論文の概要: Learnable WSN Deployment of Evidential Collaborative Sensing Model
- arxiv url: http://arxiv.org/abs/2403.15728v1
- Date: Sat, 23 Mar 2024 05:29:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-26 21:22:21.684369
- Title: Learnable WSN Deployment of Evidential Collaborative Sensing Model
- Title（参考訳）: Evidential Collaborative Sensing Model の学習可能なWSN展開
- Authors: Ruijie Liu, Tianxiang Zhan, Zhen Li, Yong Deng,
- Abstract要約: 無線センサネットワーク(WSN)では、検出タスクの実行において、カバレッジとデプロイメントが最も重要な2つの問題である。
我々は,WSNの検出能力を向上するセンサの協調センシングモデルを開発した。
学習可能なセンサ配置ネットワーク(LSDNet)を提案し,WSNの最適展開を実現する。
- 参考スコア（独自算出の注目度）: 11.389924009815795
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In wireless sensor networks (WSNs), coverage and deployment are two most crucial issues when conducting detection tasks. However, the detection information collected from sensors is oftentimes not fully utilized and efficiently integrated. Such sensing model and deployment strategy, thereby, cannot reach the maximum quality of coverage, particularly when the amount of sensors within WSNs expands significantly. In this article, we aim at achieving the optimal coverage quality of WSN deployment. We develop a collaborative sensing model of sensors to enhance detection capabilities of WSNs, by leveraging the collaborative information derived from the combination rule under the framework of evidence theory. In this model, the performance evaluation of evidential fusion systems is adopted as the criterion of the sensor selection. A learnable sensor deployment network (LSDNet) considering both sensor contribution and detection capability, is proposed for achieving the optimal deployment of WSNs. Moreover, we deeply investigate the algorithm for finding the requisite minimum number of sensors that realizes the full coverage of WSNs. A series of numerical examples, along with an application of forest area monitoring, are employed to demonstrate the effectiveness and the robustness of the proposed algorithms.
- Abstract（参考訳）: 無線センサネットワーク(WSN)では、検出タスクの実行において、カバレッジとデプロイメントが最も重要な2つの問題である。
しかし、センサから収集された検出情報は、しばしば完全に活用されず、効率的に統合される。
このようなセンシングモデルと展開戦略は、特にWSN内のセンサーの量が大幅に増加すると、カバー範囲の最大品質に達することができない。
本稿では、WSNデプロイメントの最適カバレッジ品質を達成することを目的とする。
我々は,WSNの検知能力を高めるためのセンサの協調センシングモデルを開発し,エビデンス理論の枠組みの下で組み合わせルールから得られる協調情報を活用する。
本モデルでは, センサ選択の基準として, 顕在核融合システムの性能評価を採用する。
センサコントリビューションと検出機能の両方を考慮した学習可能なセンサ配置ネットワーク(LSDNet)を提案し,WSNの最適展開を実現する。
さらに,WSNの全カバレッジを実現する必要最小限のセンサ数を求めるアルゴリズムについて深く検討する。
提案手法の有効性とロバスト性を実証するために, 一連の数値例と森林地域モニタリングの適用を併用した。
関連論文リスト
- MSSIDD: A Benchmark for Multi-Sensor Denoising [55.41612200877861]
我々は,マルチセンサSIDDデータセットという新しいベンチマークを導入する。これは,認知モデルのセンサ伝達性を評価するために設計された,最初の生ドメインデータセットである。
そこで本研究では,センサに不変な特徴を認知モデルで学習することのできるセンサ一貫性トレーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2024-11-18T13:32:59Z) - Analysis and Optimization of Seismic Monitoring Networks with Bayesian Optimal Experiment Design [0.0]
ベイズ最適実験設計(OED)は、不確実性を最適に低減できるデータ、センサーの構成、実験を特定することを目指している。
情報理論は、最適化問題として実験やセンサ配置の選択を定式化し、OEDを導出する。
本研究では,ベイジアンOEDをセンサネットワークの地震イベント検出能力の最適化に用いるために必要なフレームワークを開発する。
論文 参考訳（メタデータ） (2024-09-27T04:45:27Z) - Optimizing Sensor Network Design for Multiple Coverage [0.9668407688201359]
本稿では,より効率的で堅牢なセンサネットワークを設計するgreedy (next-best-view)アルゴリズムの目的関数を提案する。
また、ほぼリアルタイムで計算を行うアルゴリズムを高速化するためのディープラーニングモデルも導入する。
論文 参考訳（メタデータ） (2024-05-15T05:13:20Z) - 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) - A distributed neural network architecture for dynamic sensor selection
with application to bandwidth-constrained body-sensor networks [53.022158485867536]
ディープニューラルネットワーク(DNN)のための動的センサ選択手法を提案する。
データセット全体の固定選択ではなく、個々の入力サンプルに対して最適なセンササブセット選択を導出することができる。
無線センサネットワーク(WSN)の寿命を、各ノードの送信頻度に制約を加えることで、この動的選択をいかに利用できるかを示す。
論文 参考訳（メタデータ） (2023-08-16T14:04:50Z) - Integrated Sensing, Computation, and Communication for UAV-assisted
Federated Edge Learning [52.7230652428711]
フェデレーションエッジ学習(FEEL)は、エッジデバイスとサーバ間の定期的な通信を通じて、プライバシ保護モデルトレーニングを可能にする。
無人航空機(UAV)搭載エッジデバイスは、効率的なデータ収集における柔軟性と移動性のため、FEELにとって特に有利である。
論文 参考訳（メタデータ） (2023-06-05T16:01:33Z) - Environmental Sensor Placement with Convolutional Gaussian Neural
Processes [65.13973319334625]
センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。
確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。
本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
論文 参考訳（メタデータ） (2022-11-18T17:25:14Z) - A deep learning approach to predict the number of k-barriers for
intrusion detection over a circular region using wireless sensor networks [3.6748639131154315]
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。
論文 参考訳（メタデータ） (2022-08-25T06:39:29Z) - 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) - Bandit Quickest Changepoint Detection [55.855465482260165]
すべてのセンサの継続的な監視は、リソースの制約のためにコストがかかる可能性がある。
有限パラメータ化確率分布の一般クラスに対する検出遅延に基づく情報理論の下界を導出する。
本稿では,異なる検知オプションの探索と質問行動の活用をシームレスに両立させる,計算効率のよいオンラインセンシング手法を提案する。
論文 参考訳（メタデータ） (2021-07-22T07:25:35Z) - Data-aided Sensing for Distributed Detection [48.523643863141466]
我々は,決定遅延制約の対象となる信頼性決定に対して,DASのJ分割に基づくノード選択基準を導出する。
提案した J-divergence に基づくDAS に基づいて,ノードを選択してログ類似率(LLR)を高速化する。
J分割に基づくDASは、他のアプローチと比較して少ないセンサーで信頼性の高い決定を下せることが確認された。
論文 参考訳（メタデータ） (2020-11-17T03:15:44Z)
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。