无线传感器网络的能源优化使用最小冗余性最大相关性特征选择和分类技术
Muteeah Aljawarneh1,2, Rim Hamdaoui1,2, Ahmed Zouinkhi2
1Computer Science Department, College of Science and Humanities, Dawadmi, Shaqra University, Dawadmi, Riyadh, Saudi Arabia.
PeerJ. Computer science
|June 10, 2024
概括
本研究使用最小冗余最大相关性 (MRMR) 来在无线传感器网络 (WSN) 中进行特征选择,以节省能源. 结果显示,k-最近邻居 (KNN) 分类器为延长传感器寿命提供了卓越的性能.
科学领域:
- 无线传感器网络 (WSN) 是一种无线传感器网络.
- 节能 节能 节能 节能 节能
- 机器学习 机器学习
背景情况:
- 节能是无线传感器网络 (WSN) 的一个关键挑战.
- 优化能源消耗对于延长网络寿命和运营效率至关重要.
研究的目的:
- 在WSN中应用特征选择技术,尽量减少传感器数量和节能.
- 评估不同分类器的性能与WSN能源优化特征选择相结合.
主要方法:
- 用于传感器特征选择的使用最小冗余性最大相关性 (MRMR).
- 比较支持向量机 (SVM),天真贝叶斯和k-最近邻近 (KNN) 分类器.
- 评估分类器的准确性和对传感器寿命延长因子的影响.
主要成果:
- MRMR有效地根据重要性对传感器进行排名,从而减少传感器数量.
- 与SVM和Naïve Bayes相比,k-最近邻居 (KNN) 分类器表现出优异的性能.
- 模拟结果表明,传感器的寿命延长因子有所改善.
结论:
- 使用MRMR进行特征选择是WSN中节能的一种可行策略.
- 对于需要高精度和延长传感器寿命的WSN应用,建议使用KNN分类器.


