE IN INFORMATION TECHNOLOGY SCHOOL OF INFORMATION TECHNOLOGY

SRIPATUM UNIVERSITY 2018

COPYRIGHT OF SRIPATUM UNIVERSIT

หวขอวทยานพนธ การวเคราะหขอมลพยากรณอากาศส าหรบการควบคมสมารตเซนเซอรของฟารมเกษตร ดวยนวรอลเนตเวรค THE WEATHER FORECAST ANALYSIS FOR SMART SENSOR IN AGRICULTURE FARM WITH THE NEURAL NETWORK

นกศกษา เฐยรเกษม สธาวณฐพงศ รหสประจ าตว 60501171 หลกสตร วทยาศาสตรมหาบณฑต สาขาวชาเทคโนโลยสารสนเทศ คณะ เทคโนโลยสารสนเทศ มหาวทยาลยศรปทม อาจารยทปรกษาวทยานพนธหลก ดร.สขสวสด ณฏฐวฒสทธ อาจารยทปรกษาวทยานพนธรวม ผชวยศาสตราจารย ดร.ปราล มณรตน คณะเทคโนโลยสารสนเทศ มหาวทยาลยศรปทม อนมตใหนบวทยานพนธฉบบนเปนสวนหนงของการศกษาตามหลกสตรปรญญามหาบณฑต .................................................................... คณบดคณะเทคโนโลยสารสนเทศ

(ผชวยศาสตราจารย ดร.ธนา สขวาร) วนท...........เดอน........................พ.ศ. ............

คณะกรรมการการสอบวทยานพนธ

..................................................................... ประธานกรรมการ ( ผชวยศาสตราจารย ดร.ศศพร อษณวศน )

..................................................................... กรรมการ ( ผชวยศาสตราจารย ดร.นเวศ จระวชตชย )

..................................................................... กรรมการ ( ดร.สขสวสด ณฏฐวฒสทธ )

I

วทยานพนธเรอง การวเคราะหขอมลพยากรณอากาศส าหรบการควบคม

สมารตเซนเซอรของฟารมเกษตร ดวยนวรอลเนตเวรค ค าส าคญ นวรอลเนตเวรค / การพยากรณอากาศ / ฟารมเกษตร การวเคราะหขอมล / สมารตเซนเซอร นกศกษา เฐยรเกษม สธาวณฐพงศ อาจารยทปรกษาวทยานพนธหลก ดร.สขสวสด ณฎฐวฒสทธ อาจารยทปรกษาวทยานพนธรวม ผชวยศาสตราจารย ดร.ปราล มณรตน หลกสตร วทยาศาสตรมหาบณฑต สาขาวชาเทคโนโลยสารสนเทศ คณะ คณะเทคโนโลยสารสนเทศ มหาวทยาลยศรปทม พ.ศ. 2561

บทคดยอ

งานวจยเชงทดลองนมวตถประสงคเพอพฒนาแบบจ าลองการวเคราะหขอมลพยากรณอากาศส าหรบการควบคมสมารตเซนเซอรของฟารมเกษตร ดวยนวรอลเนตเวรค โดยผวจยไดน าทฤษฎการเรยนรของนวรอลเนตเวรคมาประยกตใชกบขอมลกลมตวอยางทถกเกบรวบรวมจากกรมอตนยมวทยา ประเทศไทย ระหวางป พ.ศ. 2560 – 2561 ไดแก ขอมลอณหภม ปรมาณน าฝน และความชนสมพทธอากาศ เพอใชประมวลผลวเคราะหเชงเปรยบเทยบกบขอมลปจจบน และพยากรณความนาจะเปนของสภาพอากาศลวงหนาส าหรบใชควบคมสมารตเซนเซอรของฟารมเกษตร ผลการวจย พบวา จ านวนนวรอลเนตเวรคทอยในโครงสรางถกจดเรยงในรปแบบการแพรกลบหลายชน (3-3-3) และมคาเอนเอยงเทากบ 0.124 เพอใหเหมาะสมส าหรบวเคราะหขอมลการพยากรณอากาศ โดยมคาเฉลยของความถกตองเทากบ 98.7%, คาความผดพลาดจากการจ าแนกกลมเทากบ 1.3% และ คาเฉลยความคลาดเคลอนก าลงสอง (MSE) เทากบ 1.93205% ซงผลลพธอยในเกณณระดบดมากและท าใหเกดองคความรใหมจากงานวจย ไดพบคาแอกทเวเตอรทเหมาะสมกบสภาพอากาศของประเทศไทย ซงมคาอณหภมมากกวา 0 องศา ควรใชแอกทเวเตอรแบบลอการทมซกมอยส สามารถน าไปประยกตใชในฟารมเกษตรในสภาพภมอากาศของประเทศไทย

II

THESIS TITLE THE WEATHER FORECAST ANALYSIS FOR SMART SENSOR IN AGRICULTURE FARM WITH THE NEURAL NETWORK

KEYWORDS NEURAL NETWORK / WEATHER FORECAST / AGRICULTURE FARM / DATA ANALYSIS /

SMART SENSOR STUDENT TEANKASAEM SUTAWANUTPONG THESIS ADVISOR DR.SOOKSAWADDEE NATTAWUTTISIT THESIS CO-ADVISOR ASST.PROF.DR.PARALEE MANEERAT LEVEL OF STUDY MASTER OF SCIENCE IN INFORMATION TECHNOLOGY FACULTY SCHOOL OF INFORMATION TECHNOLOGY SRIPATUM UNIVERSITY YEAR 2018

ABTRACT

This experimental research aims to develop a model to the weather forecast analysis for electrical energy on agriculture farm with the neural network. The research was led by the Learning Theory of Neural Networks applied to the sample data, which was collected from the Meteorological Department of Thailand during the years 2560 - 2561 , including temperature, rainfall and humidity. The processor compares the current data analysis, and predicts the probability of weather ahead for the control of electrical energy on farms. It is organized in several layers to form a spread (3 -3 -3 ) with a bias of 0 .124 which is appropriate for data analysis of weather forecasting. The average accuracy is 98.7%, the error of classification is 1.3% and the mean square error (MSE) is 1.93205%. The results are very good and bring new knowledge from the research. Actual activator values for the weather in Thailand are found. If the temperature is greater than 0 degrees, Activator sigmoid logarithmic logger should be used. The results can be applied to agricultural farms in the climate of Thailand.

III

กตตกรรมประกาศ

วทยานพนธเลมนส าเรจลลวงไปไดดวยด เพราะดวยความอนเคราะหความชวยเหลอจากคณาจารยหลายทาน ภายในสาขาวชาเทคโนโลยสารสนเทศ คณะเทคโนโลยสารสนเทศ มหาวทยาลยศรปทม ทไดใหความรกบผวจย ทางผวจยรสกซาบซงในความอนเคราะหความชวยเหลอ และขอกราบขอบพระคณทกทานมา ณ ทนดวย

ขอขอบพระคณทานอาจารย ดร.สขสวสด ณฎฐวฒสทธ และ ผชวยศาสตราจารย ดร.ปราล มณรตน ทปรกษาวทยานพนธ ททานไดสละเวลาในการใหค าปรกษา ค าแนะน าตางๆ ทมประโยชนตอการจดท าวทยานพนธทงยงคอยสนบสนน และสงเสรมในการจดท าวทยานพนธเลมน พรอมทงใหก าลงใจกบผ วจยดวยดมาโดยตลอด และขอกราบขอบพระคณทานคณะกรรมการสอบวทยานพนธ ทไดใหค าแนะน า และแนวทางการแกไขปรบปรงตางๆ จนเกดความสมบรณของงานวจยมากยงขน

ขอขอบพระคณ คณพอ คณแม และครอบครว ผเปนทเคารพรกยง ทใหการชวยเหลอสนบสนน พรอมทงยงเปนผทใหก าลงใจดวยดเสมอมา ท าใหการท าวทยานพนธส าเรจลลวงไปไดดวยด คณความดและผลประโยชนอนพงมจากการจดท าวทยานพนธเลมน ทางผวจยขอมอบแตคณพอ คณแม ครอบครว และคณะคร อาจารยทกทาน ผทใหความรกบผวจย ดวยความเคารพยง

เฐยรเกษม สธาวณฐพงศ

IV

สารบญ

หนา

บทคดยอภาษาไทย .......................................................................................................................... I

บทคดยอภาษาองกฤษ..................................................................................................................... II

กตตกรรมประกาศ ........................................................................................................................ III

สารบญ ......................................................................................................................................... IV

สารบญตาราง .............................................................................................................................. VII

สารบญภาพ ............................................................................................................................... VIII

บทท 1 บทน า ................................................................................................................................. 1

1.1 ความเปนมาและความส าคญของปญหา ................................................................. 1

1.2 วตถประสงคของการวจย ....................................................................................... 2 1.3 กรอบแนวคดในการวจย ........................................................................................ 2 1.4 ขอบเขตของการวจย .............................................................................................. 3

1.5 ประโยชนทคาดวาจะไดรบ .................................................................................... 3 1.6 ค านยามศพท ......................................................................................................... 3 1.6.1 โครงขายประสาทเทยม (Artificial Neural Network) ................................... 3

1.6.2 การเรยนรแบบการแพรกระจายยอนกลบ (Back Propagation) ..................... 4

1.6.3 สมารตเซนเซอร (Smart Sensor) .................................................................. 4 1.6.4 ฟงกชนการถายโอน (Transfer Function) ..................................................... 4

2 แนวคด ทฤษฎและงานวจยทเกยวของ ................................................................................ 5

2.1 ทฤษฎการท าเหมองขอมล (Data Mining) .............................................................. 5

2.1.1 ขนตอนการท าเหมองขอมล ......................................................................... 6

2.1.2 เทคนคการท าเหมองขอมล ........................................................................... 6

2.1.3 ประเภทขอมลทใชท าเหมองขอมล .............................................................. 8 2.1.4 ขนตอนวธการท าเหมองขอมล ..................................................................... 8

2.2.ทฤษฎการเรยนรของเครอง (Machine Learning) ................................................. 12

V

สารบญ (ตอ)

บทท หนา

2.2.1 การแบงการเรยนรของเครอง ..................................................................... 12

2.3 อนเทอรเนตในทกสง (Internet of Things: IoT) ................................................... 13 2.3.1 สถาปตยกรรมอนเตอรเนตในทกสง (Internet of Things Architecture) ...... 14 2.3.2 การประยกตใชอนเตอรเนตในทกสง ......................................................... 15 2.3.3 แนวคดของอนเตอรเนตในทกสง ............................................................... 16

2.3.4 ประโยชนของอนเตอรเนตในทกสง ........................................................... 17

2.4 ทฤษฎโครงขายประสาทเทยม (Neural Network) ................................................ 18 2.4.1 การเรยนรส าหรบโครงขายประสาทเทยม .................................................. 19 2.4.2 ลกษณะของโครงขายประสาทเทยม ........................................................... 20 2.4.3 การออกแบบโครงขายประสาทเทยม ......................................................... 21 2.4.4 สถาปตยกรรมของโครงขาย (Network Architecture) ................................. 22 2.4.5 ฟงกชนการถายโอน (Transfer Function) ................................................... 28 2.4.6 ฟงกชนกระตน ........................................................................................... 30 2.5 งานวจยทเกยวของ ............................................................................................... 33 3 วธด าเนนการวจย ............................................................................................................. 38

3.1 การเตรยมขอมล .................................................................................................. 38 3.2 การออกแบบและพฒนานวรอลเนตเวรค ............................................................. 40 3.3 ขนตอนการฝกสอนนวรอลเนตเวรค .................................................................... 40 3.4 การวดและประเมนผลการวจย ............................................................................. 41

3.5 เครองมอทใชในการทดสอบ ............................................................................... 42

3.6 แผนการด าเนนงานวจย........................................................................................ 42

4 ผลการวจย ........................................................................................................................ 43

4.1 ผลการวจยตามวตถประสงคขอท 1...................................................................... 43


4.2.1 วธการฝกสอนนวรอลเนตเวรค .................................................................. 46

VI

สารบญ (ตอ) บทท หนา

4.2.2 ขนตอนการฝกสอนนวรอลเนตเวรค .......................................................... 47 4.2.3 การทดสอบและประเมนแบบจ าลอง .......................................................... 48


5 สรปผลการวจย อภปรายผล และขอเสนอแนะ ................................................................. 53

5.1 สรปผลการวจย .................................................................................................... 53

5.2 อภปรายผล .......................................................................................................... 53 5.3 ปญหาและอปสรรค ............................................................................................. 55

5.4 ขอเสนอแนะ ........................................................................................................ 55

บรรณานกรม ................................................................................................................................. 56 ภาคผนวก ...................................................................................................................................... 61

ภาคผนวก ก แบบประเมนคณภาพ ................................................................................... 62 ภาคผนวก ข แบบตอบรบผเชยวชาญ ............................................................................... 66 ภาคผนวก ค แบบตอบรบตพมพผลงานวชาการ ............................................................... 72

ประวตยอผวจย .............................................................................................................................. 74

VII

สารบญตาราง ตารางท หนา

3.1 กลมตวอยางขอมลจากกรมอตนยมวทยาตงแตวนท 1 พ.ค. 60 – 30 เม.ย 61 (ทมา : กรมอตนยมวทยา ประเทศไทย ณ เดอนมถนายน 2561) ....................................................................... 39

3.2 ผลลพธจากการแปลงรป (Value Normalization) ................................................................. 39

3.3 ตารางรปแบบการควบคมอปกรณไฟฟา .............................................................................. 41

3.4 ระยะเวลาในการด าเนนงานวจย........................................................................................... 42

4.1 ตวอยางชดขอมลอณหภม ความชนสมพนธ และปรมาณน าฝนเฉลย อางองจากกรมอตนยมวทยา ประเทศไทย ณ วนท 1 พ.ค. 60 – 30 เม.ย 61 ............................................................ 44

4.2 ผลลพธจากการแปลงรป (Value Normalization) ................................................................. 45

4.3 รปแบบการสอนนวรอลเนตเวรคเพอใชประมวลผลการควบคมอปกรณไฟฟา.................... 47

4.4 ผลการวเคราะหขอมล “ชดจรง” ดวยนวรอลเนตเวรค ......................................................... 50

5.1 ตารางเปรยบเทยบผลงานวจย .............................................................................................. 54

VIII

สารบญภาพ ภาพประกอบท หนา

1-1 กรอบแนวคดการพฒนาตวแบบวเคราะหขอมลการพยากรณอากาศส าหรบการควบคมสมารตเซนเซอรของฟารมเกษตร ดวยนวรอลเนตเวรค .................................................................... 2

2-1 แบบจ าลองกระบวนการส าหรบการท าเหมองขอมล (Data Mining) ..................................... 5

2-2 คณสมบตของอนเทอรเนตในทกสง .................................................................................... 14

2-3 สถาปตยกรรมอนเทอรเนตในทกสง ................................................................................... 15

2-4 เซลลประสาทเทยมทถกจ าลองขน ...................................................................................... 19

2-5 โครงขายประสาทเทยมแบบชนเดยว ................................................................................... 20

2-6 โครงขายประสาทเทยมแบบหลายชน ................................................................................. 21

2-7 ฟงกชนถายโอนแบบลอการทมซกมอยด ............................................................................ 21

2-8 โครงขายการสงขอมลแบบไมยอนกลบ (Feedforward Network) ........................................ 23 2-9 โครงขายการสงขอมลแบบยอนกลบ (Feedback Network) ................................................. 23 2-10 โครงสรางของโครงขายแบบเปอรเซปตรอน 2 ชน ........................................................... 24 2-11 รปแบบโครงขายประสาทเทยมแบบหลายชน (MLP) ม 4 เอาตพต ................................... 26

2-12 ตวอยางโครงขายประสาทเทยม (8-4-4) และฟงกชนถายโอนชนด logsig ........................ 27

2-13 Pattern recognition ............................................................................................................ 28

2-14 รปแบบฟงกชนการถายโอน .............................................................................................. 29 2-15 โครงสรางของนวรอลเนตเวรคแบบ 2 ชน ........................................................................ 30

2-16 ตวอยางการปรบลดรปนวรอลภายในโครงสรางของนวรอลเนตเวรค ............................... 31

2-17 โครงสรางของนวรอลเนตเวรคกอนท าการตดเลม ............................................................. 32

2-18 โครงสรางของนวรอลเนตเวรคหลงท าการตดเลม ............................................................. 32

3-1 โครงสรางนวรอลเนตเวรคส าหรบงานวจย ......................................................................... 40

4-1 โครงสรางนวรอลเนตเวรคทใชในงานวจย .......................................................................... 47

4-2 โครงขายประสาทเทยมชนดฟงกชนถายโอนแบบ Log-Sigmoid ........................................ 48

4-3 ผลการฝกสอนดวยนวรอลเนตเวรคแสดงดวยตาราง Confusion Matrix .............................. 49

4-4 ผลการทดสอบดวยขอมลชดจรง ......................................................................................... 51

4-5 หนาจอการออกแบบการควบคมเซนเซอร ดวยแบบจ าลอง Simulink Model ของแมตแลป ..... 52

IX

สารบญภาพ (ตอ) ภาพประกอบท หนา

4-6 ผลการทดสอบขอมลชดจรงของการพยากรณสภาพอากาศลวงหนาดวยแบบจ าลอง Simulink Model ของแมตแลป ...................................................................................................... 52

บทท 1 บทน า

1.1 ความเปนมาและความส าคญของปญหา

ปจจบนการท าฟารมเกษตรจ าเปนตองใชอปกรณและเทคโนโลยททนสมยเขามาชวยในการกระบวนการผลตมการใชพลงงานไฟฟาในการควบคมอปกรณเซนเซอร รวมไปถงการควบคมอณหภม ความชน แสงสวาง ในการเพาะปลกท าใหมคาใชจายทเพมมากขนจากการใชพลงงานไฟฟาทมากเกนความจ าเปน ซงหากสามารถพยากรณหรอคาดการณสภาพอากาศลวงหนาได จะสามารถชวยลดคาใชจายและสามารถควบคมการใชพลงงานไฟฟาในการท าสมารตฟารมไดอยางมประสทธภาพ (สตาวธ ธรวรฬห, 2559)

ส าหรบประเทศไทยฟารมเกษตรสวนใหญยงด าเนนกจกรรมในรปแบบดงเดม ดวยการใชคนงาน ในการควบคมแสงสวาง อณหภม และน า ซงจากงานวจยทเ กยวของ (ส านกงานประสานงานการขบเคลอน Thailand 4.0, 2559) พบวาฟารมเกษตรไมสามารถพยากรณคาใชจายทเกดขนลวงหนาไดท าใหการใชพลงงานไฟฟาภายในฟารมและตนทนในการจางคนดแลรกษาสงขน ท าใหการบรหารจดการภายในฟารม และลดตนทนทางการเกษตรท าไดยาก นอกจากนการเพาะปลกทขนอยกบสภาพอากาศ หรอแปลงเกษตรทขนอยกบการควบคมความชน อณหภมและแสงสวาง ไมสามารถทจะควบคมใหเกดผลผลตทเพมขนได (Aekyeung Moon, 2017)

จากการศกษาวจย (สกล ค านวนชย และชม กมปาน, 2560) (I. A. Aziz, M. H. Hasan, 2013) พบวาปจจบนฟารมเกษตรหลายแหงไดน าเอาอปกรณเซนเซอรประเภทสมารต (Smart Sensor) มาใชภายในฟารม ซงขอมลทไดจากตวเซนเซอร สามารถน ามาวเคราะหขอมลหาคาตางๆ นอกจากนการวเคราะหขอมลสารสนเทศในปจจบน สามารถเชอมตอขอมลจากหนวยงานภายนอกได เชน กรมอตนยมวทยา เพอน าขอมลมาใชประโยชน (นราธป ทองปาน และธนาพฒน เทยงภกด, 2559)

ผ วจยจงไดท าการศกษาการวเคราะหขอมลการพยากรณสภาพภมอากาศจากกรมอตนยมวทยา การพยากรณท านายโดยอาศยนวรอลเนตเวรคและการหาพารามเตอรทเหมาะสมมาเปนขอมลทใชฝกนวรอลเนตเวรค ซงนาจะหาคาผลการพยากรณใหกบเจาของธรกจสมารตฟารมใหมทศทางในการคาดคะเนมากขน สงผลใหสามารถทราบวาในอนาคต มแนวโนมทตองใชพลงงานไฟฟามากขนหรอลดลงอยางไรในกระบวนการผลต และควบคมอณหภม ความชน แสงสวาง (S. R. Nandurkar, V. R. Thool, R. C. Thool, 2014) โดยพฒนาตวแบบวเคราะหขอมลพยากรณอากาศส าหรบการควบคมสมารตเซนเซอรของฟารมเกษตร โดยใชโมเดลของนวรอลเนตเวรคเพอใหสามารถน าผลทได ไปประกอบการวเคราะหและทดสอบความพงพอใจของตวแบบ

2

วเคราะหขอมลพยากรณอากาศ เพอใชควบคมพลงงานไฟฟาทไดพฒนาขน เพอใหสามารถควบคมคาใชจายในใชพลงงานไฟฟาไดมประสทธภาพมากขน และลดตนทนในการผลตได 1.2 วตถประสงคของการวจย

1. เพอศกษาปญหาและความส าคญของการพฒนาตวแบบวเคราะหขอมลพยากรณอากาศส าหรบการควบคมสมารตเซนเซอรของฟารมเกษตร

2. เพอการพฒนาตวแบบวเคราะหขอมลพยากรณอากาศส าหรบการควบคมสมารตเซนเซอรของฟารมเกษตร ดวยนวรอลเนตเวรค

