一个分布式神经网络架构用于动态传感器选择,适用于带宽受限的身体传感器网络.

科学领域:

• 机器学习 机器学习
• 无线传感器网络 无线传感器网络
• 信号处理 信号处理

背景情况:

• 深度神经网络 (DNN) 中的传统传感器选择是静态的,限制了适应性和效率.
• 无线传感器网络 (WSNs) 面临能源消耗和网络寿命方面的挑战,原因是数据的连续传输.
• 优化传感器使用对于延长WSN的运行时间至关重要,特别是在资源有限的环境中.

研究的目的:

• 为DNN开发一种动态传感器选择方法,适应单个输入样本.
• 通过智能地管理传感器传输来提高无线传感器网络 (WSN) 的寿命.
• 为了提高DNN与可变传感器子集运行的稳定性和效率.

主要方法:

• 为DNNs提出了一种动态传感器选择方法,与端到端任务模型共同学习.
• 使用Gumbel-Softmax技巧通过反向传播进行离散传感器选择决策.
• 集成了一个动态空间过器,以增强DNN的稳定性与不同的节点子集.
• 开发了一种分布式算法,用于在WSN节点之间进行最佳的通道选择.

主要成果:

• 动态传感器选择方法在身体传感器网络用例中实现了接近集中方法的性能.
• 在无线传感器网络中显著降低了传输能耗.
• 尽管节省了能源,但任务准确度略有下降 (绝对最高为4%).
• 验证了该框架在延长身体传感器网络寿命方面的有效性.

结论:

• 动态传感器选择是优化DNN和延长WSN寿命的实用和有效方法.
• 拟议的分布式算法提供了一个近乎最佳的解决方案,节点间的合作最小.
• 该框架为身体传感器网络的节能运行提供了可行的解决方案.