Luận văn nghiên cứu mạng cảm biến không dây giám sát hành vi gia súc sử dụng thuật toán phân loại hiệu quả đáp ứng thời gian thực

ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ
----------

VŨ MINH THOẠI

NGHIÊN CỨU PHÁT TRIỂN MẠNG CẢM BIẾN KHÔNG DÂY
GIÁM SÁT HÀNH VI GIA SÚC SỬ DỤNG THUẬT TOÁN
PHÂN LOẠI HIỆU QUẢ ĐÁP ỨNG THỜI GIAN THỰC

LUẬN VĂN THẠC SĨ
CÔNG NGHỆ KỸ THUẬT ĐIỆN TỬ VIỄN THÔNG

Hà Nội - 2020


ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ
----------

VŨ MINH THOẠI

NGHIÊN CỨU PHÁT TRIỂN MẠNG CẢM BIẾN KHÔNG DÂY
GIÁM SÁT HÀNH VI GIA SÚC SỬ DỤNG THUẬT TOÁN
PHÂN LOẠI HIỆU QUẢ ĐÁP ỨNG THỜI GIAN THỰC

Ngành: Công nghệ kỹ thuật Điện tử, Viễn thông
Chuyên ngành: Kỹ thuật Điện tử
Mã số:

8510302.01

LUẬN VĂN THẠC SĨ
CÔNG NGHỆ KỸ THUẬT ĐIỆN TỬ VIỄN THÔNG

NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS. TS. TRẦN ĐỨC TÂN

Hà nội – 2020


LỜI CAM ĐOAN
Tôi xin cam đoan luận văn tốt nghiệp: ”Nghiên cứu mạng cảm biến không dây
giám sát hành vi gia súc sử dụng thuật toán phân loại hiệu quả đáp ứng thời gian
thực” là cơng trình nghiên cứu của riêng tác giả. Các số liệu, kết quả trình bày trong luận
văn là hoàn toàn trung thực, chưa từng được cơng bố trong các cơng trình nào khác.
Trong luận văn có dùng một số tài liệu tham khảo như đã nêu trong phần tài
liệu tham khảo.
Tác giả luận văn

Vũ Minh Thoại

i


LỜI CẢM ƠN
Để hồn thành luận văn này, tơi xin gửi lời cảm ơn chân thành và tình cảm đặc
biệt tới người Thầy của tôi PGS. TS. Trần Đức Tân. Thầy là người đã ln theo sát,
tận tình chỉ bảo, góp ý, hướng dẫn và định hướng cho tơi trong suốt quá trình làm luận
văn này tại Khoa Điện tử Viễn thông, Trường đại học Công nghệ.
Tôi xin cám ơn sự hỗ trợ từ đề tài “Nghiên cứu xử lý thơng tin hành vi của bị dựa trên
chuyển động từ cảm biến nhằm nâng cao hiệu quả chăn nuôi”, mã số ĐLTE00.02/20-21.

Nghiên cứu này được thực hiện trong khuôn khổ đề tài mã số KC.01.21/16-20 tài
trợ bởi Bộ Khoa học và Công nghệ.
Tiếp theo, tôi cũng xin gửi lời cảm ơn sâu sắc tới các Thầy, các Cô và các anh chị
em trong Khoa đã luôn sẵn sàng giúp đỡ tạo điều kiện tốt nhất cho tơi trong q trình
làm luận văn.
Mặc dù có nhiều cố gắng, song thời gian thực hiện luận văn có hạn, nên luận văn
cịn nhiều hạn chế. Tơi rất mong nhận được nhiều sự góp ý, chỉ bảo của các thầy, cơ để
hồn thiện hơn luận văn của mình.
Tơi xin chân thành cảm ơn!
Hà Nội, ngày 25 tháng 8 năm 2020
Học viên

Vũ Minh Thoại

ii


TĨM TẮT
Hiện nay, ngành chăn ni sản xuất sữa và thực phẩm đang có nhiều bước phát
triển mạnh tại nước ta. Là ngành kinh tế quan trọng để phát triển kinh tế xã hội và an
ninh lương thực. Để bảo đảm sự phát triển bền vững của các ngành này việc giám sát
và chăm sóc sức khỏe của gia súc có vai trị rất quan trọng và nó là nhu cầu thiết yếu
đối với ngành chăn nuôi. Tại Việt Nam, có một số trang trại chăn ni bị sữa lớn để
nâng cao năng suất và chất lượng sản phẩm, họ rất quan tâm đến vấn đề sức khoẻ của
bị. Vì vậy, họ có nhu cầu giám sát về thể chất và sinh lý của đàn gia súc càng thường
xuyên càng tốt. Phát sinh từ bản chất của những khó khăn liên quan đến việc quản lý
trang trại với các khu chăn thả lớn, các nhà chăn ni ln ln có nhu cầu "giám sát"
động vật của họ một cách tự động và tiết kiệm chi phí nhất. Cơng nghệ mạng cảm biến
không dây là một giải pháp khả thi cho vấn đề này. Trong các thông tin cần cho việc
chăn sóc sức khỏe gia súc thì hành vi là một trong những cơ sở quan trọng và nhạy

cảm nhất. Việc giám sát hành vi của gia súc trên thực tế thường được tiến hành theo
hướng quan sát chuyển động trên cổ bò hoặc chuyển động trên chân. Dữ liệu từ các
thiết bị quan sát đó có thể được lưu lại tại thiết bị để xử lý sau hoặc được truyền thông
không dây về một thiết bị trung tâm để xử lý. Tuy nhiên, việc thực thi các kỹ thuật trên
còn rất cơ bản chưa đáp ứng được việc giám sát thời gian thực hay quy mô chăn thả
lớn, nhiều hệ thống chỉ xác định một hoặc hai hành vi hoặc trạng thái động vật tại một
thời điểm hoặc nhiều hành vi nhưng độ chính xác cịn thấp.
Luận văn này đề xuất thiết bị có thể giám sát 3 hành vi bò (gồm ăn, nằm, đứng)
theo thời gian thực. Hệ thống được thiết kế theo mơ hình mạng cảm biến khơng dây,
có thể mở rộng về số lượng nút mạng. Các thiết bị nhận biết hành vi được xây dựng
dựa trên cảm biến gia tốc và thuật toán k-means. Sở dĩ thuật tốn k-means được lựa
chọn vì có thể áp dụng ngay cả trên các vi điều khiển cấu hình thấp.