3. เพอทดสอบและประเมนผลการพฒนาตวแบบวเคราะหขอมลพยากรณอากาศส าหรบการควบคมสมารตเซนเซอรของฟารมเกษตร ดวยนวรอลเนตเวรค 1.3 กรอบแนวคดในการวจย

ผวจยไดด าเนนการสรางกรอบแนวคดในการพฒนาตวแบบวเคราะหขอมลพยากรณอากาศส าหรบการควบคมสมารตเซนเซอรของฟารมเกษตร ดวยนวรอลเนตเวรคดงน

ภาพประกอบท 1-1 กรอบแนวคดการพฒนาตวแบบวเคราะหขอมลพยากรณอากาศส าหรบการ ควบคมสมารตเซนเซอรของฟารมเกษตร ดวยนวรอลเนตเวรค

ตวแปรตน

ขอมลการพยากรณอากาศ

ประกอบดวยอณหภม ความชน

และปรมาณน าฝน

การพฒนาตวแบบวเคราะหขอมลพยากรณอากาศ

ส าหรบการควบคมสมารตเซนเซอรของ

ฟารมเกษตร ดวยนวรอลเนตเวรค

1. ตวแบบจ าลองสารสนเทศ การพฒนาตวแบบวเคราะหขอมลพยากรณอากาศส าหรบการควบคม

สมารตเซนเซอรของฟารมเกษตร ดวยนวรอลเนตเวรค

2. ผลลพธจากการประเมนการท างานของตวแบบวเคราะหขอมลการพยากรณอากาศอจฉรยะ

3

1.4 ขอบเขตของการวจย 1. ขอมลทน ามาใชวเคราะหขอมลการพยากรณอากาศมาจากกรมอตนยมวทยา ประเทศ

ไทยอางองยอนหลง 1 ป ตงแตเดอนพฤษภาคม 2560 ถงเมษายน 2561 2. ตวแปรตนของขอมลการพยากรณอากาศทจะน ามาใชในการวเคราะหประกอบดวย

(1) อณหภม (2) ความชน (3) ปรมาณน าฝน ส าหรบประเทศไทย 3. ระยะเวลาในการด าเนนงานวจย 10 เดอน ตงแตเดอน กนยายน 2560 ถง มถนายน 2561

1.5 ประโยชนทคาดวาจะไดรบ

1. ไดองคความรในการพฒนาตวแบบวเคราะหขอมลพยากรณอากาศส าหรบการควบคมสมารตเซนเซอรของฟารมเกษตร

2. ชวยวเคราะหขอมลการพยากรณอากาศ เพอควบคมพลงงานไฟฟาในฟารมเกษตร 3. ไดเผยแพรผลงานทางวชาการ และ เปนแนวทางในการขยายผลองคความรดานการ

วเคราะหขอมลดวยเทคนคการเรยนรเชงลก นวรอลเนตเวรคตอไปในอนาคต 1.6 ค านยามศพท

1.6.1 โครงขายประสาทเทยม (Artificial Neural Networks) หรอทมกจะเรยกสนๆ วา โครงขายประสาท (Neural Networks) คอ การสรางคอมพวเตอรทจ าลองเอาวธการท างานของสมองมนษย หรอท าใหคอมพวเตอรรจกคดและจดจ าในแนวเดยวกบโครงขายประสาทของมนษย เพอชวยใหคอมพวเตอรฟงภาษามนษยไดเขาใจ อานออก และรจ าได ซงอาจเรยกไดวาเปน “สมองกล” เปนหนงในเทคนคของการท าเหมองขอมล (Data Mining) คอโมเดลทางคณตศาสตร ส าหรบประมวลผลสารสนเทศดวยการค านวณแบบคอนเนคชนนสต (Connectionist) เพอจ าลองการท างานของเครอขายประสาทในสมองมนษย ดวยวตถประสงคทจะสรางเครองมอซงมความสามารถในการเรยนรการจดจ ารปแบบ (Pattern Recognition) และการสรางความรใหม (Knowledge Extraction) โครงขายประสาทเทยมประกอบดวย 5 องคประกอบ ดงน

1. ขอมลปอนเขา (Input) เปนขอมลทเปนตวเลขหากเปนขอมลเชงคณภาพ ตองแปลงใหอยในรปเชงปรมาณทโครงขายประสาทเทยมยอมรบได

2. ขอมลสงออก (Output) คอ ผลลพธทเกดขนจรง(Actual Output) จากกระบวนการเรยนรของโครงขายประสาทเทยม

4

3. คาถวงน าหนกหนก (Weights) คอสงทไดจากการเรยนรของโครงขายประสาทเทยมหรอเรยกอกอยางหนงวาคาความร (Knowledge) คานจะถกเกบเปนทกษะเพอใชในการจดจ าขอมลอนๆ ทอยในรปแบบเดยวกน

4. ฟงกชนผลรวม (Summation Functions) เปนผลรวมของขอมลปอนเขา และคาน าหนก

5. ฟงกชนการเปลยนแปลง (Transfer Function) เปนการค านวณการจ าลองการท างานของโครงขายประสาทเทยม เชน ซกมอยดฟงกชน (Sigmoid Function) ฟงกชนไฮเปอรโบลกแทนเจนต (Hyperbolic Tangent Function) เปนตน (ผศ. ศภโชค แสงสวาง, 2559)

1.6.2 การเรยนรแบบการแพรกระจายยอนกลบ (Back Propagation) เปนสถาปตยกรรมทก าหนดใหการสงขอมลจากขอมลในชนขอมลขาเขา (Input Layer) เขามาภายในชนซอน (Hidden Layer) และสงไปยงขอมลขาออก (Output Layer) จะมทศทางในการไหลของขอมลไปในทศทางเดยวกน ขอมลทประมวลผลในวงจรขายจะถกสงไปในทศทางเดยวจาก Input สงตอมาเรอยๆ จนถง Output โดยมการยอนกลบของขอมล เพอใหการจ าแนกนนมประสทธภาพมากขน

1.6.3 สมารตเซนเซอร (Smart Sensor) คออปกรณทใชขอมลจากสภาพแวดลอมทางกายภาพและใชทรพยากรในตวทมกลไกท าหนาทไดเอง เพอค านวณและวเคราะหตามรปแบบทก าหนดไว สามารถตรวจจบการเคลอนไหวและประมวลผลขอมลกอนสงตอ เซนเซอรชวยใหสามารถรวบรวมขอมลดานสงแวดลอมไดอยางถกตอง อปกรณเหลานใชส าหรบการตรวจสอบและควบคมกลไกตางๆ ในหลากหลายสภาพแวดลอม

1.6.4 ฟงกชนการถายโอน (Transfer Function) ฟงกชนการถายโอน เปนสวนทท าหนาทรวมคาเชงตวเลขจากเอาตพตของนวรอล แลวท าการตดสนใจวาจะสงสญญาณเอาตพตออกไปในรปใด ฟงกชนการแปลงสามารถเปนไดทงแบบเชงเสนหรอไมเปนเชงเสน การเลอกใชฟงกชนการถายโอนจะขนอยกบลกษณะของระบบ ทน าเอาโครงขายประสาทเทยมไปประยกตใช ฟงกชนการถายโอนมอยหลายรปแบบ (อ าภา สาระศร, 2559)

บทท 2 แนวคด ทฤษฎ และงานวจยทเกยวของ

ในการศกษาครงน ผศกษาไดคนควาแนวคดและทฤษฎทเกยวของ เพอเปนแนวทางในการ

การวดและวเคราะหขอมลฐานกจกรรมฟารมเกษตรอจฉรยะดวยเทคนคการเรยนรเชงลก นวรอลเนตเวรคโดยจ าแนกรายละเอยดดงน

2.1 ทฤษฎการท าเหมองขอมล (Data Mining) 2.2 ทฤษฎการเรยนรของเครอง (Machine Learning) 2.3 อนเทอรเนตในทกสง (Internet of Things: IoT) 2.4 ทฤษฎโครงขายประสาทเทยม (Neural Networks) 2.5 งานวจยทเกยวของ

2.1 ทฤษฎการท าเหมองขอมล (Data Mining) การท าเหมองขอมลหรอเรยกวา การคนหาความรในฐานขอมล (Knowledge Discovery in

Databases - KDD) เปนเทคนคเพอคนหารปแบบ (Pattern) จากขอมลจ านวนมหาศาลโดยอตโนมต โดยใชขนตอนวธจากวชาสถต การเรยนรของเครอง และ การรจ าแบบ หรอในอกนยามหนง การท าเหมองขอมล คอ กระบวนการทกระท ากบขอมลทมจ านวนมากเพอคนหารปแบบ แนวทาง และความสมพนธทซอนอยในชดขอมลนน โดยอาศยหลกสถต การรจ าแบบ การเรยนรของเครอง และหลกคณตศาสตร (Richard J. Roiger, 2017) การคนหาความรเปนกระบวนการประกอบดวยล าดบซ าของขนตอนตอไปน ดงภาพประกอบท 2-1

ภาพประกอบท 2-1 แบบจ าลองกระบวนการส าหรบการท าเหมองขอมล (Data Mining) (ทมา : Richard J. Roiger, 2017)

6

2.1.1 ขนตอนการท าเหมองขอมล โดยทวไปแลวขอมลทผานการเตรยมแลวจะสามารถน าไปวเคราะหหรอศกษาตอได

งายขน ขนตอนยอยทส าคญในสวนนไดแก การช าระขอมล (Data Cleaning) การรวบรวมขอมล (Data Integration) การเลอกขอมล (Data Selection) การปรบบรรทดฐานขอมล (Data Normalising) รวมไปถงการลดมตขอมล (Dimensionality Reduction) ดวย

1. การท าความสะอาดขอมล (Data Cleaning) เปนขนตอนส าหรบการคดขอมลทไมเกยวของออกไป

2. การรวมขอมล (Data Integration) เปนขนตอนการรวมขอมลทมหลายแหลงใหเปนขอมลชดเดยวกน

3. การเลอกขอมล (Data Selection) เปนขนตอนการดงขอมลส าหรบการวเคราะหจากแหลงทบนทกไว

4. การแปลงขอมล (Data Transformation) เ ปนข นตอนการแปลงขอมลใหเหมาะสมส าหรบการใชงาน

5. การท าเหมองขอมล (Data Mining) เปนขนตอนการคนหารปแบบทเปนประโยชนจากขอมลทมอย

6. การประเมนรปแบบ (Pattern Evaluation) เปนขนตอนการประเมนรปแบบทไดจากการท าเหมองขอมล

7. การน าเสนอความร (Knowledge Presentation) เปนขนตอนการน าเสนอความรทคนพบ โดยใชเทคนคในการน าเสนอเพอใหเขาใจ (Jiawei Han, Micheline Kamber, Jian Pei, 2012)

2.1.2 เทคนคการท าเหมองขอมล เนองจากการท าเหมองขอมลเปนเทคนคในการคนหาความรจากขอมลขนาดใหญ

การท าเหมองขอมลจงเปนการรวมเอาศาสตรตางๆ หลายแขนงมารวมไวดวยกน โดยไมจ ากดวธการทจะใชตวอยางศาสตรทใช เชน เทคโนโลยฐานขอมล (Database Technology) วทยาศาสตรสารสนเทศ (Informatino Science) สถต (Statistics) และระบบการเรยนร (Machine Learning) เปนตน ซงศาสตรตางๆ เหลานจะท าใหเกดกระบวนการคนความรในแบบตางๆ โดยภาพแบบการคนความรหลกมดงน (Jiawei Han, Micheline Kamber, Jian Pei, 2012)

1.การแบงประเภทและการท านาย (Classification & Prediction) จดเปนกระบวนการทใชในการหาภาพแบบของชดขอมลทมความใกลเคยงกนหรอเหมอนกนมากทสด

7

เพอใชในการท านายชดขอมลวาอยในประเภทใดของชดขอมลทไดท าการแบงไวแลวซงชดขอมลทแบงไวเกดจากการเรยนรจากชดขอมลทมอยแลว (Training Data) แบบจ าลองทเกดจากการเรยนรสามารถแสดงไดหลายภาพแบบ เชน กฎการแบง (Classification Rules, IF THEN) การค านวณแบบตนไมวเคราะห (Decision Tree) การใชสตรทางคณตศาสตร (Mathematical Formula) หรอโครงขายประสาทเทยม เปนตน ในสวนของการท าตนไมวเคราะหจะแสดงออกมาในลกษณะของแผนภมโครงสรางตนไม ซงกานของตนไมจะแสดงถงความรทไดและใบไมจะแสดงถงประเภทชดขอมลทถกแบงออกมาา แผนภมตนไมสามารถแปลงเปนกฎการแบงไดงาย เพราะลกษณะของแผนภมสามารถเขาใจไดงาย ในสวนของโครงขายประสาทเทยมนน จะแสดงในลกษณะของการเชอมตอระหวางหนวยทเกดขน การท าการแบงประเภทนน มกจะใชประโยชนรวมกบการท านายโดยเฉพาะขอมลทเปนตวเลข เราจงอาจมองไดวา การท านายเปนการบอกถงคาตวเลขและการบงบอกประเภทของขอมลนน ในลกษณะของการดแนวโนม (Trends) ทจะเกดขน ตวอยาง เทคนคของการแบงประเภทและการท านายไดแก การค านวณแบบพนธกรรม (Genertic Algorithm) การค านวณแบบตนไมวเคราะห (Decision Tree) และโครงขายใยประสาทเทยม (Neural Network) เปนตน

2.การวเคราะหเพอจดกลม (Clustering Analysis) การวเคราะหเพอจดกลมจะแตกตางกบการท าการแบงประเภทและการท านายซงวเคราะหกลมขอมลทมความคลายกนมากทสด ซงจะเปนการจดกลมทแบงประเภทโดยไมมการระบชอกลมในชวงของการสอน แบบจ าลองโดยทวไปแลววธแบบนจะใชกบการจดการแบงขอมลทไมรวาจะจดประเภทไวดวยกนอยางไรด และการท าการวเคราะหน จะสามารถท าการบงบอกถงชอของกลมทแบงขนไดดวย ในการท าการวเคราะหเพอจดกลมนน จะอาศยพนฐานของความเหมอนกนมากทสด และความเหมอนกนนอยทสดของกลม คอ ขอมลทถกจดไวในกลมเดยวกน จะมความคลายกนสงมากแตละแตกตางกนกบขอมลทถกจดไวคนละกลม และตวอยางของการวเคราะหเพอจดกลมไดแก การหาคาเฉลย K (K-mean Algorithm) การรวมและการแบงกลมโดยจดล าดบชน (Agglomerative And Divisive Hierarchical Clustering) และการล าดบต าแหนงเพอแสดงโครงสรางการจดกลม (Ordering Points To Identify The Clustering Structure) เปนตน

3.การวเคราะหความสมพนธ (Association Analysis) การวเคราะหความสมพนธเปนภาพแบบการคนความรโดยการหาสงทเรยกวา “กฎความของสมพนธ (Association Rules)” ซงจะแสดงความสมพนธของคาทมความสมพนธและมเงอนไขทตรงกบขอก าหนดและลกษณะของขอมลทมการเรยนรในภาพของตะกราจายตลาด (Market Basket) หรอการซอขาย (Transaction) ในการทาการวเคราะหความสมพนธกฎทเกดขนนจ าเปนทจะตองก าหนดคาสนบสนน (Support) และคาความมนใจ (Confidence) ซงเปนตวก าหนดวากฎทเกดขนนมความสมพนธกนในระดบใน และ

8

ยงเปนการชวยยบย งการเกดกฎทไมจ าเปนหรอกฎทมความเกยวของกนนอยมาก ตวอยางเทคนคของการวเคราะหความสมพนธไดแก การวเคราะหแบบ ตะกราสนคา (Market Basket Analysis) การค านวณแบบแอพพรออร (The Apriori Algorithm) และกฎความสมพนธแบบหลายระดบ (Multilevel Association Rules) เปนตน

4. การสรางมโนภาพ (Visualization) สรางภาพคอมพวเตอรกราฟกทสามารถน าเสนอขอมลมากมายอยางครบถวนแทนการใชขอความน าเสนอขอมลทมากมาย เราอาจพบขอมลทซอนเรนเมอดขอมลชดนนดวยจนตทศน

2.1.3 ประเภทขอมลทใชท าเหมองขอมล 1. Relational Database เปนฐานขอมลทจดเกบอยในรปแบบของตาราง โดยในแตละ

ตารางจะประกอบไปดวยแถวและคอลมน ความสมพนธของขอมลทงหมดสามารถแสดงไดโดย Entity Relationship Model

2. Data Warehouses เปนการเกบรวบรวมขอมลจากหลายแหลงมาเกบไวในรปแบบเดยวกนและรวบรวมไวในทๆ เดยวกน

3. Transactional Database ประกอบดวยขอมลทแตละทรานเเซกชนแทนดวยเหตการณในขณะใดขณะหนง เชน ใบเสรจรบเงน จะเกบขอมลในรปชอลกคาและรายการสนคาทลกคารายซอ

4. Advanced Database เปนฐานขอมลทจดเกบในรปแบบอนๆ เชน ขอมลแบบ Object-Oriented ขอมลทเปน Text File ขอมลมลตมเดย ขอมลในรปของ Web (ภควต คปตธนโรจน, 2555)

2.1.4 ขนตอนวธการท าเหมองขอมล 1. การท าเหมองขอมล (Data Mining) คอการวเคราะหขอมลเพอแยกประเภทจ าแนก

รปแบบและความสมพนธของขอมลจากฐานขอมลทมขนาดใหญหรอคลงขอมล โดยมวธตางๆ หลายวธซงรปแบบการท าเหมองขอมลนนไดรวบรวมความรจากหลายแขนงเขาไวดวยกนซงประกอบดวยระบบการเรยนรของเครองจกร (Machine Learning) รวมกบวทยาศาสตรสารสนเทศ (Information Science) สถต (Statistic) และระบบฐานขอมล (Database System) โดยทวไปแลววธทน ามาใชสวนใหญม 5 ประเภท

1.1 วธการจ าแนกกลม (Classification) เปนวธในการจ าแนกกลมขอมลดวยคณลกษณะตางๆ ทไดมการก าหนดไวแลว วธนเหมาะกบการสรางตวแบบเพอการพยากรณคาขอมล (Predictive Modeling) ในอนาคตจากการทไดจ าแนกกลมขอมลตวอยางไวแลว ซงใน

9

ลกษณะดงกลาวเรยกวาการเรยนรแบบมผสอน (Supervised Learning) วธการจ าแนกกลมเปนกระบวนการสรางตวแบบเพอจดขอมลใหอยในกลมทก าหนด ตวอยาง เชน การแบงประเภทลกคาวาเชอถอไดหรอไม ซงเปนการสรางตวแบบโดยการเรยนรจากขอมลทไดก าหนดไวเรยบรอยแลว

1.2 วธการคนหากฎความสมพนธ (Association Rule Discovery) เปนวธทใชในการคนหาความสมพนธของฐานขอมลทมขนาดใหญ เพอทจะวเคราะหขอมลและหาสงทซอนอยในขอมลนน เชน การวเคราะหขอมลการซอขายในซปเปอรมารเกต เพอวางแผนการสงเสรมการขาย (Promotion) และเตรยมการวางแผนการเรยงชนวางสนคา (Shelf) เชน การวางน าอดลมกบขาวโพดควไวใกลกน

1.3 วธการจดกลม (Clustering) เปนวธการลดขนาดของขอมลดวยการรวมกลมตวแปรทมลกษณะเดยวกนไวดวยกน ท าใหสามารถคนหาขอมลทถกละเลยไปได วธนมกถกใชเปนขนตอนเบองตนในการท าเหมองขอมล และเหมาะกบขอมลทยงไมมกลมอยางชดเจน จงรวมกลมเพอหากลมตางๆ ของขอมลโดยจ านวนกลมของขอมลแทนดวย k ซงผทใชวธนจะเปนผ ก าหนดจ านวนกลม วธนอาจเรยกวาการจดกลมแบบเฉลย k กลม (K-mean clustering)

1.4 วธการหาคาทแตกตางจากคามาตรฐาน (Deviation Detection) เปนวธในการหาคาทแตกตางไปจากคามาตรฐาน หรอคาทคาดคดไววาตางไปมากนอยเพยงใด โดยทวไปมกใชวธทางสถตหรอการแสดงใหเหนภาพ ส าหรบวธนใชในการตรวจสอบลายเซนหรอปลอมบตรเครดต เปนตน

1.5 วธการวเคราะหล าดบ (Sequential Analysis) เปนวธในการวเคราะหล าดบเพอคนหารปแบบของการปรากฎของขอมล ซงปรากฎในรายการทแยกออกมา เชน ถาผซอซอสนคา A แลวเขาจะซอสนคา B ในภายหลง วธนจะแตกตางจากวธการคนหาความสมพนธ เพราะค านงถงล าดบการซอดวย (สรวชร ศรเปารยะ และสายชล สนสมบรณทอง, 2560)

