Studio e sviluppo di un sistema neurocomputazionale per l'analisi e la predizione di sequenze temporali multidimensionali

In questo lavoro di tesi sono stati affrontati vari aspetti riguardanti l'acquisizione e l'analisi di insiemi di dati monodimensionali proventi da vari sensori per individuare pattern spazio-temporali ricorrenti. In particolare sono state presentate le Hierarchical Temporal Memories, un nuovo paradigma computazionale che si ispira al funzionamento della neocorteccia umana, il cui obiettivo è l'individuazione di sequenze spazio-temporali all'interno di un dataset. Questa architettura è stata successivamente impiegata per riconoscere movimenti ed azioni compiuti dalle persone. I sensori utilizzati in questo lavoro si compongono di un accelerometro triassale indossabile e da ambiente sorvegliato da varie telecamere. Una ulteriore componente di questo lavoro di tesi ha riguardato la concezione di un protocollo di routing ottimizzato per Wireless Sensor Networks di monitoraggio. Successivamente è stata utilizzata una WSN per la raccolta di parametri ambientali su un lungo periodo di tempo. Il lavoro di tesi si è quindi concentrato sulla progettazione ed implementazione di una nuova architettura che estende le HTM sia dal punto di vista algoritmico sia dal punto di vista delle funzionalità tramite l'aggiunta di componenti esterni. Questa nuova architettura si è dimostrata in grado di apprendere insiemi di segnali monodimensionali estraendone le componenti invarianti durante la fase di addestramento e di essere in grado di predire con buona accuratezza segnali multidimensionali.