iii


MỤC LỤC
MỤC LỤC ......................................................................................................................iv
DANH MỤC HÌNH VẼ ..................................................................................................v
DANH MỤC BẢNG BIỂU ............................................................................................vi
DANH MỤC VIẾT TẮT.............................................................................................. vii
DANH MỤC KÍ HIỆU ................................................................................................ viii
CHƯƠNG 1. TỔNG QUAN VỀ ĐỀ TÀI NGHIÊN CỨU .........................................1
1.1. TÌNH HÌNH NGHIÊN CỨU TRONG NƯỚC VÀ QUỐC TẾ .........................1
1.1.1. Giới thiệu ............................................................................................................1
1.1.2. Tình hình nghiên cứu quốc tế .............................................................................2
1.1.3. Tình hình nghiên cứu trong nước .......................................................................3
1.2. NGHIÊN CỨU CÁC THUẬT TOÁN PHÂN LOẠI HÀNH VI GIA SÚC ............3
1.2.1 Tổng quan về các phương pháp học máy ...........................................................3
1.2.1.1. Giới thiệu về học máy .................................................................................3

1.2.1.2. Các giải thuật học máy ................................................................................4
1.2.2. Thuật toán phân cụm k-means............................................................................5
1.2.3. Thuật toán máy vector hỗ trợ (SVM) .................................................................7
1.2.4. Thuật toán cây quyết định ..................................................................................9
1.2.5. So sánh các loại thuật toán phân loại và nhận xét ............................................12
CHƯƠNG 2. NỘI DUNG ĐỀ TÀI NGHIÊN CỨU..................................................14
2.1. NGHIÊN CỨU HỆ THỐNG THIẾT BỊ GIÁM SÁT HÀNH VI GIA SÚC ........14
2.1.1. Xây dựng mạng wsn ứng dụng cho giám sát hành vi gia súc .........................14
Module Ra-02 (hình 2.3) ...........................................................................................19
Mạng khơng dây 2.4GHz trên dòng module nRF24 .................................................20
Module NRF24L01 ...................................................................................................23
Thiết bị gắn cảm biến ................................................................................................ 25
Thiết bị LoRa Gateway ............................................................................................. 29
2.2. PHÂN LOẠI HÀNH VI GIA SÚC ....................................................................31
2.2.1. Trạng thái hành vi gia súc ...............................................................................31
2.1.3. Xây dựng bộ tham số đánh giá phân loại gia súc .............................................33
CHƯƠNG 3. KẾT QUẢ.............................................................................................. 36
3.1. HỆ THỐNG PHẦN CỨNG ...............................................................................36
3.2. THỬ NGHIỆM HỆ THỐNG .............................................................................36
3.3. KẾT QUẢ PHÂN LOẠI HÀNH VI SỬ DỤNG K-MEANS ............................ 36
3.4. MỘT SỐ SAI SỐ TRONG QUÁ TRÌNH THU DỮ LIỆU ............................... 36
KẾT LUẬN ..................................................................................................................45
TÀI LIỆU THAM KHẢO...........................................................................................46

iv


DANH MỤC HÌNH VẼ
Hình 1.1. Sơ đồ giải thuật tốn k-means .........................................................................7
Hình 1.2. Thuật tốn SVM ............................................................................................... 8

Hình 2.1. Mơ tả vị trí của các thiết bị trên cá thể gia súc .............................................15
Hình 2.2. Mơ tả về kiến trúc mạng sao (star)................................................................ 17
Hình 2.3. Module thu phát LoRa Ra-02 ........................................................................19
Hình 2.4. Sơ đồ kênh truyền trên mạng nRF 2.4GHz....................................................20
Hình 2.5. Mạng đa thiết bị truyền một thiết bị nhận .....................................................21
Hình 2.6. Cấu trúc gói tin ShockBurst ..........................................................................22
Hình 2.7. Dữ liệu gửi đi cho nhau .................................................................................22
Hình 2.8. Module nRF24L01 mini .................................................................................23
Hình 2.9. Thiết bị được gắn trên con bò thực tế ...........................................................25
Hình 2.10. Sơ đồ khối hệ thống của thiết bị gắn cảm biến ...........................................25
Hình 2.11. Sơ đồ thuật tốn thiết bị gắn cảm biến ........................................................28
Hình 2.12. Sơ đồ khổi hệ thống của LoRa Gateway .....................................................29
Hình 2.13. Sơ đồ thuật tốn thiết bị LoRa Gateway .....................................................30
Hình 2.14. Hướng của các trục gia tốc gắn trên cổ bị .................................................32
Hình 2.15. Các trục cảm biến gia tốc khi bị đang đứng ..............................................32
Hình 2.16. Hướng cảm biến gia tốc khi con bị đang ăn...............................................33
Hình 2.17. Hướng cảm biến gia tốc khi con bò đang nằm ............................................33
Hình 2.17. Phương pháp cửa sổ trượt ...........................................................................35
Hình 3.1. Thiết bị phần cứng gắn cổ .............................................................................36
Hình 3.2. Dữ liệu 3 tốc theo 3 trục X, Y, Z ( 1 mg = 0.001 g, 1 g =9.8 m/s2) ...............38
Hình 3.3. Khai thác đặc trưng VeDBA ..........................................................................39
Hình 3.4. Khai thác đặc trưng SCAY ............................................................................39
Hình 3.5. Khai thác quan hệ giữa SCAY (trục tung) và VeDBA (trục hồnh) ..............40
Hình 3.6. Quan hệ giữa SCAY (trục tung) và VeDBA (trục hoành).............................. 41
khi sử dụng k-means với thiết lập là 3 cụm khác nhau .................................................41
Hình 3.7. Dữ liệu gia tốc của tập kiểm tra ....................................................................41
Hình 3.8. VeDBA của tập kiểm tra ................................................................................42
Hình 3.9. VeDBA của tập kiểm tra ................................................................................42
Hình 3.10. Quan hệ VeDBA – SCAY của tập kiểm tra ..................................................43
Hình 3.11. Chỉ số nhận dạng ước lượng (trên) và thực tế (dưới) .................................43

v


DANH MỤC BẢNG BIỂU

Bảng 1.1. So sánh các thuật toán phân loại ...................................................................13
Bảng 2.1. Các tầng mạng của mạng không dây LoRa ..................................................16
Bảng 2.2. Các lớp thiết bị trong mạng truyền thông LoRa ...........................................18

