បញ្ហា (The Problem)៖ ឯកសារនេះដោះស្រាយបញ្ហាអំពីតម្រូវការក្នុងការបង្កើតថ្នាំងសេនស័រឥតខ្សែ (Wireless Sensor Nodes - WSN) ដែលមានតម្លៃទាបនិងសន្សំសំចៃថាមពល ព្រមទាំងការប្រើប្រាស់គំរូទស្សន៍ទាយផ្អែកលើបណ្តាញសរសៃប្រសាទសិប្បនិម្មិត (ANN) ដើម្បីតាមដាននិងព្យាករណ៍ទិន្នន័យបរិស្ថានក្នុងវិស័យកសិកម្មឆ្លាតវៃ (Smart Agriculture)។
វិធីសាស្ត្រ (The Methodology)៖ ការស្រាវជ្រាវនេះពាក់ព័ន្ធនឹងការរចនាផ្នែករឹងនិងផ្នែកទន់សម្រាប់ប្រព័ន្ធថ្នាំងសេនស័ររយៈចម្ងាយខ្លីនិងចម្ងាយឆ្ងាយ ព្រមទាំងការសាងសង់និងវាយតម្លៃលើគំរូបណ្តាញសរសៃប្រសាទសិប្បនិម្មិតមិនលីនេអ៊ែរ (Non-linear neural networks) សម្រាប់ការទស្សន៍ទាយអាកាសធាតុ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Linear OE Model គំរូលីនេអ៊ែរ OE (Output Error) |
មានភាពសាមញ្ញ និងងាយស្រួលក្នុងការគណនាលទ្ធផលជាមូលដ្ឋាន។ | មិនអាចចាប់យកលក្ខណៈស្មុគស្មាញ (Non-linear) នៃទិន្នន័យអាកាសធាតុបានទេ ធ្វើឱ្យមានកំហុសខ្ពស់។ | មានកំហុសធំធេងសម្រាប់ទិន្នន័យជាក់ស្តែង និងមិនសាកសមសម្រាប់ការទស្សន៍ទាយ។ |
| NNOE Model គំរូបណ្តាញសរសៃប្រសាទ NNOE (Nonlinear Output Error) |
មានសមត្ថភាពរៀនពីទំនាក់ទំនងមិនលីនេអ៊ែរនៃទិន្នន័យបានកម្រិតមធ្យម។ | មិនសូវមានប្រសិទ្ធភាពខ្ពស់ដោយសារខ្វះមុខងារបញ្ចូនសញ្ញាត្រឡប់ (Feedback) ច្រើន។ | លទ្ធផលទស្សន៍ទាយមិនទាន់ច្បាស់លាស់គ្រប់គ្រាន់នៅឡើយ (Not satisfactory)។ |
| NNARMAX Model គំរូបណ្តាញសរសៃប្រសាទ NNARMAX |
មានប្រសិទ្ធភាពខ្ពស់ជាង NNOE ដោយសារមានរួមបញ្ចូលប៉ារ៉ាម៉ែត្រកំហុសអតីតកាល (Past errors) ជាសញ្ញាត្រឡប់។ | ពិបាកក្នុងការវិភាគទៅលើស្ថិរភាពនៃដំណើរការរបស់គំរូក្នុងលក្ខខណ្ឌខ្លះ។ | ដំណើរការបានល្អមធ្យម ប៉ុន្តែលទ្ធផលនៅមានកម្រិតទាបជាងគំរូ NNARX។ |
| NNARX Model គំរូបណ្តាញសរសៃប្រសាទ NNARX |