2. วธการแบงประเภทขอมลของวธการจ าแนกกลม (Classification) การแบงประเภทขอมลคอกระบวนการสรางตวแบบเพอจดการขอมลใหอยในกลมทก าหนดเปนการสรางตวแบบการจดหมวดหมไดจากกลมตวอยางของขอมลทไดก าหนดไวลวงหนา และสามารถพยากรณกลมของขอมลทยงไมเคยน ามาจดหมวดหมได ตวแบบทไดอาจอยในรปแบบตนไมตดสนใจ (Decision Tree) หรอโครงขายประสาทเทยม (Artificial Neural Network) ในการจดหมวดหมจ าเปนตองแบงขอมลออกเปน 2 สวน สวนแรก คอ ขอมลส าหรบการเรยนร (Training Data) เพอใหขอมลเรยนรและสรางตวแบบ (Model Construction) และสวนทสองคอขอมลส าหรบการทดสอบ (Testing Data) เพอประเมนความถกตองของตวแบบ (Model Evaluation) อกทงใชชดขอมลทไมเคยเหนมากอน (Unseen Data) เพอก าหนดกลมใหกบขอมลใหมทไดมาหรอท านายคาออกมาตามทตองการ

10

เชน การจดหมวดหมของผยนบตรเครดต (Credit) เปนระดบต า ระดบกลางและระดบสงของความเสยงทจะไดรบ หรอการอนมตบคคลเขารบท างานในลกษณะงานตางๆ (รจรา ธรรมสมบต, 2554)

3. วธความใกลเคยงกนมากทสด (Knearest neighbor) เปนวธการทไดรบความนยมในการใชงานอยางมาก สาเหตเนองจากเปนวธการทงายและมประสทธภาพซงสามารถน าไปประยกตใชกบงานไดอยางหลากหลาย เชน งานทางดานการจ าแนกกลม (Classification) รวมถงงานทางดานการแทนทขอมลทสญหาย (Missing Values Imputation) (รจรา ธรรมสมบต, 2554)

4. วธตนไมตดสนใจ (Decision Tree) เปนตวแบบทางคณตศาสตร เพอหาทางเลอกทดทสด โดยการน าขอมลมาสรางตวแบบการพยากรณในรปแบบของโครงสรางตนไม ซงมการเรยนรขอมลแบบมผสอน (Supervised Learning) สามารถสรางตวแบบการจดกลม (Clustering) ไดจากกลมตวอยางของขอมลฝกหด (Training Data set) ไดโดยอตโนมตและสามารถพยากรณกลมของรายการทยงไมเคยน ามาจดกลมไดอกดวย สวนประกอบของตนไมเพอการตดสนใจ

4.1 โหนด (Node) คอ สมบตตางๆ เปนจดทแยกขอมลวาจะใหไปในทศทางใด ซงโหนดทอยสงสดเรยกวาโหนดราก (Root Node)

4.2 กง (Branch) คอ สมบตของโหนดทแตกออกมา โดยจ านวนของกงจะเทากบสมบตของโหนด

4.3 ใบ (Leaf) คอ กลมของผลลพธในการแยกแยะขอมล ซงโหนดทอยลางสดเรยกวาโหนดใบ (Leaf node) (รจรา ธรรมสมบต, 2554)

5. วธโครงขายประสาทเทยม (Artificial Neural Network) มแนวความคดในการเรยนรทคลายคลงกบระบบสมองมนษยขนตอนการน าโครงขายประสาทเทยมมาใชในการพยากรณ จะตองอาศยขอมลปอนเขาเพอสรางแบบจ าลองในการพยากรณขอมลในอนาคตโดยทโครงขายประสาทเทยมจะพยายามละจ านวนของการท านายทผดพลาดใหต าทสดโครงขายประสาทเทยมแบบเปอรเซปตรอนหลายชน เปนการเรยนรแบบเปอรเซปตรอนสามารถพสจนไดดวยรอบการเรยนรทจ ากด อลกอรธมสามารถคนหาคาน าหนก และคาโนมเอยงทก าหนดเสนขอบเขตของกลม ส าหรบเซตขอมลทสามารถแยกกนไดดวยเสนตรง แตส าหรบกรณเสนขอบเขตไมเปนเชงเสน โครงขายประสาทเทยมแบบเปอรเซปตรอนจะไมสามารถจ าแนกกลมไดถกตองทงหมด จะมขอมลบางคาถกจ าแนกผดกลม ซงหมายถงการเรยนรแบบเปอรเซปตรอนจะไมสามารถใหคาผดพลาดเปนศนยไดและจะวนเรยนรไมมทสนสด ซงในขนตอนการเรยนรตองก าหนดจ านวนรอบในการเรยนรหรอก าหนดคาผดพลาดทยอมรบไดเพอหยดการเรยนรของอลกอรทมซงโครงขายประสาทเทยมแบบเปอรเซปตรอนหลายชนจะใชวธการเรยนรแบบแพรกระจายยอนกลบ (Backpropagation Learning) (จารมน หนคง, 2552)

11

6. วธซพพอรตเวกเตอรแมชชน (Support Vector Machine) เปนสมการทใชจ าแนกคาคณลกษณะของ 2 กลม ทวางตวอยในพนทคณลกษณะ (Feature Space) ออกจากกนโดยจะสรางเสนแบง (Plane) ทเปนเสนตรงขนมา และเพอใหทราบวาเสนตรงทแบง 2 กลม ออกจากกนนน เสนตรงใดทเปนเสนทดทสด โดยเสนตรงนนจะเพมเสนขอบ (Margin) ออกไปทงสองขาง โดยเสนขอบทเพมนนจะขนานกบเสนเดมเสมอเสนขอบทเพมขนมานจะขยายออกไปจนกวาจะสมผสกบคาของกลมตวอยางทใกลทสดเคอรเนล (Kernel) ในโลกความเปนจรงนนขอมล 2 กลม ไมไดวางตวในพนทคณลกษณะ และไมสามารถแบงไดโดยเสนตรง แตขอมลอาจจะจบกลมกนในต าแหนงตางๆ ดงนนจงเปนปญหาท าใหไมสามารถทจะใชสมการซพพอรตเวกเตอรแมชชนแบบเชงเสนได ดงนนจะตองมเครองมอมาชวยใหขอมลเหลานนเรยงตวใหมในพนทเรยกวา พนทหลายมต (Higher Dimensional Space) (อานนท นามสนท, 2549)

7. วธฐานกฎ (Rule-Based) เปนวธหนงทนยมใชเชนเดยวกบวธตนไม ตดสนใจ ขอก าหนดหรอเงอนไข (Antecedent or Precondition) ของวธฐานกฎเปนการทดสอบคลายกบการทดสอบของวธตนไมตดสนใจ แตผลของการทดสอบหรอผลลพธ (Consequent or conclusion) ทไดนน จะใหค าตอบ (Class) ทใชกบตวอยางภายใตกฎนน หรอบางครงกอาจใหคาการแจกแจงความนาจะเปนของค าตอบตางๆ กฎบางสตรมขอก าหนดหรอเงอนไขทเปนการแสดงทางตรรกะทวไปมากกวาทจะเปนการเชอมอยางงาย (Simple Conjunction) ถากฎหนงถกน าไปใชค าตอบ (หรอการแจกแจงความนาจะเปน) ทก าหนดในขอสรปจะถกน าไปใชกบตวอยางเชนกนอยางไรกตาม จะเกดขอขดแยงขนเมอกฎหลายกฎมขอสรปแตกตางกน (สรวชร ศรเปารยะ และสายชล สนสมบรณทอง, 2560)

8. วธการถดถอยลอจสตก (Logistic Regression) ใชเพอหาความสมพนธระหวางตวแปรอสระและตวแปรตาม โดยตวแปรตามมเพยงสองคาคอ 0 และ 1 หากตวแปรอสระมคานอย คาของตวแปรตามจะมคาเทากบ 0 และหากคาตวแปรอสระมคามากคาของตวแปรตามจะมคาเทากบ 1 (ชณฐดาภรณ เยนประเสรฐ, 2557)

9. วธนาอฟเบย (Naive Bayes) เปนเครองจกรเรยนรทอาศยหลกการความนาจะเปน (Probability) ตามทฤษฎของเบย (Bayes theorem) ซงมอลกอรทมทไมซบซอน เปนขนตอนวธในการจ าแนกขอมล โดยการเรยนรปญหาทเกดขนเพอน ามาสรางเงอนไขการจ าแนกขอมลใหม เปนการจ าแนกขอมลโดยใชความนาจะเปนและค านวณการแจกแจงความนาจะเปนตามสมมตฐานทตงใหกบขอมลจากการค านวณตวอยางใหมทไดจะถกน ามาปรบเปลยนการแจกแจง ซงมผลตอการเพมหรอลดความนาจะเปนของขอมล ขอมลใหมทเกดขนและตวแบบทตงไวใหกบขอมลจะถกปรบเปลยนไปตามขอมลใหมโดยผนวกกบขอมลเดมทม หลกการของนาอฟเบย ใชการค านวณหา

12

ความนาจะเปนซงถกใชในการท านายผลเปนวธในการแกปญหาแบบการจ าแนกทสามารถคาดการณผลลพธได จะวเคราะหความสมพนธระหวางตวแปรเพอใชในการสรางเงอนไขความนาจะเปนส าหรบแตละความสมพนธ นาอฟเบยเปนวธจ าแนกกลมขอมลทมประสทธภาพ มอลกอรทมในการท างานทไมซบซอนเหมาะกบกรณของเซตตวอยางทมจ านวนมากและสมบต (Attribute) ของตวอยางไมขนตอกน (วรรณสร ธระชน และวรพจน สเมธาวฒนพงศ, 2557) 2.2 ทฤษฎการเรยนรของเครอง (Machine Learning)

การเรยนรของเครองเปนสาขาหนงของปญญาประดษฐทเกยวของกบการพฒนาเทคนควธ เพอใหคอมพวเตอรสามารถเรยนร โดยเนนทวธการเพอสรางโปรแกรมคอมพวเตอรจากการวเคราะหชดขอมล การเรยนรของเครองจงเกยวของอยางมากกบสถตศาสตรเทคนคการเรยนรของเครองถกใชเพอเพมประสทธภาพในการแกปญหาดานตาง ๆ เชน การสรางใหคอมพวเตอรสามารถแยกแยะวตถ เสยง หรอตวอกษรได หรอจ าแนกขอมลจ านวนมากทไมสามารถท าไดโดยมนษย ลกษณะทวไปของการเรยนรของเครองจกรเปนการสรางอลกอรธมหรอโปรแกรมคอมพวเตอร จากการใหขอมลฝก (Training data) ส าหรบสอนใหคอมพวเตอรเรยนร เพอใหไดมาซงแบบจ าลองในการแยกแยะวตถอนได (Dilrukshi, Inoshika and Amitha Caldera, 2013)

2.2.1 การแบงการเรยนรของเครอง 1. การเรยนรแบบมผสอน (Supervised Learning) เปนเทคนคหนงของการเรยนรของ

เครองซงสรางฟงกชนจากขอมลสอน (Training Data) ขอมลสอนประกอบดวยวตถเขา และผลทตองการ ผลจากการเรยนรจะเปนฟงกชนทอาจจะใหคาตอเนองเรยกวธการวา การถดถอย (Regression) หรอ ใชท านายประเภทของวตถเรยกวา การแบงประเภท (Classification) ภารกจของเครองเรยนรแบบมผสอนคอการท านายคาของฟงกชนจากวตถเขาทถกตองโดยใชตวอยางสอนจ านวนนอย (Training Examples) โดยเครองเรยนรจะตองวางนยทวไปจากขอมลทมอยไปยงกรณทไมเคยพบอยางมเหตผล ตวอยาง การเรยนรเพอรจ าลายมอ

2. การเรยนรแบบไมมผสอน (Unsupervised Learning) เปนเทคนคหนงของการเรยนรของเครอง โดยการสรางโมเดลทเหมาะสมกบขอมล การเรยนรแบบนแตกตางจากการเรยนรแบบมผสอน คอ จะไมมการระบผลทตองการหรอประเภทไวกอนการเรยนรแบบนจะพจารณาวตถเปนเซตของตวแปรสม แลวจงสรางโมเดลความหนาแนนรวมของชดขอมล การเรยนรแบบไมมผสอนสามารถน าไปใชรวมกบการอนมาณแบบเบย เพอหาความนาจะเปนแบบมเงอนไขของตวแปรสมโดยก าหนดตวแปรทเกยวของให นอกจากนยงสามารถน าไปใชในการบบอดขอมล ซงโดย

13

พนฐานแลว ขนตอนวธการบบอดขอมลจะขนอยกบ การแจกแจงความนาจะเปนของขอมลไมอยางชดแจงกโดยปรยาย

3. การเรยนรแบบกงก ากบดแล (Semi-Supervised Learning) การเรยนรแบบกงก ากบดแลคอชนเรยนของเทคนคการเรยนรเครองจกรทใชทงตวอยางทมขอความก ากบและไมมการตดปายก ากบเมอเรยนรโมเดล ในหนงวธตวอยางทมขอความก ากบจะใชเพอเรยนรโมเดลชนเรยนและตวอยางทไมมการตดปายก ากบจะใชเพอปรบแตงขอบเขตระหวางชนเรยน ส าหรบปญหาสองชนเราสามารถคดชดของตวอยางทเปนของชนหนงเปนตวอยางทเปนบวกและกลมทอยในกลมอนๆ เปนตวอยางเชงลบ

4. การเรยนรทใชงานอย (Active Learning) การเรยนรทใชงานอยเปนวธการเรยนรดวยเครองซงท าใหผใชมบทบาทอยางมากในกระบวนการเรยนร วธการเรยนรทใชงานไดสามารถขอใหผใช (เชนผเชยวชาญโดเมน) ตดปายก ากบตวอยางซงอาจมาจากชดตวอยางทไมไดตดปายก ากบหรอสงเคราะหโดยโปรแกรมการเรยนร เปาหมายคอการเพมประสทธภาพคณภาพของรปแบบโดยการแสวงหาความรจากผใชมนษยอยางจรงจงโดยใหขอ จ ากด วาควรจะตดฉลากกตวอยาง (Jiawei Han, Micheline Kamber and Jian Pei, 2012)

2.3 อนเทอรเนตในทกสง (Internet of Things: IoT)

อนเทอรเนตในทกสง (Internet of Things) หรอ ไอโอท (IoT) หมายถงเครอขายของวตถ อปกรณ พาหนะ สงปลกสราง และสงของอนๆ ทมวงจรอเลกทรอนกส ซอฟตแวร เซนเซอร และการเชอมตอกบเครอขาย ฝงตวอย และท าใหวตถเหลานนสามารถเกบบนทกและแลกเปลยนขอมลได อนเทอรเนตในทกสงท าใหวตถสามารถรบรสภาพแวดลอมและถกควบคมไดจากระยะไกลผานโครงสรางพนฐานเครอขายทมอยแลว ท าใหสามารถผสานโลกกายภาพกบระบบคอมพวเตอรได ผลทตามมาคอประสทธภาพ ความถกตอง และประโยชนทางเศรษฐกจทเพมมากขน เมอ IoT ถกเสรมดวยเซนเซอรและแอคชเอเตอร (Actuators) ซงสามารถเปลยนลกษณะทางกลไดตามการกระตน กจะกลายเปนระบบทถกจดประเภทโดยทวไปวาระบบไซเบอรกายภาพ (Cyber Physical System) ซงรวมถงเทคโนโลยอยาง กรดไฟฟาอจรยะ (Smart Grid) บานอจฉรยะ (Smart Home) ระบบขนสงอจฉรยะ (Intelligent Transport) และเมองอจฉรยะ (Smart City) วตถแตละชนสามารถถกระบไดโดยไมซ ากนผานระบบคอมพวเตอรฝงตว และสามารถท างานรวมกนไดบนโครงสรางพนฐานอนเทอรเนตทมอยแลวในปจจบน (ววฒน มสวรรณ, 2559)

14

ภาพประกอบท 2-2 คณสมบตของอนเทอรเนตในทกสง (ทมา : Intersog, 2017)

2.3.1 สถาปตยกรรมอนเทอรเนตในทกสง (Internet of Things Architecture) สถาปตยกรรมอนเทอรเนตในทกสง ม 3 องคประกอบหลกทโดยทวไปจะอางองถง

ในสถาปตยกรรมอนเทอรเนตในทกสง ดงน (RS Components Co., Ltd., 2559) 1. สงตางๆ (Things) อปกรณทมวธการในการเชอมตอ (แบบใชสายหรอ

แบบไรสาย) เพอเขาสเครอขายทกวางขวางกวา 2. เครอขาย (Networks) คลายกบเราเตอรทบานของคณ ในเครอขายหรอเกต

เวยจะเชอมตอสงตางๆ ไปยงระบบคลาวด (Cloud) 3. ระบบคลาวด (Cloud) เซรฟเวอรระยะไกลในศนยขอมลทท าหนาทในการ

รวมและเกบขอมลของคณเอาไวอยางปลอดภย

15

ภาพประกอบท 2-3 สถาปตยกรรมอนเทอรเนตในทกสง

(ทมา : บรษท อารเอส คอมโพเนนซ จ ากด. 2560)

2.3.2 การประยกตใชอนเตอรเนตในทกสง เทคโนโลย IoT มความจ าเปนอยางยงทจะตองท างานรวมกบอปกรณทางดาน Radio-

frequency identification (RFID) หรอ Sensor ตางๆ ซงเปรยบเสมอนกบการใสสมองใหกบอปกรณ และตองมการเชอมตอกบอนเทอรเนตเพอใหอปกรณเหลานน สามารถรบ-สงขอมล เพอใหเราสามารถควบคมและสงการมนได การน า IoT มาประยกตใชในงานหลากหลายดาน ตวอยางงาน 5 ดานทนยมน ามาใชกนในปจจบนไดแก

1. Connected Health เปนเครอขายเชอมโยงระบบสขภาพครบวงจร เรมตงแตผปวย ไปถงแพทยและโรงพยาบาล ยกตวอยาง เชน การตดตามอาการของผปวยทบาน (โดยเฉพาะผปวยสงอาย) ผปวยจะตดอปกรณเซนเซอรตางๆ บนรางกาย เชน เครองวดอตราการเตนของหวใจ วดการเตนของชพจร จบการเคลอนไหว ฯลฯ ซงขอมลจากอปกรณเหลานจะถกสงผานเครอขายอนเทอรเนตไปยงแพทยเพอใหสามารถตดตามและประเมนอาการได 24 ชวโมง รวมไปถงกรณทผปวยหวใจหยดเตน หรอหกลม ระบบจะท าการแจงเตอนไปยงหองฉกเฉนของโรงพยาบาลเพอสงรถมารบทบานเพอปฐมพยาบาลหรอน าตวมารกษาไดอยางทนทวงท

2. Smart Home หรอบานอจฉรยะ เปนการน าเทคโนโลย IoT เขามาเพอตอบโจทยส าหรบผพกอยอาศยในหลากหลายดานไดแก 1) เพมความสะดวกสบายในชวตประจ าวน เชน

16

ประตอจฉรยะ หรอตเยนอจฉรยะ (โดยตเยนสามารถบอกผานแอพลเคชนบนสมารตโฟนไดวา มวตถดบใดเหลอบาง ปรมาณเทาใด วตถดบใดใกลหมดอาย หรอวตถดบเหลานนสามารถน ามาประกอบเปนรายการอาหารอะไรไดบาง) 2) เพมความปลอดภยในชวตและทรพยสน เชน อปกรณตรวจจบความเคลอนไหว (เมอมการเคลอนไหวภายในบานขณะทไมมผอยอาศย ระบบจะแจงเตอนมายงสมารตโฟนวามผไมประสงคดก าลงบกรกเขามา) และ 3) ประหยดพลงงาน เชน การปด-ปดไฟอตโนมต (โดยใชเซนเซอรวดความสวางจากแสงอาทตยหรอวดจากการเคลอนไหวของผอาศยภายในหอง)

3. Smart Farming หรอเกษตรอจฉรยะ เปนการน าเทคโนโลย IoT มาใชกบงานดานการเกษตร เพอชวยเพมผลผลตและแกไขปญหาตางๆ ไดแก 1) การวเคราะหพนทเพาะปลก เชน การใชอปกรณเซนเซอรตางๆ มาวดคณภาพดน ความชน หรอสภาพอากาศ และน าขอมลทไดมาประมวลผลเพอเลอกปลกพชใหเหมาะสมกบสภาพแวดลอม 2) การดแลรกษาและเพมผลผลต เชน ระบบใหน าอตโนมตส าหรบพชทตองมการควบคมอณหภมหรอความชน และ 3) ทนแรงและลดภาระหรอความเสยงใหกบเกษตรกร เชน การใชโดรนตดตงอปกรณส าหรบฉดพนสารเคมในทสงหรอยากตอการเขาถง อกทงยงชวยลดความเสยงตอตวเกษตรกรในการไดรบสารเคมทเปนอนตรายโดยตรง

4. Smart City หรอเมองอจฉรยะ เปนการน าเทคโนโลยIoT มาประยกตใชเพอใหคณภาพของคนเมองดขน เชน การจดการพลงงาน การดแลความปลอดภย การอ านวยความสะดวก (ทจอดรถ การจราจร ฯลฯ) โดยใช กลองวงจรเปด และเซนเซอรตางๆรวมกบขอมลหรอสารสนเทศทเกยวของ เปนตน

5. Smart Grid หรอโครงขายไฟฟาอจฉรยะ เปนการน าเทคโนโลยทท าการเชอมโยงระบบไฟฟา ระบบสารสนเทศ และระบบสอสารเขาไวดวยกน เพอใชในการควบคมการผลต สง และจายกระแสไฟฟาไปยงบานเรอน และโรงงานอตสาหกรรม เปนตน (ดร.เสกสรรค ศวลย, 2558)

2.3.3 แนวคดของอนเตอรเนตในทกสง วธการทเหนไดทวส าหรบการปฏสมพนธกบเทคโนโลยคอมพวเตอร นนคอการ