vi


DANH MỤC VIẾT TẮT
Tiếng Anh đầyđủ

TiếngViệt

DBA

Dynamic Body Acceleration

Gia tốc cơ thể động

DBAx

Dynamic Body Acceleration of x-axis

Gia tốc cơ thể động trục x

DBAy

Dynamic Body Acceleration of y-axis

Gia tốc cơ thể động trục y

DBAz

Dynamic Body Acceleration of z-axis

Gia tốc cơ thể động trục z

VeDBA

Vector of Dynamic Body Acceleration

Vector gia tốc cơ thể động

SCAY

Static Component of the Acceleration

Thành phần gia tốc tĩnh của

in the Y-axis

trục y

Analog to Digital Converter

Bộ chuyển đội tương tự sang

ADC

số
UART

I2C

Universal asynchronous receiver /

Truyền nhận nối tiếp không

transmitter

đồng bộ

Inter-Integrated Circuit

Mạch chuyển đổi giao tiếp

vii


DANH MỤC KÍ HIỆU
Kí hiệu

Đơn vị

VeDBA

m/s2

SCAY

m/s2

DBAx

m/s2

DBAy

m/s2

DBAz

m/s2

viii


CHƯƠNG 1. TỔNG QUAN VỀ ĐỀ TÀI NGHIÊN CỨU
1.1. TÌNH HÌNH NGHIÊN CỨU TRONG NƯỚC VÀ QUỐC TẾ
1.1.1. Giới thiệu
Xã hội phát triển, nhu cầu về thực phẩm ngày càng cao, khơng những địi hỏi về
mặt số lượng mà cịn về mặt chất lượng. Kéo theo việc chăn nuôi gia súc phát triển
nông trại với quy mô chăn nuôi lớn, do vậy việc giám sát tình trạng sức khỏe, sinh sản
vật ni sẽ trở nên rất khó khăn nếu áp dụng theo phương pháp thủ công và theo kinh
nghiệm của người chăn ni. Hình thức giám sát phổ biến nhất hiện nay được dùng là
sử dụng mã vạch được gắn trên vật nuôi và ghi chép lại thông tin của từng con theo

ngày, tuần, tháng... Việc sử dụng cách này gây nhiều bất tiện cho người chăm sóc.
Hướng phát triển theo hình thức hiện đại hơn đó là hệ giám sát tự động tình trạng sức
khỏe và các thơng số đặc thù theo mong muốn từ người chăn nuôi. Các hình thức giám
sát hiện đại giúp người chăn ni gia súc tiết kiệm được đáng kể thời gian giám sát và
nâng cao tính hiệu quả trong việc chăm sóc và phúc lợi cho vật nuôi. Sức khỏe và phúc
lợi chung của gia súc thường có thể được kiểm chứng và xác định theo mơ hình hành
vi của bị. Hành vi vật lí của bị được báo cáo như một các phát hiện sớm các bệnh như
bệnh tim và chỉ thị về đau đớn, stress nhiệt và tương tác xã hội trong một đàn. Hành vi
thay đổi khi động vật ốm có thể bao gồm giảm hoạt độn thường ngày, hoạt động sinh
sản, ăn uống, chăm sóc và các hành vi xã hội khác. Việc giám sát bò được tập chung
theo ba hướng phổ biến nhất đó là giám sát phân loại hành vi của bò; phát hiện trấn
thương; xác định thời điểm sinh sản của bò.
Việt Nam là một nước có khí hậu nhiệt đới gió mùa, nơi có điều kiện phát triển
chăn nuôi gia súc. Một số công ty lớn chế biến sữa đã đi đầu trong việc áp dụng công
nghệ tiên tiến như TH True Milk đã áp dụng quy trình chăn ni bị sữa Israel, hay
Vinamilk mỗi con bị được đeo một chíp điện tử để giám sát qua hệ thống Alpro hiện
đại do Delaval cung cấp. Nhiều tỉnh thành trong cả nước (Hải Dương, Hà Nam, Nghệ
An, Bắc Giang, Sơn La...) đã có những đề án phát triển chăn ni gia súc, trong đó
nhấn mạnh đến chủ trương xây dụng trung tâm phát triển chăn nuôi gia súc theo hướng
quy mô lớn, hiệu quả, bán công nghiệp theo hướng tập chung. Nhiều địa phương đã
khuyến khích chuyển đổi trồng lúa sang trồng ngô, trồng cỏ phục vụ chăn nuôi; trong
1


đó quy hoạch hạ tầng: đường trục; hệ thống chuồng ni gia súc; đường điện, nước...;
có thiết kế mẫu hệ thống chuồng chăn ni. Có thể thấy rằng việc áp dụng kĩ thuật
hiện đại giúp nâng cao chất lượng sản phẩm, tăng năng suất lao động, cải tiến kĩ thuật
về giống, chăm sóc, thú y...
1.1.2. Tình hình nghiên cứu quốc tế
Hiện nay trên thế giới có rất nhiều kĩ thuật giúp giám sát sức khỏe, hoạt động và

các vấn đề sinh sản của vật nuôi trên quy mô lớn. Những kĩ thuật này giúp chủ các
trang trại công ty hay doanh nghiệp kiểm sốt vật ni của mình, từ đó giúp nâng cao
hiệu quả chăn nuôi. Tuy nhiên những kĩ thuật được áp dụng hiện tại cịn khá thủ cơng
và cần sự can thiệt sức người. Việc nghiên cứu ra các kĩ thuật và thiết bị mới vẫn luôn
là một chủ đề đang được quan tâm mạnh mẽ. Như trong bài báo [4] tác giả tập chung
vào vấn đề phân loại các hoạt động thường ngày của bò sử dụng hệ thống giám sát
hoạt động dựa trên cảm biến gia tốc. Tuy nhiên bài báo chỉ dừng lại ở việc nhận biế
các trạng thái như: ăn, nằm, đứng và chưa phân biệt được một cách rõ ràng giữa việc
chuyển trạng thái từ đứng sang nằm hay ngược lại. Trong đó bài báo [5], nhóm tác giả
xây dựng hệ giám sát hoạt động của bò sử dụng nhiều loại cảm biến khác nhau để thu
thập thông tin như: cảm biến vị trí, cảm biến tốc độ di chuyển, cảm biến nhiệt độ, cảm
biến gia tốc ba trục, cảm biến từ trường 3 trục. Bên cạnh đó họ đã xây dựng nền tảng
cảm biến khơng dây có thể quan sát và thu thập thông tin của gia súc mà không cần
can thiệt đến chúng. Dựa trên các thơng tin thu được có thể phân biệt thành công được
các hoạt động và ứng sử khác nhau của gia súc. Tuy nhiên hệ thống mới chỉ dừng lại ở
việc thông tin lưu trữ trên thẻ nhớ chứ chưa truyền đi được. Trong nghiên cứu [6] tác
giả tập chung vào hiệu quả của việc phát hiện động dục và phát hiện thời gian rụng
trứng của giống bò đen Nhật Bản sử dụng hệ thống giám sát số bước chân thời gian
thực và truyền thông không dây. Hệ thống này phát hiện các trạng thái đứng, so sánh
với khả năng sẵn có của nó để phát hiện sự kiện động dục. Bên cạnh việc phát triển
các kĩ thuật phần cứng, các kĩ thuật phần mềm hay thuật toán cũng đang được nghiên
cứu nhằm nâng cao khả năng nhận biết một cách chính xác các trạng thái của gia súc.
Các thuật toán được phát triển theo hai hướng: Thuật tốn học máy có giám sát và
thuật tốn học máy khơng có giám sát. Thuật tốn có giám sát thường là hệt thống
gồm hai tiến trình: Tiến trình đào tạo dữ liệu và tiến trình kiểm thử dữ liệu. Hệ thống
2


