論文の概要: A deep learning approach to predict the number of k-barriers for
intrusion detection over a circular region using wireless sensor networks
- arxiv url: http://arxiv.org/abs/2208.11887v1
- Date: Thu, 25 Aug 2022 06:39:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-26 14:01:25.802505
- Title: A deep learning approach to predict the number of k-barriers for
intrusion detection over a circular region using wireless sensor networks
- Title（参考訳）: 無線センサネットワークを用いた円形領域への侵入検知のためのkバリア数予測のための深層学習手法
- Authors: Abhilash Singh, J. Amutha, Jaiprakash Nagar, Sandeep Sharma
- Abstract要約: 無線センサネットワーク(WSN)は、国境地帯における侵入検知と監視の問題に対して実現可能な解決策である。
本稿では,高速な侵入検知・防止のためのkバリア数の正確な予測を行うために,完全接続型フィードフォワードニューラルネットワーク(ANN)に基づくディープラーニングアーキテクチャを提案する。
- 参考スコア（独自算出の注目度）: 3.6748639131154315
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Wireless Sensor Networks (WSNs) is a promising technology with enormous
applications in almost every walk of life. One of the crucial applications of
WSNs is intrusion detection and surveillance at the border areas and in the
defense establishments. The border areas are stretched in hundreds to thousands
of miles, hence, it is not possible to patrol the entire border region. As a
result, an enemy may enter from any point absence of surveillance and cause the
loss of lives or destroy the military establishments. WSNs can be a feasible
solution for the problem of intrusion detection and surveillance at the border
areas. Detection of an enemy at the border areas and nearby critical areas such
as military cantonments is a time-sensitive task as a delay of few seconds may
have disastrous consequences. Therefore, it becomes imperative to design
systems that are able to identify and detect the enemy as soon as it comes in
the range of the deployed system. In this paper, we have proposed a deep
learning architecture based on a fully connected feed-forward Artificial Neural
Network (ANN) for the accurate prediction of the number of k-barriers for fast
intrusion detection and prevention. We have trained and evaluated the
feed-forward ANN model using four potential features, namely area of the
circular region, sensing range of sensors, the transmission range of sensors,
and the number of sensor for Gaussian and uniform sensor distribution. These
features are extracted through Monte Carlo simulation. In doing so, we found
that the model accurately predicts the number of k-barriers for both Gaussian
and uniform sensor distribution with correlation coefficient (R = 0.78) and
Root Mean Square Error (RMSE = 41.15) for the former and R = 0.79 and RMSE =
48.36 for the latter. Further, the proposed approach outperforms the other
benchmark algorithms in terms of accuracy and computational time complexity.
- Abstract（参考訳）: 無線センサネットワーク(WSNs)は、ほぼすべての人生で膨大な応用が期待できる技術である。
WSNの重要な応用の1つは、国境地帯や防衛施設における侵入検知と監視である。
国境地域は数百から数千マイルにも及ぶので、国境地域全体をパトロールすることは不可能である。
結果として、敵は監視の欠如から立ち入り、命を失ったり、軍事施設を破壊したりすることができる。
WSNは、国境地帯における侵入検知と監視の問題を解決することができる。
国境地帯や近くの軍用缶詰などの重要地域における敵の検出は、数秒の遅延が破壊的な結果をもたらす可能性があるため、時間に敏感な作業である。
したがって、配備されたシステムの範囲内になるとすぐに敵を識別し、検出できるシステムを設計することが不可欠となる。
本稿では,高速な侵入検知・防止のためのkバリア数の正確な予測を行うために,完全接続型フィードフォワードニューラルネットワーク(ANN)に基づくディープラーニングアーキテクチャを提案する。
我々は,循環領域の面積,センサの検知範囲,センサの伝送範囲,ガウス分布と均一なセンサ分布のセンサ数という4つの潜在的な特徴を用いて,フィードフォワードanモデルを訓練し,評価した。
これらの特徴はモンテカルロシミュレーションによって抽出される。