เชอมตออปกรณ เชน เมาส หรอ แปนพมพ เขากบเครองคอมพวเตอร จะถกแทนทดวยรปแบบการปฏสมพนธในรปแบบใหมโดยใชรางกายของมนษยในการปฏสมพนธโดยตรง เชน การสมผสหนาจอ การปฏสมพนธดวยอวยวะของรางกายดวงตา นวมอ หรอการปฏสมพนธดวยการแสดงทาทาง เปนตน (Andrew Manches, Pauline Duncan, Lydia Plowman, and Shari Sabeti, 2015) Tom Bradicich (2015) ไดอธบายหลกการส าคญของ Internet of Things คอ “ขอมล” ซงขอมลในท

17

หมายถง สงทมอยทวไปรอบ ๆ ตวเรา มอยในธรรมชาต มอยในทก ๆ ททวโลกจ านวนมากหรอทเรยกวา Big Analog Data เชน แสง เสยงอณหภมแรงดนไฟฟาสญญาณวทยความชน การสนสะเทอนความเรวลม การเคลอนไหว อตราเรง อนภาค คลนแมเหลก ความดน เวลาและสถานท ฯลฯ ซงขอมลเหลานมอยจ านวนมาก ถงแมวาขอมลเหลานจะถกมองวาเปนขอมลพนฐานทวไปทมมานานแลว แตมนเปนความทาทายทส าคญส าหรบเทคโนโลยสมยใหม ทจะน าขอมลเหลานมาใหอยในรปของดจตอล ทมอยเพยงสองคา 0 และ 1 โดยขอมลตาง ๆ ทไดมานนจะมการเชอมตอหรอประสานกนอยางตอเนองตลอดเวลาผานระบบการสอสารระบบใดระบบหนง (อนเทอรเนต) โดยครอบคลมการท างานใน 3 ลกษณะ คอ (ววฒน มสวรรณ, 2559)

1. เพอใหผใชสามารถสงเกตการณได (Monitor) หมายถง Internet of Things จะตองสามารถตรวจสอบสงเกตการณ รายงาน น าเสนอขอมลตาง ๆ อยางตอเนองตลอดเวลาไดและขอมลนนเปนขอมลทนสมยในเวลาจรง (Real time) เชน ผใชสามารถดขอมลอณหภมความชนของหองนอนผานระบบอนเทอรเนตไดตลอดเวลา หรอผใชสามารถเฝาเหตการณตาง ๆ ทเกดขนภายในบาน ส านกงานหรอทใดกไดทสามารถเชอมตอกบเครอขายอนเทอรเนตไดค าวา Real time ในความหมายของ Internet of Thingsจะแตกตางจากความหมายทวไปทเขาใจกน คอ เวลาจรงของขอมลทไดจาก Internet of Things นนจะเกดกบอปกรณตรวจจบ (Sensor) เมอมการรบ-สงขอมล ผลลพธทไดจะเกดขนทอปกรณตรวจจบและสงกลบมาทอปกรณสอสารโดยตรง ไมใชทระบบเครอขายหรอระบบคอมพวเตอรทจะเปนตวสงขอมลใหกบอปกรณสอสาร

2. เพอใหผ ใชสามารถท าการบ ารงรกษาดแล (Maintain) เนองจากผใชสามารถตรวจสอบหรอสงเกตการณสงทเกดขนผานเครอขายอนเทอรเนตไดตลอดเวลา ผใชจงอาจพบขอมลบางอยางทตองการ หรอเหตการณใดเหตการณหนงทเปนปญหา จงตองการท าการบนทก แกไขปรบปรง อพเกรด ดงนน Internet of Things จงจะตองสามารถชวยเหลอผใชไดตามทผใชตองการได

3. เพอใหเกดแรงกระตนหรอสรางความสนใจใหกบผใช (Motivate) ดวยการตดตอหรอเชอมตอกบผใชตลอดเวลา จงท าให Internet of Things สามารถกระตนหรอจงใจผใชงาน เชน สามารถท าใหลกคาตดสนใจซอสนคาหรอท าใหบคลากรในหนวยงานไดปฏบตงานไดถกตอง

2.3.4 ประโยชนของอนเทอรเนตในทกสง หากทกสงถกเชอมตอกนดวยอนเทอรเนต จะกอใหประโยชนมากมายทจะสงผลดตอ

การด าเนนชวตของมนษยในแงของความสะดวกสบายและรวดเรว เนองจากอปกรณเทคโนโลยทก

18

ชนสามารถตดตอสอสารกนเอง เพออ านวยความสะดวกใหกบผใชไดมากทสด ซงอนเทอรเนตในทกสงนนมประโยชนตอการใชงานในดานตาง ๆ ดงน (Admission Premium, 2560)

1. ดานการแพทย ปจจบนวทยาการทางการแพทย ไดมการน าเทคโนโลยเขามารวมดวยมากขน เชน กลองขนาดเลกทสงเขาไปภายในรางกายของคนไข ท าใหสามารถเหนอวยวะภายในไดโดยไมตองท าการผาตด ซงชวยลดความเจบปวด และเวลาในการรกษาใหสนลง ซงถาหากมการน า IoT เขามามสวนรวมดวย จะชวยในดานความสะดวกรวดเรวในการตดตอระหวางแพทยและคนไขไดอยางรวดเรวมากยงขนเชน การฝงชปไวในรางกายผปวย ทสามารถตดตอแพทยใหอตโนมตเมอมเหตการณผดปกต

2. ดานการโฆษณา การท าโฆษณาบนเครอขายอนเทอรเนตนน นอกจากจะเขาถงกลมเปาหมายไดหลากหลายขนแลว ยงชวยประหยดตนทนในการเชาพนทโฆษณาไดอกดวย แตการทจะดโฆษณาบนเครอขายอนเทอรเนตไดนนหมายความวา จะตองอยหนาจอคอมพวเตอร หรอโทรศพทมอถอ แตถาหากน าแนวคด IoT เขามาเสรมนน ระหวางทเดนผานหนารานสนคา กจะมโฆษณาแสดงขนมาโดยอตโนมต ตวอยางเชน หากมผคนเดนผานหนารานสนคาของเรา (ซงถกตรวจจบไดโดยระบบเซนเซอร) กจะปรากฏภาพโฆษณาขนใหผคนทเดนผานไปมาไดเหนทนท ซงจะสงผลใหสามารถเขาถงกลมลกคาไดหลากหลายยงขน

3. ดานการลดตนทน เชนการ ลดตนทนใหกบการไฟฟา การทตองมพนกงานมาคอยตรวจเชค และจดมเตอรไฟฟาในทกเดอน ถอเปนตนทนอยางหนงทการไฟฟาตองจายเพอจางพนกงานใหคอยท าหนาทน หากมการน าแนวคด IoT มาใชจะสงผลใหสามารถตดคาใชจายในสวนนไปได เนองจากมเตอรจะท าการสงขอมลไปยงระบบทคอยบนทกขอมลการใชไฟของการไฟฟาเอง โดยไมตองใชคนจด อกทงยงชวยลดการใชไฟฟาไดอกดวย จากการทสามารถบอกอตราการใชไฟของเครองใชไฟฟาแตละชนด 2.4 ทฤษฎโครงขายประสาทเทยม (Neural Network)

โครงขายประสาทเทยมคอแบบจ าลองทางคณตศาสตร ทพฒนาขนเพอจ าลองการท างานของโครงขายประสาท ในสมองมนษยมคณลกษณะคลายกบการสงผานสญญาณประสาทในสมองของมนษย กลาวคอ มความสามารถในการรวบรวมความร (Knowledge) โดยผานกระบวนการเรยนร (Learning Process) และความรเหลานจะจดเกบอยในโครงขายในรปคาน าหนก (Weight) ซงสามารถปรบเปลยนคาไดเมอมการเรยนรสงใหมๆ เขาไป คาน าหนกเปรยบเสมอนความรทรวบรวมไวเพอใชในการแกปญหาเฉพาะอยางของมนษย การประมวลผลตางๆ เกดขนในหนวยประมวลผลยอยเรยกวาโหนด (Node) ซงโหนดเปนการจ าลองลกษณะ ดงภาพประกอบท 2-4

19

ภาพประกอบท 2-4 เซลลประสาทเทยมทถกจ าลองขน (ทมา : ผศ. ศภโชค แสงสวาง, 2559)

โครงขายประสาทเทยมประกอบดวย 5 องคประกอบ ดงน 1. ขอมลปอนเขา (Input) เปนขอมลทเปนตวเลขหากเปนขอมลเชงคณภาพ ตองแปลงใหอย

ในรปเชงปรมาณทโครงขายประสาทเทยมยอมรบได 2. ขอมลสงออก (Output) คอ ผลลพธทเกดขนจรง(Actual Output) จากกระบวนการเรยนร

ของโครงขายประสาทเทยม 3. คาถวงน าหนกหนก (Weights) คอสงทไดจากการเรยนรของโครงขายประสาทเทยมหรอ

เรยกอกอยางหนงวาคาความร (Knowledge) คานจะถกเกบเปนทกษะเพอใชในการจดจ าขอมลอนๆ ทอยในรปแบบเดยวกน

4. ฟงกชนผลรวม (Summation Functions) เปนผลรวมของขอมลปอนเขา และคาน าหนก 5. ฟงกชนการเปลยนแปลง (Transfer Function) เปนการค านวณการจ าลองการท างานของ

โครงขายประสาทเทยม เชน ซกมอยดฟงกชน (Sigmoid Function) ฟงกชนไฮเปอรโบลกแทนเจนต (Hyperbolic Tangent Function) เปนตน (ผศ. ศภโชค แสงสวาง, 2559)

2.4.1 การเรยนรส าหรบโครงขายประสาทเทยม โครงขายประสาทเทยมเปนรปแบบการประมวลผลทไดรบแรงบนดาลใจมาจาก

ระบบประสาททางชวภาพซงมอยหลายชนดโดยแบงตามประเภทของการเรยนรดงตอไปน 1. การเรยนรแบบตองการผสอน (Supervised Learning) การเรยนรชนดนตองการ

ผสอนเพอบอกความแตกตางของเอาทพตทไดกบเอาทพตทตองการ ประเดนทส าคญของการเรยนรชนดนคอการลเขาของความผดพลาด (Error Convergence) นนคอ ความผดพลาดระหวางเอาทพตทไดกบเอาทพตทตองการนอยทสดโดยการก าหนดคาน าหนกทเหมาะสม

20

2. การเรยนรแบบไมตองการผสอน (Un-Supervised Learning) การเรยนรทไมมการใชผสอนจากภายนอก การเรยนรประเภทนมการจดการดวยตวเอง

3. การเรยนรแบบการสนบสนน (Reinforce-Ment Learning) การเรยนรแบบใชคาตอบแทนอนไดผลมาจากการเปลยนแปลงสภาพแวดลอมเปนตวก าหนดทศทางของการเรยนร (ผศ. ศภโชค แสงสวาง, 2559)

2.4.2 ลกษณะของโครงขายประสาทเทยม โครงขายประสาทเทยมประกอบดวยเซลลประสาทเทยมหรอโหนดจ านวนมาก

เชอมตอกน ซงการเชอมตอจะแบงออกเปนกลมยอย ทเรยกวา “ชน (Layer)” ชนแรกเปนชนทน าเอาขอมลเขา เรยกวา “ชนรบขอมลปอนเขา (Input Layer)” และชนสดทายเรยกวา “ชนสงขอมลออก (Output Layer)” สวนชนทอยระหวางชนรบขอมลปอนเขาและชนสงขอมลออกเรยกวา “ชนแอบแฝง(Hidden Layer)” โดยทวไปชนแอบแฝงอาจมมากกวาหนงชนกไดดวยเหตนจงสามารถแบงประเภทของโครงขายประสาทเทยมตามจ านวนชนของโครงขายได 2 แบบคอ โครงขายแบบชนเดยว (Single Layer) และโครงขายแบบหลายชน (Multi Layer)

1. โครงขายประสาทเทยมแบบชนเดยวเปนโครงขายประสาทเทยมอยางงายทมแคชนรบขอมลปอนเขาและชนสงขอมลออกเทานน โหนดในชนรบขอมลปอนเขาท าหนาทรบขอมลเขาแลวสงขอมลผานเสนเชอมโยงตางๆ ไปใหโหนดชนสงขอมลออก และโหนดในชนนจะน าขอมลทไดรบมาค านวณดวยฟงกชนการเปลยนแปลงทเหมาะสมกบปญหา แลวสงผลลพธทไดออกมาเปนขอมลสงออกดงภาพประกอบท 2-5

ภาพประกอบท 2-5 โครงขายประสาทเทยมแบบชนเดยว (ทมา : ผศ. ศภโชค แสงสวาง, 2559)

21

2. โครงขายประสาทเทยมแบบหลายชนโครงขายแบบหลายชน เปนโครงขายทมชนแอบแฝงตงแตหนงชนขนไป โครงขายแบบนใชแกปญหาทมความซบซอนทโครงขายแบบชนเดยวแกไมได จงตองเพมจ านวนโหนดทมการค านวณหรอชนแอบแฝงใหกบโครงขาย ดงภาพประกอบท 2-6

ภาพประกอบท 2-6 โครงขายประสาทเทยมแบบหลายชน (ทมา : ผศ. ศภโชค แสงสวาง, 2559) 2.4.3 การออกแบบโครงขายประสาทเทยม งานวจยนเลอกใชโครงขายประสาทเทยมชนดฟงกชนถายโอน (Transfer Function)

แบบลอการทมซกมอยด (Logarithmic Sigmoid) หรอลอกซกมอยดด (Log-Sigmoid) ในรปแบบเปอรเซปตรอนหลายชน (Multi-Layer -Perceptron: MLP) และใชกระบวนการเรยนรแบบการแพรกระจายยอนกลบ (Back Propagation Algorithm) ซงแบบลอการทมซกมอยด เปนฟงก ชนแปลงคาอนพตทมคาชวงไมจ ากดใหเปนคาเอาตพตทมชวงจ ากดระหวาง 0 ถง +1 ฟงกชนประเภทซกมอยดเหมาะส าหรบปญหาการจดจ ารปแบบทใชแปลงคาในชนเอาตพต สามารถค านวณไดจากสมการ (6)

𝑓(𝑓) = 1

1+exp (−𝑓) (6)

ภาพประกอบท 2-7 ฟงกชนถายโอนแบบลอการทมซกมอยด (ทมา : อ าภา สาระศร, 2559)

22

โดยก าหนดใหโครงขายประสาทเทยมมเพยง 3 ชนประกอบดวยชนอนพต (Input Layer) ชนซอน (Hidden Layer) และชนเอาตพต (Output Layer) โดยทโครงขายมอนพตเปน X1, X2, X3 ,…, XN ซงเปนคาคณลกษณะทไดจากการประมวลผลภาพ

ก) ช นอนพต (Input Layer) เปนช นทน าขอมลภาพหรอพารามเตอร¬เขาสโครงขายไดตามจ านวนทเหมาะสม ยกตวอยาง เชน พนท (Area) เสนรอบรป (Perimeter) ความยาว (Length) และความกวาง (Width) เปนตน ซงถาเปนสนคาประเภทอนจะมคณลกษณะทตางกนไป

ข) ชนซอน (Hidden Layer) เปนชนทอยระหวางชนอนพตและเอาตพต มการปรบคาเพอหาจ านวนทเหมาะสมโดยจะใชสมการ (7) เพอใชเปนคาเรมตน

h = (m+n)1/2+a (7)

มอ h = จ านวนนวรอนในชนซอน m = จ านวนนวรอนในชนเอาตพต n = จ านวนนวรอนในชนอนพต a = คาความเปนสมาชกจาก 1 ถง 10 ค) ชนเอาตพต (Output Layer) เปนชนทน าขอมลออก มการเปรยบเทยบผลของ

โครงขายระหวางโครงขายทแสดงผลเปนการประมาณคาน าหนก มจ านวน 1 นวรอน คอ คาน าหนก (Weight) และโครงขายทแสดงผลเปน 4 ขนาด คอ ม 4 นวรอน

2.4.4 สถาปตยกรรมของโครงขาย (Network Architecture) การแบงลกษณะของการท าโครงสรางและวธการท างานของโครงขายประสาทเทยม

ออกเปนแบบตางๆ ดงน 1.โครงขายการสงขอมลแบบไมยอนกลบ (Feedforward Network) เปนสถาปตยกรรม

ทก าหนดใหการสงขอมลจากขอมลในชนขอมลขาเขา (Input Layer) เขามาภายในชนซอน (Hidden Layer) และสงไปยงขอมลขาออก (Output Layer) จะมทศทางในการไหลของขอมลไปในทศทางเดยวกน ขอมลทประมวลผลในวงจรขายจะถกสงไปในทศทางเดยวจาก Input สงตอมาเร-อยๆ จนถง Output โดยไมมการยอนกลบของขอมลหรอแมแต Nodes ใน layer เดยวกนกไมมการเชอมตอกน

23

ภาพประกอบท 2-8 โครงขายการสงขอมลแบบไมยอนกลบ (Feedforward Network) (ทมา : ผศ.ดร.วรารตน รงวรวฒ, 2560)

2.โครงขายการสงขอมลแบบยอนกลบ (Feedback Network) เปนสถาปตยกรรมท

ก าหนดใหการสงขอมลจากขอมลในชนขอมลขาเขา (Input Layer) เขามาภายในชนซอน (Hidden Layer) และสงไปยงขอมลขาออก (Output Layer) จะมทศทางในการไหลของขอมลไปในทศทางเดยวกน ขอมลทประมวลผลในวงจรขายจะถกสงไปในทศทางเดยวจาก Input สงตอมาเรอยๆ จนถง Outputโดยมการยอนกลบของขอมล เพอใหการจ าแนกนนมประสทธภาพมากขน

ภาพประกอบท 2-9 โครงขายการสงขอมลแบบยอนกลบ (Feedback Network) (ทมา : ผศ.ดร.วรารตน รงวรวฒ, 2560)

24

สถาปตยกรรมของโครงขาย (Network Architecture) ในรปแบบเปอรเซปตรอนหลายชน (Multi-Layer -Perceptron: MLP) เปนโครงขายประสาทเทยมทนยมใชมากทสด สามารถท างานทมความซบซอนมากๆได ซงอาจกลาวไดวาสามารถประยกตใชไดกบงานทกประเภทโดยมขอแมวาตองมจ านวนชนและจ านวนนวรอนทเหมาะสม ซงงานวจยนใชเปอรเซปตรอนแบบ 2 ชน ดงภาพประกอบท 2-10

ภาพประกอบท 2-10 โครงสรางของโครงขายแบบเปอรเซปตรอน 2 ชน (ทมา : Fausett, L. V., 1994)

ขนตอนการเรยนรส าหรบโครงขายประสาทเทยมแบบเปอรเซปตรอนหลายชนแบบคาผดพลาดก าลงสองต าสด โดยก าหนดใหขอมลชดฝกสอนเปนคอนพตและเอาตพต มขนตอน ดงน

เพอใหไดค าตอบทเปนคาทต าทสดแบบทกพนท (Global Minimum) ตองท าการทดลองซ าหลายครงเพอใหการสมคาเรมตนทใกลคาต าสดแบบทกพนทอลกอรทมแบบแพรกระจายยอนกลบจะสามารถลเขาสค าตอบทเปนคาต าสดแบบทกพนทได อลกอรทมส าหรบการเรยนรของโครงขายประสาทเทยมแบบแพรกระจายยอนกลบมดวยกนหลายชนด ส าหรบอลกอรทมทน ามาสอนโครงขายแลวท าใหคาผดพลาด (Error) ต า ลเขาเปาหมายไดอยางรวดเรวกวาทกอลกอรทม และมคณลกษณะในการลดการใชหนวย คออลกอรทม Levenberg-Marquardt นอกจากนยงมการน าอลกอรทม Scaled Conjugate Gradient มาสอนโครงขาย เนองจากสามารถลเขาเปาหมายไดอยางรวดเรวเชนกน เมอก าหนดจ านวนรอบในการทดสอบเทากน สวนอลกอรทมอนๆ ลเขาเปาหมายไดชา และยากกวา แตอยางไรกตามควรเลอกใชใหเหมาะสมกบชนดของโครงขายประสาทเทยม

ทดลองหาโครงขายประสาทเทยมทเหมาะสมกบการตรวจคณภาพสของพชผลทางการเกษตร กระท าโดยการทดลองปรบคาจ านวนนวรอนในชนซอน เพอใหไดโครงขายทเหมาะสม โดยทจ านวนนวรอนในชนอนพตไมเปลยนแปลง และชนเอาตพตม 1 และ 4 นวรอน การออกแบบโครงขายประสาทเทยมส าหรบการทดลองบนแมทแลป (Matlab Toolbox) มการทดลองดงน

25

ก) ก าหนดจ านวนนวรอนในชนซอนทเหมาะสมจากทไดกลาวมาขางตนส าหรบการก าหนดจ านวนนวรอนในชนซอนเปนเรองทยากจงใชสมการ (3.1) ค านวณหาจ านวนนวรอนเรมตนแลวปรบคาเพมขนทละ 1 นวรอน จนถง 10 คา เชนเดยวกบการใชวธการลองผดลองถกยกตวอยางการค านวณจ านวนนวรอนในชนซอนกรณม 8 อนพต (n) กบ 1 เอาตพต (m) และ 8 อนพต (n) กบ 4 เอาตพต (m) โดยอางองจากสมการ (7)

h = (m+n)1/2+a (7)