này sử dụng các tập dữ liệu đã biết để xây dựng nên mơ hình, sau đó sử dụng mơ hình
này để dự đốn để dự đốn cho tập dữ liệu mới. Thuật tốn học máy khơng có giám sát

khám phá dữ liệu để tìm mơ hình ẩn hoặc cụm dữ liệu đầu vào trong các lớp với tính
chất thống kê tương tự. Thuật tốn học máy có giám sát có thể kể đến là: máy vector
hỗ trợ (SVM). Thuật tốn học máy khơng có giám sát là: thuật tốn cây quyết định, kmean và mơ hình Markov ẩn (HMM). Mỗi thuật tốn đều có ưu và nhược điểm khác
nhau. SVM và HMM đi kèm với chi phí tính tốn lớn, làm cho việc thực hiện một
thuật toán như vậy bên trong một thiết bị sinh học từ xa là khơng thực tế. Tuy nhiên
thuật tốn cây quyết định có chi phí tính tốn thấp hơn nhiều và dễ dành được thực
hiện trong thời gian thực. Bên cạnh đó, SVM lại có độ chính xác cao trong khi cây
quyết định lại cho độ nhạy cao [4].
1.1.3. Tình hình nghiên cứu trong nước
Hiện nay, ở Việt Nam chưa có nhiều nghiên cứu về giám sát hoạt động của bị.
Có một nhóm nghiên cứu về giám sát hoạt động, hỗ trợ chăm sóc sức khỏe là một số
cán bộ trong Khoa Điện tử viễn thơng – Trường đại học Cơng nghệ, nhóm đã có một
số kết quả tốt theo hướng này. Trong bài báo [1] các tác giả đã đưa ra mô hình giám
sát hành vi trên bị bao gồm thiết bị gắn ở chân bò để đếm số bước chân và thiết bị gắn
trên cổ bò để thu dữ liệu gia tốc ở cổ. Hai thiết bị này kết nối không dây với nhau tạo
thành một nút mạng để thu dữ liệu giúp giám sát hành vi của bò. Tuy nhiên đây mới là
mơ hình chưa triển khai thực nghiệm và chưa đưa ra thuật toán xử lý dữ liệu. Trong
bài báo [3] nhóm tác giả đã tiến hành chế tạo một thiết bị thu dữ liệu gia tốc ở cổ và
chân bò và lưu vào thẻ nhớ. Dữ liệu offline sau đó được dùng để phân loại một số
hành vi cơ bản của bị thơng qua thuật tốn cây quyết định. Có thể thấy rằng thiết bị
cịn đơn giản, việc lấy dữ liệu từ thẻ nhớ vấn thủ công. Việc xử lý dữ liệu chỉ dùng
thuật toán cây quyết định nên hiệu quả và độ chính xác chưa cao.
1.2. NGHIÊN CỨU CÁC THUẬT TOÁN PHÂN LOẠI HÀNH VI GIA SÚC
1.2.1 Tổng quan về các phương pháp học máy
1.2.1.1. Giới thiệu về học máy
Học máy, có tài liệu gọi là máy học, là một lĩnh vực của trí tuệ nhân tạo liên quan
đến việc nghiên cứu và xây dựng các kĩ thuật cho phép các hệ thống "học" tự động từ

3

dữ liệu để giải quyết những vấn đề cụ thể. Ví dụ như các máy có thể "học" cách phân
loại thư điện tử xem có phải thư rác hay khơng và tự động xếp thư vào thư mục tương
ứng.
Học máy có liên quan lớn đến thống kê, vì cả hai lĩnh vực đều nghiên cứu việc
phân tích dữ liệu, nhưng khác với thống kê, học máy tập trung vào sự phức tạp của các
giải thuật trong việc thực thi tính tốn.
Học máy có hiện nay được áp dụng rộng rãi bao gồm máy truy tìm dữ liệu, chẩn
đốn y khoa, phân loại hành vi của gia súcphát hiện thẻ tín dụng giả, phân tích thị
trường chứng khốn, phân loại các chuỗi DNA, nhận dạng tiếng nói và chữ viết, dịch
tự động, chơi trị chơi và cử động rơ-bốt.
1.2.1.2. Các giải thuật học máy
Xét theo phương thức học, các thuật toán học máy được chia làm 4 nhóm bao
gồm “học máy có giám sát” (Supervised Learning), “Học khơng giám sát”
(Unsupervised Learning), “Học bán giám sát” (hay học kết hợp - Semi-supervised
Learning)

và

“Học

tăng

cường”

(Reinforcement

Learning)

