Mar, 2024

高效低能耗的蓝绿模式化学电阻式传感器阵列的快速整合学习实现

PDF
TL;DR该研究介绍了一种新的优化策略，采用快速集成学习模型委员会方法来实现在 IoT 中既节能又具备高性能的化学电阻型传感器阵列的发展。该策略通过使用弹性网回归、随机森林、XGBoost 等机器学习模型，识别出在 CRS 阵列中对准确分类有最大影响力的传感器，并引入加权投票机制来汇集模型的意见，从而设置两种不同的工作模式：“蓝色” 和 “绿色”。蓝色模式通过使用所有传感器以实现最大的检测能力，而绿色模式仅激活关键传感器，显著减少能量消耗而不影响检测准确性。该策略通过理论计算和蒙特卡洛模拟进行验证，证明其有效性和准确性。此提出的优化策略不仅提升了 CRS 阵列的检测能力，还将其接近理论极限，对于低成本、易于制造的下一代 IoT 传感器终端的发展具有重大影响。
internet of thingschemiresistive sensorensemble learning-based model committeeweighted voting mechanismenergy consumption
发现论文，激发创造
  • 优化的集成模型以实现安全的工业物联网设备

    提出了一种基于贝叶斯优化 - 高斯过程（BO-GP）和集成树状学习模型的框架，以提高工业物联网环境中入侵和攻击检测的性能。实验结果显示，与标准树模型和集成树模型相比，该框架在检测精度、准确率和 F-score 方面有所提高。

    Jan, 2024

  • 基于集成学习的物联网网络安全异常检测通过贝叶斯超参数敏感性分析

    本文通过使用集成机器学习方法以实现 IoT 的异常检测，提出了一个统一的框架，利用贝叶斯超参数优化适应包含多个 IoT 传感器读数的网络环境，实验结果表明与传统方法相比具有高预测能力。

    Jul, 2023

  • 绿色人工智能行动：生产中集成模型选择的战略

    通过减少模型数量或改进集成推断时的模型使用效率，本研究提出并评估了两种模型选择策略 —— 静态和动态，以在最小化能量使用的同时优化集成学习系统性能，平衡模型的准确性与能源消耗之间的挑战，结果显示静态策略将 F1 得分从基准线提高，并将平均能量使用从 100％降低到 62％，动态策略更进一步提升了 F1 得分，并使用平均 76％的能量，与完整集合相比为 100％，同时提出了一种资源消耗与准确性平衡的方法，大幅减少能量使用而不太影响准确性，静态策略的平均能量使用率从约 62％降低到 14％，动态策略从约 76％降低到 57％，实地研究结果表明在实际生产环境中采用注重能源的模型选择策略在 Green AI 方面具有实际应用性。

    May, 2024

  • 利用可解释人工智能检测传感器间的差异

    本研究使用可解释人工智能方法的 SHAP，通过机器学习从中识别贡献最大的传感器来检测感测器之间的变化，并利用奥氮平来测试其方法的应用性，从而证明了这种方法可以提高传感器方法的效率和准确性。

    Jun, 2023

  • 可学习的证据协作感知模型的无线传感器网络部署

    通过利用证据理论框架下的协作信息，基于传感器的协作感知模型开发了一种传感器部署网络（LSDNet），以实现无线传感器网络（WSNs）的最佳部署和最大覆盖质量。研究了最小传感器数量的算法，并通过数值示例和森林区域监测应用证明了算法的有效性和鲁棒性。

    Mar, 2024

  • 无线传感器网络强化学习中的能效

    本文提出了一种方法，利用强化学习技术，在能源意识系统中连续进行弱训练，从而提高算法性能并节省能源。这种方法通过利用环境中的其他传感器提供弱标签，然后训练出模型。本方法在模拟本地化环境上进行了评估，并在可用的普遍健康数据集上进行了验证，以利用接收信号强度实现真实的住宅本地化。我们展示了该方法实施成本低、需要更少的工作门槛和能够提供随时间增加的性能改进和能源节约。

    Nov, 2018

  • 基于强化学习的传感器优化技术

    通过增强电极设计和指间电容式无线射频传感器的指标宽度等参数的优化，本研究采用了一种新的基于强化学习的二进制粒子群优化方法（RLBPSO），并与蚁群优化（ACO）和其他最先进的方法进行了对比。结果显示，所提出的 RLBPSO 方法在不同频率范围内显示出最佳的优化设计。

    Aug, 2023

  • 优化多覆盖感知网络设计

    传感器布置优化方法研究广泛，但很少有研究考虑到传感器网络在传感器故障或对抗性攻击方面的鲁棒性和效率。本文通过优化寻找最少数量的传感器来实现预定数量传感器对非连通域进行多次覆盖，从而解决了这个问题。我们提出了一种新的目标函数用于贪婪算法设计高效而鲁棒的传感器网络，并推导出了网络的可优化性的理论界限。我们进一步引入了一个深度学习模型加速算法以进行近实时计算。该深度学习模型需要生成训练样本，相关地，我们展示了了解训练数据集的几何属性对深度学习技术的性能和训练过程提供了重要见解。最后，我们展示了使用较简单目标的简单并行贪婪方法可以具有很高的竞争力。

    May, 2024

  • 边缘计算启用的道路状况监测：系统开发与评估

    该研究提出了一种利用低成本微电子机械系统（MEMS）传感器、边缘计算和可部署机器学习模型设计的物联网设备来提供实时路面状况数据的解决方案，以在路面养护和修复政策制定方面为高速公路管理机构提供及时准确的信息。

    Oct, 2023

  • 基于集成分类器的工业物联网鲁棒性攻击检测方法

    本文旨在开发一种两阶段的异常检测模型，通过集成机器学习技术 - 支持向量机和朴素贝叶斯，使用集成混合技术进行预测，以及神经网络分类器和随机森林算法进行结果分类，提高工业物联网网络的可靠性。测试结果表明，该模型的准确性最高可达 99％，且优于传统的技术。

    Jan, 2021