กรณท 1 m = 1, n = 8, a = 1 ถง 10 จะได h = (1+8)1/2+1 = 4 นวรอน กรณท 2 m = 4, n = 8, a = 1 ถง 10 จะได h = (4+8)1/2+1 = 4.46 นวรอน

จากการค านวณจะไดคาจ านวนนวรอนในชนซอนเรมตนกรณท 1 และ 2 เทากบ 4 และ

4.46 นวรอนตามล าดบ เพอใชส าหรบการเปรยบเทยบในการทดลองจะก าหนดคาจ านวนนวรอนเรมตนทง 2 กรณ เทากบ 4 นวรอนปรบเพมขนทละ 1 นวรอนทงหมด 10 คาจนมคา 13 นวรอน

ข) ก าหนดฟงกชนถายโอนของโครงขาย มการก าหนดเพยง 2 ชนคอในชนซอนและชนเอาตพต ส าหรบงานวจยนแบงเปนโครงขายทใชส าหรบประมาณคาน าหนก คอเอาตพตเปนน าหนกหมก ก าหนดฟงกชกชนถายโอนเปนชนด logSIG ในชนซอนและชนเอาตพต ซงจะเหมาะสมกบการแกปญหาการประมาณคาน าหนก แสดงตวอยางโครงขายประสาทเทยม(8-4-4) ซงหมายความวาม 8 นวรอนในชนอนพต 4 นวรอนในชนซอน และ 4 นวรอนในชนเอาตพต ดงภาพประกอบท 2-11

26

ภาพประกอบท 2-11 รปแบบโครงขายประสาทเทยมแบบหลายชน (MLP) ม 4 เอาตพต (ทมา : Nattawuttisit, S., & Usanavasin, S., 2013)

ค) ก าหนดคาเปาหมายประสทธภาพของขอมล เนองจากงานวจยนก าหนด

โครงขายประสาทเทยมแบบเปอรเซปตรอนหลายชน มการเรยนรของโครงขายประสาทเทยมแบบแพรกระจายยอนกลบ ส าหรบโครงขายประสาทเทยมทใชในการประมาณคาน าหนกจะใช Neural Network Tool ในการฝกสอน สวนโครงขายประสาทเทยมทใชในการจ าแนกขนาดจะใช Neural Network Pattern Recognition Tool เปนเครองมอซงมความสามารถในการเรยนรการจดจ ารปแบบ (Pattern Recognition) ทงสองเปนซอฟตแวร Neural Network Toolbox ในโปรแกรม MATLAB

โครงขายประสาทเทยมทใชในการประมาณคาน าหนกโดย Neural Network Tool เลอกใชอลกอรทมส าหรบเรยนรปโครงขายชนด TrainLM หรอ Levenberg-Marquardt ซงเปนฟงกชนแรกทควรเลอกมาฝกสอนโครงขายเพราะสามารถลเขาเปาหมายไดอยางรวดเรวโดยท าการปรบคา weight และ bias อตโนมตโดยมคาเรมตนเปนคาสม เพอลดคาความผดพลาดระหวางคาเปาหมายกบคาเอาตพต อลกอรทมส าหรบเรยนรโครงขายชนด Trainlm มพารามเตอรการฝกสอนคาเรมตน (Default) ซงเปนคาเปาหมายทหยดการฝกสอนโครงขาย เชน จ านวนรอบสงสดเทากบ 1000 รอบ คาความผดพลาดก าลงสองเฉลย (Goal) เทากบ 0 และคาอนๆโครงขายประสาทเทยมทใชในการจ าแนกเปนขนาดโดย Neural Network Pattern Recognition Tool มอลกอรทมส าหรบเรยนรโครงขายชนด TrainSCG หรอ Scaled Conjugate Gradient Back Propagation ซงเปนฟงกชนการปรบคา Weight และ Bias อตโนมตโดยมคาเรมตนเปนคาสมดวยวธ Scaled Conjugate Gradient เพอลดคาความผดพลาดระหวางคาเปาหมายกบคาเอาตพต อลกอรทมส าหรบเรยนรโครงขายชนด TrainSCG มพารามเตอรการฝกสอนคาเรมตน (Default) ส าหรบคาอตราการเรยนร (Learning Rate)

27

เรมตนเทากบ 0.01 และจะถกปรบเมอ Weight เปลยนไป Network Pattern Recognition Tool เปนเครองมอซงมความสามารถในการเรยนรการจดจ ารปแบบ (Pattern Recognition) ท งสองเปนซอฟตแวร Neural Network Toolbox ในโปรแกรม MATLAB

ภาพประกอบท 2-12 ตวอยางโครงขายประสาทเทยม (8-4-4) และฟงกชนถายโอนชนด logsig (ทมา : ผศ.ดร.วรารตน รงวรวฒ, 2560)

การเลอกโครงขายประสาทเทยมทเหมาะสม พจารณาจากคาความคลาดเคลอนก าลงสอง

เฉลย (Mean Squared Error: MSE) เปนดชนชวดความถกตองของแบบจ าลองโครงขายประสาทเทยมและพจารณาคาความถกตอง

ออกแบบขนตอนวธการพยากรณสภาพอากาศ

การจบกลม (Clustering/ Categorization) โดยปกตแลวในงานการจบกลมจะไมมขอมลลวงหนาใหส าหรบการฝกสอน อลกอรทมการจบกลมจะท าการคนหาสภาวะคลาย (Similarity) ระหวางขอมลรปแบบ และการจบกลมทรปแบบคลายกนไวดวยกน ดงภาพประกอบท 2-13 การจบกลมนสามารถเรยกไดวาเปนการจ าแนกแบบไมมผสอน (Unsupervised Pattern Classification)

28

ภาพประกอบท 2-13 Pattern recognition (ทมา : อ าภา สาระศร, 2559)

2.4.5 ฟงกชนการถายโอน (Transfer Function) ฟงกชนการถายโอน เปนสวนทท าหนาทรวมคาเชงตวเลขจากเอาตพตของนวรอล

แลวท าการตดสนใจวาจะสงสญญาณเอาตพตออกไปในรปใด ฟงกชนการแปลงสามารถเปนไดทงแบบเชงเสนหรอไมเปนเชงเสน การเลอกใชฟงกชนการถายโอนจะขนอยกบลกษณะของระบบ ทน าเอาโครงขายประสาทเทยมไปประยกตใช ฟงกชนการถายโอนมอยหลายรปแบบ แบบทใชงานทวไปมรายละเอยด ดงภาพประกอบท 2-14

29

ภาพประกอบท 2-14 รปแบบฟงกชนการถายโอน (ทมา : อ าภา สาระศร, 2559)

30

2.4.6 ฟงกชนกระตน ฟงกชนกระตน (Activation Function) ทใชส าหรบนวรอลเนตเวรคแบบแพรกลบ

(Back Propagation Neural Network) ตองมคณสมบตทส าคญเชน ตองมความตอเนอง หาอนพนธได และสามารถทจะรองรบขอมลน าเขาทมความออนไหวตอผลลพธ (Output) ได (Jiawei Han, Micheline Kamber, Jian Pei, 2011) ดงนนฟงกชนทน ามาใชส าหรบงานวจยครงนเปน ฟงกชนซกมอยดแบบลอกการธม (Log sigmoid function) ซงจะมคาอยในชวงบวก (0, 1) ก าหนดโดยสมการ (8)

f (x) = 1 / (1 + exp(-x)) (8)

ภาพประกอบท 2-15 โครงสรางของนวรอลเนตเวรคแบบ 2 ชน (ทมา : Jiawei Han, Micheline Kamber, Jian Pei, 2011)

ออกแบบขนตอนวธการปรบรปโครงสรางนวรอลเนตเวรค

งานวจยครงนมการประยกตใชขนตอนวธแบบ Selective Pruning (Chorowski, & Zurada, 2011) เพอปรบลดจ านวนนวรอลทไมไดใชประโยชนออกจากโครงสรางภายในของนวรอลเนตเวรคแบบอตโนมต ทงนเพอควบคมจ านวนนวรอลในชนซอนใหมจ านวนทเหมาะสมกบการประมวลผลรปแบบการสอนทก าหนดไว ดงแสดงในภาพประกอบท 2-15

String similarity

Semantic similarity

Knowledge similarity

1H

2H

10H

2I

3I

1x

2x

3x

)j( Bias

ijw jkw

1t

2t

3t

Error

Error

Error

1O

2O

3O

4H

1I

5H

3H

)k( Bias

6H

7H

8H

9H

31

ภาพประกอบท 2-16 ตวอยางการปรบลดรปนวรอลภายในโครงสรางของนวรอลเนตเวรค (ทมา : Jiawei Han, Micheline Kamber, and Jian Pei, 2011)

จากภาพประกอบท 2-16 เทคนคการตดเลมกงของโครงสรางภายใน (Selective Pruning)

จะมการปรบลดรปจ านวนนวรอลในแตละชนซอนออกจากคาทตงไว (Threshold) ซงคานจะถกตงจากเพดานทสงและจะลดลงมาตามเกณฑขนต าทไดก าหนดไว (โดยผวจยไดก าหนดคา Threshold ของจ านวนนวรอลในชนซอนไวอยระหวางคา (1 ≤ 𝑓 ≥ 50) ซงจะใชปรบลดจ านวนลงมาใหเหมาะสมในระหวางท าการสอนนวรอลเนตเวรค) จากเทคนคดงกลาวนจะลดจ านวนนวรอลและจ านวนการเชอมตอระหวางนวรอลภายในโครงสรางนวรอลเนตเวรค (Connection) ทไมจ าเปนหรอขาดขอมลทมความชดเจนออกเพอใหการประมวลผลจรงหลงการเรยนรท าไดอยางมประสทธภาพมากขน โดยเฉพาะกระบวนการสอนจะมการปรบจ านวนนวรอลภายในโครงสรางของนวรอลเนตเวรคใหมความเหมาะสม ดงแสดงในภาพประกอบท 2-17 และ 2-18 จะเปรยบเทยบขอแตกตางระหวางโครงสรางของนวรอลเนตเวรคกอนท าการตดเลม และ หลงตดเลม เพอพสจนวาขนตอนวธการตดเลมชวยลดระยะเวลาในการสอนลง นอกจากนยงชวยปรบโครงสรางของนวรอลเนตเวรคใหมประสทธภาพดขนกอนเขาสกระบวนการจบคจรง

String similarity

Semantic similarity


1H

2H

10H

2I

3I

1x

2x

3x

)j( Bias

ijw jkw

1t

2t

3t

Error

Error

Error

1O

2O

3O

4H

1I

5H

3H

)k( Bias

6H

7H

8H

9H

32

ภาพประกอบท 2-17 โครงสรางของนวรอลเนตเวรคกอนท าการตดเลม (ทมา : Jiawei Han, Micheline Kamber, Jian Pei, 2011)

ภาพประกอบท 2-18 โครงสรางของนวรอลเนตเวรคหลงท าการตดเลม (ทมา : Jiawei Han, Micheline Kamber, Jian Pei, 2011)

String similarity

Semantic similarity


1H

2H

10H

2I

3I

1x

2x

3x

)j( Bias

ijw jkw

1t

2t

3t

Error

Error

Error

1O

2O

3O

4H

1I

5H

3H

)k( Bias

6H

7H

8H

9H

String similarity

Semantic similarity


1H

10H

2I

3I

1x

2x

3x

)j( Bias

ijw jkw

1t

2t

3t

Error

Error

Error

1O

2O

3O

4H

1I

5H

)k( Bias

7H

8H

33

2.5 งานวจยทเกยวของ การพฒนาตวแบบวเคราะหขอมลพยากรณอากาศส าหรบการควบคมสมารตเซนเซอรของ

ฟารมเกษตร ดวยนวรอลเนตเวรค มงานวจยทเกยวของมรายละเอยดงานวจยในประเทศ 5 เรองดงน อรรถศาสตร นาคเทวญ (2561) งานวจยนไดน าเสนอการออกแบบและพฒนาระบบสมอง

กลฝงตวตรวจวดสภาพแวดลอมส าหรบฟารมอจฉรยะ โดยออกแบบระบบใหตรวจวดปจจยดานสภาพแวดลอม 3 ปจจย ไดแก ความชนในดน อณหภม และแสงสวางโดยมคาความผดพลาดในการวดคาอณหภมไมเกน 1% การวดคาปรมาณแสงไมเกน 4% และวดคาระดบความชนในดนไดเปน 3 ระดบ แสดงผลผานโปรแกรมเวบเบราวเซอร

ยพน ไชยสมภาร และ ทว ชยพมลผลน (2560) การเปลยนแปลงสภาพภมอากาศในปจจบนสงผลใหมฝนตกหนกเพมขนและสงผลกระทบท าใหเกดน าทวม ในระดบภมภาคมการใชแบบจ าลองสภาพภมอากาศระดบภมภาค (WRF - ECHAM5) คาดการณปรมาณน าฝนในอนาคต ขณะทแบบจ าลองโครงขายประสาทเทยม ไดน ามาใชในการพยากรณน าทวมอยางแพรหลาย ในงานวจยนไดใชขอมลน าฝนจากแบบจ าลอง WRF - ECHAM5 (Weather Research and Forecasting - ECHAM5) เปนขอมลน าเขาส าหรบการพยากรณระดบน าโดยใชแบบจ าลองโครงขายประสาทเทยม ซงไดใชเหตการณน าทวมในชวง ค.ศ. 1980-2006 เพอศกษาหาโครงสรางสถาปตยกรรมของแบบจ าลองทเหมาะสมส าหรบการพยากรณ มการเปรยบเทยบกระบวนการเรยนรแบบ Levenberg Marquardt (LM) และ Bayesian Regularization (BR) และการก าหนดจ านวนโหนดในชนซอนเรนทแตกตางกนซงอางองตามจ านวนตวแปรของขอมลน าเขา (50%, n, n+50% และ 2n) รวมทงมการเปรยบเทยบประเภทของขอมลน าเขาระหวางการใชคาน าฝนจากกรด และคาน าฝนทไดท าการหาคาเฉลยแบบเคลอนทผลการวจยพบวาโครงสรางสถาปตยกรรมของแบบจ าลองโครงขายประสาทเทยมทเหมาะสมคอ การเรยนรแบบ LM และจ านวนโหนดในชนซอนเรนควรก าหนด 50% ของจ านวนขอมลน าเขา และยงพบวาการน าคาน าฝนมาหาคาเฉลยแบบเคลอนทจะใหผลการพยากรณไดดกวาการใชคาน าฝนจากกรดรวมกบการหาคาเฉลยแบบเคลอนท

ผสด บญรอด และ กรวฒน พลเยยม (2560) งานวจยนน าเสนอแบบจ าลองการพยากรณราคามนส าปะหลง เนองจากมนส าปะหลงเปนพชอาหารทส าคญของโลกประกอบกบราคามนส าปะหลงมความผนผวนอยตลอดเวลา โดยใชขอมลจากสมาคมแปงมนส าปะหลงและส านกงานเศรษฐกจการเกษตร จ านวน 10 ป (พ.ศ. 2549-2558) ซงประยกตใชโครงขายประสาทเทยมแบบหลายชน (Multi-Layer Artificial Neural Network) ทใชการเรยนรแบบแพรกระจายยอนกลบในการหารปแบบโครงขายส าหรบพยากรณราคามนส าปะหลง จากการประเมนประสทธภาพแบบจ าลองการพยากรณทพฒนาขนโดยหาคารอยละเฉลยของความคลาดเคลอนสมบรณ (Mean Absolute

34

Percentage Error, MAPE) โดยน าไปเปรยบเทยบกบเคเนยเรสเนเบอร (K-Nearest Neighbor, k-NN) และการวเคราะหการถดถอยเชงเสน (Linear Regression Analysis) พบวาโครงขายประสาทเทยมแบบหลายชนมคารอยละเฉลยของความคลาดเคลอนสมบรณเทากบ 3.96 เคเนยเรสเนเบอรมคารอยละเฉลยของความคลาดเคลอนสมบรณเทากบ 7.11 และการวเคราะหการถดถอยเชงเสนมคารอยละเฉลยของความคลาดเคลอนสมบรณเทากบ 11.10 จงสามารถสรปไดวาแบบจ าลองการพยากรณโดยใชโครงขายประสาทเทยมแบบหลายชนมประสทธภาพดทสด ซงสามารถน าไปประยกตใชและตอยอดในการพยากรณราคามนส าปะหลงไดดกวาวธอนๆ

ประโยชน ค าสวสด (2558) งานวจยนน าเสนอ การออกแบบเครอขายเซนเซอรไรสายส าหรบระบบฟารมอจฉรยะ โดยใชไมโครคอนโทรลเลอรในการควบคม โดยตดตงโนดเซนเซอรในบรเวณแปลงเพาะปลกส าหรบตรวจวดคาตางๆ เชน คาความชนสมพทธในอากาศ อณหภมความชนในดนและความเขมแสง จากนนสงคาการตรวจวดผานเครอขายสอสารไรสายดวยโมดล ZigBee ไปยงโนดโคออรดเนเตอรเพอการประมวลผลและรายงานผลโดยทโนดโคออรดเนเตอรทออกแบบขนสามารถสรางเสนทางการเชอมตอผานเครอขายโทรศพทเคลอนทเพอน าขอมลจากการตรวจวดขนเซรฟเวอรไดงานวจยนไดสรางแบบจ าลองส าหรบระบบควบคมแบบฟซซในการควบคมชวงเวลาการใหน าของระบบควบคมการใหน าอตโนมตโดยใชคาความชนในดนและคาความชนสมพทธในอากาศจากเครอขายเซนเซอรไรสายทตดตงในแปลงเกษตรกรรมผลการจ าลองการท างานทน าเสนอแสดงใหเหนถงประสทธผลของอลกอรทมและความเปนไปไดในการประยกตเพอการใชงานไดจรง

อรนงค บเกต และ พธษด ศรแสงตระกล (2556) เพอการพยากรณปรมาณผลผลตออยของภาคตะวนออกเฉยงเหนอ โดยการประยกตใชโครงขายประสาทเทยมทมกระบวนการเรยนรแบบแพรยอนกลบ ในการศกษาผวจยไดท าการรวบรวมปจจยตางๆ ทมความสมพนธกบผลผลตออยจากงานวจยทเกยวของซงประกอบดวย ขอมลจงหวด ปการผลตขอมลปรมาณน าฝนเฉลย อณหภมเฉลย ผลผลตออยเฉลยตอไร และพนทปลกออยเปนขอมลน าเขาของตวแบบANN1 เพอยนย นความสมพนธของปจจยกบปรมาณผลผลตออย ผวจยจงไดท าวเคราะหความสมพนธของปจจยโดยใช Correlation และ Regression ผลการศกษาพบวาปจจยทมความสมพนธไดแก ขอมลจงหวด ปการผลตขอมลปรมาณน าฝนเฉลย ผลผลตออยเฉลยตอไร และพนทปลกออย ซงจะเปนขอมลน าเขาตวแบบ ANN2 และจากสมมตฐานดานพชแขงขนทางเศรษฐกจของออย โดยราคาพชแขงขนทางเศรษฐกจนาจะมผลตอปรมาณการปลกออยในเขตพนทภาคตะวนออกเฉยงเหนอ ดงนนผวจยจงไดเพมปจจยดานราคาพชแขงขนทส าคญ 3 ปจจยคอ ราคาออยเฉลย ราคายางพาราเฉลย และราคามนส าปะหลงเฉลย เมอรวมกบปจจยทมความสมพนธทไดจากการ วเคราะหดวยวธทางสถต ไดแก

35

ขอมลจงหวด ปการผลต พนทปลกออย ผลผลตออยเฉลยตอไร และขอมลปรมาณน าฝนเฉลยจะเปนขอมลน าเขาของตวแบบ ANN3 ในการศกษานผวจยใชขอมลระหวางป พ.ศ. 2547-2552 เพอสรางและเปรยบเทยบโมเดลโครงขายประสาทเทยมจากขอมลปจจยน าเขาทง 3 ชด ซงผลการศกษาพบวาตวแบบ ANN3 ทมสถาปตยกรรมของโครงขายประสาทเทยมแบบ 8:4:1 ใหผลพยากรณทถกตองสงสด มคาสมประสทธสหสมพนธ 0.9973 เมอเทยบกบ ANN1 ทมสถาปตยกรรม 5:10:1 และ ANN2 ทมสถาปตยกรรม 6:8:1 โดยมคาสมประสทธสหสมพนธ 0.9794, 0.9822 ตามล าดบ

ชนนะ สระชม (2556) งานวจยนไดใชขอมลสถตสภาพอากาศ ของจงหวดเชยงใหมยอนหลง 9 ป จากศนยอตนยมวทยาภาคเหนอ ไดแก คาความกดอากาศ อณหภม ความชนสมพนธ ปรมาณน าฝนมาใชในการพยากรณ โดยใชโปรแกรมแมทเลปเวอรชน 6 ในการสอนและทดสอบโครงขายประสาท ซงผลการทดลองพยากรณปรมาณน าฝน พบวามความถกตองเฉลยรอยละ 77.29 และจากการประเมนผลความพงพอใจของผใชงานซงเปนบคคลทวไปพบวา ระดบความพงพอใจทมตอการใชงานระบบอยในระดบปานกลาง

พรพมล ณ นคร (2555) งานวจยนน าเสนออลกอรทมส าหรบการสกดตวแปรขอมลเขาและการพยากรณคาตวแปรขอมลเขาแบบอนกรมเวลาทมการกรองขอมลแบบความถอมพลสจ ากดดวยฟงกชน หนาตางแบบแฮมมง และการแบงขอมลเปนกลม โดยใชเทคนคโครงขายประสาทเทยม พฒนาระบบพยากรณอากาศทสามารถพยากรณขอมลอนกรมเวลาของตวแปรอากาศไดผลการทดลองทมคาความถกตองสงเมอเปรยบเทยบกบวธการแบบอนๆ ขอมลในการทดลองมาจากประเทศสหรฐอเมรกาและกรมอตนยมวทยาประเทศไทย