- Học có giám sát: Học có giám sát hay cịn gọi là học có thầy là thuật tốn dự đốn

nhãn (label)/đầu ra (output) của một dữ liệu mới dựa trên tập dữ liệu huấn luyện mà
trong đó mỗi mẫu dữ liệu đều đã được gán nhãn. Dữ liệu huấn luyện bao gồm các cặp
gồm đối tượng đầu vào (thường dạng vec-tơ), và đầu ra mong muốn. Đầu ra của một
hàm có thể là một giá trị liên tục (gọi là hồi qui), hay có thể là dự đốn một nhãn phân
loại cho một đối tượng đầu vào (gọi là phân loại). Phương pháp này sử dụng cho các
bài toán phân lớp.
- Học không giám sát: hay học không thầy là thuật toán dự đoán nhãn của một dữ liệu
mới dựa trên tập dữ liệu huấn luyện mà trong đó tất cả các mẫu dữ liệu đều chưa được
gán nhãn hay nói cách khác là ta khơng biết câu trả lời chính xác cho mỗi dữ liệu đầu
vào. Khi đó, mục tiêu của thuật tốn unsupervised learning khơng phải là tìm đầu ra
chính xác mà sẽ hướng tới việc tìm ra cấu trúc hoặc sự liên hệ trong dữ liệu để thực
hiện một cơng việc nào đó, ví như gom cụm (clustering) hoặc giảm số chiều của dữ
liệu (dimension reduction) để thuận tiện trong việc lưu trữ và tính tốn.
Các bài toán Unsupervised learning tiếp tục được chia nhỏ thành hai loại là phân cụm
(Clustering) và luật kết hợp (Association Rule).

4


- Học máy bán giám sát: là một lớp của kỹ thuật học máy, sử dụng cả dữ liệu đã
gán nhãn và chưa gán nhãn để huấn luyện - điển hình là một lượng nhỏ dữ liệu có gán
nhãn cùng với lượng lớn dữ liệu chưa gán nhãn. Học bán giám sát đứng giữa học
khơng giám sát (khơng có bất kì dữ liệu đã được nhãn nào) và có giám sát (toàn bộ dữ
liệu đều được gán nhãn).
- Học tăng cường: Máy tính đưa ra quyết định hành động và nhận kết quả phản
hồi từ mơi trường. Sau đó máy tính tìm cách chỉnh sửa cách ra quyết định hành động
của mình.
Trong luận văn này, thuật tốn SVM và decission-tree là học có giám sát, thuật
tốn k-means là học khơng giám sát.
1.2.2. Thuật toán phân cụm k-means

K-means là một thuật tốn phân cụm đơn giản thuộc loại học khơng giám sát (tức
là dữ liệu khơng có nhãn) và được sử dụng để giải quyết bài toán phân cụm. Ý tưởng
của thuật toán phân cụm k-means là phân chia 1 bộ dữ liệu thành các cụm khác nhau.
Trong đó số lượng cụm được cho trước là k. Công việc phân cụm được xác lập dựa
trên nguyên lý: Các điểm dữ liệu trong cùng 1 cụm thì phải có cùng 1 số tính chất nhất
định. Tức là giữa các điểm trong cùng 1 cụm phải có sự liên quan lẫn nhau. Đối với
máy tính thì các điểm trong 1 cụm đó sẽ là các điểm dữ liệu gần nhau.
Thuật toán phân cụm k-means là một phương pháp được sử dụng trong phân tích
tính chất cụm của dữ liệu. Do đó nó đặc biệt được sử dụng nhiều trong khai phá dữ
liệu và thống kê. Nó phân vùng dữ liệu thành k cụm khác nhau. Giải thuật này giúp
chúng ta xác định được dữ liệu của chúng ta nó thực sử thuộc về nhóm nào.
Mục đích của phân cụm là tìm ra đặc trưng bên trong của các nhóm của dữ liệu.
Các thuật toán phân cụm đều sinh ra các cụm. Tuy nhiên, khơng có tiêu chí nào là
được xem là tốt nhất của của phân tích phân cụm, điều này phụ thuộc vào mục đích
của phân cụm như: data reduction, “natural clusters”, “usefull” clusters, outlier
detection.
Khác với việc phân lớp đối tượng, nhãn của lớp là chưa biết. Điều này xảy ra
thường xuyên với những cơ sở dữ liệu lớn, vì việc gán nhãn lớp cho số lượng đối

5


tượng dữ liệu lớn là một quá trình tốn kém. Việc phân cụm rất có ích trong đưa ra cái
nhìn tổng quan trên tồn thể dữ liệu.
K-means là thuật tốn rất quan trọng và được sử dụng phổ biến trong kỹ thuật
phân cụm. Ý tưởng chính của thuật tốn k-means là tìm cách phân nhóm các đối tượng
đã cho vào K cụm (K là số các cụm được xác định trước, K nguyên dương) sao cho
tổng bình phương khoảng cách giữa các đối tượng đến tâm nhóm là nhỏ nhất.
Thuật tốn k-means thực hiện qua các bước chính sau:
Bước 1: Khởi tạo K điểm dữ liệu trong bộ dữ liệu và tạm thời coi nó là tâm của các

cụm dữ liệu. Mỗi cụm được đại diện bằng các tâm của cụm.
Bước 2: Với mỗi điểm dữ liệu trong bộ dữ liệu, tâm cụm của nó sẽ được xác định
là 1 trong K tâm cụm gần nó nhất.
Bước 3: Sau khi tất cả các điểm dữ liệu đã có tâm, tính tốn lại vị trí của tâm cụm
để đảm bảo tâm của cụm nằm ở chính giữa cụm.
Bước 4: Bước 2 và bước 3 sẽ được lặp đi lặp lại cho tới khi vị trí của tâm cụm
khơng thay đổi hoặc tâm của tất cả các điểm dữ liệu không thay đổi.
Sơ đồ dưới đây mơ tả thuật tốn k-means

6


Hình 1.1. Sơ đồ giải thuật tốn k-means
Thuật tốn k-means là một thuật toán đơn giản, đệ quy (lặp đi lặp lại nhiều lần)
nên chi phí tính tốn sẽ lớn.
1.2.3.

