改进用于物联网的无线传感器网络中的定位使用基于数据复制的深度神经网络.

科学领域:

• 计算机科学 计算机科学
• 电气工程 电气工程
• 网络工程 网络工程

背景情况:

• 在无线传感器网络 (WSNs) 中的定位对于物联网 (IoT) 应用至关重要.
• 机器学习 (ML) 算法在有限的训练数据中扎,导致WSN本地化中的过拟合和精度降低.
• 低的传感器节点数量加剧了WSN本地化系统的准确性问题.

研究的目的:

• 使用新型数据增强策略 (DAS) 提高WSN的本地化准确性.
• 为了应对有限的训练数据和过度适应在基于深度神经网络 (DNN) 的WSN本地化方面的挑战.
• 提高DNN在WSN本地化中的性能,特别是在数量较少的传感器节点的情况下.

主要方法:

• 提出了与深度神经网络 (DNN) 集成的智能数据增强策略 (DAS).
• DAS复制了Dv-hop算法估计的节点位置,并添加了高斯噪声来创建多样化的数据集.
• 将增强数据集与原始培训数据结合起来,以增加数据集的大小和多样性.

主要成果:

• 数据增强技术显著降低了规范化根平均平方误差 (NRMSE).
• 与传统的Dv-hop算法相比,大大提高了DNN性能,其节点数量很少.
• 证明了数据增强过程的高效计算成本.

结论:

• 提出的基于DAS的DNN方法为WSN本地化提供了一个可扩展和有效的解决方案.
• 数据增强是克服WSN本地化中小数据集局限性的可行策略.
• 该方法可以提高WSN中的本地化准确性,而无需显著的计算开销.