ศรสกล แสงสวรรณ และ สชา สมานชาต (2551) การน าทฤษฎของโครงขายประสาทเทยมแบบปอนไปขางหนาหลายชน (Multi-Layer Feed Forward Neural Network) โดยใชระบบการเรยนร แบบแพรกระจายกลบ (Back Propagation Learning) มาประยกตใชเพอพยากรณราคาทองค าแทงโดยการใชโปรแกรมแมตแลป (MatLab) ในการปรบคาน าหนก และคาไบแอส (Bias Values) ของโครงขายและใช PHP Hypertext Preprocessor ในการสรางเวบไซต ส าหรบการพยากรณราคาทองค าโดยน าคาตวแปรตางๆ ทไดจากโปรแกรมแมตแลป มาใชในการค านวณค าพยากรณ ขอมลอนกรมเวลาของราคาทองค าจะถกจดเกบ แปลงคาขอมลดวยวธการนอมลไลซ (Normalization) และจดขอมลใหอยในรปแบบของการค านวณแบบเลอนหนาตาง (Sliding Window) กอนทจะถกสงเขาไปท าการฝกสอนและทดสอบโครงขายประสาทเทยม เพอทจะหาโครงสรางนวรอนทดทสดซงมคา MSE (Mean Square Error) นอยทสดจาก 50 โครงสราง ทสรางจากขอมลทมอยจากนนโครงสรางทถกเลอกและคาตวแปรตางๆ จะถกน ามาประยกตใชในขนตอนของการค านวณค าพยากรณ และน าขนตอนเหลานจะถกใชงานเพอการท านายราคาทองค าจากเวบไซต

36

งานวจยตางประเทศ Biljana L.Risteska Stojkoska (2017) บทความนมวตถประสงคเพอรวมในการลดชองวาง

ระหวางโปรแกรมประยกตสมารตททนสมยของบานและโอกาสของการรวมเขากบสภาพแวดลอมทเปดใชงาน IoT โดยผวจยไดน าเสนอกรอบแนวคดแบบองครวมซงรวมเอาองคประกอบตางๆ จากสถาปตยกรรม / กรอบของ IoT ทเสนอไวในบทความเพอทจะรวมอปกรณสมารตโฮมทมประสทธภาพในโซลชนทใชระบบคลาวดเปนศนยกลาง ผวจยไดระบรปแบบการจดการบานสมารต และงานหลกทควรด าเนนการในแตละระดบ การออกแบบโดยเนนการประมวลผลขอมลรวมทงโปรโตคอลการสอสารภายในบานและการท างานรวมกน ผวจยเชอวากรอบแนวคดแบบองครวมทไดรบการยนยนในบทความนสามารถใชเปนฐานทมนคงส าหรบนกพฒนาซอฟตแวรในอนาคตของ Internet of Things จากสมารตโซลชนภายในบาน

Shailaja Y. Kanawade (2017) วตถประสงคเพอชวยใหบคคลทวไปสามารถสรางบานไดโดยอตโนมต ภายใตแนวคดสมารตอนสแตนซบนอนเทอรเนตของสงตางๆ มาใชควบคมระบบไฟฟาและระบบอนๆ ทจ าเปนภายในบาน บนอนเทอรเนตและเวบบราวเซอร ชวยลดความยงยากในชวต จดประสงคหลกของ Internet of Things จาก Smart Home คอการชวยใหผคนสามารถท าใหชวตของพวกเขางายขนดวยระบบอตโนมตซงชวยลดเวลาและพลงงานของพวกเขา ใหเครองใชภายในบานท างานตามความตองการของผใช และชวยลดการเคลอนไหวของรางกายทใชในการควบคมอปกรณไฟฟา ในเอกสารฉบบนผวจยไดเสนอระบบส าหรบ Smart Home โดยใชบอรด Intel Edison เพอใหสามารถควบคมอปกรณเครองใชภายในบานจากระยะไกลไดจากทกทในโลก

Taner Arsan (2016) มวตถประสงคเพออธบายขนตอนการออกแบบและการใชงานระบบ Smart Systems แบบฝง แนวคดนไดรบการสนบสนนโดย Smart Systems 4 ระบบ ไดแก Smart Home, Smart Agriculture, Smart Campus และโมดลทนงและการศกษาของ Smart Library การออกแบบและการใชงานทงหมดประกอบดวยสวนประกอบทางเทคโนโลยของระบบฝงตวการพฒนาแอปพลเคชนบนมอถอบรการบนระบบคลาวดและสวนตดตอผใชแบบกราฟกส าหรบฝงไคลเอนต บทความนจะใหภาพรวมของสถานะปจจบนเกยวกบการออกแบบระบบอจฉรยะและกลาวถงปญหาและความเปนไปไดหลายประการเกยวกบการใชงาน 4 ระบบทตางกน

Culibrina, F. B., & Dadios, E. P. (2015) การใหอาหารของโลกในศตวรรษท 21 ถอเปนความทาทายทยงใหญทสดโดยเฉพาะธรกจฟารมสมารตฟารมสมารตใชระบบการเกษตรแบบเกษตรแทนการเกษตรแบบดงเดม วธการท าการเกษตรแบบดงเดมของคนในทองถนมความย งยนสงแมวาตนทนรวมทงหมดจะไมถก เปาหมายการวจยของเราคอการใหแนวทางแกปญหาอยางย งยนในระยะยาวส าหรบระบบอตโนมตของการเกษตร ระบบอตโนมตดานการเกษตรมวธการ

37

ตางๆ ในการรบขอมลจากพชผก เชน เซนเซอรส าหรบการวดดานสงแวดลอม ดงนนเราไดพฒนาเทคโนโลยการวดแบบพกพาซงไดแก เซนเซอรความชนในดน เซนเซอรวดความชนสมพทธ และเซนเซอรวดอณหภมอากาศ นอกจากนระบบชลประทานโดยใชเครอขายเซนเซอรไรสายไดตดตงเซนเซอรเหลาน มวตถประสงคเพอรวบรวมขอมลสภาพแวดลอมและควบคมระบบชลประทานผานทางโทรศพทสมารต วตถประสงคของการทดลองคอการหาวธทดกวาในการควบคมระบบชลประทานดวยระบบอตโนมตและการควบคมดวยตนเองผานโทรศพทสมารต เพอทจะควบคมระบบชลประทานเราไดพฒนาวธการสอสารของเครอขายเซนเซอรไรสายเพอรวบรวมขอมลสภาพแวดลอมและสงค าสงควบคมเพอเปด / ปดระบบชลประทานประสบความส าเรจในการควบคมระบบชลประทานและการควบคมน าใกลรากผก ในเอกสารฉบบนเราไดพยายามแสดงใหเหนถงระบบอตโนมตของระบบชลประทานทเปนประโยชนส าหรบธรกจฟารมซงท าใหสะดวกสบายกวาการใชการเกษตรแบบดงเดมโดยใชโทรศพทสมารตในการเฝาตดตามและควบคมระบบ ดงนน ในระยะยาวท าใหตนทนลดลงเชนกนผลการทดลองแสดงใหเหนวามความถกตองในการสงและรบการควบคมสงการระบบชลประทานรอยละ 96 และความถกตองของการเกบรวบรวมสงแวดลอมรอยละ 98

Mohammad Chehreghani Bozchalui (2015) งานวจย น มว ตถประสงคเพอลดตนทนพลงงานและคาความตองการโดยรวม ในขณะทพจารณาพารามเตอรทส าคญของอณหภม ความชน และระดบแสง ควรอยในชวงทยอมรบได ดงนนแบบจ าลองทน าเสนอ รวมกบการคาดการณสภาพอากาศ, ขอมลราคาไฟฟาและความตองการของผใช เพอใหประสทธภาพสงสด และผลกระทบจากความไมแนนอนของราคาไฟฟา การพยากรณอากาศตอการใชงานทเหมาะสม โดยใชแบบจ าลอง Monte Carlo ซงผลการจ าลองแสดงใหเหนถงประสทธภาพของรปแบบทเสนอเพอลดตนทนพลงงานทงหมด โดยยงคงรกษาขอจ ากดดานการด าเนนงานทจ าเปน

Sanjay Mathur (2013) งานวจยนเปนการน าเสนอรปแบบการคาดการณสภาพอากาศโดยใช Neural Network พารามเตอรสภาพอากาศ เชน อณหภมสงสดอณหภมต าสด และความชนสมพทธไดรบการท านายโดยใชคณลกษณะทสกดจากชวงเวลาตางๆ รวมทงจากชวงเวลาของชดพารามเตอรสภาพอากาศ วธการทใชทนใชเครอขายประสาทเทยมแบบดงขอมล ทมการถายทอดกลบเพอการเรยนรโดยใชขอมลทบนทกไว ผลการวจยพบวารปแบบการคาดการณตามคณลกษณะสามารถท าใหการคาดการณมความถกตองสง

บทท 3 วธด าเนนการวจย

งานวจยนเปนงานวจยเชงการทดลอง (Experiment Research) เพอศกษาปญหาและรวบรวม

ขอมลส าหรบการพฒนาตวแบบวเคราะหขอมลพยากรณอากาศส าหรบการควบคมสมารตเซนเซอรของฟารมเกษตร ดวยนวรอลเนตเวรค ผวจยไดด าเนนงานวจย โดยแบงเปน 7ขนตอน ดงน

3.1 การเตรยมขอมล 3.2 การออกแบบและพฒนานวรอลเนตเวรค 3.3 ขนตอนการฝกสอนนวรอลเนตเวรค 3.4 การวดและประเมนผลการวจย 3.5 เครองมอทใชในการทดสอบ 3.6 ระยะเวลาการด าเนนงานวจย

3.1 การเตรยมขอมล การศกษาและรวบรวมขอมลการพฒนาตวแบบวเคราะหขอมลพยากรณอากาศส าหรบการ

ควบคมสมารตเซนเซอรของฟารมเกษตร ดวยนวรอลเนตเวรคผวจยไดท าการศกษาและเลอกใชขอมลทตยภมทมาจากฐานขอมลของกรมอตนยมวทยา ประเทศไทยยอนหลง 1 ป ไดแก อณหภม ความชนสมพนธ และ ปรมาณน าฝน จากขอมลพยากรณสภาพอากาศของกรมอตนยมวทยา ประเทศไทยยอนหลง 1 ป เพอน ามาสรางตวแบบพยากรณส าหรบควบคมพลงงานไฟฟาในฟารมเกษตรลวงหนา ดงตารางท 3.1

39

ตารางท 3.1 กลมตวอยางขอมลจากกรมอตนยมวทยาตงแตวนท 1 พ.ค. 60 – 30 เม.ย 61 (ทมา : กรมอตนยมวทยา ประเทศไทย ณ เดอนมถนายน 2561)

เดอน วนท อณหภมเฉลย (oC) ความชนเฉลย (%) น าฝนเฉลย (มม.) พฤษภาคม 2560 1 29.5 67 5.4 2 31.5 74 5.3 3 31.5 73.5 5.3 4 32.5 72.5 5.3 5 28 72 5.3 6 30.5 71 5.2 7 28.5 76.5 5.2 8 30.5 76.5 5.2

จากตารางท 3.1 กลมตวอยางขอมลจากกรมอตนยมวทยาตงแตวนท 1 พ.ค. 60 – 30 เม.ย 61

ถกน ามาเปลยนรปแบบขอมล (Value Normalization) ใหอยในชวง [0, 1] เพอใหการประมวลผลดวยโครงขายนวรอลเนตเวรคมประสทธภาพ ดงสมการ (1)

𝑓 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓 = (𝑓 − 𝑓𝑓𝑓𝑓)/(𝑓𝑓𝑓𝑓 − 𝑓min) (1)

ตารางท 3.2 ผลลพธจากการแปลงรป (Value Normalization)

เดอน วนท อณหภมเฉลย (oC) ความชนเฉลย (%) น าฝนเฉลย (มม.) พฤษภาคม 2560 1 0.769230769 0.476190476 0.586206897 2 0.923076923 0.60952381 0.574712644 3 0.923076923 0.6 0.574712644 4 1 0.580952381 0.574712644 5 0.653846154 0.571428571 0.574712644 6 0.846153846 0.552380952 0.563218391 7 0.692307692 0.657142857 0.563218391 8 0.846153846 0.657142857 0.563218391

40

3.2 การออกแบบและพฒนานวรอลเนตเวรค นวรอลเนตเวรคถกออกแบบใหรองรบการสอนดวยเทคนคการแพรกลบ (Back

propagation method) เพอใชสอนใหเนตเวรคเรยนรรปแบบ (Patterns) ของขอมลกลมตวอยางทถกเกบรวบรวมจากกรมอตนยมวทยา ประเทศไทย ระหวางป พ.ศ. 2560 – 2561 ไดแก ขอมลอณหภม ความชนสมพทธ และปรมาณน าฝน เพอใชประมวลผลวเคราะหเชงเปรยบเทยบกบขอมลปจจบน และพยากรณความนาจะเปนของสภาพอากาศลวงหนาส าหรบใชควบคมพลงงานไฟฟาในฟารมเกษตร (ดงภาพประกอบท 3-1) ประกอบดวย

1. ชนขอมลน าเขา (Input layer) ประกอบดวยจ านวนชน 1 ชน และม 3 นวรอล 2. ชนซอน (Hidden layer) ประกอบดวยจ านวนชน 1 ชน และม 3 นวรอล 3. ชนขอมลออก (Output layer) ประกอบดวยจ านวนชน 1 ชน และม 3 นวรอล

ภาพประกอบท 3-1 โครงสรางนวรอลเนตเวรคส าหรบงานวจย 3.3 ขนตอนการฝกสอนนวรอลเนตเวรค

นวรอลเนตเวรคแบบแพรยอนกลบ (Back propagation Neural Network) มวธการเรยนรดวยรปแบบการฝกสอนดวยความสมพนธระหวางอนพทนวรอนในแตละชนกบคา Weight และ Bias เพอปรบลดจ านวนนวรอลทไมไดใชประโยชนออกจากโครงสรางภายในของนวรอลเนตเวรคแบบอตโนมต ท ง น เ พอควบคมจ านวนนวรอลในช นซอนใหมจ านวนทเหมาะสมกบการประมวลผลรปแบบการสอนทก าหนดไว (Jiawei Han, Micheline Kamber, Jian Pei, 2012)

ขอมลจากกลมตวอยางถกแบงออกเปน 3 ชด ไดแก ขอมลชดสอน (Train) 70%, ขอมล

ปรบแตง (Validation) 15% และขอมลชดทดสอบ (Test) 15% โดยก าหนดรปแบบการสอน ดงแสดงในตารางท 3.3

41

ตารางท 3.3 ตารางรปแบบการควบคมอปกรณไฟฟา

รปแบบการสอน ชนขอมลออกของนวรอล

หมายเลขของเซนเซอร ควบคมอปกรณ

Output (O1)

Output (O2)

Output (O3)

1 0 0 1 เซนเซอร 1 2 0 1 0 เซนเซอร 2 3 1 0 0 เซนเซอร 3

จากตารางท 3.3 แสดงรปแบบการฝกสอนเพอจดจ ารปแบบสภาพภมอากาศส าหรบควบคม

เซนเซอรของอปกรณไฟฟาภายในฟารม โดยใชกรณศกษาเซนเซอรควบคมอปกรณไฟฟาหมายเลข 1-10 ซงถกควบคมดวย เอาทพทนวรอล จ านวน 3 นวรอล ไดแก O1 – O3 ดงน

1. รปแบบคาของเอาทพทนวรอล 001 แสดงผลการควบคมเซนเซอรส าหรบควบคมอณหภม (เซนเซอรหมายเลข 1)

2. รปแบบคาของเอาทพทนวรอล 010 แสดงผลการควบคมเซนเซอรส าหรบควบคมความชน (เซนเซอรหมายเลข 2)

3. รปแบบคาของเอาทพทนวรอล 100 แสดงผลการควบคมเซนเซอรส าหรบควบคมแสงสวาง (เซนเซอรหมายเลข 3) 3.4 การวดและประเมนผลการวจย

การประเมนและวดผลลพธเพอวเคราะหระดบความถกตองดานการประมวลผลของระบบการจบคทไดออกแบบในงานวจย ผวจยจะใชเกณฑการประเมนประสทธภาพการท างานของระบบ จากรปแบบวธการค านวณ (Ferrara, Montanelli, Noessner & Stuckenschmidt, 2011) ความถกตอง (Accuracy) เปนคาทบงบอกถงความสามารถของเครองมอวด ในการอานคาหรอแสดงคาทวดไดเขาใกลคาจรง โดยการค านวณคาความถกตองและคาความผดพลาด ดงสมการ (2) - (4)

%Accuracy = 100 - %Error (2) โดยท Relative error = |𝑓𝑓𝑓𝑓 − 𝑓𝑓|

(3) %Error = Relative error x 100 (4)

เมอ 𝑓𝑓𝑓𝑓 คอ คาทไดจากการวด (Measure Value) 𝑓𝑓 คอ คาจรง (Ture Value)

42

3.5 เครองมอทใชในการทดสอบ 1. ขอมลการพยากรณจากกรมอตนยมวทยา ประเทศไทย ยอนหลง 1 ป 2. ระบบพฒนา

2.1 ฮารดแวรทใชในการวจยประกอบดวย 2.1.1 คอมพวเตอร ซพย AMD FX จ านวน 1 เครอง (Client – Server) 2.1.2 ฮารดดสกความจ 1 TB และ หนวยความจ า 8 GB

2.2 ซอฟตแวรทใชในการวจยประกอบดวย 2.2.1 ระบบปฏบตการ Microsoft Windows 10 2.2.2 MatLab 2018a

3.6 แผนการด าเนนงานวจย แผนการด าเนนงานวจยจะใชระยะเวลาตงแตภาคการศกษาท 1 เดอน ตลาคม พ.ศ. 2560 ถง

ภาคการศกษาท 3 เดอนพฤษภาคม พ.ศ. 2561 ดงตารางท 3.4

ตารางท 3.4 ระยะเวลาในการด าเนนงานวจย

กจกรรม/ขนตอนการด าเนนงานวจย

ระยะเวลาการด าเนนงาน

พ.ศ. 2560 พ.ศ. 2561

ต.ค. พ.ย. ธ.ค. ม.ค. ก.พ. ม.ค. เม.ย. พ.ค. ม.ย. ส.ค.