Thuật toán máy vector hỗ trợ (SVM)

Thuật toán máy vector hỗ trợ (Support Vector Machines - SVM) được Corters và
Vapnik giới thiệu vào năm 1995. SVM rất hiệu quả để giải quyết các bài tốn với dữ
liệu có số chiều lớn như các vector biểu diễn văn bản. Thuật toán SVM ban đầu chỉ
được thiết kế để giải quyết bài toán phân lớp nhị phân tức là số lớp hạn chế là hai lớp.
Hiện nay, SVM được đánh giá là bộ phân lớp chính xác nhất cho bài tốn phân
lớp văn bản, bởi vì đó là bộ phân lớp tốc độ rất nhanh và hiệu quả đối với bài
toán phân lớp văn bản
Phương pháp SVM được coi là phương pháp hiệu quả để giải quyết bài toán phân lớp
với dữ liệu có số chiều lớn như các vector biểu diễn văn bản. Về mặt lý thuyết, thuật
toán phân lớp nhị phân này cũng có thể sử dụng cho bài tốn phân lớp đa lớp bằng
cách chuyển bài toán đa lớp thành bài toán nhị phân. Tuy nhiên, đối với bài toán phân

lớp văn bản sử dụng phương pháp SVM thì việc lựa chọn thuộc tính cho từng phân lớp
lại là vấn đề cực kỳ quan trọng, nó quyết định đến hiệu quả của phân lớp.
Bài toán phân lớp dữ liệu là quá trình phân lớp một đối tượng dữ liệu vào một
hay nhiều lớp cho trước nhờ một mơ hình phân lớp mà mơ hình này được xây dựng
dựa trên một tập hợp các đối tượng dữ liệu đã được gán nhãn từ trước gọi là tập dữ

7


liệu học (tập huấn luyện). Q trình phân lớp cịn được gọi là quá trình gán nhãn cho
các đối tượng dữ liệu.
Như vậy, nhiệm vụ của bài toán phân lớp dữ liệu là cần xây dựng mơ hình phân
lớp để khi có một dữ liệu mới vào thì mơ hình phân lớp sẽ cho biết dữ liệu đó thuộc
lớp nào.
Quá trình phân lớp dữ liệu gồm hai bước là quá trình học và quá trình phân lớp.
Máy vector hỗ trợ (SVM):
Hình 1.2 dưới đây minh họa về tìm biên lớn nhất của thuật tốn SVM:

Hình 1.2. Thuật tốn SVM
Phương pháp SVM là cho trước một tập huấn luyện, được biểu diễn trong khơng
gian vector, trong đó mỗi tài liệu là một điểm, phương pháp này tìm ra một siêu phẳng
quyết định tốt nhất có thể chia các điểm trên khơng gian này thành hai lớp riêng biệt
tương ứng là lớp + và lớp o. Một siêu phẳng là một hàm tương tự như phương trình
đường thẳng y = ax + b. Thực tế, nếu ta cần phân lớp tập dữ liệu chỉ gồm 2 tính năng,
siêu phẳng lúc này chính là một đường thẳng. Chất lượng của siêu phẳng này được
quyết định bởi khoảng cách (gọi là biên) của điểm dữ liệu gần nhất của mỗi lớp đến
mặt phẳng này. Khi đó, khoảng cách biên càng lớn thì mặt phẳng quyết định càng tốt,
đồng thời việc phân loại càng chính xác. Mục đích của phương pháp SVM là tìm được
khoảng cách biên lớn nhất.
Thuật toán SVM được thực hiện qua các bước sau:

8


 Chuyển dữ liệu đầu vào về dạng số của SVM.
 Tiền xử lý dữ liệu: Thực hiện biến đổi dữ liệu phù hợp cho q trình tính tốn,
tránh các số q lớn mơ tả các thuộc tính. Nên co giãn dữ liệu để chuyển về đoạn [-1,
1] hoặc [0, 1].
 Chọn hàm hạt nhân: Lựa chọn hàm hạt nhân phù hợp tương ứng cho từng bài
toán cụ thể để đạt được độ chính xác cao trong q trình phân lớp.
 Thực hiện việc kiểm tra chéo để xác định các tham số cho ứng dụng. Điều này
cũng quyết định đến tính chính xác của q trình phân lớp.
 Sử dụng các tham số cho việc huấn luyện với tập mẫu. Trong q trình huấn
luyện sẽ sử dụng thuật tốn tối ưu hóa khoảng cách giữa các siêu phẳng trong q trình
phân lớp, xác định hàm phân lớp trong khơng gian đặc trưng nhờ việc ánh xạ dữ liệu
vào không gian đặc trưng bằng cách mô tả hạt nhân, giải quyết cho cả hai trường hợp
dữ liệu là phân tách và khơng phân tách tuyến tính trong khơng gian đặc trưng.
 Kiểm thử tập dữ liệu Kiểm tra.
1.2.4. Thuật toán cây quyết định
Trong lĩnh vực học máy, cây quyết định là một kiểu mơ hình dự báo, nghĩa là
một ánh xạ từ các quan sát về một sự vật/hiện tượng tới các kết luận về giá trị mục tiêu
của sự vật/hiện tượng. Mỗi một nút trong tương ứng với một biến; đường nối giữa nó
với nút con của nó thể hiện một giá trị cụ thể cho biến đó. Mỗi nút đại diện cho giá trị
dự đoán của biến mục tiêu, cho trước các giá trị của các biến được biểu diễn bởi đường
đi từ nút gốc tới nút đó. Kỹ thuật học máy dùng trong cây quyết định được gọi là học
bằng cây quyết định, hay chỉ gọi với cái tên ngắn gọn là cây quyết định.
Cây quyết định cũng nằm trong bài tốn phân lớp (học có giám sát). Để xây dựng
cây quyết định cũng cần phải có 2 bước là “Học” và “Phân lớp”.
Học bằng cây quyết định cũng là một phương pháp thông dụng trong khai phá dữ
liệu. Khi đó, cây quyết định mơ tả một cấu trúc cây, trong đó, các lá đại diện cho các
phân loại còn cành đại diện cho các kết hợp của các thuộc tính dẫn tới phân loại đó.

Một cây quyết định có thể được học bằng cách chia tập hợp nguồn thành các tập con
dựa theo một kiểm tra giá trị thuộc tính. Q trình này được lặp lại một cách đệ qui
cho mỗi tập con dẫn xuất. Quá trình đệ qui hồn thành khi khơng thể tiếp tục thực hiện
9