その結果, ガウス分布と一様センサ分布の両方において, 相関係数 (r = 0.78) と根平均二乗誤差 (rmse = 41.15) を前者, r = 0.79 と rmse = 48.36 で正確に予測できることがわかった。
さらに,提案手法は他のベンチマークアルゴリズムを精度と計算時間の複雑さで上回っている。
関連論文リスト
- MLSTL-WSN: Machine Learning-based Intrusion Detection using SMOTETomek
in WSNs [3.887356044145916]
無線センサネットワーク(WSN)は、静止センサーと移動センサの両方を含むインフラとして重要な役割を担っている。
既存のWSNの侵入検知方法は、低検出率、計算オーバーヘッド、誤警報などの問題に遭遇する。
本稿では,機械学習(ML)技術とSMOTE-TomekLink(Synthetic Minority Oversampling Technique Tomek Link)アルゴリズムを融合した,革新的な侵入検出手法を提案する。
このブレンドはマイノリティなインスタンスを合成し、Tomekリンクを排除し、結果としてバランスの取れたデータセットがWSNの検出精度を大幅に向上する。
論文 参考訳（メタデータ） (2024-02-17T18:04:08Z) - Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。
無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。
そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
論文 参考訳（メタデータ） (2023-12-08T13:50:30Z) - STARNet: Sensor Trustworthiness and Anomaly Recognition via Approximated
Likelihood Regret for Robust Edge Autonomy [0.5310810820034502]
LiDAR、RADAR、イベントカメラといった複雑なセンサーは、自律型ロボティクスで急増している。
これらのセンサーは、運用環境と複雑な相互作用が可能な多様な障害メカニズムに対して脆弱である。
本稿では,信頼できないセンサストリームを検出するために設計されたセンサ信頼度・異常認識ネットワークSTARNetを紹介する。
論文 参考訳（メタデータ） (2023-09-20T02:20:11Z) - Object-Size-Driven Design of Convolutional Neural Networks: Virtual Axle Detection based on Raw Data [0.0]
本研究は、専用軸受を列車軸受のリアルタイム検出のための新しいアプローチに置き換えることの課題に対処する。
提案したVADER(Virtual Axle Detector with Enhanced Receptive Field)は単線鉄道橋上で検証されている。
生データを入力として使用すると、最先端のスペクトログラムベースの手法がスピードとメモリ使用率の両方で99%向上する。
論文 参考訳（メタデータ） (2023-09-04T12:53:54Z) - Semantic Segmentation of Radar Detections using Convolutions on Point
Clouds [59.45414406974091]
本稿では,レーダ検出を点雲に展開する深層学習手法を提案する。
このアルゴリズムは、距離依存クラスタリングと入力点雲の事前処理により、レーダ固有の特性に適応する。
我々のネットワークは、レーダポイント雲のセマンティックセグメンテーションのタスクにおいて、PointNet++に基づく最先端のアプローチよりも優れています。
論文 参考訳（メタデータ） (2023-05-22T07:09:35Z) - NVRadarNet: Real-Time Radar Obstacle and Free Space Detection for
Autonomous Driving [57.03126447713602]
本稿では,自動車のRADARセンサを用いて動的障害物や乾燥可能な自由空間を検出するディープニューラルネットワーク(DNN)を提案する。
ネットワークは組み込みGPU上でリアルタイムよりも高速に動作し、地理的領域にわたって優れた一般化を示す。
論文 参考訳（メタデータ） (2022-09-29T01:30:34Z) - An Online Ensemble Learning Model for Detecting Attacks in Wireless
Sensor Networks [0.0]
我々は、アンサンブル学習として知られる重要な機械学習の概念を適用して、インテリジェントで効率的で、かつ、高機能な侵入検知システムを開発する。
本稿では,感覚データ解析における同種・異種のオンラインアンサンブルの応用について検討する。
提案されたオンラインアンサンブルのうち、アダプティブ・ランダム・フォレスト(ARF)とHoeffding Adaptive Tree(HAT)アルゴリズムを組み合わせた異種アンサンブルと、10モデルからなる同種アンサンブルHATは、それぞれ96.84%と97.2%という高い検出率を達成した。
論文 参考訳（メタデータ） (2022-04-28T23:10:47Z) - Learning-based Localizability Estimation for Robust LiDAR Localization [13.298113481670038]
LiDARベースのローカライゼーションとマッピングは、多くの現代のロボットシステムにおける中核的なコンポーネントの1つである。
本研究では,ロボット動作中の(非)局所性を検出するニューラルネットワークに基づく推定手法を提案する。
論文 参考訳（メタデータ） (2022-03-11T01:12:00Z) - Oriented R-CNN for Object Detection [61.78746189807462]
本研究では、オブジェクト指向R-CNNと呼ばれる、効果的でシンプルなオブジェクト指向オブジェクト検出フレームワークを提案する。
第1段階では,高品質な指向型提案をほぼ無償で直接生成する指向型領域提案ネットワーク(指向RPN)を提案する。
第2段階は、R-CNNヘッダーで、興味のある領域(オブジェクト指向のRoI)を精製し、認識する。
論文 参考訳（メタデータ） (2021-08-12T12:47:43Z) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳（メタデータ） (2021-05-30T22:07:13Z) - Firearm Detection and Segmentation Using an Ensemble of Semantic Neural
Networks [62.997667081978825]
本稿では,意味的畳み込みニューラルネットワークのアンサンブルに基づく兵器検出システムを提案する。
特定のタスクに特化した単純なニューラルネットワークのセットは、計算リソースを少なくし、並列にトレーニングすることができる。
個々のネットワークの出力の集約によって与えられるシステムの全体的な出力は、ユーザが偽陽性と偽陰性とをトレードオフするように調整することができる。
論文 参考訳（メタデータ） (2020-02-11T13:58:16Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。