数据增强的有效性用于WSN中的本地化,使用深度学习来实现物联网.

科学领域:

• 计算机科学 计算机科学
• 电气工程 电气工程
• 网络化 网络化 网络化

背景情况:

• 无线传感器网络 (WSN) 对物联网应用至关重要,但准确的节点本地化仍然是一个挑战.
• Dv-hop算法为WSN提供了一个简单的,无范围的本地化方法,但它在准确性上有局限性.
• 深度学习 (DL) 显示出改善本地化的前景,但需要大量的训练数据.

研究的目的:

• 为物联网环境中的WSN开发一个准确的,基于深度学习 (DL) 的无距离本地化技术.
• 为了解决DL中的数据稀缺问题,用于WSN本地化.
• 为了提高Dv-hop算法的定位精度.

主要方法:

• 使用深度神经网络 (DNN) 来精确未知和节点之间的距离估计.
• 提出了数据增强战略 (DAS),创建虚拟,以产生更多的培训数据.
• 增强的Dv-hop算法集成了DNN校正,以改善本地化.

主要成果:

• 拟议的数据增强战略 (DAS) 有效地增加了DNN的培训数据集大小.
• 与标准Dv-hop算法相比,DNN校正的集成显著提高了本地化准确性.
• 基于DL的方法为WSN和物联网中低成本,准确的本地化提供了可行的解决方案.

结论:

• 深度学习,加上数据增强策略,提供了一种强大的方法来克服无范围本地化算法的精度限制,如WSN中的Dv-hop.
• 这种方法使得先进的DL辅助本地化在物联网 (IoT) 部署中变得更加实用和具有成本效益.
• 开发的技术表现出卓越的性能,为无线传感器网络中更精确的位置识别铺平了道路.