việc chia tách được nữa, hay khi một phân loại đơn có thể áp dụng cho từng phần tử
của tập con dẫn xuất. Một bộ phân loại rừng ngẫu nhiên sử dụng một số cây quyết định
để có thể cải thiện tỉ lệ phân loại.
Cây quyết định cũng là một phương tiện có tính mơ tả dành cho việc tính tốn
các xác suất có điều kiện.
Ưu điểm của cây quyết định:
 Dễ dàng chuyển đổi:
Cây quyết định có khả năng sinh ra các quy tắc có thể chuyển đổi được sang dạng
tiếng Anh, hoặc các câu lệnh SQL. Đây là ưu điểm nổi bật của kỹ thuật này. Thậm chí
với những tập dữ liệu lớn khiến cho hình dáng cây quyết định lớn và phức tạp, việc đi
theo bất cứ đường nào trên cây là dễ dàng theo nghĩa phổ biến và rõ ràng. Do vậy sự giải
thích cho bất cứ một sự phân lớp hay dự đoán nào đều tương đối minh bạch.
 Khả năng thực thi trong những lĩnh vực hướng quy tắc:
Điều này có nghe có vẻ hiển nhiên, nhưng quy tắc quy nạp nói chung và cây quyết
định nói riêng là lựa chọn hồn hảo cho những lĩnh vực thực sự là các quy tắc. Rất nhiều
lĩnh vực từ di truyền tới các q trình cơng nghiệp thực sự chứa các quy tắc ẩn, không rõ
ràng do khá phức tạp và tối nghĩa bởi những dữ liệu lỗi. Cây quyết định là một sự lựa
chọn tự nhiên khi chúng ta nghi ngờ sự tồn tại của các quy tắc ẩn, khơng rõ ràng.
 Dễ dàng tính toán trong khi phân lớp:
Mặc dù như chúng ta đã biết, cây quyết định có thể chứa nhiều định dạng, nhưng
trong thực tế, các thuật toán sử dụng để tạo ra cây quyết định thường tạo ra những cây
với số phân nhánh thấp và các kiểm tra đơn giản tại từng node. Những kiểm tra điển
hình là: so sánh số, xem xét phần tử của một tập hợp, và các phép nối đơn giản. Khi
thực thi trên máy tính, những kiểm tra này chuyển thành các toán hàm logic và số

ngun là những tốn hạng thực thi nhanh và khơng đắt. Đây là một ưu điểm quan
trọng bởi trong môi trường thương mại, các mơ hình dự đốn thường được sử dụng để
phân lớp hàng triệu thậm chí hàng tỉ bản ghi.
 Khả năng xử lý với cả thuộc tính liên tục và thuộc tính rời rạc:
Cây quyết định xử lý “tốt” như nhau với thuộc tính liên tục và thuộc tính rời rạc.
Tuy rằng với thuộc tính liên tục cần nhiều tài ngun tính tốn hơn. Những thuộc tính
10


rời rạc đã từng gây ra những vấn đề với mạng neural và các kỹ thuật thống kê lại thực
sự dễ dàng thao tác với các tiêu chuẩn phân chia trên cây quyết định: mỗi nhánh tương
ứng với từng phân tách tập dữ liệu theo giá trị của thuộc tính được chọn để phát triển
tại node đó. Các thuộc tính liên tục cũng dễ dàng phân chia bằng việc chọn ra một số
gọi là ngưỡng trong tập các giá trị đã sắp xếp của thuộc tính đó. Sau khi chọn được
ngưỡng tốt nhất, tập dữ liệu phân chia theo test nhị phân của ngưỡng đó.
 Thể hiện rõ ràng những thuộc tính tốt nhất:
Các thuật tốn xây dựng cây quyết định đưa ra thuộc tính mà phân chia tốt nhất
tập dữ liệu đào tạo bắt đầu từ node gốc của cây. Từ đó có thể thấy những thuộc tính
nào là quan trọng nhất cho việc dự đoán hay phân lớp.
Nhược điểm cây quyết định:
Dù có những sức mạnh nổi bật trên, cây quyết định vẫn khơng tránh khỏi có những
điểm yếu. Đó là cây quyết định khơng thích hợp lắm với những bài toán với mục tiêu là
dự đoán giá trị của thuộc tính liên tục như thu nhập, huyết áp hay lãi xuất ngân hàng, …
Cây quyết định cũng khó giải quyết với những dữ liệu thời gian liên tục nếu không bỏ ra
nhiều công sức cho việc đặt ra sự biểu diễn dữ liệu theo các mẫu liên tục.
 Dễ xảy ra lỗi khi có quá nhiều lớp:
Một số cây quyết định chỉ thao tác với những lớp giá trị nhị phân dạng có/khơng
hay đồng ý/từ chối. Số khác lại có thể chỉ định các bản ghi vào một số lớp bất kỳ,
nhưng dễ xảy ra lỗi khi số ví dụ đào tạo ứng với một lớp là nhỏ. Điều này xảy ra càng
nhanh hơn với cây mà có nhiều tầng hay có nhiều nhánh trên một node.

 Chi phí tính tốn đắt để đào tạo:
Điều này nghe có vẻ mâu thuẫn với khẳng định ưu điểm của cây quyết định ở trên.
Nhưng quá trình phát triển cây quyết định đắt về mặt tính tốn.Vì cây quyết định có rất
nhiều node trong trước khi đi đến lá cuối cùng. Tại từng node, cần tính một độ đo (hay
tiêu chuẩn phân chia) trên từng thuộc tính, với thuộc tính liên tục phải thêm thao tác sắp
xếp lại tập dữ liệu theo thứ tự giá trị của thuộc tính đó. Sau đó mới có thể chọn được một
thuộc tính phát triển và tương ứng là một phân chia tốt nhất. Một vài thuật tốn sử dụng tổ
hợp các thuộc tính kết hợp với nhau có trọng số để phát triển cây quyết định. Quá trình cắt
cụt cây cũng “đắt” vì nhiều cây con ứng cử phải được tạo ra và so sánh.
11


1.2.5. So sánh các loại thuật toán phân loại và nhận xét
Các phương pháp phân lớp và phân cụm có thể được so sánh dựa trên các tiêu
chuẩn sau:
 Độ chính xác dự đốn
Độ chính xác là khả năng của mơ hình để dự đốn chính xác nhãn lớp của dữ liệu
mới hay dữ liệu chưa biết.
 Tốc độ
Tốc độ là những chi phí tính tốn liên quan đến q trình tạo ra và sử dụng mơ hình.
 Sức mạnh
Sức mạnh là khả năng mơ hình tạo ta những dự đoán đúng từ những dữ liệunhiễu
hay dữ liệu với những giá trị thiếu.
 Khả năng mở rộng
Khả năng mở rộng là khả năng thực thi hiệu quả trên lượng lớn dữ liệu của mơ
hình đã học.
 Tính hiểu được
Tính hiểu được là mức độ hiểu và hiểu rõ những kết quả sinh ra bởi mơ hình đã học.
 Tính đơn giản
Tính đơn giản liên quan đến kích thước của cây quyết định hay độ cong của các luật

cho chúng ta thấy sự so sánh của các thuật toán phân loại dựa trên các thuộc tính trên.
Thuật Tốn