ដំណើរការល្អបំផុតក្នុងការចាប់យកលំនាំនៃទិន្នន័យអាកាសធាតុស្មុគស្មាញ និងមានប្រសិទ្ធភាពខ្ពស់។ | ទាមទារការជ្រើសរើសចន្លោះពេលពន្យារ (Lag terms) ឱ្យបានត្រឹមត្រូវដោយប្រើការគណនាស្ថិតិ។ | ល្អបំផុត: ទទួលបានកំហុសអប្បបរមា (MSE: 0.8826 សម្រាប់កម្តៅអតិបរមា និង 0.944 សម្រាប់អប្បបរមា) ក្នុងការទស្សន៍ទាយ១០ថ្ងៃទៅមុខ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការស្រាវជ្រាវនេះទាមទារធនធានផ្នែករឹងនិងផ្នែកទន់ច្រើនប្រភេទ ចាប់តាំងពីការរចនាបន្ទះសៀគ្វី ការសរសេរកូដ រហូតដល់ការបង្ហាត់បណ្តាញសរសៃប្រសាទសិប្បនិម្មិត។
ការសិក្សានិងការសាងសង់ម៉ូដែល ANN ក្នុងឯកសារនេះប្រើប្រាស់ទិន្នន័យអាកាសធាតុពីស្ថានីយ៍ Oak Park នៅបរទេស។ សម្រាប់ប្រទេសកម្ពុជាដែលមានអាកាសធាតុក្តៅនិងសើមខ្លាំង ការប្រើម៉ូដែលនេះផ្ទាល់នឹងធ្វើឱ្យលទ្ធផលលម្អៀងខុសពីការពិត។ ដូច្នេះ ម៉ូដែលចាំបាច់ត្រូវតែយកមកបង្ហាត់ជាថ្មី (Retrain) ជាមួយទិន្នន័យឧតុនិយមក្នុងស្រុកដើម្បីឱ្យមានភាពសុក្រឹតយតភាព។
បច្ចេកវិទ្យា IoT និងការទស្សន៍ទាយតាមរយៈ ANN នេះមានសក្តានុពលខ្ពស់សម្រាប់ការអភិវឌ្ឍវិស័យកសិកម្មឆ្លាតវៃនៅកម្ពុជា។
ការរួមបញ្ចូលគ្នារវាងឧបករណ៍សេនស័រតម្លៃថោក ការភ្ជាប់បណ្តាញឥតខ្សែ និងការវិភាគទិន្នន័យដោយ AI នឹងជួយកសិករកម្ពុជាកាត់បន្ថយហានិភ័យនិងបង្កើនផលិតភាពកសិកម្ម។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Bluetooth Low Energy (BLE) | វាជាបច្ចេកវិទ្យាបញ្ជូនទិន្នន័យឥតខ្សែរយៈចម្ងាយខ្លី ដែលត្រូវបានរចនាឡើងពិសេសដើម្បីស៊ីថាមពលថ្មតិចបំផុត។ ក្នុងគម្រោងនេះ វាជួយឱ្យឧបករណ៍សេនស័រអាចដំណើរការរាប់ខែឬរាប់ឆ្នាំដោយប្រើត្រឹមថ្មនាឡិកាប៉ុណ្ណោះ។ | ដូចជាការខ្សឹបប្រាប់ព័ត៌មានទៅកាន់អ្នកជិតខាងដោយប្រើកម្លាំងតិចតួចបំផុត ដើម្បីសន្សំសំចៃថាមពល ជាជាងការស្រែកខ្លាំងៗ។ |
| LoRaWAN | វាជាប្រព័ន្ធបណ្តាញឥតខ្សែដែលអាចបញ្ជូនទិន្នន័យបានចម្ងាយឆ្ងាយ (រាប់គីឡូម៉ែត្រ) ទៅកាន់ម៉ាស៊ីនមេ ដោយប្រើប្រាស់ថាមពលថ្មតិចតួចបំផុត ដែលស័ក្តិសមបំផុតសម្រាប់ការតភ្ជាប់សេនស័រនៅពាសពេញកសិដ្ឋានធំៗដែលគ្មានសេវាអ៊ិនធឺណិត។ | ដូចជាការប្រើប្រាស់វិទ្យុទាក់ទង (Walkie-Talkie) ដែលអាចបញ្ជូនសម្លេងឆ្លងកាត់ចម្ការធំៗបានយ៉ាងឆ្ងាយ ដោយមិនបាច់ពឹងផ្អែកលើសេវាទូរស័ព្ទ។ |
