چکیده: از مهم‌ترین ویژگی‌هایی که یک‌خانه هوشمند باید از آن برخوردار باشد پیش‌بینی و تشخیص اعمال غیرمعمول و ناهنجار است. پیشرفت چشمگیر فناوری‌های ساخت و به‌کارگیری حسگرها از سویی و افزایش قابل‌توجه تعداد افراد سالخورده یا بیماری که به‌تنهایی زندگی می‌کنند از سوی دیگر، تحقق این ویژگی را به امری ضروری تبدیل کرده است. مشکل اینجاست که تعدد و تنوع حسگرها و حجم بالای اطلاعات دریافتی از آن‌ها، ابعاد مسئله را به مرزهای مقوله کلان‌داده نزدیک کرده و لزوم همجوشی داده‌ها، کار را دشوارتر می‌‌نماید. به همین دلیل پردازش این داده‌ها، به‌ویژه استخراج ویژگی‌های مناسب متضمن پیچیدگی محاسباتی قابل‌توجهی (زمانی و مکانی) است. در این رساله روشی برای تشخیص و پیش‌بینی اعمال غیرمعمول و ناهنجار در یک‌خانه هوشمند با استفاده از یادگیری عمیق ارائه می‌دهیم. داده‌های این خانه بنا به سنت غالب خانه‌های هوشمند، از طریق حسگرهای بیسیم غیر مزاحم مثل حسگرهای نوری تشخیص و ردیابی و حسگرهای باز و بسته بودن درب و نظیر آن‌ها گردآوری می‌شود. دادگان خروجی این حسگرها مجموعه‌ای از رویدادهای غیرهمزمان و گسسته است که در بستر پیوسته زمان روی می‌دهند. فواصل زمانی این رویدادها یکسان نیست و فاصله زمانی بین دو رویداد می‌تواند بیانگر ویژگی‌های رفتاری مهمی باشد. به همین دلیل ما به‌جای استفاده از روش‌های معمول در تحلیل سری‌های زمانی، از نظریه فرایندهای نقطه‌ای بهره برده‌ایم. این نظریه چارچوب ریاضی قدرتمندی است که زبان آماری مناسب را برای صورت‌بندی و تحلیل رویدادهای غیرهمزمان فراهم می‌کند. مدل‌های رایج در نظریه مدرسی فرایندهای نقطه‌ای غالباً مفروضات خاص و محدودکننده‌ای را در مورد شیوه تولید رویدادها لحاظ می‌کنند. به همین دلیل ما برای احاطه بر رفتار یک فرایند و استخراج الگوهای هنجار، از یک شبکه عصبی بازگشتی عمیق استفاده کرده‌ایم. این شبکه در قامت یک نگاشت غیرخطی، با دریافت تاریخچه رویدادها نوع و زمان وقوع رویداد بعدی را پیش‌بینی می‌نماید. ما این پیش‌بینی را با استخدام جستجوی پرتو محلی به مجموعه‌ای از رشته رویدادهای محتمل بسط می‌دهیم تا محدوده احتمالی افعال آتی مشخص گردد. فاصله سلسله رویدادهای واقعی با محدوده مذکور، مبین هنجار یا ناهنجار بودن این سلسله خواهد بود. نتایج تجربیات انجام‌شده نشان می‌دهد که این روش امکان کشف افعال ناهنجار را با دقت قابل قبولی فراهم می‌کند.