1. การก าหนดหวขอวตถประสงค ขอบเขตและตวแปรงานวจย

2. การศกษาและเกบรวบรวมขอมล 3. การวเคราะหและออกแบบจ า ลองและเครองมอวจย

4. การพฒนาแบบจ าลองและเครองมอวจย

5. การทดสอบและประเมนผลงานวจย

6. การจดท ารายงานฉบบสมบรณ 7. การตพมพและเผยแพรผลงานวจย

บทท 4 ผลการวจย

งานวจยครงนเปนการพฒนาตวแบบวเคราะหขอมลพยากรณอากาศส าหรบการควบคม

สมารตเซนเซอรของฟารมเกษตร ดวยนวรอลเนตเวรค เครองมอทใชในงานวจย ไดแก เทคนคการเรยนรนวรอลเนตเวรคและโปรแกรมแมทเลบ โดยใชขอมลขอมลการพยากรณอากาศ จากกรมอตนยมวทยาอางองยอนหลง 1 ป ตงแตเดอนพฤษภาคม 2560 ถงเมษายน 2561โดยมระยะเวลาด าเนนการเดอนตลาคม 2560 ถงพฤษภาคม 2561ซงผลทไดเปนไปตามวตถประสงค 3 ขอดงน

1. เพอศกษาปญหาและความส าคญของการพฒนาตวแบบวเคราะหขอมลพยากรณอากาศส าหรบการควบคมสมารตเซนเซอรของฟารมเกษตร

2. เพอการพฒนาตวแบบวเคราะหขอมลพยากรณอากาศส าหรบการควบคมสมารตเซนเซอรของฟารมเกษตร ดวยนวรอลเนตเวรค

3. การประเมนผลงานวจยและความถกตองในการพฒนาตวแบบวเคราะหขอมลการพยากรณอากาศ เพอใชควบคมพลงงานไฟฟาในฟารมเกษตร

4.1 ผลการวจยตามวตถประสงคขอท 1

วตถประสงคงานวจยขอท 1 เพอศกษาปญหาและความส าคญของการพฒนาตวแบบวเคราะหขอมลการพยากรณอากาศ เพอใชควบคมพลงงานไฟฟาในฟารมเกษตรโดยผวจยพบวาปจจบน

ฟารมเกษตรหลายแหงไดน าเอาอปกรณเซนเซอรประเภทสมารต (Smart Sensor) มาใชภายในฟารม ซงขอมลทไดจากตวเซนเซอร สามารถน ามาวเคราะหขอมลหาคาตางๆ นอกจากนการวเคราะหขอมลสารสนเทศในปจจบน สามารถเชอมตอขอมลจากหนวยงานภายนอกได เชน กรมอตนยมวทยา เพอน าขอมลมาใชประโยชน โดยในงานวจยน ผวจยไดศกษาถงการท านายอณหภมลวงหนา โดยใชชดขอมลอณหภม ความชนสมพนธ และปรมาณน าฝนเฉลยของแตละวน โดยเรมตงแต 1 พฤษภาคม 2560 ถง 30 เมษายน 2561 รวมเปนขอมลทงหมด 365 ขอมล ดงตารางท 4.1 มาใชในงานวจย

44

ตารางท 4.1 ตวอยางชดขอมลอณหภม ความชนสมพนธ และปรมาณน าฝนเฉลย อางองจากกรมอตนยมวทยา ประเทศไทย ณ วนท 1 พ.ค. 60 – 30 เม.ย 61

วนท อณหภม (oC) ความชน (%) ปรมาณน าฝน (มม.) 1 29.5 67 5.4 2 31.5 74 5.3 3 31.5 73.5 5.3 4 32.5 72.5 5.3 5 28 72 5.3 6 30.5 71 5.2 7 28.5 76.5 5.2 8 30.5 76.5 5.2 9 30 77 5.1 10 29 79 5.1 11 29.5 76 5.1 12 28 82.5 5.1 13 29 83 5 14 28.5 76.5 5 15 29.5 75 5 16 28.5 80 4.9 17 27 89 4.9 18 30 79 4.9 19 28.5 80 4.9 20 29.5 74.5 4.8

จากตารางท 4.1 ขอมลตวอยางทได จากกรมอตนยมวทยาตงแตวนท 1 พ.ค. 60 – 30 เม.ย 61

ถกน ามาเปลยนรปแบบขอมล (Value Normalization) ใหอยในชวง [0, 1] เพอใหการประมวลผลดวยโครงขายนวรอลเนตเวรคมประสทธภาพ จากสมการ (1)

𝑓 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓 = (𝑓 − 𝑓𝑓𝑓𝑓)/(𝑓𝑓𝑓𝑓 − 𝑓min) (1)

45

ตารางท 4.2 ผลลพธจากการแปลงรป (Value Normalization)

วนท อณหภม (oC) ความชน (%) ปรมาณน าฝน (มม.) 1 0.769230769 0.476190476 0.586206897 2 0.923076923 0.60952381 0.574712644 3 0.923076923 0.6 0.574712644 4 1 0.580952381 0.574712644 5 0.653846154 0.571428571 0.574712644 6 0.846153846 0.552380952 0.563218391 7 0.692307692 0.657142857 0.563218391 8 0.846153846 0.657142857 0.563218391 9 0.807692308 0.666666667 0.551724138 10 0.730769231 0.704761905 0.551724138 11 0.769230769 0.647619048 0.551724138 12 0.653846154 0.771428571 0.551724138 13 0.730769231 0.780952381 0.540229885 14 0.692307692 0.657142857 0.540229885 15 0.769230769 0.628571429 0.540229885 16 0.692307692 0.723809524 0.528735632 17 0.576923077 0.895238095 0.528735632 18 0.807692308 0.704761905 0.528735632 19 0.692307692 0.723809524 0.528735632 20 0.769230769 0.619047619 0.517241379

46


วตถประสงคงานวจยขอท 2 เพอการพฒนาตวแบบวเคราะหขอมลพยากรณอากาศส าหรบการควบคมสมารตเซนเซอรของฟารมเกษตร ดวยนวรอลเนตเวรค ส าหรบสรางตวแบบการพยากรณท านายโดยอาศยนวรอลเนตเวรคและการหาพารามเตอรทเหมาะสมมาเปนขอมลทใชฝกนวรอลเนตเวรค ผวจยใชเครองมอแมตเลบ ในการฝกสอนและสรางตวแบบวเคราะหขอมลการพยากรณ งานวจยน ผวจยไดศกษาถงการท านายอณหภมลวงหนา โดยใชชดขอมลอณหภมเฉลยของแตละวน โดยเรมตงแต 1 พฤษภาคม 2560 ถง 30 เมษายน 2561 รวมเปนขอมลทงหมด 365 ขอมล ผวจยไดใชขอมลกลมตวอยาง “ชดทดสอบ” จ านวน 365 รายการ โดยแบงออกเปน 3 กลม ไดแก ขอมลชดสอน (Train) จ านวน 255 รายการ (70% ของจ านวนขอมลกลมตวอยางทงหมด), ขอมลปรบแตง (Validation) จ านวน 55 รายการ (15% ของจ านวนขอมลกลมตวอยางทงหมด) และขอมลชดทดสอบ (Test) จ านวน 55 รายการ (15% ของจ านวนขอมลกลมตวอยางทงหมด) เพอน าขอมลการพยากรณ มาเตรยมความพรอมใหกบอปกรณเซนเซอรใหสามารถท างานเพอรองรบการเปลยนแปลงของสภาพอากาศภายในอนาคต

4.2.1 วธการฝกสอนนวรอลเนตเวรค

นวรอลเนตเวรคถกออกแบบใหรองรบการสอนดวยเทคนคการแพรกลบ (Back propagation method) เพอใชสอนใหเนตเวรคเรยนรรปแบบ (Patterns) ของขอมลกลมตวอยางทถกเกบรวบรวมจากกรมอตนยมวทยา ประเทศไทย ระหวางป พ.ศ. 2560 – 2561 ไดแก ขอมลอณหภม ปรมาณน าฝน และความชนสมพทธอากาศ เพอใชประมวลผลวเคราะหเชงเปรยบเทยบกบขอมลปจจบน และพยากรณความนาจะเปนของสภาพอากาศลวงหนาส าหรบใชควบคมพลงงานไฟฟาในฟารมเกษตร (ดงแสดงในภาพประกอบท 4-1) ประกอบดวย

1. ชนขอมลน าเขา (Input layer) ประกอบดวยจ านวน 1 ชน และม 3 นวรอลเนตเวรค 2. ชนซอน (Hidden layer) ประกอบดวยจ านวน 1 ชน และม 3 นวรอลเนตเวรค 3. ชนขอมลออก (Output layer) ประกอบดวยจ านวนชน 1 ชน และม 3 นวรอล

เนตเวรค

47

ภาพประกอบท 4-1 โครงสรางนวรอลเนตเวรคทใชในงานวจย

4.2.2 ขนตอนการฝกสอนนวรอลเนตเวรค นวรอลเนตเวรคแบบแพรยอนกลบ (Back propagation Neural Network) มวธการ

เรยนรดวยรปแบบการฝกสอนดวยความสมพนธระหวางอนพทนวรอลในแตละชนกบคา Weight และ Bias เพอปรบลดจ านวนนวรอลทไมไดใชประโยชนออกจากโครงสรางภายในของนวรอลเนตเวรคแบบอตโนมต ทงนเพอควบคมจ านวนนวรอลในชนซอนใหมจ านวนทเหมาะสมกบการประมวลผลรปแบบการสอนทก าหนดไว

ตารางท 4.3 รปแบบการสอนนวรอลเนตเวรคเพอใชประมวลผลการควบคมอปกรณไฟฟา

รปแบบการสอน ชนขอมลออกของนวรอล หมายเลขของเซนเซอร

ควบคมอปกรณ Output (O1) Output (O2) Output (O3) 1 0 0 0 เซนเซอร 1 2 0 1 0 เซนเซอร 1 3 1 1 0 เซนเซอร 2 4 1 0 0 เซนเซอร 2 5 1 0 1 เซนเซอร 3 6 1 1 1 เซนเซอร 3

จากตารางท 4.3 แสดงรปแบบการฝกสอนเพอจดจ ารปแบบสภาพภมอากาศส าหรบควบคม

เซนเซอรของอปกรณไฟฟาภายในฟารม โดยใชกรณศกษาเซนเซอร เพอควบคมอปกรณไฟฟาหมายเลข 1-10 ซงถกควบคมดวย เอาทพทนวรอลเนตเวรค จ านวน 3 นวรอลเนตเวรค ไดแก O1 – O3 ดงน

48

1. รปแบบคาของเอาทพทนวรอล 000 และ 010 แสดงผลการควบคมเซนเซอรส าหรบควบคมอณหภม (เซนเซอรหมายเลข 1)

2. รปแบบคาของเอาทพทนวรอล 110 และ 100 แสดงผลการควบคมเซนเซอรส าหรบควบคมความชน (เซนเซอรหมายเลข 2)

3. รปแบบคาของเอาทพทนวรอล 101 และ 111 แสดงผลการควบคมเซนเซอรส าหรบควบคม แสงสวาง (เซนเซอรหมายเลข 3)

งานวจยนเลอกใชโครงขายประสาทเทยมชนดฟงกชนถายโอน (Transfer Function) แบบลอการทมซกมอยด (Logarithmic Sigmoid) หรอลอกซกมอยดด (Log-Sigmoid) ในรปแบบเปอรเซปตรอนหลายช น (Multi-Layer -Perceptron: MLP) และใชกระบวนการเรยนรแบบการแพรกระจายยอนกลบ (Back Propagation Algorithm) ซงแบบลอการทมซกมอยดเปนฟงกชนแปลงคาอนพตทมคาชวงไมจ ากดใหเปนคาเอาตพตทมชวงจ ากดระหวาง 0 ถง +1 ฟงกชนประเภทซกมอยดเหมาะส าหรบปญหาการจดจ ารปแบบทใชแปลงคาในชนเอาตพต สามารถค านวณไดจากสมการ (5)

𝑓(𝑓) = 1

1+exp (−𝑓) (5)

ภาพประกอบท 4-2 โครงขายประสาทเทยมชนดฟงกชนถายโอนแบบ Log-Sigmoid

4.2.3 การทดสอบและประเมนผลแบบจ าลอง ผวจยไดใชขอมลกลมตวอยาง “ชดทดสอบ” จ านวน 365 รายการ โดยแบงออกเปน 3

กลม ไดแก ขอมลชดสอน (Train) จ านวน 255 รายการ (70% ของจ านวนขอมลกลมตวอยางทงหมด), ขอมลปรบแตง (Validation) จ านวน 55 รายการ (15% ของจ านวนขอมลกลมตวอยางทงหมด) และขอมลชดทดสอบ (Test) จ านวน 55 รายการ (15% ของจ านวนขอมลกลมตวอยางทงหมด)

49

ผลการฝกสอนนวรอลเนตเวรค พบวาคาน าหนกจะมการเปลยนแปลงใหเหมาะสมระหวางการฝกสอนโดยเรมตนทคา -9.714 และสดทายทคา 12.300 โดยมคารอบของการเรยนร (Epoch) จ านวน 88 Iterations และจ านวนนวรอลทอยในโครงสรางของนวรอลเนตเวรคจะถกจดเรยงในโครงสราง 3-3-3 (จ านวนชนนวรอลเนตเวรคของชนอนพทเทากบ 3, จ านวนนวรอลเนตเวรคของชนซอนเทากบ 3 และจ านวนนวรอลเนตเวรคของชนเอาทพทเทากบ 3) และคาเอนเอยงเทากบ 0.178 เพอใหเหมาะสมกบการเรยนรของโครงขายทออกแบบไว โดยมคาความถกตองแสดงดวยตาราง Confusion Matrix ดงแสดงในภาพประกอบท 4-3

การประเมนและวดผลลพธเพอวเคราะหระดบความถกตองดานการประมวลผลของระบบ

การจบคทไดออกแบบในงานวจย ผวจยจะใชเกณฑการประเมนประสทธภาพการท างานของระบบ จากรปแบบวธการค านวณคาความถกตอง (Accuracy) เปนคาทบงบอกถงความสามารถของเครองมอวด ในการอานคาหรอแสดงคาทวดไดเขาใกลคาจรง (Ferrara, Montanelli, Noessner & Stuckenschmidt, 2011) โดยการค านวณคาความถกตองและคาความผดพลาดดวยสมการ (2) – (4) ซงแสดงในรปแบบตาราง Confusion Matrix Table ดงภาพประกอบท 4-3

Outp

ut

1 50 33.3%

0 0.0%

0 0.0%

100% 0.0%

2 0 0.0%

48 32.0%

3 2.0%

94.1 5.9%

3 0 0.0%

2 1.3%

47 31.3%

95.9% 4.1%

100% 0.0%

96.0% 4.0%

94.0 6.0%

96.7% 3.3%

1 2 3

Target

ภาพประกอบท 4-3 ผลการฝกสอนดวยนวรอลเนตเวรคแสดงดวยตาราง Confusion Matrix

50

จากตาราง Confusion Matrix (ภาพประกอบท 4.3) แสดงคาความถกตองของขอมลทดสอบอยในระดบดมาก โดยมคาเฉลยของความถกตองของการฝกสอนเทากบ 96.7% และคาความผดพลาดจากการจ าแนกกลมเทากบ 3.3% โดยมคาเฉลยความคลาดเคลอนก าลงสอง (MSE) เทากบ 3.88461หลงจากเสรจสนการฝกสอน ผวจยไดทดสอบการท างานของแบบจ าลองนวรอลเนตเวรค (Simulink Model) ดวยขอมลทดสอบการพยากรณอากาศ “ชดจรง”จากกรมอตนยมวทยา ประกอบดวย ขอมล (1) อณหภม (2) ความชน และ (3) ปรมาณน าฝน ซงท าการทดสอบดวยเครองมอวจยแมตแลปเวอรชน 2018a ทถกเปลยนรปขอมลใหเหมาะสมแลว เพอทดสอบผลลพธการพยากรณสภาพอากาศ โดยผลลพธทไดถกบนทกลงในตารางท 4.4

ตารางท 4.4 ผลการวเคราะหขอมล “ชดจรง” ดวยนวรอลเนตเวรค

วนท อณหภม’

(T’)

ความชน’

(H’)

ปรมาณน าฝน’

(R’)

ผลลพธของรปแบบการพยากรณท

คาดวาจะไดรบจาก Output

Neural

1 0.45 0 1 001

2 0.82 0.32 0.89 101

3 0.82 0.3 0.89 101

4 1 0.25 0.89 101

5 0.18 0.23 0.89 001

6 0.64 0.18 0.78 101

7 0.27 0.43 0.78 001

8 0.64 0.43 0.78 101

9 0.55 0.45 0.67 101

10 0.36 0.55 0.67 011

11 0.45 0.41 0.67 001

12 0.18 0.7 0.67 011

13 0.36 0.73 0.56 011

14 0.27 0.43 0.56 001

15 0.45 0 1 001

51

จากตารางท 4.4 ผลลพธการวเคราะหขอมลพยากรณอากาศ “ชดจรง” ส าหรบการควบคม

พลงงานไฟฟาดวยการทดสอบแบบจ าลอง Simulink Model ของแมตแลป ซงเปนแบบจ าลองทผานการจดโครงสรางนวรอลเนตเวรคและการเรยนรการวเคราะหรปแบบของขอมลการพยากรณอากาศ

แลว (ภาพประกอบท 4.3) พบวา คาความถกตองอยในระดบดมาก โดยมคาเฉลยของความถกตองเทากบ 98.7% และคาความผดพลาดจากการจ าแนกกลมเทากบ 1.3% โดยมคาเฉลยความคลาดเคลอนก าลงสอง (MSE) เทากบ 1.93205

Outp

ut

1 122 33.3%

0 0.0%

0 0.0%

100% 0.0%

2 0 0.0%

119 32.7%

3 2.0%

98.0 2.9%

3 0 0.0%

2 1.3%

119 32.7%

98.0% 2.0%

100%

0.0%

98.0%

2.0%

98.0

2.0%

98.7%

1.3%

1 2 3

Target

ภาพประกอบท 4-4 ผลการทดสอบดวยขอมลชดจรง


วตถประสงคงานวจยขอท 3 การประเมนผลงานวจยและความถกตองในการพฒนาตวแบบวเคราะหขอมลการพยากรณอากาศ เพอใชควบคมพลงงานไฟฟาในฟารมเกษตรโดยผวจยไดใช เครองวจยแมตแลปเวอรชน 2018a ในการทดสอบแบบจ าลอง Simulink Mode ซงเปนแบบจ าลองทผานการจดโครงสรางนวรอลเนตเวรคและการเรยนรการวเคราะหรปแบบของขอมลการพยากรณอากาศแลว ดงแสดงในภาพประกอบท 4-5 และ 4-6

52

ภาพประกอบท 4-5 หนาจอการออกแบบการควบคมเซนเซอร ดวยแบบจ าลอง Simulink Model ของแมตแลป

ภาพประกอบท 4-6 ผลการทดสอบขอมลชดจรงของการพยากรณสภาพอากาศลวงหนาดวย แบบจ าลอง Simulink Model ของแมตแลป

บทท 5 สรปผลการวจย อภปรายผล และขอเสนอแนะ

การศกษางานวจยครงน เปนการพฒนาตวแบบวเคราะหขอมลพยากรณอากาศส าหรบการ

ควบคมสมารตเซนเซอรของฟารมเกษตร ดวยนวรอลเนตเวรค ในการศกษาครงนผวจยไดสรปผลการวจย อภปรายผล ปญหาอปสรรค และขอเสนอแนะทไดจากการวจยดงตอไปน

5.1 สรปผลการวจย 5.2 อภปรายผล 5.3 ปญหาและอปสรรค 5.4 ขอเสนอแนะ

5.1 สรปผลการวจย งานวจยเชงทดลองนมวตถประสงคเพอพฒนาแบบจ าลองการวเคราะหขอมลพยากรณ

อากาศส าหรบการควบคมสมารตเซนเซอรของฟารมเกษตร โดยผวจยไดน าทฤษฎการเรยนรของนวรอลเนตเวรคมาประยกตใชกบขอมลกลมตวอยางทถกเกบรวบรวมจากกรมอตนยมวทยา ประเทศไทย ระหวางป พ.ศ. 2560 – 2561 ไดแก ขอมลอณหภม ปรมาณน าฝน และความชนสมพทธอากาศ เพอใชประมวลผลวเคราะหเชงเปรยบเทยบกบขอมลปจจบน และพยากรณความนาจะเปนของสภาพอากาศลวงหนาส าหรบใชควบคมพลงงานไฟฟาในฟารมเกษตร ผลการวจย พบวา จ านวนนวรอลเนตเวรคทอยในโครงสรางถกจดเรยงในรปแบบการแพรกลบหลายชน (3-3-3) และมคาเอนเอยงเทากบ 0.124 โดยมคาเฉลยของความถกตองเทากบ 98.7%, คาความผดพลาดจากการจ าแนกกลมเทากบ 1.3% และ คาเฉลยความคลาดเคลอนก าลงสอง (MSE) เทากบ 1.93205% จงท าใหเกดองคความรใหมจากงานวจยไดพบคา แอกทเวเตอรทเหมาะสมกบสภาพอากาศของประเทศไทย ซงมคาอณหภมมากกวา 0 องศา และมผลลพธอยในเกณณระดบดมากและสามารถน าไปประยกตใชในฟารมเกษตรในสภาพภมอากาศของประเทศไทย

5.2 อภปรายผล

งานวจยนไดมการตรวจสอบและประเมนผล ซงเปนไปตามวตถประสงค โดยนวรอลเนตเวรคทใชมโครงสรางแบบปอนกลบหลายชน (Multilayer Perceptron) ใชการเรยนรของโครงขายชนดมการสอน (Supervised Learning) แบบปอนไปขางหนา (Feed - forward) ดวยวธการปอนกลบ (Back Propagation) ซงงานวจยนไดผลการทดลองในระดบดมาก และสอดคลองกบ

54

งานวจยทเกยวของ (Sanjay Mathur, 2013) ทไดน าไปประยกตใชกบขอมลการเกษตร และขอมลการพยากรณสภาพอากาศลวงหนา สามารถน าไปประยกตใชในการเตรยมความพรอมใหกบอปกรณเซนเซอร ใหท างานลวงหนา เชน การปอนขอมลพยากรณอากาศลวงหนา 30 วน เพอปรบปรงผลผลตและหลกเลยงคาใชจายทไมจ าเปนเกยวกบการเกบเกยวการใชสารก าจดศตรพชและปย ใหเกดประสทธภาพ

แตอยางไรกดผวจยพบวา งานวจยภายในประเทศมการน ารปแบบดงกลาวนมาใชกบฟารมเกษตรแตใชเทคนควธทแตกตางกน เชน ไมไดมการก าหนดรปแบบการเรยนร แตใช Activator แบบ Tanh เพอใชในการพยากรณปรมาณน าฝน (ชนนะ สระชม, 2556) และใชสมองกลฝงตว ในการตรวจวดสภาพแวดลอมภายในฟารม ไดแก ความชนในดน อณหภม และแสงสวาง (อรรถศาสตร นาคเทวญ, 2561) ดงแสดงในตารางท 4.5 โดยผวจยพบวา ขอมลอณหภม ปรมาณน าฝน และความชนสมพทธอากาศ เพอใชประมวลผลวเคราะหเชงเปรยบเทยบกบขอมลปจจบน และพยากรณความนาจะเปนของสภาพอากาศลวงหนาส าหรบใชควบคมสมารตเซนเซอรในฟารมเกษตรส าหรบประเทศไทย เหมาะสมกบการใช Activator รปแบบ Logsig เนองจากขอมลอยในกลม 0-1 ซงมคาเปนบวก ท าใหการประมวลผลโดยนวรอลเนตเวรคแบบแพรกระจายกลบ ท างานไดรวดเรวและถกตองมากขน ดงนนองคความรทไดรบจากงานวจยนยงสามารถน าไปใชขยายผลทางดานวชาการหรอน าไปประยกตใชในฟารมเกษตรเพอควบคมพลงงานไฟฟาใหเ กดประสทธภาพไดตอไป

ตารางท 5.1 ตารางเปรยบเทยบผลงานวจย

ล าดบ งานวจย ขอแตกตาง 1 การประยกตใชโครงขายประสาท

เทยมส าหรบการพยากรณอากาศ (ชนนะ สระชม, 2556)