K-means

Máy vector hỗ trợ

Các thuộc tính
-

Độ chính xác dự đốn cao
Tốc độ thực thi chậm, cần phân cụm
Sức mạnh yếu
Khả năng mở rộng thấp
Tính hiểu được tốt

-

Đơn giản, dễ dùng

-

Độ chính xác dự đốn cao nhất
Tốc độ thực thi chậm
Sức mạnh tốt
Khả năng mở rộng cao

12

Cây quyết định

-

Tính hiểu được tốt

-

Độ phức tạp cao

-

Độ chính xác dự đoán cao
Tốc độ thực thi nhanh

-

Khả năng chịu nhiễu tốt
Khả năng mở rộng cao

-

Dễ hiểu
Độ phức tạp thấp

Bảng 1.1. So sánh các thuật toán phân loại
1.3. VẤN ĐỀ NGHIÊN CỨU CỦA LUẬN VĂN
Luận văn này đề xuất thiết bị có thể giám sát 3 hành vi bị (gồm ăn, nằm, đứng)
theo thời gian thực. Hệ thống được thiết kế theo mơ hình mạng cảm biến khơng dây,
có thể mở rộng về số lượng nút mạng. Các thiết bị nhận biết hành vi được xây dựng

dựa trên cảm biến gia tốc và thuật toán k-means. Sở dĩ thuật toán k-means được lựa
chọn vì có thể áp dụng ngay cả trên các vi điều khiển cấu hình thấp.

13


CHƯƠNG 2. NỘI DUNG ĐỀ TÀI NGHIÊN CỨU
2.1. NGHIÊN CỨU HỆ THỐNG THIẾT BỊ GIÁM SÁT HÀNH VI GIA SÚC
2.1.1. Xây dựng mạng wsn ứng dụng cho giám sát hành vi gia súc
Trong luận văn này đề xuất và trình bày, sử dụng hai mạng cảm biến không dây
cho việc giám sát hành vi của gia súc.
Một là sử dụng chuẩn truyền thông không dây 2.4GHz để giao tiếp các nút được
gắn trên các cá thể. Dùng trong trường hợp để tăng tính chính xác khi xác định trạng
thái bằng cách sử dụng nhiều các cảm biến khác nhau. Mạng 2.4GHz cịn đảm bảo
được tính tiết kiệm do chỉ cần yêu cầu truyền thông giao tiếp với nhau trong khoảng
cách rất nhỏ, chỉ trong nội bộ các cá thể. Với 125 kênh truyền khác nhau, khi tận dụng
lại tần số thì khoảng cách giữa hai cá thể để liên lạc giữa các nút với nhau là không
đáng kể so với khoảng cách giữa hai cá thể sử dụng chung một tần số. Khoảng cách
giữa hai nút sử dụng mạng 2.4GHz là khá gần nên có thể tận dụng lại tần số đã cấp
phát trước đó cho cá thể thứ 126 sau khi đã sử dụng hết 125 kênh truyền.
Hai là đề xuất sử dụng mạng cảm biến không dây LoRa. Ưu điểm lớn nhất của
LoRa đó là khoảng cách giao tiếp rất rộng và xa. Theo Semtech, tín hiệu của mạng
LoRaWAN có thể liên lạc giữa hai gateway với nhau khoảng cách lên đến khoảng
30km trong điều kiện lý tưởng. Với khoảng cách giao tiếp lớn như vậy giúp hạn chế
tối đa việc các nút trong mạng hoạt động hết công suất để giữ liên lạc, truyền dữ
liệu nối tiếp, tăng tuổi thọ thiết bị. Cũng theo Semtech, năng lượng sử dụng cho
truyền thơng LoRa là rất rất ít, trong điều kiện thử nghiệm, nguồn năng lượng đến
từ pin có thể cho thời gian sử dụng lên đến 10 năm và mỗi gateway của truyền
thơng LoRa có thể đảm nhiệm việc giữ liên lạc cũng như có khả năng giao tiếp
khoảng 1000 thiết bị LoRa đầu cuối. Hình 2.1 mơ tả vị trí có thể gắn cảm biến để

giám sát chuyển động gia súc.

14


Hình 2.1. Mơ tả vị trí của các thiết bị trên cá thể gia súc
2.1.2. Mạng không dây LoRa
LoRa là viết tắt của “Long Range” có nghĩa là khoảng cách lớn, cũng là nêu ra
lợi thế chính của cơng nghệ không dây này. Nhiều hệ thống không dây cũ sử dụng
điều chế khoá dịch chuyển tần số (FSK) làm lớp vật lý vì đây là một điều chế rất hiệu
quả để đạt được mức công suất thấp làm giảm điện năng tiêu thụ. LoRa dựa trên điều
chế trải phổ, duy trì các đặc tính cơng suất thấp giống như điều chế FSK nhưng làm
tăng đáng kể khả năng phạm vi có thể giao tiếp, truyền thơng với nhau. Trải phổ đã
được sử dụng trong giao tiếp quân sự và không gian trong nhiều thập kỷ do khoảng
cách liên lạc lớn mà nó có thể đạt được.
LoRa là một điều chế vô tuyến phổ biến được phát triển bởi Cycleo, Pháp và
được Semtech mua lại vào năm 2012.
Nhờ thiết kế độc đáo, các liên kết khơng dây có thể đạt được độ nhạy lên 148dBm. Đánh đổi việc đó là tốc độ truyền dữ liệu chỉ đạt được vài kilobit trên giây.
Tuy tốc độ chậm để có thể truyền dẫn những thứ nặng như hình ảnh hay video nhưng
khả năng ứng dụng của nó lại khơng hề nhỏ, rất phù hợp cho các ứng dụng Internet
vạn vật và các ứng dụng M2M, làm giảm lượng năng lượng tiêu thụ. LoRa có thể sử
dụng dải rộng từ 137MHz đến 1020 MHz, bao gồm cả các băng tần ISM miễn phí như
169MHz, 433MHz, 868Mhz và 925MHz. Đây là một yếu tố quyết định đến khả năng
tương tác chi phí thấp ở trên thế giới.
LoRa là giải pháp được dán nhãn CDMA, sử dụng các yếu đố truyền dẫn khác
nhau và tốc độ mã hố thành tín hiệu ghép kênh trên một tần số duy nhất, làm tăng
dung lượng mạng, điều chỉnh động tốc độ dữ liệu của thiết bị.
15