使用半监督学习算法预测电力线通信节点的可用性
Kareem Moussa1,2, Khaled Mostafa Elsayed3,4, M Saeed Darweesh5,6
1University of Science and Technology, Zewail City, Giza, 12578, Egypt. p-kareem.moussa@zewailcity.edu.eg.
Scientific reports
|May 21, 2025
概括
这项研究提高了使用自训练机器学习的电源线通信 (PLC) 节点可用性预测. 标签扩散实现了94.67%的准确性,优化了数据传输效率.
科学领域:
- 电气工程 电气工程
- 计算机科学 计算机科学
- 数据科学数据科学数据科学
背景情况:
- 电力线通信 (PLC) 网络在向不可用节点传输数据方面面临挑战,导致延迟.
- 机器学习通过预测节点可用性来提供解决方案,提高网络效率.
研究的目的:
- 调查自训练机器学习算法的有效性,以预测PLC网络中的节点可用性.
- 为了比较各种自我训练和监督学习模型的表现.
主要方法:
- 从500节点的PLC网络中收集了2000个实例的数据集,其中包括CINR,SNR和RSSI.
- 对LGBM,SVM,标签传播和标签传播算法进行了自我训练.
- 监督学习模型 (随机森林,逻辑回归) 用于比较.
主要成果:
- 标签扩散表现出卓越的性能,准确度为94.67%,f1得分为0.947,精度为0.946,回忆率为0.947.
- 最好的模型以最小的训练时间 (0.018秒) 和内存消耗 (0.99MB) 实现了这一目标.
结论:
- 自训练算法,特别是标签扩散,对于预测PLC网络中的节点可用性非常有效.
- 优化节点可用性预测显著减少数据传输延迟,并改善整体网络性能.