ไมไดมการก าหนดรปแบบการเรยนร แตใช Activator แบบ Tanh เพอใชในการพยากรณปรมาณน าฝน

2 ระบบสมองกลฝงตวตรวจวดสภาพแวดลอมส าหรบฟารมอจฉรยะ(อรรถศาสตร นาคเทวญ, 2561)

ใชสมองกลฝงตว ในการตรวจวดสภาพแวดลอมภายในฟารม ไดแก ความชนในดน อณหภม และแสงสวาง

3 A Feature Based Neural Network Model for Weather Forecasting. (Sanjay Mathur, 2013)

ใชนวรอลเนตเวรคแบบแพรยอนกลบหลายชน ในการหาคาพารามเตอรสภาพอากาศ

55

5.3 ปญหาและอปสรรค

1. กลมขอมลของการพยากรณอากาศทมระยะเวลา 1 ป จงท าใหนวรอลเนตเวรคเรยนรรปแบบการพยากรณทจ ากด ดงนนการพยากรณจงมคาความผดพลาดเกดขน

2. งานวจยนเปนเพยงการสรางแบบจ าลองเพอใชควบคมอปกรณไฟฟา โดยผวจยใชการทดสอบผานแมตแลป ซงมขดความสามารถในการใชงานจรงในฟารมเกษตร

3. งานวจยนมขอบเขตการศกษาเพยง 3 ตวแปรส าคญส าหรบธรกจฟารมเกษตร ดงนนจงมขอจ ากดในการน าไปประยกตใชเพอสรางผลก าไร และลดตนทนใหกบธรกจจรง 5.4 ขอเสนอแนะ

1. เพอใหไดผลลพธทมประสทธภาพ ควรใชกลมขอมลของการพยากรณอากาศทมระยะเวลามากกวา 1 ป เพอชวยใหนวรอลเนตเวรคสามารถสรางรปแบบการพยากรณทมความถกตองมากขน

2. ผสนใจสามารถน าแบบจ าลองนไปพฒนาเปนแอพพลเคชนส าหรบการควบคมเซนเซอรอปกรณไฟฟาแทนการใชเครองมอแมตแลปไดตอไปในอนาคต

3. ผทสนใจสามารถน าหลกการนไปประยกตใชกบควบคมอปกรณอเลกทรอนกส เพอสรางผลก าไร หรอ ลดตนทนใหกบธรกจแตหากจะน าไปใชในธรกจอน อาจจะตองศกษาตวแปรมากขน

4. เพอใหไดผลลพธทมประสทธภาพ ควรทดสอบในพนทเขตสภาพอากาศหนาวเยนมาก อณหภมมคาตดลบ ต ากวา 0 oC ควรเลอกคาฟงกชน Activator แบบ Tanh ซงรองรบกลมขอมลทมคาอยระหวาง -1 oC ถง 1 oC กจะชวยใหการประมวลผลการท างานมความถกตองมากขน

56

บรรณานกรม

Admission Premium. (2560). Internet of things (IOT) เมออนเตอรเนตเชอมตอกบทกสง. สบคนเมอวนท 27 มกราคม 2560, จากเวบไซต http://www.admissionpremium.com/content/1838

Aekyeung Moon, Jaeyoung Kim, Jialing Zhang, Hang Liu, Seung Woo Son. (2017). Understanding the Impact of Lossy Compressions on IoT Smart Farm Analytics. International Conference on Big Data (BIGDATA), 4602-4609.

Culibrina, F. B., & Dadios, E. P. (2015). Smart farm using wireless sensor network for data acquisition and power control distribution. In Humanoid, Nanotechnology, Information Technology, Communication and Control, Environment and Management (HNICEM), 2015 International Conference on IEEE, 1-6.

Fausett, L. V. (1994). Fundamentals of neural networks: architectures, algorithms, and applications. 3. Englewood Cliffs: Prentice-Hall.

Ferrara, Montanelli, Noessner & Stuckenschmidt. (2011). Benchmarking Matching Applications on the Semantic Web. Extended Semantic Web Conference, 8 (2), 108-122.

I. A. Aziz, M. H. Hasan, M. J. Ismail, M. Mehat, N. S. Haron. (2013). Remote Monitoring in Agricultural Greenhouse Using Wireless Sensor and Short Message Service (SMS). International Journal of Engineering & Technology IJET-IJENS, 9 (9), 35-43.

Inoshika Dilrukshi and Kasun de Zoysa. (2014). A Feature Selection Method for Twitter News Classification [Electronic version]. International Journal of Machine Learning and Computing, 4 (4), 365-369.

Jan Chorowski and Jacek M. Zurada. (2015). Learning Understandable Neural Networks With Nonnegative Weight Constraints. IEEE Transactions on Neural Networks and Learning Systems, 26 (1), 62-69.

Jiawei Han, Micheline Kamber, Jian Pei. (2012). Data Mining: Concepts and Techniques. 3rd. United States of America : Morgan Kaufmann.

Mohammad Chehreghani Bozchalui, Claudio A. Cañizares and Kankar Bhattacharya. (2015). Optimal Energy Management of Greenhouses in Smart Grids. IEEE Transactions on Smart Grid, 6(2), 827-835.

http://www.admissionpremium.com/content/1838

57

Nandurkar, S. R., Thool, V. R., & Thool, R. C. (2014). Design and development of precision agriculture system using wireless sensor network. First International Conference on Automation, Control, Energy and Systems (ACES), 1 (1), 1-6.

Nattapol Kaewmard. (2014). Sensor data collection and irrigation control on vegetable crop using smart phone and wireless sensor networks for smart farm. IEEE Conference on Wireless Sensors (ICWiSE), 1(2), 106-112.

Nattawuttisit, S., & Usanavasin, S. (2013). Ontology Mapping Using Neural Networks with Indexing Technique. International Journal of Research in Engineering and Technology (IJRET), 2(1), 13-17.

Paras, Sanjay Mathur, Avinash Kumar, and Mahesh Chandra. (2013). A Feature Based Neural Network Model for Weather Forecasting. International Journal of Computational Intelligence. 4(3), 209-216.

Patel, S. M., & Kanawade, S. Y. (2017). Internet of Things Based Smart Home with Intel Edison. In Proceedings of International Conference on Communication and Networks, Singapore : Springer 385-392.

Roiger, R. J. (2017). Data mining a tutorial-based primer. 2nd. United States of America : Chapman and Hall/CRC.

Stojkoska, B. L. R., & Trivodaliev, K. V. (2017). A review of Internet of Things for smart home: Challenges and solutions. Journal of Cleaner Production, 140, 1454-1464.

Tamtomo, K. (2016). The push and pull of language ideologies: Multilingual communicative practices among youths in an Indonesian city. State University of New York at Albany.

Troyanskaya, O., Cantor, M., Sherlock, G.,Brown, P., Hastie, T., Tibshirani, R., Botstein, D. and Altman, R.B., (2001). Missing value estimation methods for DNA microarrays. Bioinformatics, 17(6), 520-525.

จารมน หนคง. (2552). การศกษาเปรยบเทยบเทคนควธการพยากรณขอมลอนกรมเวลาราคายางดวยวธโครงขายประสาทเทยม สมการถดถอยแบบโพลโนเมยล และซพพอรตเวกเตอรรเกรสชน. วทยานพนธปรญญามหาบณฑต, สถาบนเทคโนโลยพระจอมเกลาพระนครเหนอ, 203-205.

58

ชณฐดาภรณ เยนประเสรฐ. (2557). การเปรยบเทยบความแมนย าการพยากรณสถานการณช าระหนของลกหน โดยใชเทคนคการถดถอยลอจสตกนาอฟยเบย และตนไมการตดสนใจ. สารนพนธปรญญามหาบณฑต, มหาวทยาลยเทคโนโลยพระจอมเกลาพระนครเหนอ, 78-79.

ชนนะ สระชม. (2556). การประยกตใชโครงขายประสาทเทยมส าหรบการพยากรณอากาศ, การคนควาอสระเทคโนโลยสารสนเทศและการจดการ มหาวทยาลยเชยงใหม, 86-90.

นราธป ทองปาน และธนาพฒน เทยงภกด. (2559). ระบบรดน าอตโนมตผานเครอขายเซนเซอร ไรสาย. วารสารวชาการการจดการเทคโนโลยสารสนเทศและนวตกรรม, ปท 3 (1), 35-43.

บรษท อารเอส คอมโพเนนซ จ ากด. (2560). อนเทอรเนตในทกสง (Internet of Things). สบคนเมอวนท 11 ธนวาคม 2560, จากเวบไซต : https://th.rs-online.com/web

ประโยชน ค าสวสด. (2558). การพฒนาเครอขายเซนเซอรส าหรบระบบชลประทานอตโนมต. รายงานวจย มหาวทยาลยเทคโนโลยสรนาร, 35-36.

ผสด บญรอด และ กรวฒน พลเยยม. (2560). แบบจ าลองการพยากรณราคามนส าปะหลงโดยใชโครงขายประสาทเทยมแบบหลายชน. วารสารวทยาศาสตรและเทคโนโลย, ปท 25(3), 534-543.

พยง มสจ. (2557). ระบบฟซซและโครงขายประสาทเทยม. กรงเทพฯ : ศนยผลตต าราเรยน มหาวทยาลยเทคโนโลยพระจอมเกลาพระนครเหนอ.

พรพมล ณ นคร. (2555). แบบจ าลองระบบพยากรณอากาศโดยใชโครงขายประสาทเทยม กรณศกษา กรมอตนยมวทยา ประเทศไทย, วทยานพนธปรญญามหาบณฑต, มหาวทยาลย สงขลานครนทร, 76-79.

ภควต คปตธนโรจน. (2555). การท าเหมองขอมลเพอการขายตอเนองของบรการบรหารเงนสด กรณศกษาธนาคารพาณชยแหงหนง. การคนควาอสระวทยาลยนวตกรรม มหาวทยาลยธรรมศาสตร, 16-18.

ยพน ไชยสมภาร และ ทว ชยพมลผลน. (2560). การพยากรณระดบน าโดยแบบจ าลองโครงขายประสาทเทยมดวยขอมลปรมาณน าฝนจากแบบจ าลอง WRF-ECHAM5. วารสารมหาวทยาลยศรนครนทรวโรฒ (สาขาวทยาศาสตรและเทคโนโลย), ปท 9 (17), 83-90.

รจรา ธรรมสมบต. (2554). ระบบสนนสนนการตดสนใจในการเลอกใชแพคเกจอนเทอรเนตมอถอ โดยใชตนไมตดสนใจ. รายงานวจย สาขาคอมพวเตอรธรกจ คณะบรหารธรกจวทยาลยราชพฤกษ, 67-68.

59

วรรณสร ธระชน, วรพจน สเมธาวฒนพงศ และ ณฐวภา สงสข. (2557). ระบบการจ าแนกพนธยางพาราโดยใชตวจ าแนกนาอฟเบย. การประชมทางวชาการระดบชาต ดานคอมพวเตอรและเทคโนโลยสารสนเทศ, ปท 10 (6), 20-25.

วรารตน รงวรวฒ. (2560). Data Mining Artificial Neural Network. คณะเทคโนโลยสารสนเทศ สาขาวชาวทยาการคอมพวเตอร มหาวทยาลยขอนแกน, สบคนเมอวนท 16 มกราคม 2561, จากเวบไซต : http://202.28.94.51/web/wararat/322756/Chapter8_DM58.pdf

ววฒน มสวรรณ. (2558). อนเทอรเนตเพอสรรพสง (Internet of Things) กบการศกษา Internet of Things on Education. วารสารวชาการนวตกรรมสอสารสงคม, ปท 4 (2), 84-86.

ศรสกล แสงสวรรณ และ สชา สมานชาต. (2551). การพยากรณราคาทองค าแทงโดยใชโครงขายประสาทเทยม. วารสารเทคโนโลยสารสนเทศ, ปท 4 (7), 15-21.

ศภโชค แสงสวาง. (2559). การประยกตใชโครงขายประสาทเทยมกบงานทางดานการเกษตร. วารสารวชาการพระจอมเกลาพระนครเหนอ, ปท 26 (2), หนา 325.

สกล ค านวนชย และชม กมปาน. (2560). อนเทอรเนตออฟตงการรดน าในแปลงผกชพรอมแจงเตอนผานไลน แอปพลเคชน. วารสารวชาการคณะเทคโนโลยอตสาหกรรมเทพสตร I-TECH, ปท 12 (1), 89-99.

สตาวธ ธรวรฬห. (2559). สมารตฟารมการท าเกษตรทเปนมตรกบสงแวดลอม. สบคนเมอวนท 20 ตลาคม 2560, จากเวบไซต : http://library2.parliament.go.th/ebook/content-

issue/2559/hi2559-093.pdf. ส านกงานประสานงานการขบเคลอน Thailand 4.0. (2560). พมพเขยวและแผนปฏบตการ

ขบเคลอน Thailand 4.0 โมเดลขบเคลอนประเทศไทยสความมงคงมนคง และยงยน. สบคนเมอวนท 16 พฤศจกายน 2560, จากเวบไซต : http://www.libarts.up.ac.th/v2/img/Thailand-4.0.pdf.

อรนงค บเกต และ พธษด ศรแสงตระกล. (2556). แบบจ าลองการพยากรณปรมาณออยของภาคตะวนออกเฉยงเหนอ โดยการใชโครงขายประสาทเทยม. วารสารวทยาศาสตรมหาวทยาลยขอนแกน, ปท 41(1), 214-225.

อรรถศาสตร นาคเทวญ. (2561). ระบบสมองกลฝงตวตรวจวดสภาพแวดลอมส าหรบฟารมอจฉรยะ. วารสารแกนเกษตรคณะเกษตรศาสตร สถาบนเทคโนโลยพระจอมเกลาเจาคณทหารลาดกระบง, ปท 46 (1), 807-812.

อานนท นามสนท. (2549). การจ าแนกกลมเพลงไทยโดยใชซพพอรตเวกเตอรแมชชน. วทยานพนธปรญญามหาบณฑต, สถาบนเทคโนโลยพระจอมเกลาพระนครเหนอ, 51-53.

60

มหาวทยาลยเทคโนโลยมหานคร, สบคนเมอวนท 15 มกราคม 2561, จากเวบไซต : http://www.mut.ac.th/research-detail-92

เสกสรรค ศวลย. (2559). Internet of Things เมอสรรสงลวนเชอมตอ (อนเตอรเนต). ศนยเทคโนโลยสารสนเทศ มหาวทยาลยราชภฏพบลสงคราม, 2-4

ภาคผนวก

62

ภาคผนวก ก

แบบประเมนคณภาพ

63

แบบประเมนคณภาพ การวเคราะหขอมลพยากรณอากาศส าหรบการควบคมพลงงานไฟฟา ในฟารมเกษตร

ดวยการเรยนรของนวรอลเนตเวรค

ค าชแจง แบบประเมนคณภาพชดนมวตถประสงคเพอประเมนคณภาพของการวเคราะหขอมลพยากรณอากาศส าหรบการควบคมพลงงานไฟฟา ในฟารมเกษตรดวยการเรยนรของนวรอลเนตเวรค เพอเกบรวบรวมขอมลส าหรบน าไปใช ในการพฒนาและปรบปรงแบบจ าลองโดยแบบประเมนคณภาพของผเชยวชาญแบงออกเปน 2 ตอนดงน ตอนท 1 ขอมลสวนตวผเชยวชาญ ตอนท 2 การแสดงความคดเหนของผเชยวชาญทมตอคณภาพของแบบจ าลองทพฒนาขน

ตารางท 1 เกณฑการใหคะแนนการประเมนคณภาพ

ระดบเกณฑการใหคะแนน ความหมาย

เชงคณภาพ เชงปรมาณ

มากทสด 5 การประเมนคณภาพของแบบจ าลองมประสทธภาพมากทสด

มาก 4 การประเมนคณภาพของแบบจ าลองมประสทธภาพมาก

ปานกลาง 3 การประเมนคณภาพของแบบจ าลองมประสทธภาพปานกลาง

นอย 2 การประเมนคณภาพของแบบจ าลองมประสทธภาพนอย

นอยทสด 1 การประเมนคณภาพของแบบจ าลองมประสทธภาพนอยทสด

ตอนท 1 ขอมลสวนตวผเชยวชาญ ค าชแจงโปรดท าเครองหมายถก ( ) ลงในชวงทก าหนดให และเตมค าในชองวางตามความเปนจรงของทานทกขอ

1. เพศ ชาย หญง 2. ระดบการศกษา ปรญญาตร ปรญญาโท

ปรญญาเอก อน ๆ (โปรดระบ)……………………………………

3. ต าแหนงงาน ……………………………………………………………………………………………… 4. สถานทท างาน……………………………………………………………………………….……………. 5. ประสบการณท างานของทาน ……………ป

64

ตอนท 2 การแสดงความคดเหนของผเชยวชาญทมตอคณภาพของแบบจ าลองทพฒนาขน

ค าชแจง โปรดท าเครองหมายถก ( ) ในชองทางขวามอทตรงกบระดบความคดเหนของทาน 1. แบบประเมนนมจดมงหมายเพอผเชยวชาญไดท าการใชแบบจ าลองทพฒนาขนและประเมนคณภาพของแบบจ าลอง โดยจะแบงแบบประเมนออกเปน 5 ดาน ดงตารางท 2

ตารางท 2 แบบประเมนคณภาพแบบจ าลองดานความถกตองของผลลพธการพยากรณ

รายการประเมน

ระดบความคดเหนของทาน

มากทสด มาก ปานกลาง นอย นอยทสด

5 4 3 2 1

1. ดานวตถประสงคของการใชงานแบบจ าลอง

สามารถวเคราะหขอมลการพยากรณอากาศได

สามารถน าไปใชควบคมพลงงานไฟฟาในฟารมเกษตร

ได

สามารถแกไขปญหาในกระบวนการผลตของธรกจ

ฟารมเกษตรได

2. ดานการออกแบบจ าลอง

แบบจ าลองทใชมความทนสมยและเหมาะสมกบธรกจ

ฟารมเกษตร

รปแบบการแปลงขอมล (Value Normalization) ม

ความเหมาะสม

รปแบบฟงกชนการท างานเหมาะสมกบกระบวนการ

เกษตร

รปแบบสถาปตยกรรมโครงสรางนวรอลเนตเวรคม

ความเหมาะสม

3. ดานการทดสอบความถกตองของแบบจ าลอง

ความถกตองของผลลพธของการสอนตามรปแบบ

(Pattern)

ความถกตองของผลลพธในการประมวลผลนวรอล

เนตเวรคดวยขอมลชดจรงอยในระดบด (คา F-Measure

มากกวา 80%)

ความถกตองของขอมลทถก Normalization

65

รายการประเมน

ระดบความคดเหนของทาน

มากทสด มาก ปานกลาง นอย นอยทสด

5 4 3 2 1

4.ดานประโยชนของแบบจ าลอง สามารถประยกตใชในการท างานไดจรง ชวยลดตนทนในกระบวนการผลตของฟารมเกษตร สามารถน าองคความรไปประยกตใชกบธรกจอนได สนบสนนนโยบายภาครฐทตองการขบเคลอนเทคโนโลยดานการเกษตรของประเทศไทยไปสการเกษตรรปแบบ 4.0

5.ดานความพงพอใจของผใชงาน ความงายตอการใชงาน ความสะดวกรวดเรวของการใชงาน ดานความนาเชอถอของขอมลทใชในการพยากรณอากาศ

ดานการประยกตใชงานกบธรกจฟารมเกษตร

66

ภาคผนวก ข

แบบตอบรบผเชยวชาญ

67

68

69

70

71

72

ภาคผนวก ค

แบบตอบรบตพมพผลงานวชาการ

73

74

ประวตยอผวจย

ชอ-นามสกล นายเฐยรเกษม สธาวณฐพงศ วน เดอน ป เกด 21 กมภาพนธ 2534 สถานทเกด จงหวดกรงเทพมหานคร วฒการศกษา ป พ.ศ. 2552 ประกาศนยบตรวชาชพ คอมพวเตอรธรกจ สาขาวชา คอมพวเตอรธรกจ วทยาลยเทคโนโลยสยามบรหารธรกจ ป พ.ศ. 2554 ประกาศนยบตรวชาชพชนสง เทคโนโลยสารสนเทศ สาขาวชา เทคโนโลยสารสนเทศ วทยาลยเทคโนโลยสยามบรหารธรกจ ป พ.ศ. 2556 ปรญญาตร เทคโนโลยสารสนเทศ สาขาวชาเทคโนโลยสารสนเทศ มหาวทยาลยนอรทกรงเทพ ประสบการณการท างาน ป พ.ศ. 2555 บรษท เซลล อาฟเตอร เซอรวส จ ากด ปจจบน บรษท อนเตอรไซต (ประเทศไทย) จ ากด

ผลงานวชาการ เ ฐยร เกษม สธาวณฐพงศ , สขสวสด ณฎฐวฒ สท ธ และ ปราล มณรตน. (2561). การวเคราะหขอมลพยากรณอากาศส าหรบการควบคมสมารตเซนเซอรของฟารมเกษตร ดวยนวรอลเนตเวรค. วารสารวชาการซายนเทค มรภ.ภเกต คณะวทยาศาสตรและเทคโนโลย มหาวทยาลยราชภฏภเกต, ปท 2(1)

Date post:	05-Nov-2020
Category:	Documents
Upload:	others
View:	1 times
Download:	0 times

THE WEATHER FORECAST ANALYSIS FOR SMART SENSOR IN...

Documents