The Role of Recurrent Convolutional Neural Network in IoT for Building a Security Artificial Intelligence and Home Assistance System
Notice bibliographique
Résumé
Recurrent Convolutional Neural Network (RCNN) is the result of the development of the CNN architecture based on a recursive neural network on a neural network.The process with the development of RCNN is able to study data in moving images and images more optimally and accurately.With optimal accuracy, RCNN is of course not only limited to research, RCNN is able to play a role in models that are contained in hardware such as IoT technology so that it is used in everyday life.One of the benefits of this is to make the Smart Home System (SHS) concept and Energy Management System based on the concept of artificial intelligence.The development of IoT technology is caused by the large number of jobs or activities that cannot be carried out by humans on a regular basis so that it is combined with cloud technology which makes it easy to access from anywhere with connectivity.Cloud-based solar panel and IoT technology has proven to be able to provide convenience in the use of security in the smart home concept.Solar panels can replace electrical energy for smart home security devices for 24 hours.The Home Assistant system successfully detects and captures every object and distinguishes any movement in the area it sees so that the Cloud-based Home Assistant security system provides convenience and comfort for the smart home concept.Where the accuracy that results from RCCN as outlined in IoT devices on objects 0.5 meter to 1 meter is 100%, 1 meter to 2 meter is 95%.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».