| Multilayer Perceptron (MLP) | វាជាទម្រង់មូលដ្ឋាននៃបណ្តាញសរសៃប្រសាទសិប្បនិម្មិត (AI) ដែលមានស្រទាប់តភ្ជាប់គ្នាជាច្រើន (ស្រទាប់បញ្ចូលទិន្នន័យ ស្រទាប់លាក់ និងស្រទាប់បញ្ចេញលទ្ធផល) សម្រាប់រៀនសូត្រពីលំនាំទិន្នន័យដើម្បីដោះស្រាយបញ្ហាឬការទស្សន៍ទាយដ៏ស្មុគស្មាញ។ | ដូចជាក្រុមការងារមួយដែលមានអ្នកប្រមូលព័ត៌មាន (ស្រទាប់បញ្ចូល) អ្នកវិភាគព័ត៌មានច្រើនតំណាក់កាល (ស្រទាប់លាក់) និងអ្នកសន្និដ្ឋានលទ្ធផលចុងក្រោយ (ស្រទាប់បញ្ចេញ)។ |
| NNARX | វាជាម៉ូដែល AI មួយប្រភេទដែលប្រើសម្រាប់ទស្សន៍ទាយតម្លៃនៅពេលអនាគត (ឧទាហរណ៍៖ សីតុណ្ហភាពថ្ងៃស្អែក) ដោយវាធ្វើការវិភាគផ្អែកលើទិន្នន័យអតីតកាលរបស់វាផ្ទាល់ រួមបញ្ចូលទាំងកត្តាខាងក្រៅផ្សេងទៀត (ដូចជាបរិមាណទឹកភ្លៀង) ដែលមានឥទ្ធិពលមកលើវា។ | ដូចជាការព្យាករណ៍ថាថ្ងៃស្អែកអ្នកនឹងចំណាយលុយប៉ុន្មាន ដោយផ្អែកលើប្រវត្តិចាយវាយពីម្សិលមិញរួមផ្សំជាមួយការដឹងថាថ្ងៃស្អែកជាថ្ងៃបុណ្យ (កត្តាខាងក្រៅ)។ |
| Printed Circuit Board (PCB) | វាជាបន្ទះប្លាស្ទិកដែលមានបោះពុម្ពសរសៃទង់ដែងតូចៗសម្រាប់ផ្សារភ្ជាប់គ្រឿងបន្លាស់អេឡិចត្រូនិកផ្សេងៗ (ដូចជាឈីប សេនស័រ និងអង់តែន) ចូលគ្នាឱ្យពួកវាអាចបញ្ជូនចរន្តអគ្គិសនីនិងទិន្នន័យទៅវិញទៅមកដើម្បីដំណើរការជាប្រព័ន្ធតែមួយ។ | ដូចជាបណ្តាញផ្លូវថ្នល់នៅក្នុងទីក្រុង ដែលតភ្ជាប់ពីផ្ទះមួយទៅផ្ទះមួយ ដើម្បីឱ្យចរាចរណ៍និងការទំនាក់ទំនងអាចរត់ឆ្លងកាត់គ្នាបានយ៉ាងរលូន។ |
| Time Series Forecasting | វាជាវិធីសាស្ត្រនៃការប្រើប្រាស់ទិន្នន័យដែលបានកត់ត្រាតាមលំដាប់លំដោយពេលវេលាជាបន្តបន្ទាប់ (ឧទាហរណ៍ កំណត់ត្រាកម្តៅជារៀងរាល់ថ្ងៃ) មកបង្កើតជាម៉ូដែលដើម្បីទស្សន៍ទាយពីនិន្នាការនៃទិន្នន័យនោះនៅពេលខាងមុខ។ | ដូចជាការសង្កេតមើលទម្លាប់មេឃងងឹតពពកខ្មៅជារៀងរាល់ល្ងាចក្នុងខែវស្សា ដើម្បីទាយថាថ្ងៃស្អែកប្រហែលជានឹងមានភ្លៀងធ្លាក់ទៀត។ |
| Gateway | វាជាឧបករណ៍កណ្តាលដែលមានតួនាទីប្រមូលផ្តុំទិន្នន័យពីសេនស័រតូចៗជាច្រើននៅក្នុងតំបន់ណាមួយតាមប្រព័ន្ធឥតខ្សែ រួចធ្វើការបំប្លែងភាសាទំនាក់ទំនងនិងបញ្ជូនទិន្នន័យទាំងនោះបន្តទៅកាន់ប្រព័ន្ធម៉ាស៊ីនមេ (Cloud) លើអ៊ិនធឺណិត។ | ដូចជាអ្នកប្រមូលសំបុត្រពីផ្ទះនីមួយៗក្នុងភូមិ រួចយកទៅដាក់ចូលក្នុងឡានតំបង់សំបុត្រធំដើម្បីដឹកបញ្ជូនបន្តទៅកាន់គោលដៅផ្សេងៗលើពិភពលោក។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
